一种基于随机故障注入的诊断算法评估方法及系统与流程

本发明涉及牵引系统故障诊断领域，尤其涉及一种基于随机故障注入的诊断算法评估方法及系统。

背景技术：

随着现代轨道交通技术的不断发展，高速列车的安全性已经成为高速铁路运行与发展的首要问题，牵引传动控制系统作为高速列车运行安全的关键系统之一，也是高速列车高发故障的主要来源之一，为了实时检测牵引传动控制系统的安全可靠运行，往往采用各种诊断算法对牵引传动控制系统进行实时检测，以能及时检测并诊断牵引传动控制系统的故障，但所采用的故障诊断算法在投入运行使用之前，都必须通过实验验证其算法的准确性。目前，对诊断算法进行测试的方式大多是人为设定下故障场景(类型、参数等)的确定型试验，无法对所有可能的故障场景(类型、参数等)进行全覆盖的大量随机测试，测试结果存在很大程度上的片面性及偶然性；此外，对于测试结果的评估，现有评估方法仅选取几个评估指标，很难客观、全面、综合地评估诊断算法的性能。

因此，如何更准确更全面、客观地对系统故障诊断算法进行测试与评估成为一个急需解决的问题。

技术实现要素：

本发明目的在于提供一种基于随机故障注入的诊断算法评估方法及系统，以更全面更客观地对牵引传动控制系统用的诊断算法进行测试与评估。

为实现上述目的，本发明提供了一种基于随机故障注入的诊断算法评估方法，包括以下步骤：

s1：建立故障注入模型库，将所述故障注入模型库中的每一个故障注入模型的故障信息进行分层，所述故障信息包括故障位置、故障类型、以及故障参数；

s2：根据设定要求随机对每一个所述故障注入模型的故障信息进行分层抽取，为待评估诊断算法选取相应的故障注入模型；

s3：采用s2中选取的故障注入模型对待评估诊断算法进行测试，并根据测试结果计算评估指标，并将所述评估指标的计算值与设定的评估等级进行匹配，以得到待评估诊断算法的评估等级。

优选地，所述s3中，所述设定的评估指标包括基本性能指标、关键性能指标、以及综合性能指标；

所述基本性能指标包括：检测延迟率，灵敏度，检测率，误检率，漏检率，故障位置辨识率，故障类型辨识率，故障参数辨识率；

所述关键性能指标包括反应力、有效性、以及辨识力；其中，所述反应力、所述有效性、以及所述辨识力分别由所述所有基本性能指标分组并进行组合加权计算得出；

所述综合性能指标由所述所有关键性能指标加权计算得出。

优选地，还包括步骤：根据所述基本性能指标构建至少三个指标群，分别为：反应力指标群、有效性指标群、以及辨识力指标群；

所述反应力指标群包括：所述检测延迟率和所述灵敏度；

所述有效性指标群包括：所述检测率、所述误检率、以及所述漏检率；

所述辨识力指标群包括：所述故障位置辨识率、所述故障类型辨识率、以及所述故障参数辨识率。

优选地，所述故障注入模型库中的故障注入模型为q个，计算公式为：

式中，i表示第i个故障位置，i＝1，...，m，其中m表示系统中可能发生故障位置的总数，l表示第i个故障位置的故障类型总数。

优选地，所述s1中，将所述故障注入模型库中的每一个故障注入模型的故障信息进行分层时，通过设定的故障注入模型f实现所述分层，其中，设定的故障注入模型f的计算公式为：

式中，modi表示故障位置，表示故障类型，都表示故障参数。

优选地，所述s2具体包括以下步骤：

s21：计算故障位置的累计分布函数计算公式为：

式中，表示故障位置modi被抽取到的概率，

s22：确定抽取的故障位置，计算公式为：

式中，n表示第n次试验，表示第n次试验为了确定故障位置从[0，1]中均匀抽取的随机数，an表示第n次试验抽取的故障位置，其中，an取值范围是{1，2，...，m}，

s23：计算故障位置为an时故障类型的累积分布函数计算公式为：

式中，

随机抽取故障位置为an时故障类型为计算公式为：

式中，表示第n次试验为了确定故障类型从[0，1]中均匀抽取的随机数，表示第n次试验抽取的故障位置为an时的故障类型，取值范围是其中

s24：计算故障位置为an故障类型为的第v个故障参数的累积分布函数计算公式为：

式中，为第v个故障参数的概率密度函数；

将(0，1)分为n等分，第n个区间dn为：

对于第n次试验，对(0，1)进行次均匀分布抽样得到第v个故障参数在区间dn中的概率点为：

计算概率点对应的故障参数值公式为：

s25：综合上述随机抽取的故障位置、故障类型以及故障参数，选取第n次抽取得到的故障注入模型fn，计算公式为：

式中，n＝1，...，n，n表示选取用于评估诊断算法所需的全部故障注入模型的实验总次数。

优选地，所述实验总次数n的计算公式为：

式中，ε表示容忍度，ε∈(0，1)，α表示置信度，且有：

式中，表示计算指标的理想估计值，λ表示计算指标的实际估计值，pr(·)表示概率。

优选地，所述s3具体包括以下步骤：

s31：采用选取的故障注入模型对待评估诊断算法进行测试，设定故障注入模型为fn，噪声为ωn，采用第n次抽取得到的故障注入模型fn，对诊断算法进行第n次测试，记录测试输出结果为：

式中，rn＝1表示诊断算法判定系统m发生故障，rn＝0表示诊断算法判定系统m未发生故障，φn表示检测延迟阈值，ξn表示故障微弱程度阈值，其中，故障微弱程度由故障参数集合决定，记为δn表示故障参数辨识阈值，表示故障发生时间，表示最迟故障发生判定时间，tⁿ表示诊断算法诊断出的最早故障发生时间，表示采用待评估诊断算法判定的故障位置表示采用待评估诊断算法判定的故障类型，表示采用待评估诊断算法判定的故障参数集合；其中，表示故障位置无法辨识；表示故障类型无法辨识；表示第个故障参数无法辨识；

s32：根据s31中的测试输出结果计算基本性能指标、关键性能指标和综合性能指标，获得对待评估诊断算法n次随机测试的基本性能、关键性能和综合性能评估等级。

优选地，所述s2中，选取的故障注入模型包括一个或者至少两个；当所述选取的故障注入模型为一个时，所述设定要求为：故障注入模型的相应故障发生概率为1；

当所述选取的故障注入模型为至少两个时，所述设定要求为：故障注入模型的相应故障发生概率之和为1。

作为一个总的技术构思，本发明还提供一种基于随机故障注入的诊断算法评估系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本发明具有以下有益效果：

本发明提供一种基于随机故障注入的诊断算法评估方法及系统，通过设定要求随机对故障注入模型库中的每一个故障注入模型的故障信息进行分层抽取，为待评估诊断算法随机选取相应的故障注入模型进行测试，根据测试结果计算评估指标，并将评估指标的计算值与设定的评估等级进行匹配，以得到待评估诊断算法的评估等级，可以对系统待评估诊断算法进行更全面更客观的评估。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的基于随机故障注入的诊断算法评估方法流程图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本发明专利申请说明书以及权利要求书中使用的“一个”或者“一”等类似词语不表示数量限制，而是表示存在至少一个。

实施例1

参见图1，本实施例提供一种基于随机故障注入的诊断算法评估方法，包括以下步骤：

s1：建立故障注入模型库，将故障注入模型库中的每一个故障注入模型的故障信息进行分层，故障信息包括故障位置、故障类型、以及故障参数；

s2：根据设定要求随机对每一个故障注入模型的故障信息进行分层抽取，为待评估诊断算法选取相应的故障注入模型；

s3：采用s2中选取的故障注入模型对待评估诊断算法进行测试，并根据测试结果计算评估指标，并将评估指标的计算值与设定的评估等级进行匹配，以得到待评估诊断算法的评估等级。

上述的基于随机故障注入的诊断算法评估方法可以更全面更客观地对牵引传动控制系统用的诊断算法进行评估。

具体地，在实际实验中，首先，构建故障注入模型库，需要说明的是，本实施例中所指的故障注入模型库为现有技术中常用的故障注入模型库，此处，不多做赘述。本实施例中，构建的故障注入模型库中的故障注入模型为q个，计算公式为：

式中，i表示第i个故障位置，i＝1，...，m，其中m表示系统中可能发生故障位置的总数，l表示第i个故障位置的故障类型总数。

进一步地，将故障注入模型库中的每一个故障注入模型的故障信息进行分层，本实施例中，将故障信息分为三层，优选地，第一层为故障位置，第二层为故障类型，第三层为故障参数。且，分层操作通过设定的故障注入模型f实现所述分层，其中，设定的故障注入模型f的计算公式为：

式中，modi表示故障位置，表示故障类型，都表示故障参数。

然后，从故障注入模型库中选取相应的故障注入模型，本实施例中，讨论选取至少两个故障注入模型以测试待评估诊断算法(在该情况下，待评估诊断算法可用于检测多种故障类型)。此时，在选取故障注入模型时，应当满足所有选取的故障注入模型发生相应故障概率之和为1。

具体地，本实施例选取的牵引传动系统包含的故障位置、故障类型、故障参数及范围如表1所示。且本实施例选取的诊断算法为一种可诊断故障发生并辨识故障位置及类型但不能辨识参数的算法。

表1

首先，确定故障注入模型库中的故障位置，故障位置mod由牵引传动系统中的所有可能发生故障的位置mod1、mod2组成：

mod＝{mod1，mod2}；

式中，mod1为逆变器三相电流v相，mod2为传感器三相电流u相。

确定故障注入模型库中的故障类型，故障类型s为所有mod1、mod2分别对应的故障类型集合s1、s2的集合，s1、s2分别为：

式中，s11为断条故障类型，s12为匝间短路故障类型；s21为偏差故障类型，s22为增益故障类型。

则，本实施例中，故障注入模型总数q为：

q＝2+2＝4；

确定故障注入模型库中的故障类型，故障参数θ为所有故障类型s11、s12、s21、s22分别所含故障参数θ11、θ12、θ21、θ22的集合，θ11、θ12、θ21、θ22分别为：

式中，为的第v个故障参数，分别在表1中所示的范围区间上连续取值。其区间为(0，257.4)、(0，0.076)、(0，1)、(0，257.4)、(0，0.076)、(0，1)、(0，10)、(0，10)。

则，本实施例中故障注入模型库中三层设定的故障注入模型f为：

式中，i＝1，2，j1＝1，2，j2＝1，2，g11＝3，g12＝3，g21＝1，g22＝1。

然后，随机抽取故障位置；

具体地，先计算故障位置modi的累积分布函数计算公式为：

本实施例中，为故障位置mod1被抽取到的概率；为故障位置mod2被抽取到的概率。

需要说明的是，为了方便区别变量编号，假定当前次为第5次试验。对(0，1)进行均匀分布抽样得到0.213，由下式确定抽取故障位置为mod1：

式中，

随机抽取故障类型；

计算故障位置为1时故障类型的累积分布函数

本实施例中，为故障类型s11被抽取到的概率；为故障类型s12被抽取到的概率。

对(0，1)进行均匀分布抽样得到0.582，由下式确定抽取故障类型为s12：

随机抽取故障参数；

计算故障位置为1故障类型为s12的三个故障参数的累积分布函数

本实施例中，为故障参数的概率密度函数；为故障参数的概率密度函数；为故障参数的概率密度函数。

优选地，本实施例给定容忍度ε＝0.1和置信度α＝95％，由下式选取总试验次数n＝81：

将(0，1)分为81等分，则第5个区间

对(0，1)进行3次均匀分布抽样得到[0.721，0.396，0.581]，故障参数分别在区间d1、d2、d3中的概率点为：

计算概率点分别对应的故障参数值

则第5次抽取得到的故障注入模型f5为：

(mod1，s12，[24.167，0.00561，0.085])；

n＝1，...，81，据此得到评估诊断算法所需的全部81次随机故障注入模型。

进一步地，根据抽取的故障注入模型f5对诊断算法进行测试。

设定牵引传动系统m包括故障注入模型f5及噪声ω5：

m(f5，ω5)；

式中，ω5代表第5次测试时系统的白噪声。

在牵引传动系统m中采用第5次抽取得到的故障注入模型f5，对诊断算法进行第5次测试，记录测试输出结果为：

本实施例中，r5＝1，即诊断算法判定发生故障；φ5＝2，为检测延迟阈值，ξ5＝0.1，为故障微弱程度阈值，故障微弱程度由故障参数集合θ12决定，δ5＝1，为故障参数辨识阈值，为故障发生时间；为最迟故障发生判定时间；t⁵＝1.32，为诊断算法诊断出的最早故障发生时间；分别为诊断算法判定的故障位置、故障类型、故障参数。其中，故障参数无法辨识。

需要说明的是，本实施例中的检测延迟阈值、故障微弱程度阈值、故障参数辨识阈值都根据日常实验和经验设定，在此，不多做赘述。

作为本实施例优选的实施方式，本实施例中，设定的用于评估诊断算法的评估指标包括有检测延迟率(detectiondelayrate，ddr)，灵敏度(sensity，sen)，检测率(faultdetectionrate，fdr)，误检率(falsealarmrate，far)，漏检率(missrate，mr)，故障位置辨识率(faultmodulerecognizationrate，fmrr)，故障类型辨识率(faulttyperecognizationrate，ftrr)，故障参数辨识率(faultparameterrecognizationrate，fprr)。计算评估指标时，具体计算公式为：

式中，ddr∈[0，1]，若rn＝1且成立，ddrn＝1，反之ddrn＝0。

式中，sen∈[0，1]，若rn＝1且成立，senn＝1，反之senn＝0。

式中，fdr∈[0，1]，若rn＝1且成立，fdrn＝1，反之fdrn＝0。

式中，far∈[0，1]，若rn＝1且成立，farn＝1，反之farn＝0。

式中，mr∈[0，1]，若成立，mrn＝1，反之mrn＝0。

式中，fmrr∈[0，1]，若成立，fmrrn＝1，反之fmrrn＝0。

式中，ftrr∈[0，1]，若成立，ftrrn＝1，反之ftrrn＝0。

式中，fprr∈[0，1]，若成立，fprrn＝1，反之fprrn＝0。

进一步地，为了更好的对诊断算法进行评估，将上述评估指标划分为反应力指标群、有效性指标群、以及辨识力指标群，将反应力指标群、有效性指标群、以及辨识力指标群视为关键性能指标。具体地，将检测延迟率和所述灵敏度划分为反应力指标群；将检测率、误检率、以及漏检率划分为有效性指标群；将故障位置辨识率、故障类型辨识率、以及故障参数辨识率划分为辨识力指标群。其中反应力指标群为ω1、有效性指标群为ω2、辨识力指标群为ω3，由各指标群所包含的基本性能指标进行组合加权，其中，组合加权计算公式为：

式中，为第τ个指标群中的第k个基本性能指标，当越大代表诊断算法性能越良好时，否则，为的权重，hτ为第τ个指标群的基本性能指标个数。ωτ∈[0，100]，τ＝1，2，3，接近100分别代表对应的关键性能强。

本实施例中，计算得到：

式中，ωτ∈[0，100]，τ＝1，2，3，其中，最终值接近100分别代表反应力强、有效性强、辨识力强。

然后，由所有关键性能指标进行加权得到综合性能指标，其中，加权公式为：

式中，ητ为ωτ的权重，

本实施例中，

i＝0.2×ω1+0.4×ω2+0.4×ω3＝74；

需要说明的是，当i∈[0，60)，表示所测试的诊断算法的综合性能一般；当i∈[60，85)，表示所测试的诊断算法的综合性能良好；当i∈[85，100]，表示所测试的诊断算法的综合性能优秀。本实施例中，i＝74，表示所测试的诊断算法的综合性能良好。

上述的诊断算法，利用n次随机故障注入的测试结果，采取三层评估指标体系，计算并得到基本性能指标、关键性能指标(反应力、有效性、辨识力)和综合性能指标的评估等级，可以对系统待评估诊断算法进行更全面更客观的评估。

实施例2

作为可替换的实施方式，故障注入模型可通过调整故障位置、故障类型、故障参数的概率值来实现确定性测试或随机测试。即，若需进行确定性测试时，可令则实现对确定性故障位置modi的测试(此时，只需选取一个故障注入模型进行测试，除选取故障模型的个数外，其余方法与上述实施例中一致，此处不多做赘述)；令则实现对确定性故障类型的测试(此时，只需选取一个故障注入模型进行测试)；令则实现对确定性故障参数的测试(此时，只需选取一个故障注入模型进行测试)。

实施例3

本实施例提供一种基于随机故障注入的诊断算法评估系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。