基于隐马尔科夫模型的里程计故障诊断方法与流程

本发明涉及故障诊断技术领域，尤其涉及一种基于隐马尔科夫模型的里程计故障诊断方法。

背景技术：

HMM(Hidden Markov Model，隐马尔可夫模型)是一个双随机过程，包含两个随机过程，其一是隐藏状态下从一个状态转移到另一个状态的过程，其二是在每个隐藏状态下产生观测值的过程。HMM中包含三种基本算法，每种算法对应解决一个基本问题：(1)HMM模型参数已确定，给出观察序列，求该观察序列与模型匹配的概率(评估)；(2)在训练成功的模型中，搜素产生给定观察序列的最有可能的隐藏状态路径(解码)；(3)HMM模型参数未知，给出训练序列，通过寻找局部最优来生成HMM(学习)。

在里程计(Odometry)的故障诊断中，主要有两种算法，其一是前向-后向算法，用来解决HMM概率计算问题；其二是Baum-Welch算法，是HMM参数估计及训练问题的解决方案。

在隐马尔科夫模型中，参数训练对于最后模型的模式分类效果有很大影响。原隐马尔科夫模型中的B-W算法中的似然函数值通过单调上升收敛最终确定最优解，但是B-W算法的确点是收敛速度较慢，数值运行复杂，而且十分容易将最优解取为局部最优解的结果。

技术实现要素：

本发明的实施例提供了一种基于隐马尔科夫模型的里程计故障诊断方法，以实现有效地进行里程计的故障诊断。

为了实现上述目的，本发明采取了如下技术方案。

一种基于隐马尔科夫模型的里程计故障诊断方法，包括：

提取里程计运行过程中的特征数据作为观测量数据，对所述观测量数据进行预处理，该预处理包括幅值归一化、标量量化处理；

将预处理后的观测量数据输入到隐马尔科夫模型中进行训练，得到车轮的正常、打滑、抱死三种状态的隐马尔科夫模型，建立里程计的故障状态分类器；

将待识别的观测量数据输入到所述里程计的故障状态分类器，分别与车轮的各种状态的隐马尔科夫模型进行匹配，根据匹配结果确定所述待识别的观测量数据对应的车轮的状态。

进一步地，所述的提取里程计运行过程中的特征数据作为观测量数据，包括：

提取里程计中的累计计数脉冲输出的速度测量值v_odo；

其中，n_k为k时刻的脉冲个数，n_k-1为k上一时刻的脉冲个数，N为里程计完成一圈之后发出的脉冲数，Δt是k时刻到k-1时刻的时间间隔，d为车轮的轮径；

观测量数据v_observation(t)的计算公式如下：

v_observation(t)＝v_odo(t)-v_real(t)

其中v_real(t)是任一时刻t的列车实际运行速度；

进一步地，所述的对所述观测量数据进行预处理，该预处理包括幅值归一化、标量量化处理，包括：

利用归一化函数mapminmax对所述观测量数据进行幅值归一化处理，再通过信源编码技术中的Lloyds数据压缩算法对幅值归一化处理后的观测量数据进行标量量化处理。

进一步地，所述的将预处理后的观测量数据输入到隐马尔科夫模型中进行训练，得到车轮的正常、打滑、抱死三种状态的隐马尔科夫模型，建立里程计的故障状态分类器，包括：

分别选取车轮的正常、打滑、抱死三种状态下的里程计的观测量数据，使用所述观测量数据利用遗传算法优化后的B-W算法训练隐马尔科夫模型参数，得到车轮的正常、打滑、抱死三种状态的隐马尔科夫模型，建立里程计的故障状态分类器。

进一步地，所述的遗传算法包括如下步骤：

(1)对实际问题的参数集进行编码；

(2)确定参数的初始值及各遗传算子；

(3)令k＝0表示进化代数,并且产生初始化种群X(0)；

(4)选取适应度函数，在每一代中计算适应度函数的值，以适应度函数值作为标准来评判个体是否进入下一代；

(5)与终止条件相比较，如果不符合，令k＝k+1代数增加一代；

(6)进行选择操作，基于遗传算法“适者生存”的基本原则，从当前群体X(k-1)中挑选，舍弃适应度低的个体，选择剩下的个体X(k)进入下一次的迭代过程；

(7)进行交叉操作，基于遗传算法“信息交换”的基本原则，利用交叉概率P_c，根据交叉算子对X(k)中的个体进行交叉操作，则下一代中个体信息来自父辈个体；

(8)进行变异操作变异，根据变异概率Pm随机选择X(k)中间群体中的某个个体改变其值；

所述的使用所述观测量数据利用遗传算法优化后的B-W算法训练隐马尔科夫模型参数，包括如下步骤：

(1)待估计参数：状态初始分量π＝(π₁,π₂,...π_N)，概率转移矩阵A＝(a_ij)，观测向量密度函数b_j(y)；

(2)适应度函数：适应值函数取为目标函数，取lnp(Y＝y|X)-Viol(X)为目标函数；

(3)生成初始种群：参数π,A等在[0,1]中随机产生并进行二进制编码处理，根据收敛精度确定二进制位数；

(4)设定各遗传算子的值，设选择概率P＝0.1，交叉概率P_c＝0.25，变异概率P_m＝0.01；

(5)设定遗传算法终止条件，最大迭代次数取为max_iter＝30，收敛精度ε＝0.0001。

进一步地，所述的将待识别的观测量数据输入所述里程计的故障状态分类器，将待识别的观测量数据分别与车轮的各种状态的隐马尔科夫模型进行匹配，根据匹配结果确定所述待识别的观测量数据对应的车轮的状态，包括：

将待识别的观测量数据输入所述里程计的故障状态分类器，利用前向-后向算法将待识别的观测量数据分别与车轮的正常、打滑、抱死三种状态的隐马尔科夫模型进行匹配，得到三种状态的隐马尔科夫模型分别对应的匹配值，将三个匹配值进行比较，将最大的匹配值对应的正常状态、打滑状态或者抱死状态作为所述待识别的观测量数据对应的车轮的状态。

由上述本发明的实施例提供的技术方案可以看出，本发明将隐马尔科夫方法引入列控定位子系统的ODO故障诊断中，通过大量的数据统计分析提炼出可以表征ODO故障的特征量，并利用幅值归一化及标量量化的方法将数据处理成HMM的输入数据，通过50组数据的统计分析，结果表明了HMM对于ODO故障诊断的有效性。并通过遗传算法对HMM中的参数训练部分进行改进并与B-W算法比较，经过仿真对比，在训练速度上遗传算法可以较快地到达稳态，且训练精度提高了86％，均有相应改善，证明了遗传算法对于参数训练改造的有效性。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种HMM的基本组成示意图；

图2为本发明实施例提供的HMM故障诊断流程图；

图3为本发明实施例提供的遗传算法的计算流程图；

图4为本发明实施例提供的HMM训练模型曲线；

图5为本发明实施例提供的正常状态下遗传算法改进后的训练曲线；

图6为本发明实施例提供的改进后HMM与HMM训练曲线对比示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例引入了智能故障诊断领域的基于隐马尔科夫模型故障诊断分析方法，对轮径在运行过程中可能发生的滑行、抱死等故障类型进行诊断检测，最后通过实际现场数据验证该诊断方法的准确性。最后，利用遗传算法尝试改进B-W(Baum-Welch)算法易陷入局部最优的缺陷，并取得了良好的效果。

遗传算法(Genetic Algorithms，GA)对于处理复杂优化问题具有优势，可以避免复杂计算的问题，利用遗传算法中的选择、交叉、变异三种算子就可以得到最优解。通过模拟自然界的遗传机制以及生物进化过程形成全局最优化算法，通过对问题进行编码，构造相应的个体，得到待求解问题中潜在的解集初始种群。根据适者生存，优胜劣汰等原则，按个体对所求解问题的适应度大小选择适应性好的个体进入下一代，再通过交叉、变异等遗传操作获取性能更优的种群，最后一代代的进化收敛到适应性最好的个体上。遗传算法具有以下优点：(1)其对于优化问题的求解与其领域无关，而且可以从全局搜索最优解；(2)隐含并行性，不仅初始解是从群体本身出发，而且可以并行多值比较；(3)遗传算法可以与其他算法相结合，使用更灵活。

遗传算法由于其具有多值同时搜索的优点因此可以减少陷入局部最优解的可能性，而且搜索速度较快，因此可以利用遗传算法来优化隐马尔科夫模型的B-W算法。

实施例一

在列车定位单元出现故障并导致定位测速不准时，需要快速、准确地找出故障发生位置并修复故障，减少维修的时间。列车定位方法有多种，较为普遍使用的主要有：基于ODO(里程计)的列车定位方法、基于轨道电路的列车定位、基于卫星导航的列车定位方法、查询应答器的列车定位方法、此外还有应用惯性传感器、多普勒雷达、加速度计等基于多传感器信息融合的列车组合定位方法。其中，GPS定位是绝对定位，不会产生系统累积误差，GPS接收机设备技术成熟、性能可靠；ODO定位(即轮轴速度传感器定位)是相对定位，会产生系统累积误差，但其优势是性能稳定可靠、成本低，维护方便。因此基于GPS/ODO的定位方法是一个面向实际定位需求的探索方向。

ODO和车轮相连，在列车运行时车轮旋转，测量精度受轮轨关系影响。列车行驶时，车轮会产生打滑、抱死等现象。另外随着运行时间的增加，车轮会出现磨损，这样也会使里程计产生误差。因此应用里程计实现列车定位的关键技术是里程计定位误差的来源分析，目前，现场维修人员并没有对于里程计进行误差来源分析，ODO出现故障时，维修人员一般凭经验判断可能的故障原因，对软件中的轮径值进行更正修改，维修效率较低，严重影响了运行的效率，所以迫切需要在ODO出现故障时可以快速准确地确定故障原因，进行故障诊断。

本发明实施例提供了一种基于隐马尔科夫模型的ODO故障诊断方法，将隐马尔科夫方法引入列控定位子系统的ODO故障诊断中，如图1为HMM的基本组成示意图，该方法包括观测量的选择、数据预处理、基于HMM的故障诊断、基于遗传算法的HMM参数训练等几个处理过程，下面分别介绍各个处理过程：

所述的观测量的选择，里程计(ODO)的输出为脉冲信号，其计算车轮速度的原理为：将脉冲信号输入到计数器接口之前，首先对其进行整形滤波，一般通过整形滤波电路实现，通过计数接口的结果计算脉冲信号的个数，最终计算车轮速度，理论上，里程计累计计数脉冲计算出的测量值为：

其中，n_k为k时刻的脉冲个数，n_k-1为k上一时刻的脉冲个数。N为里程计完成一圈之后发出的脉冲数，该值为一个确定的值，Δt是k时刻到k-1时刻的时间间隔，也是一个固定值，d为车轮的轮径。

观测量数据v_observation(t)的计算公式如下：

v_observation(t)＝v_odo(t)-v_real(t)

其中v_real(t)是任一时刻t列车实际运行速度，当GPS定位状态良好时v_real(t)等于GPS定位的测速值v_GPS(t)

所述的数据预处理是指通过信源编码技术中的Lloyds数据压缩算法对训练序列进行标量量化处理，在标量量化处理之前，需要数据处在一定的范围内，所以需要进行归一化处理，本发明利用归一化函数mapminmax对训练数据进行归一化处理。这样，经过归一化及标量量化处理后的训练序列就可以用来训练HMM模型，建立ODO的故障状态分类器。mapminmax函数是Matlab中的归一化函数，Lloyds算法函数是Matlab中的一种数据压缩算法函数。

所述的基于HMM的故障诊断，图2为本发明实施例提供的一种HMM故障诊断流程图，通过数据预处理，分别选取三种状态下的v_observation(t)观察序列，利用遗传算法优化后的B-W算法训练HMM参数，得到正常、打滑、抱死三种状态的HMM模型，建立ODO的故障分类器。

将待识别的观测量数据输入所述里程计的故障状态分类器，利用前向-后向算法将待识别的观测量数据分别与车轮的正常、打滑、抱死三种状态的隐马尔科夫模型进行匹配，得到三种状态的隐马尔科夫模型分别对应的匹配值，将三个匹配值进行比较，将最大的匹配值对应的正常状态、打滑状态或者抱死状态作为所述待识别的观测量数据对应的当前车轮状态，从而实现故障诊断。

所述的利用遗传算法优化后的B-W算法训练HMM参数包括：通过遗传算法对HMM的参数训练部分进行改造，并与B-W算法进行比较，证明改造的有效性。图3为本发明实施例提供的一种遗传算法的计算流程图，包括如下处理过程：

基于遗传算法的HMM参数训练，即根据极大似然准则寻找λ^*，使得

其中y为观测序列，λ为模型参数，且过程带有约束条件：

因而最大化p(Y＝y|λ)其实就是一个带有约束的优化问题，p(Y＝y|λ)可以通过前后向算法来计算。

首先定义惩罚函数即个体X违反约束程度的量

M₁,M₂取极大正数。

基于遗传算法的参数训练流程如下：

(1)对实际问题的参数集进行编码；

(2)确定参数的初始值及各遗传算子；

(3)令k＝0表示进化代数，并且产生初始化种群X(0)；

(4)选取合适的适应度函数，在每一代中计算适应度函数的值，以适应度函数值作为标准来评判个体是否进入下一代；

(5)与终止条件相比较，如果不符合，令k＝k+1代数增加一代；

(6)进行选择操作，基于遗传算法“适者生存”的基本原则，从当前群体X(k-1)中挑选，舍弃适应度低的个体，选择优良的个体X(k)进入下一次的迭代过程；

(7)进行交叉操作，基于遗传算法“信息交换”的基本原则，利用交叉概率P_c，根据交叉算子对X(k)中的个体进行交叉操作，则下一代中个体信息来自父辈个体；

(8)进行变异操作变异，根据变异概率P_m随机选择X(k)中间群体中的某个个体改变其值。

所述的使用所述观测量数据利用遗传算法优化后的B-W算法训练隐马尔科夫模型参数，包括如下步骤：

(1)待估计参数：状态初始分量π＝(π₁,π₂,...π_N)，概率转移矩阵A＝(a_ij)，观测向量密度函数b_j(y)；

(2)适应度函数：适应值函数取为目标函数，取lnp(Y＝y|X)-Viol(X)为目标函数；

(3)生成初始种群：参数π,A等在[0,1]中随机产生并进行二进制编码处理，根据收敛精度确定二进制位数；

(4)设定各遗传算子的值，设选择概率P＝0.1，交叉概率P_c＝0.25，变异概率P_m＝0.01；

设定遗传算法终止条件，最大迭代次数取为max_iter＝30，收敛精度ε＝0.0001。

实施例二

本发明采用2014年2月22日在晋煤集团铁运线路采集数据进行空转、滑行检测试验，试验机车号是DF85512测速轮对上安装有两路速度传感器，轮对旋转一周速度传感器输出200个脉冲。分别选取正常、打滑、空转情况下的50组数据，数据在相同工况下测得，具有相同的采样频率，分别选取其中的30组作为训练数据，20组作为观测数据。首先,由30组训练数据对ODO的三种状态对应的HMM模型进行参数训练，获取参数，图4为三种状态对应的HMM训练曲线。

三组数据在训练到第10步时均收敛到固定范围内，已达到局部最优，则模型参数已经获取，参数训练部分完成。

然后将20组测试数据经过归一化及标量量化之后，送入到已经训练成功的三个训练模型中，利用前向-后向算法计算测试数据与模型的匹配度，选取最大值即为测试序列当前状态，测试HMM分类效果。

由此证明，HMM模型可对不同故障数据进行建模，并且对于观测数据输入可以有效匹配实现故障诊断。从表中我们可以看出，在抱死故障诊断中，出现了3次观测数据诊断为打滑故障，分析此原因可能是打滑数据和抱死数据之间的数据变化规律相近，因此会出现这种情况，但是对于ODO故障与正常状态的判断，HMM诊断结果的精度可以达到100％。

实施例三

由于B-W算法存在收敛慢，计算复杂，易陷入局部最优解等缺点，利用遗传算法可以有效解决上述问题，因此本发明通过遗传算法对HMM的参数训练部分进行改造，并与B-W算法进行比较，证明改造的有效性。

本发明选取正常状态下的数据进行遗传算法与B-W算法参数训练仿真对比，假设种群规模N＝30。具体步骤如下：

(1)待估计参数：状态初始分量π＝(π₁,π₂,...π_N)，概率转移矩阵A＝(a_ij)，观测向量密度函数b_j(y)；各参数的含义其实就是它前面的修饰语，π向量：包含了(隐)模型在时间t＝1时一个特殊的隐藏状态的概率(初始概率)，状态转移矩阵A：包含了一个隐藏状态到另一个隐藏状态的概率混淆矩阵b：包含了给定隐马尔科夫模型的某一个特殊的隐藏状态，观察到的某个观察状态的概率。

(2)适应度函数：在大多数情况下，适应值函数取为目标函数，取lnp(Y＝y|X)-Viol(X)为目标函数；Viol(X)表示惩罚函数，lnp(Y＝y|X)表示输入序列与种群的匹配关系，是一个最优化问题；

(3)生成初始种群：参数π,A等在[0,1]中随机产生并进行二进制编码处理，根据收敛精度确定二进制位数；

(4)设定各遗传算子的值，设选择概率P＝0.1，交叉概率P_c＝0.25，变异概率P_m＝0.01；

(5)设定遗传算法终止条件，最大迭代次数取为max_iter＝30，收敛精度ε＝0.0001。

选取正常状态下的数据进行遗传算法参数训练仿真，得到结果如图5所示。图6为改进前和改进后两者训练曲线的比较，可看出采用遗传算法进行参数训练得到的训练曲线的在收敛速度上相较隐马尔科夫中的B-W算法可以较快达到稳态，以及最终的收敛精度方面，HMM中B-W算法参数训练迭代30步后,的匹配值loglik＝-37.046634,经遗传算法改进后loglik＝-5.0431，提高了86％。

综上所述，本发明将隐马尔科夫方法引入列控定位子系统的ODO故障诊断中，通过大量的数据统计分析提炼出可以表征ODO故障的特征量，并利用幅值归一化及标量量化的方法将数据处理成HMM的输入数据，通过50组数据的统计分析，结果表明了HMM对于ODO故障诊断的有效性。并通过遗传算法对HMM中的参数训练部分进行改进并与B-W算法比较，经过仿真对比，在训练速度上遗传算法可以较快地到达稳态，且训练精度提高了86％，均有相应改善，证明了遗传算法对于参数训练改造的有效性。

实例分析结果，应用本发明实施例的基于隐马尔科夫模型的里程计故障诊断方法对于正常和故障状态的诊断精度有较大提高，通过遗传算法对隐马尔科夫模型中的参数训练部分进行改进，仿真对比后表明在训练速度上遗传算法可以较快到达稳态。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。