基于神经网络的动车组中继阀气体泄漏故障预测方法

：
1.本发明涉及一种气体泄漏故障预测方法领域，尤其涉及一种基于神经网络的动车组中继阀气体泄漏故障预测方法，属于故障预测技术领域。


背景技术：

2.中继阀作为动车组制动控制系统的关键部件,在长期运营过程中会由于供给阀组件、硫化圈密封件磨损等原因发生泄漏,造成中继阀性能下降,进而影响制动系统的状态。目前,针对中继阀的故障检测均为功能性检测,由于中继阀的调节特性,其轻微泄漏甚至中度泄漏大部分不影响其功能实现,直至中继阀发生重度泄漏并影响制动系统性能后才能被发现。
3.在中继阀工作时，预控的压力进入膜板的下腔室，从而推动活塞向上发生位移。而活塞向上推动阀杆，进而切断大气与输出的通行管道。然后打开输入到输出的通道，从输入口向输出口充气。而当输出压力到达一定的标准值后，阀杆推动活塞向下产生位移，并切断输入与输出口、输出与大气的通道，让各零部件处于平衡。如果预控的压力再次升高，则活塞继续向上移动，并重复之前的工序。而中继阀在不同的预控压力下会出现不同的误差。其主要原因在于膜板回弹力、活塞两侧的受力面积、密封压力、摩擦压力而影响。产生误差的长期表现就容易产生器件磨损、老化等问题，从而使中继阀内的气体发生泄漏，气压值变化不正常，严重影响动车的制动系统。但目前这种现象不能够即使的被工作人员发现，总是到达一定的磨损程度明显影响制动性能后，才会被工作人员所感知，可知如今市场急需这样一套故障预测的方法，来实现中继阀和制动系统的维护保养。


技术实现要素：

4.本发明的目的是提供基于神经网络的动车组中继阀气体泄漏故障预测方法。
5.本发明采用的技术方案是：基于神经网络的动车组中继阀气体泄漏故障预测方法，包括以下步骤：
6.步骤1：数据采集：采集时间连续p批训练数据q
p
，0<p<p，p为大于0 的整数；每批训练数据由t个时刻中继阀第1至第n个进气口和第1至第m个出气口的气压组成；
7.步骤2：模型训练：采用神经网络预测特征参数，所述神经网络包括输入层、第一至第z隐层和输出层，z≥1；训练方法有以下具体步骤组成：
8.步骤2
‑
1：初始化模型参数：设置训练次数计数器p＝0；设置输入数据倍增因子r＝1；设置输入层到第一隐层之间的权值矩阵v＝{v
ij
}为随机数矩阵；设置第z隐层到输出层之间的权值矩阵w＝{w
jk
}为随机数矩阵；设置模型目标精度e
min
；
9.步骤2
‑
2：输入训练数据：p＝p+1；输入训练数据q
p
...q
p+r
，训练数据q
p
... q
p+r
‑1的进气口数据x＝(x1、x2、
···
、x
i
、
···
、x
n
)
t
为输入层的输入向量，n＝rnt，训练数据q
p+1
...q
p+1
出气口数据作为期望输出向量，l＝rmt；
10.步骤2
‑
3：v＝{v
j
}，1≤j≤m，为输入层到第一隐层之间的权值向量，计算各隐层输
入向量yz＝(y
z1
、y
z2
、
···
、y
zj
、
···
、y
zm
)
t
，zm为第z隐层输入向量的维数，1≤z≤z：
[0011][0012][0013]
步骤2
‑
4：第z隐层到输出层之间的权值矩阵用w＝{w
jk
}表示；计算输出层输出向量为
[0014][0015][0016]
步骤2
‑
5：计算预测误差：
[0017]
步骤2
‑
6：如果预测误差超出预设值，r＝r+1，p＝p
‑
1，转向步骤2
‑
2；否则转向步骤2
‑
7；
[0018]
步骤2
‑
7：计算出隐层的误差信号和输出层的误差信号
[0019][0020][0021]
步骤2
‑
8：调整权值；
[0022][0023][0024][0025][0026]
式中η为学习率，设置为(0～1]区间的小数；
[0027]
步骤2
‑
9：检查模型精度是否达到要求，模型精度其中
[0028]
若e
rme
<e
min
，训练结束，否则转向步骤2
‑
2；
[0029]
步骤3：气压预测：输入连续t时刻进气口数据x＝(x1、x2、
···
、x
i
、
···
、x
n
)
t
为输入层的输入向量，使用步骤2训练好的神经网络预测时间相邻连续t时刻出气口数据o＝(o1、o2、
···
、o
k
、
···
、o
l
)
t
；
[0030]
步骤4：故障预测：判断出气口数据o＝(o1、o2、
···
、o
k
、
···
、o
l
)
t
中是否存在超出故障预设阈值的元素，若存在，判定此元素对应时刻中继阀出现故障，并发出报警；否
则，对出气口数据进行故障计算：
[0031][0032]
若超出参数标定阈值，则判定k时刻中继阀出现故障，发出报警信号。
[0033]
进一步，步骤2中训练好的神经网络的隐层精简后用于步骤3的气压预测，隐层的精简方法包括以下具体步骤：
[0034]
步骤2a
‑
1：对各隐层的输入向量y
z
,1≤z≤z和输入层到隐层之间的权值矩阵v向量进行归一化处理，得到和选择满足：选择满足：的数据量最多的隐层作为聚类中心：c＝(c1、c2、
…
、c
m
)；
[0035]
步骤2a
‑
2：计算各隐层输入向量与聚类中心的欧式距离l
z
：
[0036]
l
z
＝||y
z
‑
c|| z＝1,2,
…
,z
ꢀꢀꢀ
(12)
[0037]
步骤2a
‑
3：相似匹配：对l
z
按照从小到大排序，保留欧式距离最小的h个隐层， h为预设的隐层精简数目。
[0038]
采用上述技术方案，取得的技术效果是：
[0039]
(1)本发明提供了一套简明有效的检测方法，维护了制动系统的可靠性，可以使维护人员提前预知中继阀的健康状态，有效的做出维修措施，保障了行车安全；
[0040]
(2)本发明能够在网络训练中，根据实时数据，调整网络结构，保证预测准确度；
[0041]
(3)本发明在网络训练时能够自适应筛选训练数据，保证预测准确度。
[0042]
附图说明：下面结合附图对发明作进一步的说明。
[0043]
图1是本发明的流程图。
[0044]
图2是本发明实施例1的预测出气口气压结果。
[0045]
具体实施方法：
[0046]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行详细、完整的描述。
[0047]
实施例1：一种基于神经网络的动车组中继阀气体泄漏故障预测方法，包括以下步骤：
[0048]
步骤1：数据采集：采集时间连续p批训练数据q
p
，0<p<p，p为大于0 的整数；每批训练数据由t个时刻中继阀第1至第n个进气口和第1至第m个出气口的气压组成；
[0049]
步骤2：模型训练：采用神经网络预测特征参数，所述神经网络包括输入层、第一至第z隐层和输出层，z≥1；训练方法有以下具体步骤组成：
[0050]
步骤2
‑
1：初始化模型参数：设置训练次数计数器p＝0；设置输入数据倍增因子r＝1；设置输入层到第一隐层之间的权值矩阵v＝{v
ij
}为随机数矩阵；设置第z隐层到输出层之间的权值矩阵w＝{w
jk
}为随机数矩阵；设置模型目标精度e
min
；
[0051]
步骤2
‑
2：输入训练数据：p＝p+1；输入训练数据q
p
...q
p+r
，训练数据q
p
... q
p+r
‑1的进气口数据x＝(x1、x2、
···
、x
i
、
···
、x
n
)
t
为输入层的输入向量，n＝rnt，训练数据q
p+1
...q
p+1
出气口数据作为期望输出向量，l＝rmt；
[0052]
步骤2
‑
3：v＝{v
j
}，1≤j≤m，为输入层到第一隐层之间的权值向量，计算各隐层输入向量yz＝(y
z1
、y
z2
、
···
、y
zj
、
···
、y
zm
)
t
，zm为第z隐层输入向量的维数，1≤z≤z：
[0053][0054][0055]
步骤2
‑
4：第z隐层到输出层之间的权值矩阵用w＝{w
jk
}表示；计算输出层输出向量为
[0056][0057][0058]
步骤2
‑
5：计算预测误差：
[0059]
步骤2
‑
6：如果预测误差超出预设值，r＝r+1，p＝p
‑
1，转向步骤2
‑
2；否则转向步骤2
‑
7；
[0060]
步骤2
‑
7：计算出隐层的误差信号和输出层的误差信号
[0061][0062][0063]
步骤2
‑
8：调整权值；
[0064][0065][0066][0067][0068]
式中η为学习率，设置为(0～1]区间的小数；
[0069]
步骤2
‑
9：检查模型精度是否达到要求，模型精度其中
[0070]
若e
rme
<e
min
，训练结束，否则转向步骤2
‑
2；
[0071]
步骤3：气压预测：输入连续t时刻进气口数据x＝(x1、x2、
···
、x
i
、
···
、x
n
)
t
为输入层的输入向量，使用步骤2训练好的神经网络预测时间相邻连续t时刻出气口数据o＝(o1、o2、
···
、o
k
、
···
、o
l
)
t
；
[0072]
步骤4：故障预测：判断出气口数据o＝(o1、o2、
···
、o
k
、
···
、o
l
)
t
中是否存在超出故障预设阈值的元素，若存在，判定此元素对应时刻中继阀出现故障，并发出报警；否则，对出气口数据进行故障计算：
[0073][0074]
若超出参数标定阈值，则判定k时刻中继阀出现故障，发出报警信号。
[0075]
步骤2中训练好的神经网络的隐层精简后用于步骤3的气压预测，隐层的精简方法包括以下具体步骤：
[0076]
步骤2a
‑
1：对各隐层的输入向量y
z
,1≤z≤z和输入层到隐层之间的权值矩阵v向量进行归一化处理，得到和选择满足：选择满足：的数据量最多的隐层作为聚类中心：c＝(c1、c2、
…
、c
m
)；
[0077]
步骤2a
‑
2：计算各隐层输入向量与聚类中心的欧式距离l
z
：
[0078]
l
z
＝||y
z
‑
c|| z＝1,2,
…
,z
ꢀꢀꢀ
(12)
[0079]
步骤2a
‑
3：相似匹配：对l
z
按照从小到大排序，保留欧式距离最小的h个隐层， h为预设的隐层精简数目。
[0080]
在列车实际运行过程中，中继阀也应处在工作运行状态，本实施例实时采集中继阀充风口、排风口的气压值，并将其作为特征参数。结合神经网络对采集的数据进行分析、推导、建立模型、训练样本数据等操作，得出对应时间段的预测数据，并于实验室中特征参数的正常范围进行对比。可以理解的是，正常范围的特征参数是在实验室条件下，测量健康状态下的中继阀数据，次数不低于100 次的平均值。
[0081]
如果处于运行状态下的中继阀特征参数对比正常特征参数范围，结果超出在实验室条件下的正常特征参数的范围，则输出预测结果，从而达到中继阀气体泄漏故障预测和预警的效果，以解决目前列车制动系统中继阀气体小型泄漏甚至中度泄漏难以检测的问题。
[0082]
在某些特殊情况下，偏离预期值波动过大，造成误差计算不准,则需要我们重新定义输入量的数据框架，加多输入节点的的数据基础，也就是扩大输入量，而这些新加的数据量，可以是预测出的比较合理输出量，或者是初始化筛选完的输入量。来增强输入节点与输出节点的函数关系，提高误差准确率。
[0083]
若预测结果多次不能达到预期效果时，系统自动反馈信号给自适应程序模块，同时将重新搭建数据模型，一方面增大输入节点的输入数据量，来增大数据基数，稳定搭建的数据模型；另一方面我们要使系统可以自动调整权值矩阵v的数值，误差结果不准确，很大可能性是在调整权值时，权值矩阵最初随机数选的低于一般值，可使v＝v+3来做新的数据运算，看是否可以更接近预期的效果数据，来达到系统自身调整的目的，调整数据时，通过效果的好坏，完善算法的学习步长过程。