一种磁浮列车电磁铁温度异常诊断方法、装置、系统及介质与流程

1.本发明涉及磁浮列车技术领域，特别是涉及一种磁浮列车电磁铁温度异常诊断方法、装置及系统及计算机可读存储介质。


背景技术：

2.磁浮列车在悬浮运行时，悬浮电磁铁的线圈需要通过一定的电流来平衡悬浮负载和外界扰动，如气动载荷扰动、轨道不平顺产生的车辆动力学扰动等。由于电磁铁线圈存在电阻，悬浮电流在电磁铁线圈的电阻上会产生焦耳热，当磁浮列车长时间工作时，这些热量的聚集会导致电磁铁线圈温度上升，而温度的上升会导致线圈电阻的进一步加大，从而产生更多热量。当温度升高到一定程度时，悬浮控制的电磁铁线圈绕组的表面绝缘材料将会被破坏，从而产生电磁铁匝间短路、甚至烧毁电磁铁等严重故障。因此，如何对磁浮列车的电磁铁温度进行监测和故障诊断对于行车安全具有重要意义，现有技术中，通常根据磁浮列车电磁铁的监测温度阈值来进行状态诊断，导致诊断结果不准确。
3.鉴于此，如何提供一种更加精确的磁浮列车电磁铁温度异常诊断方法、装置及系统及计算机可读存储介质成为本领域技术人员需要解决的问题。


技术实现要素：

4.本发明实施例的目的是提供一种磁浮列车电磁铁温度异常诊断方法、装置及系统及计算机可读存储介质，在使用过程中能够提高诊断精确度，有利于提高磁浮列车运行安全。
5.为解决上述技术问题，本发明实施例提供了一种磁浮列车电磁铁温度异常诊断方法，包括：
6.采集列车的工况数据；
7.依据预先建立的电磁铁温度异常诊断模型对所述工况数据进行分析，得到输出结果；其中，所述电磁铁温度异常诊断模型为基于历史工况数据建立的；
8.基于所述输出结果确定电磁铁状态。
9.可选的，所述基于历史工况数据建立电磁铁温度异常诊断模型，包括：
10.获取历史工况数据中位于各个起浮至落车过程的数据作为各个样本；
11.从各个所述样本中确定出正常工况样本和故障工况样本；
12.依据所述正常工况样本和故障工况样本，对温度诊断模型进行训练，得到训练后的电磁铁温度异常诊断模型；
13.则，所述采集列车的工况数据，包括：
14.采集列车在起浮到落车之间的工况数据。
15.可选的，所述依据所述正常工况样本和故障工况样本，对温度诊断模型进行训练，得到训练后的电磁铁温度异常诊断模型，包括：
16.依据所述正常工况样本和所述故障工况样本建立扩充故障样本；
17.根据所述正常工况样本、所述故障工况样本和所述扩充故障样本建立样本库；
18.采用所述样本库对温度诊断模型进行训练，得到训练后的电磁铁温度异常诊断模型。
19.可选的，所述依据所述正常工况样本和所述故障工况样本建立扩充故障样本，包括：
20.针对每个所述正常工况样本，计算出所述正常工况样本分别到每个所述故障工况样本的距离；
21.根据各个所述距离得到所述正常工况样本的得分；
22.根据每个所述正常工况样本的得分，从各个所述正常工况样本中确定出目标工况样本；
23.将所述目标工况样本作为扩充故障样本。
24.可选的，所述根据各个所述距离得到所述正常工况样本的得分，包括：
25.将各个所述距离的平均距离作为所述正常工况样本的得分。
26.可选的，所述计算出所述正常工况样本分别到每个所述故障工况样本的距离，包括：
27.计算出所述正常工况样本分别到每个所述故障工况样本的欧式距离。
28.可选的，所述根据每个所述正常工况样本的得分，从各个所述正常工况样本中确定出目标工况样本，包括：
29.将各个所述正常工况样本的得分按照大小进行排序；
30.将平均距离最小的预设数量个正常工况样本作为目标工况样本。
31.可选的，所述根据所述正常工况样本、所述故障工况样本和所述扩充故障样本建立样本库，包括：
32.将所述故障工况样本和所述扩充故障样本作为故障工况样本库；
33.将各个所述正常工况样本中除所述目标工况样本之外的其他各个正常工况样本作为正常工况样本基库；
34.从所述正常工况样本基库中抽取出与故障工况样本数量成预设比例的正常工况样本，作为正常工况样本库；
35.基于所述正常工况样本库和所述故障工况样本库建立最终的样本库。
36.可选的，所述正常工况样本或所述故障工况样本均包括多种类型的参数；
37.则，所述计算出所述正常工况样本分别到每个所述故障工况样本的距离，包括：
38.针对每一个所述故障工况样本，计算出所述正常工况样本中每类参数与所述故障工况样本中对应类型参数之间的子距离；
39.根据各个子距离以及与每种类型参数各自对应的权重，计算出所述正常工况样本与所述故障工况样本之间的距离。
40.可选的，所述多种类型的参数包括电磁铁表面温度、电磁铁内部温度、环境温度、电磁铁表面温度与环境温度差值及电磁铁内部温度与环境温度差值中的任意多种参数的组合。
41.本发明实施例还提供了一种磁浮列车电磁铁温度异常诊断装置，包括：
42.采集模块，用于采集列车的工况数据；
43.分析模块，用于依据预先建立的电磁铁温度异常诊断模型对所述工况数据进行分析，得到输出结果；其中，所述电磁铁温度异常诊断模型为基于历史工况数据建立的；
44.确定模块，用于基于所述输出结果确定电磁铁温度状态。
45.本发明实施例还提供了一种磁浮列车电磁铁温度异常诊断方法，包括：
46.存储器，用于存储计算机程序；
47.处理器，用于执行所述计算机程序时实现如上述所述磁浮列车电磁铁温度异常诊断方法的步骤。
48.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述磁浮列车电磁铁温度异常诊断方法的步骤。
49.本发明实施例提供了一种磁浮列车电磁铁温度异常诊断方法、装置、系统及计算机可读存储介质，该方法包括：采集列车的工况数据；依据预先建立的电磁铁温度异常诊断模型对工况数据进行分析，得到输出结果；其中，电磁铁温度异常诊断模型为基于历史工况数据建立的；基于输出结果确定电磁铁状态。
50.可见，本发明实施例中预先基于历史工况数据建立电磁铁温度异常诊断模型，然后在磁浮列车运行过程中采集列车的工况数据，然后采用电磁铁温度异常诊断模型对该工况数据进行分析，得到输出结果，并基于该输出结果确定电磁铁状态，能够提高诊断精确度，有利于提高磁浮列车运行安全。
附图说明
51.为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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的前提下，还可以根据这些附图获得其他的附图。
52.图1为本发明实施例提供的一种磁浮列车电磁铁温度异常诊断方法的流程示意图；
53.图2为本发明实施例提供的一种磁浮列车电磁铁温度异常诊断装置的结构示意图。
具体实施方式
54.本发明实施例提供了一种磁浮列车电磁铁温度异常诊断方法、装置及系统及计算机可读存储介质，在使用过程中能够提高诊断精确度，有利于提高磁浮列车运行安全。
55.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，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
56.请参照图1，图1为本发明实施例提供的一种磁浮列车电磁铁温度异常诊断方法的流程示意图。该方法包括：
57.s110：采集列车的工况数据；
58.需要说明的是，由于磁浮列车电磁铁温度与具体运行工况息息相关，不同工况下电磁铁温度的变化趋势不同，因此可以采集列车在运行过程中工况数据。
59.s120：依据预先建立的电磁铁温度异常诊断模型对工况数据进行分析，得到输出结果；其中，电磁铁温度异常诊断模型为基于历史工况数据建立的；
60.需要说明的是，在实际应用中可以预先获取磁浮列车的历史工况数据，然后基于该历史工况数据建立电磁铁温度异常诊断模型，并且在列车运行过程中通过该电磁铁温度异常诊断模型对所采集的工况数据进行分析，得到相应的输出结果。
61.s130：基于输出结果确定电磁铁状态。
62.具体的，在得到输出结果后，可以根据输出结果进一步确定出磁浮列车电磁铁状态。其中，输出结果可以为故障概率值，当故障概率值大于0.5时，可以确定为电磁铁异常。
63.其中，本发明实施例中基于历史工况数据建立电磁铁温度异常诊断模型的过程，具体可以包括：
64.获取历史工况数据中位于各个起浮至落车过程的数据作为各个样本；
65.从各个所述样本中确定出正常工况样本和故障工况样本；
66.依据正常工况样本和故障工况样本，对温度诊断模型进行训练，得到训练后的电磁铁温度异常诊断模型；
67.则，采集列车的工况数据，包括：
68.采集列车在起浮到落车之间的工况数据。
69.需要说明的是，随着磁浮列车的起浮、牵引、制动、落车，电磁铁的工作状态一直在变，并且温度值随着工作状态的变化而时刻更新，因此为综合评价电磁铁的工作状态，进一步提高所建立的电磁铁温度异常诊断模型的精确度，可以获取历史工况数据中位于起浮至落车之间的正常工况样本和故障工况样本，基于这些正常工况样本和故障工况样本建立样本集，并通过该样本集对温度诊断模型进行训练得到电磁铁温度异常诊断模块，从而提高电磁铁温度异常诊断模型的诊断精确度。
70.具体的，在实际应用中采集列车运行期间从起浮到落车之间的工况数据，然后采用上述建立好的电磁铁温度异常诊断模型对该工况数据进行分析，得到输出结果。
71.在实际应用中，采集的工况数据具体可以包括多种类型的参数，例如电磁铁表面温度、电磁铁电阻、环境温度、悬浮状态、悬浮速度、时间等信息，其中，电磁铁表面温度通过在电磁铁表面铺设光栅温度传感器的方式实现表面温度实时监测，电磁铁内部温度可以基于电阻的方式进行计算得出。具体的，在实际应用中可以提取电磁铁表面温度和内部温度最大值、最小值、均值、众数、中位数、75％分位数、50％分位数、上升速率、下降速率、方差，以及提取室外环境温度均值，电磁铁表面温度、内部温度分别与环境温度差值的均值、最大值和方差等数据。
72.更进一步的，上述依据正常工况样本和故障工况样本，对温度诊断模型进行训练，得到训练后的电磁铁温度异常诊断模型，包括：
73.依据正常工况样本和故障工况样本建立扩充故障样本；
74.根据正常工况样本、故障工况样本和扩充故障样本建立样本库；
75.采用样本库对温度诊断模型进行训练，得到训练后的电磁铁温度异常诊断模型。
76.需要说明的是，由于历史工况数据中故障工况样本较少，因此可以对故障工况样
本进行扩充，以便故障工况样本总数量与正常工况样本总数量达到平衡，提高所建立的电磁铁温度异常诊断模型的精确度，因此，本发明实施例中可以基于正常工况样本和故障工况样本建立扩充故障样本，然后再基于正常工况样本、故障工况样本和扩充故障样本建立样本库，并基于该样本库建立电磁铁温度异常诊断模型。
77.进一步的，上述依据正常工况样本和故障工况样本建立扩充故障样本的过程，具体可以包括：
78.针对每个正常工况样本，计算出正常工况样本分别到每个故障工况样本的距离；
79.根据各个距离得到正常工况样本的得分；
80.根据每个正常工况样本的得分，从各个正常工况样本中确定出目标工况样本；
81.将目标工况样本作为扩充故障样本。
82.需要说明的是，本发明实施例中针对每个正常工况样本，计算该正常工况样本到每个故障工况样本之间的距离，例如，正常工况样本为n个，故障工况样本为m个，则针对一个正常工况样本，得到m个距离，然后将这m个距离进行求平均计算，得到的的平均距离作为该正常工况样本的得分，从而得到与每个正常工况样本分别对应的得分，也即得到n个得分。
83.具体的，可以将各个正常工况样本的得分按照大小进行排序，并将得分最小的预设数量个正常工况样本作为目标工况样本。例如，将n个得分按照大小进行排序后，可以选择得分最小的预设数量(例如20)个正常工况样本作为目标工况样本，然后将这些目标工况样本作为扩充故障样本。
84.更进一步的，本发明实施例中正常工况样本或故障工况样本均包括多种类型的参数；具体的，可以根据各种类型的参数确定出，电磁铁表面温度、电磁铁内部温度、环境温度、电磁铁表面温度与环境温度差值、电磁铁内部温度与环境温度差值等，以便后续针对每一种类型参数进行距离计算。
85.则，计算出正常工况样本分别到每个故障工况样本的距离，包括：
86.针对每一个故障工况样本，计算出正常工况样本中每类参数与故障工况样本中对应类型参数之间的子距离；
87.根据各个子距离以及与每种类型参数各自对应的权重，计算出正常工况样本与故障工况样本之间的距离。
88.可以理解的是，针对每种类型参数可以预先设置对应的权重，例如电磁铁表面温度、电磁铁内部温度、环境温度、电磁铁表面温度与环境温度差值、电磁铁内部温度与环境温度差值分别对应的权重可以均为0.2，当然在实际应用中不仅限于为0.2，各个权重的具体数值可以根据实际情况进行确定，本发明实施例对此不作特殊限定。
89.进一步的，根据正常工况样本、故障工况样本和扩充故障样本建立样本库的过程，具体可以包括：
90.将故障工况样本和扩充故障样本作为故障工况样本库；
91.将各个正常工况样本中除所述目标工况样本之外的其他各个正常工况样本作为正常工况样本基库；
92.从正常工况样本基库中抽取出与故障工况样本数量成预设比例的正常工况样本，作为正常工况样本库；
93.基于正常工况样本库和故障工况样本库建立最终的样本库。
94.具体的，可以将所有正常工况样本中的目标工况样本的标签更改为扩充故障样本，从而减少正常工况样本数量，增加故障样本数量，然后根据各个正常工况样本中除目标工况样本之外的其他各个正常工况样本建立正常工况样本基库，根据各个扩充故障样本和故障工况样本建立故障工况样本库，再从正常工况样本基库中抽取出与故障工况样本库中的故障工况样本数量成预设比例的正常工况样本，构成正常样本库，其中，该预设比例可以为正常工况样本与故障工况样本的比例，例如可以为1:1或者7:3等，当然该预设比例的具体数值可以根据实际需要进行确定，本发明实施例不做特殊限定，在确定好正常工况样本库和故障工况样本库后，然后再基于正常工况样本库和故障工况样本库建立最终的样本库，使最终的样本库中正常工况样本数量与故障工况样本数量达到平衡。例如，由于故障工况样本库中的样本数量少于正常工况样本库中样本数量，因此，可以先确定出故障工况样本库中样本数量，然后基于该样本数量从正常样本库中选择出与该样本数量成预设比例的正常工况样本，将所选出的各个正常工况样本作为正常工况样本库，并采用正常工况样本库中的各个样本与故障工况样本库中的各个样本构成最终的样本库，从事实现最终样本库中正常工况样本和故障工况样本的数量达到平衡，有利于提高所建立的诊断模型的精确度。
95.可见，本发明实施例中预先基于历史工况数据建立电磁铁温度异常诊断模型，然后在磁浮列车运行过程中采集列车的工况数据，然后采用电磁铁温度异常诊断模型对该工况数据进行分析，得到输出结果，并基于该输出结果确定电磁铁温度状态，能够提高诊断精确度，有利于提高磁浮列车运行安全。
96.在上述实施例的基础上，本发明实施例还提供了一种磁浮列车电磁铁温度异常诊断装置，具体请参照图2，该装置包括：
97.采集模块21，用于采集列车的工况数据；
98.分析模块22，用于依据预先建立的电磁铁温度异常诊断模型对工况数据进行分析，得到输出结果；其中，电磁铁温度异常诊断模型为基于历史工况数据建立的；
99.确定模块23，用于基于输出结果确定电磁铁温度状态。
100.需要说明的是，本发明实施例中提供的磁浮列车电磁铁温度异常诊断装置具有与上述实施例中所提供的磁浮列车电磁铁温度异常诊断方法相同的有益效果，并且对于本发明实施例中所涉及到的磁浮列车电磁铁温度异常诊断方法的介绍请参照上述实施例，本发明在此不再赘述。
101.在上述实施例的基础上，本发明实施例还提供了一种磁浮列车电磁铁温度异常诊断系统，该系统包括：
102.存储器，用于存储计算机程序；
103.处理器，用于执行计算机程序时实现如上述磁浮列车电磁铁温度异常诊断方法的步骤。
104.例如，本发明实施例中的处理器具体用于实现采集列车的工况数据；依据预先建立的电磁铁温度异常诊断模型对工况数据进行分析，得到输出结果；其中，电磁铁温度异常诊断模型为基于历史工况数据建立的；基于输出结果确定电磁铁温度状态。
105.在上述实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，计算
机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述磁浮列车电磁铁温度异常诊断方法的步骤。
106.该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(randomaccess memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
107.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
108.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
109.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。