智能列车受电弓服役性能动态监测与评估方法及其系统与流程

本发明具体涉及一种智能列车受电弓服役性能动态监测与评估方法及其系统。
背景技术：
：随着经济技术的发展和人们生活水平的提高，交通已经成为了现代社会最为重要的组成部分之一。而随着技术的发展，我国的铁路行业也得到了极大的发展。电力列车是我国铁路行业的主要运输车辆。而列车受电弓是列车的重要组成部分，其担负着为列车供能的任务。良好弓网关系的保持对于保障列车运行安全至关重要。如果受电弓出现故障，则会导致列车供能不稳定，甚至导致意外停轮，进而影响列车运行可靠性。受电弓的服役性能动态监测与评估方法可以监测受电弓的服役性能，并预测受电弓故障，为受电弓管理人员提供维修决策依据。现有的受电弓监测系统多注重在受电弓滑板部分的服役性能监测，如cn108169616a，cn109143001a、cn108680104a等，这些系统忽略了对受电弓整体服役状态的监测以及评估。由于这些系统忽略了受电弓各个组成部分对于受电弓服役性能的耦合影响，因此无法准确对由其他部件故障带来的受电弓服役性能下降进行建模预测。此外，这些系统忽略了天气、载客量等外界因素对于受电弓服役性能的影响。受电弓裸漏在列车顶端，而且其传导的电流、电压受到列车负载的影响，因此未来时间内的天气、载客量等因素会对受电弓的服役性能带来不确定性。由于这些系统忽略了对于这些不确定性的建模，因此无法实现对受电弓服役性能的准确预测。技术实现要素：本发明的目的之一在于提供一种可靠性高、适用性好且评估全面准确的智能列车受电弓服役性能动态监测与评估方法。本发明的目的之二在于提供一种实现所述智能列车受电弓服役性能动态监测与评估方法的系统。本发明提供的这种智能列车受电弓服役性能动态监测与评估方法，包括如下步骤：s1.获取列车受电弓的工作性能参数；s2.根据步骤s1获取的列车受电弓的工作性能参数，提取列车受电弓的各个部件的健康指标时序；s3.根据步骤s2获取的健康时序指标，预测得到受电弓各部件以及受电弓整体的剩余服役寿命；s4.对步骤s3预测得到的受电弓各部件以及受电弓整体的剩余服役寿命进行修正；s5.根据步骤s4得到的修正结果，得到最终的列车受电弓的服役性能动态监测评估结果。所述的一种智能列车受电弓服役性能动态监测与评估方法，还包括如下步骤：s6.对步骤s5获取的最终的列车受电弓的服役性能动态监测评估结果进行可视化展示，从而实现列车受电弓的服役性能的动态可视化展示。步骤s1所述的列车受电弓的工作性能参数，具体为采用如下步骤获取工作性能参数：a.将列车受电弓系统分为滑板系统、升弓系统、四连杆铰链系统和阻尼器系统；b.针对受电弓滑板系统，获取受电弓滑板的磨耗值、中心线偏移量以及受电弓倾斜量作为服役性能参数；针对升弓系统，获取受电弓气缸压力的压力值作为服役性能参数；针对四连杆铰链系统，获取升弓时各个轴承的横方向和纵方向的振动信号作为服役性能参数；针对阻尼器系统，获取升弓时阻尼器的震动信号作为服役性能参数；c.根据列车的实时定位信息，获取列车所在地的气象数据作为环境状态参数；d.根据列车的实时载客量信息，获取列车的有效载客量数据作为负载状态参数。步骤s2所述的提取列车受电弓的各个部件的健康指标时序，具体为采用如下步骤提取列车受电弓的各个部件的健康指标时序：a.通过加速老化实验获取受电弓的各个部件从t0时刻到tn时刻的服役性能参数；所示的t0时刻为初始状态时刻，tn时刻为退役状态时刻，t0时刻至tn时刻之间的运行状态时刻定义为ti；所述的受电弓的各个部件包括滑板系统、升弓系统、四连杆铰链系统和阻尼器系统；b.通过hallbreg-peck模型计算得到加速老化实验时间与实际运行时间之间的等效加速比例参数af；c.在加速老化实验完成后，采用受电弓的各个部件的损伤实验数据训练变分自动编码器vae，获取高阶特征，并计算各个高阶特征的象限角；d.采用多层感知器mlp模型对步骤c得到的象限角的差值序列进行精调，得到受电弓的各个部件在ti时刻的健康指标hi，从而提取列车受电弓的各个部件的健康指标时序。步骤b所述的hallbreg-peck模型，具体为采用如下算式作为hallbreg-peck模型：af＝(rha/rh0)2×exp{(ef/k)×[(1/t0)-(1/ta)]}式中rha为加速老化实验的相对湿度；rh0为实际运行中的相对湿度；ta为加速老化实验中的温度；t0为实际运行中的温度；k为玻尔兹曼常数；ef为故障激活能并通过实验获得；exp()为指数函数。步骤c所述的变分自动编码器vae，具体为变分自动编码器vae的输入和输出均为受电弓的各个部件的状态数据，先验分布的表示算式为：式中beta为beta分布，uni为均匀分布；训练后vae生成的高阶特征近似服从上述的先验分布；将运行中的部件工作性能参数输入到训练好的vae模型中得到高阶特征，将该高阶特征映射到圆坐标系中得到坐标为(r,θ)；然后忽略特征的径向宽度，从而特征的坐标简化为θ。步骤s3所述的预测得到受电弓各部件以及受电弓整体的剩余服役寿命，具体为采用如下步骤预测剩余服役寿命：(1)建立受电弓的各个部件的健康指标的分解预测模型；(2)建立从部件剩余服役寿命到受电弓剩余服役寿命的映射模型；(3)建立环境以及负载状态参数预测模型；(4)建立受电弓的各个部件以及整体剩余服役寿命期间内的环境/负载参数影响量化模型，从而预测得到受电弓各部件以及受电弓整体的剩余服役寿命。步骤(1)所述的建立受电弓的各个部件的健康指标的分解预测模型，具体为采用如下步骤建立分解预测模型：(1)-a.获取受电弓的各个部件的健康指标时序；所述的受电弓的各个部件包括滑板系统、升弓系统、四连杆铰链系统和阻尼器系统；(1)-b.采用极大重叠离散小波变换算法modwt将受电弓的各个部件的健康指标时序分解为各个小波系数层；其中分解得到的第s层小波系数为(1)-c.取输入个数为in，输出个数为out，构建第s层小波系数预测模型的输入矩阵is和输出矩阵os；(1)-d.以is为输入、os为输出，训练第s层小波系数的非抽取全卷积神经网络预测模型；(1)-e.实时对步骤(1)-d得到的预测模型进行迁移学习；(1)-f.利用步骤(1)-e学习后的模型进行剩余寿命滚动迭代预测。步骤(1)-e所述的实时对步骤(1)-d得到的预测模型进行迁移学习，具体为在列车实际运行过程汇总，记录从t0时刻开始的受电弓的各个部件的服役性能参数，其中t0为部件维护后的时刻；在部件运行过程中的ti时刻，获取该时刻的健康指标参数hi，并采用极大重叠离散小波变换算法分解为s层小波系数并在i≤x1时使用原模型进行剩余寿命滚动迭代预测，并在i＞x1时，在第s层的小波系数中以为输入，以为输出对第s层预测模型的参数进行刷新，并使用刷新后的模型进行剩余寿命滚动迭代预测。步骤(1)-f所述的剩余寿命滚动迭代预测，具体为对于每一个子序列，将输入到第s层预测模型中，获得小波系数预测值然后将小波系数预测值并入到第s层小波系数序列中，并删除时序中的第一个小波系数，获得然后使用逆极大重叠离散小波变换将每一层的小波系数重构为时间序列并取其中的为一步预测值；进一步的，将输入到第s层预测模型，获得小波系数预测值然后将小波系数预测值并入到第s层小波系数序列中，并删除时序中的第一个小波系数，获得然后使用逆极大重叠离散小波变换将每一层的小波系数重构为时间序列并取其中的为两步预测值；重复上述步骤，直至获取超前多步预测值；且重复上述步骤的停止条件为其中h-2为ti时刻的剩余服役寿命li。步骤(2)所述的建立从部件剩余服役寿命到受电弓剩余服役寿命的映射模型，具体为使用受电弓整体的加速老化实验获取受电弓的各个部件以及整体的剩余服役寿命；然后使用hallbreg-peck模型计算加速老化实验所得到的剩余服役寿命所对应的等效剩余服役寿命。步骤(3)所述的建立环境以及负载状态参数预测模型，具体为将第y年、第m月的参数定义为dy,m；年度预测模型将参数分为12个月进行单独建模；模型的训练数据集为历史的第m月参数其中ny为历史年份数量；将历史参数重构为输入矩阵以及输出矩阵并以im为输入、为输出，训练第m月参数的长短期记忆神经网络lstm预测模型；然后采用训练完成的模型进行滚动迭代预测，从而得到若干步的预测结果；针对环境状态参数和负载状态参数，采用上述的过程分别建立预测模型。步骤(4)所述的建立受电弓的各个部件以及整体剩余服役寿命期间内的环境/负载参数影响量化模型，具体为在列车运行的时刻ti，剩余服役寿命为li，计算从ti到ti+li之间的所有月份的环境状态参数预测值和负载状态参数预测值；然后通过加权方法计算剩余寿命期间状态参数的影响量化指标。步骤s4所述的对步骤s3预测得到的受电弓各部件以及受电弓整体的剩余服役寿命进行修正，具体为采用受电弓实际运行过程的历史数据，将预测剩余服役寿命、环境状态参数和负载状态参数作为输入、列车受电弓的实际剩余服役寿命作为输出，针对受电弓的各个部件以及受电弓整体，分别训练树状高斯过程tgp模型；将步骤(1)得到的受电弓的各个部件的预测剩余服役寿命、步骤(2)得到的受电弓整体的预测剩余服役寿命、步骤(3)得到的预测的环境以及负载状态参数输入训练完成后的树状高斯过程tgp模型，从而得到受电弓的各个部件以及受电弓整体的修正剩余服役寿命预测结果。步骤s6所述的对步骤s5获取的最终的列车受电弓的服役性能动态监测评估结果进行可视化展示，具体为采用如下步骤进行可视化展示：1)以时间、受电弓的健康状态、环境以及负载状态参数和剩余服役寿命作为轴线，以受电弓的各个部件和受电弓整体的剩余服役寿命为可视化展示内容，实现列车在任意运行时刻，受电弓的各个部件和受电弓整体的剩余服役寿命可视化展示；2)对列车的受电弓的各个部件的维修决策进行可视化展示；3)对列车的受电弓的整体维修决策进行可视化展示。步骤2)所述的对列车的受电弓的各个部件的维修决策进行可视化展示，具体为采用步骤进行受电弓的各个部件的维修决策：2)-1.计算受电弓各部件的整体健康相关性以及意外损坏成本；2)-2.使用帕累托分析方法，找出帕累托最优面；所述的帕累托最优面对应的为整体健康相关性最强且损坏成本最高的部件；然后将该部件划分为第一重要部件；2)-3.除去第一重要部件后，重复步骤2)-2，直至所有的部件均被划分完毕；2)-4.对于划分重要性后的部件，采用如下规则制定维修决策：对于第一重要部件，部件的决策剩余服役寿命取寿命概率的0.5％分位点；且在每个修程结束时，如果部件预测剩余服役寿命小于下一个修程的长度，则在修程结束时进行维护；对于第二重要部件，部件的决策剩余服役寿命取寿命概率的2.5％分位点，且在剩余服役寿命之前一个月进行更换；对于除第一重要部件和第二重要部件之外的剩余部件，部件的决策剩余服役寿命取寿命概率的5％分位点，且在剩余服役寿命之前半个月进行更换。步骤3)所述的对列车的受电弓的整体维修决策进行可视化展示，具体为对列车受电弓的剩余服役寿命概率分布和维修时间进行可视化展示；且取受电弓的修正剩余服役寿命概率分布的0.5％分位点作为决策剩余服役寿命，在决策剩余服役寿命前两个月对受电弓进行返厂维修。本发明还提供了一种实现所述一种智能列车受电弓服役性能动态监测与评估方法的系统，包括受电弓状态参数检测模块、受电弓剩余服役寿命预测模块和维护可视化模块；受电弓状态参数检测模块、受电弓剩余服役寿命预测模块和维护可视化模块依次串联；受电弓状态参数检测模块用于检测受电弓的状态参数并上传受电弓剩余服役寿命预测模块；受电弓剩余服役寿命预测模块用于对受电弓的各个部件及受电弓整体进行寿命预测，并将预测结果上传维护可视化模块；维护可视化模块用于对受电弓的预测寿命进行可视化展示，生成维护决策数据并进行可视化展示。本发明提供的这种一种智能列车受电弓服役性能动态监测与评估方法及其系统，通过对受电弓的工作参数进行实时检测和分析，能够实现对受电弓服役状态以及外界影响因素的监测，建立对受电弓整体服役性能评估模型，完成外界因素对剩余使用寿命的不确定性影响建模，并提供全面的可视化信息；本发明方法能够实现对受电弓的剩余寿命预测，有效提高受电弓服役性能，且可靠性高、适用性好且评估全面准确。附图说明图1为本发明方法的方法流程示意图。图2为本发明系统的功能模块图。具体实施方式如图1所示为本发明方法的方法流程示意图：本发明提供的这种一种智能列车受电弓服役性能动态监测与评估方法，包括如下步骤：s1.获取列车受电弓的工作性能参数；具体为采用如下步骤获取工作性能参数：a.将列车受电弓系统分为滑板系统、升弓系统、四连杆铰链系统和阻尼器系统；b.针对受电弓滑板系统，获取受电弓滑板的磨耗值、中心线偏移量以及受电弓倾斜量作为服役性能参数；在受电弓滑板系统处设置高速摄像机，在升弓时通过图像处理算法检测受电弓滑板磨耗值、中心线偏移量以及受电弓倾斜量作为服役性能参数；针对升弓系统，获取受电弓气缸压力的压力值作为服役性能参数；在受电弓升弓系统处设置气压传感器，计算时间长度为1分钟的受电弓气缸压力序列的平均值以及平方平均数作为服役性能参数；针对四连杆铰链系统，获取升弓时各个轴承的横方向和纵方向的振动信号作为服役性能参数；在受电弓四连杆铰链系统处设置振动传感器，检测升弓时各个轴承的横纵方向振动信号，计算时间长度为1分钟的振动加速度序列的峰度以及平均频率作为服役性能参数；针对阻尼器系统，获取升弓时阻尼器的震动信号作为服役性能参数；在受电弓阻尼器系统处设置振动传感器，检测升弓时阻尼器的震动情况，计算时间长度为1分钟的振动加速度序列的峰度以及平均频率作为服役性能参数；为了消除运行速度、运行状态对于受电弓服役性能参数的影响，受电弓系统的各个参数在列车额定功率运行时有效；且为了消除轨道状况对受电弓服役性能参数的影响，将每一天的所有有效参数取平均值，获得列车有效服役性能参数；c.根据列车的实时定位信息，获取列车所在地的气象数据作为环境状态参数；列车每1个小时使用gps定位确定位置，并从所在地的当地气象局获取风速、降雨量、降雪量作为环境状态参数；环境状态参数在列车运行时有效，在列车停库时无效；环境状态参数具有显著的年度周期性，同时具有在短期内的随机性；在短期环境参数剧烈恶化时，铁路部门会采取措施减少环境恶化对列车的损伤；因此，相比于短期的随机性，以上环境参数的长期周期性对于受电弓服役性能的损伤更为重要；为了减弱环境状态参数的短期随机性，将1个月中有效时间内的环境状态参数求平均获得有效环境状态参数；d.根据列车的实时载客量信息，获取列车的有效载客量数据作为负载状态参数；假设列车一天经过n个站点，从第i个站点到第i+1个站点，载客量为ai，里程为li，则列车每一天的载客量为将1个月内的有效载客量取平均获得有效载客量；s2.根据步骤s1获取的列车受电弓的工作性能参数，提取列车受电弓的各个部件的健康指标时序；具体为采用如下步骤提取列车受电弓的各个部件的健康指标时序：a.通过加速老化实验获取受电弓的各个部件从t0时刻到tn时刻的服役性能参数；所示的t0时刻为初始状态时刻，tn时刻为退役状态时刻，t0时刻至tn时刻之间的运行状态时刻定义为ti；所述的受电弓的各个部件包括滑板系统、升弓系统、四连杆铰链系统和阻尼器系统；在加速老化实验中，列车受电弓以额定功率运行，其加速老化实验的采样时间间隔δt＝ti-ti-1等效为实际运行时间的δtrun×1.5；其中δtrun为每一天列车以额定功率运行的平均有效时间，这个参数与列车运行线路以及列车类型相关；平均有效时间乘上1.5可以涵盖1天内以非额定功率运行的情况；通过这种方法，使得以δt的间隔在加速老化实验中采样得到的数据等同于实际运行过程中以1天为间隔采样得到的数据；b.通过hallbreg-peck模型计算得到加速老化实验时间与实际运行时间之间的等效加速比例参数af；所述的hallbreg-peck模型，具体为采用如下算式作为hallbreg-peck模型：af＝(rha/rh0)2×exp{(ef/k)×[(1/t0)-(1/ta)]}式中rha为加速老化实验的相对湿度；rh0为实际运行中的相对湿度；ta为加速老化实验中的温度；t0为实际运行中的温度；k为玻尔兹曼常数；ef为故障激活能并通过实验获得；exp()为指数函数；c.在加速老化实验完成后，采用受电弓的各个部件的损伤实验数据训练变分自动编码器vae，获取高阶特征，并计算各个高阶特征的象限角；具体为变分自动编码器vae的输入和输出均为受电弓的各个部件的状态数据，先验分布的表示算式为：式中beta为beta分布，uni为均匀分布；训练后vae生成的高阶特征近似服从上述的先验分布；将该高阶特征映射到圆坐标系中得到坐标为(r,θ)；然后忽略特征的径向宽度，从而特征的坐标简化为θ；该先验分布的采样点分布在圆环内，训练后vae生成的高阶特征近似服从该先验分布。将高阶特征映射到圆坐标系坐标[r,θ]中，由于特征的径向宽度较窄，可以忽略，因此特征的坐标可以简化为θ；将初始时刻θ0的状态数据输入到训练完成的vae中获得高阶特征，计算特征的象限角为θ0；对于ti时刻，将部件的状态数据输入已训练的vae，获得高阶特征，计算特征的象限角为θi；象限角差值θi-θ0可以体现部件运行状态与初始状态的区别，因此可以表征部件的健康情况；d.采用多层感知器mlp模型对步骤c得到的象限角的差值序列进行精调，得到受电弓的各个部件在ti时刻的健康指标hi，从而提取列车受电弓的各个部件的健康指标时序；在训练中，mlp模型的输入为象限角差值[θ0-θ0,...,θi-θ0,...,θn-θ0]，输出为[1,...,(n-i)/n,...,0]。将θi-θ0输入到训练完成的mlp模型，即可获得ti时刻的健康指标hi；该精调过程通过mlp将象限角差值序列映射到一次多项式序列；mlp的隐含层个数可以取为10；一次多项式能够描述受电弓系统磨损过程的剩余寿命的单调变化过程；该处理能够将受电弓系统的损伤先验知识带入到健康指标构建算法中，提高健康指标对于列车部件退化过程的描述能力；s3.根据步骤s2获取的健康时序指标，预测得到受电弓各部件以及受电弓整体的剩余服役寿命；具体为采用如下步骤预测剩余服役寿命：(1)建立受电弓的各个部件的健康指标的分解预测模型；具体为采用如下(1)-a.获取受电弓的各个部件的健康指标时序；所述的受电弓的各个部件包括滑板系统、升弓系统、四连杆铰链系统和阻尼器系统；首先训练离线模型，将服役性能参数时序输入到训练完成的vae以及mlp模型中，获得部件的健康指标时序(1)-b.采用极大重叠离散小波变换算法modwt将受电弓的各个部件的健康指标时序分解为各个小波系数层；其中分解得到的第s层小波系数为在具体实施时，小波母函数取为“morlet”，分解层数取为3层，可以获取4个子分解层；(1)-c.取输入个数为in，输出个数为out，构建第s层小波系数预测模型的输入矩阵is和输出矩阵os；在具体实施时，取输入个数为5，输出个数为1，构建第s层小波系数预测模型的输入矩阵is以及输出矩阵os如下式所示：(1)-d.以is为输入、os为输出，训练第s层小波系数的非抽取全卷积神经网络预测模型；在具体实施时，模型使用因果卷积，卷积滤波器个数为16个；重复以上训练过程，获得所有分解层的预测模型；(1)-e.实时对步骤(1)-d得到的预测模型进行迁移学习；具体为在列车实际运行过程汇总，记录从t0时刻开始的受电弓的各个部件的服役性能参数，其中t0为部件维护后的时刻；在部件运行过程中的ti时刻，获取该时刻的健康指标参数hi，并采用极大重叠离散小波变换算法分解为s层小波系数并在i≤x1时使用原模型进行剩余寿命滚动迭代预测，并在i＞x1时，在第s层的小波系数中以为输入，以为输出对第s层预测模型的参数进行刷新，并使用刷新后的模型进行剩余寿命滚动迭代预测；在具体实施时，在列车实际运行过程中记录从to时刻开始的受电弓各部件的服役性能参数；其中to为部件维护后的时刻，时间间隔为1天；在部件运行过程中的ti时刻，将该时刻的服役性能参数输入到步骤1中训练完成的vae以及mlp模型中，获取健康指标hi，并使用modwt算法分解为8层小波系数分解使用的小波函数为“morlet”；在i≤5时，使用原模型进行剩余寿命滚动迭代预测；i＞5时，在第s层的小波系数中，以为输入，为输入对第s层预测模型的参数进行刷新；(1)-f.利用步骤(1)-e学习后的模型进行剩余寿命滚动迭代预测；具体为对于每一个子序列，将输入到第s层预测模型中，获得小波系数预测值然后将小波系数预测值并入到第s层小波系数序列中，并删除时序中的第一个小波系数，获得然后使用逆极大重叠离散小波变换将每一层的小波系数重构为时间序列并取其中的为一步预测值；进一步的，将输入到第s层预测模型，获得小波系数预测值然后将小波系数预测值并入到第s层小波系数序列中，并删除时序中的第一个小波系数，获得然后使用逆极大重叠离散小波变换将每一层的小波系数重构为时间序列并取其中的为两步预测值；重复上述步骤，直至获取超前多步预测值；且重复上述步骤的停止条件为其中h-2为ti时刻的剩余服役寿命li；在具体实施时，对于每一个子序列，以第s层为例，将输入到第s层预测模型中，获得小波系数预测值将小波系数预测值并入到第s层小波系数序列中，并删除时序中的第一个小波系数，获得然后使用逆极大重叠离散小波变换将每一层的小波系数重构为时间序列取其中的为一步预测值。进一步将输入第s层预测模型，获得小波系数预测值将小波系数预测值并入到第s层小波系数序列中，并删除时序中的第一个小波系数，获得然后使用逆极大重叠离散小波变换将每一层的小波系数重构为时间序列取其中的为两步预测值。重复以上步骤获取超前多步预测值。该多步迭代计算的停止条件为则取h-2为ti时刻的剩余服役寿命li；将受电弓各部件的服役性能参数时序带入到以上方法。使用以上方法计算受电弓的滑板系统、升弓系统、四连杆铰链系统以及阻尼系统的剩余服役寿命(2)建立从部件剩余服役寿命到受电弓剩余服役寿命的映射模型；具体为使用受电弓整体的加速老化实验获取受电弓的各个部件以及整体的剩余服役寿命；然后使用hallbreg-peck模型计算加速老化实验所得到的剩余服役寿命所对应的等效剩余服役寿命；在具体实施时，使用受电弓整体的加速老化实验获取受电弓各部件以及整体的剩余服役寿命。使用hallbreg-peck模型计算加速老化实验所得到的剩余服役寿命所对应的等效剩余服役寿命；以加速老化实验获得的受电弓各部分的等效剩余服役寿命作为输入，以受电弓整体的等效剩余服役寿命作为输出，训练支持向量回归svr模型，该模型使用高斯核，核参数为1.0，1.0；在列车运行的ti时刻，将计算得到的受电弓各部件剩余服役寿命输入到训练完成的svr模型中；获得受电弓系统剩余服役寿命其中上标p为受电弓各部件的编号；(3)建立环境以及负载状态参数预测模型；具体为将第y年、第m月的参数定义为dy,m；年度预测模型将参数分为12个月进行单独建模；模型的训练数据集为历史的第m月参数其中ny为历史年份数量；将历史参数重构为输入矩阵以及输出矩阵并以im为输入、为输出，训练第m月参数的长短期记忆神经网络lstm预测模型，模型的隐含层个数为50；然后采用训练完成的模型进行滚动迭代预测，从而得到若干步的预测结果；针对环境状态参数和负载状态参数，采用上述的过程分别建立预测模型；(4)建立受电弓的各个部件以及整体剩余服役寿命期间内的环境/负载参数影响量化模型，从而预测得到受电弓各部件以及受电弓整体的剩余服役寿命；具体为在列车运行的时刻ti，剩余服役寿命为li，计算从ti到ti+li之间的所有月份的环境状态参数预测值和负载状态参数预测值；然后通过加权方法计算剩余寿命期间状态参数的影响量化指标；在具体实施时，在列车运行的ti时刻，剩余服役寿命为li，计算从ti到ti+li之间的所有月份；使用建立的状态参数预测模型计算得到从剩余服役寿命期间所有月份的状态参数预测值；通过加权方法计算剩余寿命期间状态参数的影响量化指标，计算公式为其中m为剩余寿命包含的所有月份；为剩余服役寿命期间第m个月份的预测状态数据，其中不足一个月的状态数据以一个月计算；wm为第m个月份的权重，该权重与超前预测步数相关，权重随预测步数降低；预测步数比较短的预测值准确度较高，赋予较高权重，预测步数比较长的预测值准确度较低，赋予较低权重，不同预测步数的权重如表1所示：表1不同预测步数的权重预测步数1步2步3步及以上权重10.90.8在列车运行ti时刻，将计算得到的受电弓各部件以及整体的剩余服役寿命带入以上计算方法，得到受电弓各部件剩余服役寿命内风速、降雨量、降雪量以及有效载客量的影响量化指标和列车受电弓整体剩余服役寿命内风速、降雨量、降雪量以及有效载客量的影响量化指标其中上标q为环境/负载状态参数的编号；s4.对步骤s3预测得到的受电弓各部件以及受电弓整体的剩余服役寿命进行修正；具体为采用受电弓实际运行过程的历史数据，将预测剩余服役寿命、环境状态参数和负载状态参数作为输入、列车受电弓的实际剩余服役寿命作为输出，针对受电弓的各个部件以及受电弓整体，分别训练树状高斯过程tgp模型；将步骤(1)得到的受电弓的各个部件的预测剩余服役寿命、步骤(2)得到的受电弓整体的预测剩余服役寿命、步骤(3)得到的预测的环境以及负载状态参数输入训练完成后的树状高斯过程tgp模型，从而得到受电弓的各个部件以及受电弓整体的修正剩余服役寿命预测结果；在具体实施时，在列车运行的ti时刻，将计算得到的受电弓各部件以及整体的剩余服役寿命以及计算得出的受电弓各部件以及整体的环境/负载状态参数以及带入训练完成的受电弓各部件以及整体的tgp模型，获得受电弓部件以及整体的修正剩余服役寿命以及获得的修正剩余服役寿命为概率分布；tgp模型的系数初始值通过交叉验证选定；tgp模型生成的概率分布能够描述剩余服役寿命预测的不确定性；s5.根据步骤s4得到的修正结果，得到最终的列车受电弓的服役性能动态监测评估结果；s6.对步骤s5获取的最终的列车受电弓的服役性能动态监测评估结果进行可视化展示，从而实现列车受电弓的服役性能的动态可视化展示；具体为采用如下步骤进行可视化展示：1)以时间、受电弓的健康状态、环境以及负载状态参数和剩余服役寿命作为轴线，以受电弓的各个部件和受电弓整体的剩余服役寿命为可视化展示内容，实现列车在任意运行时刻，受电弓的各个部件和受电弓整体的剩余服役寿命可视化展示；2)对列车的受电弓各个部件的维修决策进行可视化展示；具体为采用步骤进行受电弓的各个部件的维修决策：2)-1.计算受电弓各部件的整体健康相关性以及意外损坏成本；2)-2.使用帕累托分析方法，找出帕累托最优面；所述的帕累托最优面对应的为整体健康相关性最强且损坏成本最高的部件；然后将该部件划分为第一重要部件；2)-3.除去第一重要部件后，重复步骤2)-2，直至所有的部件均被划分完毕；2)-4.对于划分重要性后的部件，采用如下规则制定维修决策：对于第一重要部件，部件的决策剩余服役寿命取寿命概率的0.5％分位点；且在每个修程结束时，如果部件预测剩余服役寿命小于下一个修程的长度，则在修程结束时进行维护；对于第二重要部件，部件的决策剩余服役寿命取寿命概率的2.5％分位点，且在剩余服役寿命之前一个月进行更换；对于除第一重要部件和第二重要部件之外的剩余部件，部件的决策剩余服役寿命取寿命概率的5％分位点，且在剩余服役寿命之前半个月进行更换；3)对列车的受电弓的整体维修决策进行可视化展示；步骤3)所述的对列车的受电弓的整体维修决策进行可视化展示，具体为对列车受电弓的剩余服役寿命概率分布和维修时间进行可视化展示；且取受电弓的修正剩余服役寿命概率分布的0.5％分位点作为决策剩余服役寿命，在决策剩余服役寿命前两个月对受电弓进行返厂维修。如图2所示为本发明的系统的功能模块图：本发明还提供了一种实现所述一种智能列车受电弓服役性能动态监测与评估方法的系统，包括受电弓状态参数检测模块、受电弓剩余服役寿命预测模块和维护可视化模块；受电弓状态参数检测模块、受电弓剩余服役寿命预测模块和维护可视化模块依次串联；受电弓状态参数检测模块用于检测受电弓的状态参数并上传受电弓剩余服役寿命预测模块；受电弓剩余服役寿命预测模块用于对受电弓的各个部件及受电弓整体进行寿命预测，并将预测结果上传维护可视化模块；维护可视化模块用于对受电弓的预测寿命进行可视化展示，生成维护决策数据并进行可视化展示。本发明提供的这种智能列车受电弓服役性能动态监测与评估方法及其系统，将受电弓分解为滑板系统、升弓系统、四连杆铰链系统以及阻尼器系统，并对这些部件进行服役性能参数动态监测；相比于仅仅监测受电弓滑板服役性能的监测模块，该监测模块能够采集到更为全面的服役性能参数；本申请公开的服役性能评估模型将受电弓多个部分的服役性能进行融合，以获取更合理的剩余服役寿命预测结果。使用深度网络自适应地挖掘受电弓服役性能参数的内部规律，实现了对列车各部件以及受电弓剩余服役寿命的高精度预测；使用vae-mlp的模型实现了对受电弓各部件以及整体的健康状态深度降维以及强单调性健康指标计算；vae模型能够提取受电弓的服役状态的变化规律，将服役状态映射到位于圆坐标系的特征空间，提取特征的象限角作为健康状态特征；mlp实现健康状态指标的精调，提高健康状态指标的单调性，以符合机电系统的单调退化特性。使用modwt-lstm模型实现了对受电弓各部件剩余服役寿命的预测；借助于modwt算法的无边界效应特性以及lstm的强非线性拟合能力，实现了对手电南宫各部件剩余服役寿命的有效预测；使用svr模型对各部件剩余服役寿命进行融合，实现了对受电弓整体剩余服役寿命的自适应预测。实现了对剩余服役寿命期间环境/负载状态参数的预测量化建模，建立了对剩余服役寿命的不确定性修正模型；使用状态参数的年度周期性实现了环境/负载状态参数的高精度预测；由于预测精度随着预测步数的增加而增加，使用衰减加权模型量化剩余服役寿命期间内的环境/负载状态参数影响力，加权系数随着预测步数的增加而增加；由于剩余服役寿命固有的不确定性，使用tgp模型计算考虑环境/负载状态参数影响后的不确定性剩余服役寿命。当前第1页12