一种基于多重T方控制图的高速列车间歇故障检测方法与流程

本发明属于故障诊断领域，具体涉及一种基于多重t方控制图的高速列车间歇故障检测方法。

背景技术：

近年来，对高速列车关键系统的故障检测已成为热点研究课题。然而多年来，人们大多仅关注持续故障的检测问题，而对间歇故障的检测问题研究较少。另一方面，随着电子、信息等技术的高速发展，一种不同于传统持续故障形式的特殊故障类型，即间歇故障逐渐引起了人们的重视。高速列车制动控制系统在复杂环境下运行，易发生间歇故障。一方面，电子制动控制单元由复杂电子电路构成，虚焊老化等都会导致控制电路松动进而引发控制器间歇故障。此外，高速列车运行环境复杂，车载传感器易受震动、电磁干扰等影响，导致传感器间歇失效。

间歇故障是指一类持续时间有限，没有外部补偿措施仍然可以自行消失使系统重新恢复可接受性能的故障。与持续故障相比，间歇故障的发生具有随机性和反复性，且具有明显的累积效应，即随着时间推移，故障发生频率及持续时间逐渐增加，由间歇发生最终演变为持续故障。由于间歇故障的发生和消失具有随机性，因此其诊断标准要求同时检测故障的发生和消失时刻，诊断性能满足在本次故障消失前确定其发生时刻，在下一次故障发生前确定其消失时刻。这样的检测结果更有利于我们分析系统的运行状态，制定合理的维护和维修策略以及针对间歇故障进行容错控制律的设计。

间歇故障幅值较小且持续时间有限的特性，使得传统的数据驱动故障检测方法很难直接应用于间歇故障的检测

技术实现要素：

针对现有技术中存在的上述技术问题，本发明提出了一种基于多重t方控制图的高速列车间歇故障检测方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

基于多重t方控制图的高速列车间歇故障检测方法，包括如下步骤：

步骤1：离线训练；具体包括如下步骤：

步骤1.1：构造正常工况测量矩阵：

[x1,x2,…,xk,…,xn]∈r^m×n；

其中，xk∈r^m×1为列向量；m为所检测的系统包含的传感器个数；n为每个传感器包括的独立采样个数；

步骤1.2：计算训练数据的样本均值和协方差矩阵s，即

步骤1.3：根据经验或通过分析历史故障数据，给出高速列车关键系统间歇故障的方向ξq、故障幅值下界故障持续时间下界和故障消失时间下界并计算下式：

其中，w^*和w^#为两个时间窗口；w＝1,2,…,w^#；为理论上对故障发生检测延迟的上界；为理论上对故障消失检测延迟的上界；

步骤1.4：根据给定的置信水平α，对时间窗口w＝1,2,…,w^#，分别计算即

其中，fa(p,n-p)为自由度为p,n-p的f分布置信水平为α时的上分位数，记

步骤2：在线故障检测；具体包括如下步骤：

步骤2.1：在线采集新测量样本并对时间窗口w＝1,2,…,w^#，实时计算每个t方控制图的统计量即

步骤2.2：对时间窗口w＝1,2,…,w^#，实时更新每个t方控制图的报警时刻：故障发生报警和故障消失报警即

步骤2.3：在线排除误报，具体包括如下步骤：

步骤2.3.1：若对w＝w^#，下式不成立

则重新开始步骤2；否则执行步骤2.4；

步骤2.3.2：若存在w∈[w^*,w^#]使得(1)式不成立，则重新开始步骤2；否则执行步骤2.4；

步骤2.3.3：若存在w,w′∈[w^*,w^#]使得下式成立

其中为空集，则重新开始步骤2，否则执行步骤2.4；

步骤2.4：选择时间窗口，具体包括如下步骤：

步骤2.4.1：依次检验w＝{w^*,…,1}，若(1)式不成立，则置w^o＝w+1；否则wo＝1；

步骤2.4.2：依次检验w＝{w^*,…,wo}，若存在w′∈(w,w^#]，使得(2)式成立，则重置wo＝w+1；

步骤2.4.3：对w＝{w^*,…,w^o}，计算

步骤2.4.4：依次检验w＝{w^*,…,w^o}，若存在w′∈(w,w^#]使得下式成立，则重置w^o＝w+1；

步骤2.5：间歇故障发生及消失时间推断，具体包括如下步骤：

步骤2.5.1：计算间歇故障发生及消失时间的最终推断和即

步骤2.5.2：推断此次间歇故障在时刻内发生，在时刻内消失。

本发明所带来的有益技术效果：

本发明给出一种间歇故障检测的新方法，该方法给出了多重时间窗口的选取准则，可以检测出幅值较小且持续时间有限的间歇故障，并推断间歇故障的发生时间和消失时间，显著提高了数据驱动方法对间歇故障的检测效果。

附图说明

图1为间歇故障反复发生和消失的仿真结果示意图。

图2为未进行误报消除时的原始t方控制检测结果示意图。

图3为经过误报消除和时间窗口选择后的间歇故障检测结果示意图。

图4为本发明方法的流程图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

1、一种基于多重t方控制图的高速列车间歇故障检测方法，其流程如图4所示，包括如下步骤：

步骤1：离线训练；具体包括如下步骤：

步骤1.1：构造正常工况测量矩阵：

[x1,x2,…,xk,…,xn]∈r^m×n；

其中，xk∈r^m×1为列向量；m为所检测的系统包含的传感器个数；n为每个传感器包括的独立采样个数；

步骤1.2：计算训练数据的样本均值和协方差矩阵s，即

步骤1.3：根据经验或通过分析历史故障数据，给出高速列车关键系统间歇故障的方向ξq、故障幅值下界故障持续时间下界和故障消失时间下界并计算下式：

其中，w^*和w^#为两个时间窗口；w＝1,2,…,w^#；为理论上对故障发生检测延迟的上界；为理论上对故障消失检测延迟的上界；

步骤1.4：根据给定的置信水平α，对时间窗口w＝1,2,…,w^#，分别计算即

其中，fa(p,n-p)为自由度为p,n-p的f分布置信水平为α时的上分位数，记

步骤2：在线故障检测；具体包括如下步骤：

步骤2.1：在线采集新测量样本并对时间窗口w＝1,2,…,w^#，实时计算每个t方控制图的统计量即

步骤2.2：对时间窗口w＝1,2,…,w^#，实时更新每个t方控制图的报警时刻：故障发生报警和故障消失报警即

步骤2.3：在线排除误报，具体包括如下步骤：

步骤2.3.1：若对w＝w^#，下式不成立

则重新开始步骤2；否则执行步骤2.4；

步骤2.3.2：若存在w∈[w^*,w^#]使得(1)式不成立，则重新开始步骤2；否则执行步骤2.4；

步骤2.3.3：若存在w,w′∈[w^*,w^#]使得下式成立

其中为空集，则重新开始步骤2，否则执行步骤2.4；

步骤2.4：选择时间窗口，具体包括如下步骤：

步骤2.4.1：依次检验w＝{w^*,…,1}，若(1)式不成立，则置w^o＝w+1；否则w^o＝1；

步骤2.4.2：依次检验w＝{w^*,…,w^o}，若存在w′∈(w,w^#]，使得(2)式成立，则重置w^o＝w+1；

步骤2.4.3：对w＝{w^*,…,w^o}，计算

步骤2.4.4：依次检验w＝{w^*,…,wo}，若存在w′∈(w,w^#]使得下式成立，则重置wo＝w+1；

步骤2.5：间歇故障发生及消失时间推断，具体包括如下步骤：

步骤2.5.1：计算间歇故障发生及消失时间的最终推断和即

步骤2.5.2：推断此次间歇故障在时刻内发生，在时刻内消失。

2、仿真研究

仿真模型选取如下：

首先根据上述模型生成5000个训练数据，代表正常工况下的观测数据；随后，再根据上述模型生成500个测试数据，并从第201个数据起加入方向为ξq＝[0.2425,0.9701]^t的间歇故障；间歇故障幅值下界为间歇故障持续和消失时间下界均为其仿真结果如图1、2、3所示。

图1中左侧纵坐标表示了1/4故障幅值的真实值，图中实线代表间歇故障的反复发生和消失。图2右侧纵坐标代表了1/10窗口长度的检测结果，图中虚线表示未进行误报消除时的原始t方控制检测结果。图3虚线表示经过误报消除和时间窗口选择后的间歇故障检测结果，若对应的时间窗口在故障发生时没有虚线，则代表我们在实时推测该故障发生和消失时间的时候未选择该时间窗口。

表1给出了我们对各次间歇故障发生和消失时间的推断结果，其中μq代表间歇故障的真实发生时刻，其后两列为我们方法对该发生时刻的推断，即上述算法步骤中的同样的，νq代表间歇故障的真实消失时刻，其后两列为我们方法对该消失时刻的推断，即上述算法步骤中的

表1

容易看出，我们的方法可以有效降低误报并推测出间歇故障的发生和消失时间，且该方法可以检测出幅值较小且持续时间有限的间歇故障，显著提高了数据驱动方法对间歇故障的检测效果。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。