技术领域
[0001] 本
发明涉及一种均衡风缸制动装置健康评估系统和方法。
背景技术
[0002] 均衡风缸制动装置作为列车
制动系统中的一个关键子系统，其性能好坏直接影响着列车制动的性能。由于现有的列车故障诊断系统对于故障的诊断很大程度上依赖于
专家系统和大量经验，且诊断方法单一，采用单一变量监控，故而受到很大的限制。现有的诊断系统无法预测均衡风缸制动装置的早期失效，但早期失效若不加处理，随着时间推移，失效将会逐渐恶化，在之后某个时间发生不可预估的损失。现有列车上的均衡风缸制动装置包括风源系统、均衡风缸、
电子制动控制单元(EBCU)、充风
阀、排风阀、压
力传感器和空气管路；所述风源系统用于给均衡风缸提供风源；所述充风阀和排风阀用于控制均衡风缸进行充风和排风；所述
压力传感器用于检测均衡风缸压力。现有均衡风缸制动装置的早期失效检测方法存在以下
缺陷：(1)
电磁阀作为均衡风缸制动装置的执行元件是一个容易损坏的器件，但现有方法难以实现电磁阀状态的监控，因为高速电磁阀的导通时间一般在10ms左右，其
信号难以在现有列车上的均衡风缸制动装置中采集到；(2)压力传感器作为均衡风缸压力的采集设备，在系统中，常见的失效有偏置和漂移，现有的列车诊断系统采用的是单变量监控，当传感器失效时，其监控指标会大于其设定
阈值，这种阈值监控手段严重依赖人为设定，效率较低；(3)管路
泄漏严重依靠经验数据，且依赖于
硬件冗余。
[0003] 因此，有必要提供一种新的均衡风缸制动装置的早期失效检测方法。
发明内容
[0004] 本发明所解决的技术问题是，针对
现有技术的不足提供一种均衡风缸制动装置健康评估系统和方法，能够精确评估均衡风缸制动装置
健康状态。
[0005] 为了实现上述目的，本发明所提供的技术方案为：
[0006] 一种均衡风缸制动装置健康评估系统，包括第一
电流传感器、第二电流传感器、第一压力传感器、第二压力传感器、
数据采集卡和
数据处理模
块；
[0007] 所述第一电流传感器和第二电流传感器分别用于检测均衡风缸制动装置中充风阀电流和排风阀电流；第一压力传感器和和第二压力传感器分别用于检测均衡风缸制动装置中风源系统输出的总风压力和均衡风缸压力；
[0008] 所述第一电流传感器、第二电流传感器、第一压力传感器和第二压力传感器的信号输出端均连接至数据采集卡，数据采集卡(通过USB)连接至数据处理模块；
[0009] 首先，依次将多个正常和已知故障类型的均衡风缸制动装置接入健康评估系统，分别按照以下步骤进行多次测试(模拟列车运行工况，如制动缓解行为)并记录测试数据；
[0010] 1)通过数据处理模块设置均衡风缸目标压力，并发送至均衡风缸制动装置中的电子制动控制单元；电子制动控制单元基于数据处理模块设置的均衡风缸目标压力和第二压力传感器检测到的均衡风缸压力，输出相应的
控制信号给充风阀和排风阀，以控制均衡风缸进行充风或排风以达到均衡风缸目标压力；
[0011] 2)记录测试数据：记录测试过程中第一电流传感器采集的充风阀电流(Icv)数据、第二电流传感器采集的排风阀电流数据(Idcv)、第一压力传感器采集的总风压力(Pmr)数据、第二压力传感器采集的均衡风缸压力(Pser)数据、以及均衡风缸制动装置中原有的压力传感器采集的压力(Per)数据；
[0012] 然后，从上述正常和已知故障类型的均衡风缸制动装置的测试数据中提取特征数据，用来训练健康评估模型；
[0013] 再根据样本训练集训练健康评估模型；
[0014] 最后，将待测均衡风缸制动装置接入健康评估系统，按步骤1)～3)进行多次测试并记录测试数据，从该测试数据中提取特征数据，输入训练好的健康评估模型，得到其健康评估结果。
[0015] 进一步地，所述充风阀和排风阀均为MAC 130B型号电磁阀。
[0016] 进一步地，所述数据采集卡为USB4222型号高速数据采集卡；所述数据采集卡的
采样频率设定为5KHz以保证电磁阀驱动电流的精准采集。
[0017] 进一步地，所述数据处理模块为计算机。
[0018] 进一步地，所述计算机通过UDP通信协议与电子制动控制单元进行通信。
[0019] 一种均衡风缸制动装置健康评估系统，采用上述系统进行均衡风缸制动装置健康评估，包括以下步骤：
[0020] 首先，依次将多个正常和已知故障类型(包括故障等级和故障器件)的均衡风缸制动装置接入健康评估系统，分别按照以下步骤进行多次测试(模拟列车不同的运行工况，如制动缓解行为)并记录测试数据；
[0021] 1)通过数据处理模块设置均衡风缸目标压力，并发送至均衡风缸制动装置中的电子制动控制单元；电子制动控制单元基于数据处理模块设置的均衡风缸目标压力和第二压力传感器检测到的均衡风缸压力，输出相应的控制信号给充风阀和排风阀，以控制均衡风缸进行充风或排风以达到均衡风缸目标压力；
[0022] 2)记录测试数据：记录测试过程中第一电流传感器采集的充风阀电流数据、第二电流传感器采集的排风阀电流数据、第一压力传感器采集的总风压力数据、第二压力传感器采集的均衡风缸压力数据、以及均衡风缸制动装置中原有的压力传感器采集的压力数据；
[0023] 然后，从上述正常和已知故障类型的均衡风缸制动装置的测试数据中提取特征数据，用来训练健康评估模型；
[0024] 最后，将待测均衡风缸制动装置接入健康评估系统，按步骤1)～3)进行多次测试并记录测试数据，从该测试数据中提取特征数据，输入训练好的健康评估模型，得到其健康评估结果。健康评估结果可包括待测均衡风缸制动装置是否正常，若异常，则标识其故障等级和故障器件。
[0025] 进一步地，所述特征数据为二维
时间窗数据，
水平方向为某一时间窗的特征值，垂直方向为某一特征的时序分布；某一时间窗的特征值包括该时间窗内第一电流传感器、第二电流传感器、第一压力传感器、第二压力传感器和均衡风缸制动装置中原有的压力传感器采集的数据的平均值、方差、最大值、最小值、中位数和差分特征中的一种或多种。
[0026] 进一步地，所述健康评估模型包括CNN模型和XGBoost模型两部分；将特征数据输入CNN模型，得到健康评估值A；将特征数据展开形成的一维
特征向量，输入XGBoost模型，得到健康评估值B；最后综合健康评估值A和健康评估值B，得到最终的健康评估值。该健康评估模型为集成模型CNN-XGBoost，其结合了
卷积神经网络模型(CNN)特征学习非线性映射能力较强的优势和极限梯度提升模型(XGBoost)处理高维特征的优势，一定程度提升了健康评估的准确度和鲁棒性。
[0027] 进一步地，所述CNN模型和XGBoost模型采用Python编写。
[0028] 本发明的研发由国家自然科学基金项目61672539，61672537，61803394，61873353提供部分支持。
[0029] 有益效果：
[0030] 本发明在分析均衡风缸制动装置工作原理的
基础上，充分利用实物实验平台、
软件平台化设计和
大数据的便捷性，搭建了均衡风缸制动装置健康评估实物实验平台，构建了健康评估模型，具有以下特点：
[0031] 1、本发明搭建的实物实验平台具有均衡风缸控制环路设计和数据采集装置，其可以很好的模拟列车制动缓解过程，相对列车上现有均衡风缸制动装置监控，其添加了电磁阀电流监控功能，采用USB4222高速数据卡精准采集电磁阀驱动电流，具有良好的监控功能；
[0032] 2、本发明搭建的软件平台具有全面监控均衡风缸制动装置的健康状态和数据分析及基于CNN-XGBoost的健康评估模型构建的功能，其通过
进程调用Python数据分析，大大缩减工程开发周期，使得健康评估模型搭建易于更新，拓展性大大加强。健康评估模型构无须考虑均衡风缸制动装置的物理模型，只需通过对大量历史数据进行分析，通过
数据挖掘可构建新的模型，从而实现模型的移植和更新，大大缩短均衡风缸制动装置健康评估系统和方法的研发周期。
[0033] 本发明能够精确评估均衡风缸制动装置健康状态，增强未来
机车运行制动的安全性。本发明提高了均衡风缸制动装置健康评估的智能化，提高机务研发人员和检修人员使用的便捷性与高效性。
附图说明
[0034] 图1均衡风缸制动装置健康评估系统整体
框图[0035] 图2健康评估主窗口
[0036] 图3管理员登入窗口
[0037] 图4数据监控窗口
[0038] 图5数据分析与特征工程窗口之数据介绍
[0039] 图6分析与特征工程窗口之数据去噪
[0040] 图7数据分析与特征工程窗口之数据预处理
[0041] 图8数据分析与特征工程窗口之特征显示
[0042] 图9健康评估模型窗口之数据准备
[0043] 图10健康评估模型窗口之模型选择
[0044] 图11健康评估模型窗口之模型训练与评估
[0045] 图12均衡风缸制动装置健康评估模型
流程图[0046] 图13 CNN-XGBoost原理图
具体实施方式
[0047] 为了更清楚地说明本发明的硬件平台设计和软件平台设计及系统方案，下面结合附图和具体实施方式对本发明作进一步的说明。
[0048] 如图1所示，本发明公开了一种均衡风缸制动装置健康评估系统和方法，包括硬件设计和软件平台设计。硬件部分主要包括风源系统、均衡风缸控制环路及数据采集装置。其中风源系统包括空压机、总风缸(总风储
气缸)、
气动三联件和空气管路，通过调节气动三联件中减压阀，可以将总风缸的气压较为稳定的输出给均衡风缸，以保证风源的
稳定性；均衡风缸控制环路由均衡风缸、EBCU、电磁阀、压力传感器、电流传感器、数据采集卡和计算机，控制环路采用列车现用的PWM技术和PID闭环控制，数据采集装置采用USB4222高速采集卡，用于均衡风缸制动装置中电磁阀电流值和均衡风缸压力值的实时采集，并将数据存储于
数据库中，其
采样频率设定为5KHz以保证电磁阀驱动电流的精准采集。电子制动控制单元将传感器采集的模拟量信号转换成
数字量信号传输到控制板，利用控制板程序完成均衡风缸压力控制。软件部分主要采用C#编写均衡风缸制动装置的健康评估系统界面，设计健康评估主窗口、数据监控窗口、数据分析与特征工程窗口和健康评估模型窗口；采用Python编写特征分析和健康评估模模型，通过进程构建
接口嵌入到健康评估界面中，评估值采用百分制，分值越高表征均衡风缸制动装置运行状态越良好，本发明有效实现均衡风缸制动装置的实验模拟和数据采集，能够快速简洁的进行图形化数据分析与健康评估。
[0049] 软件部分包括健康评估系统平台设计和健康评估模型。
[0050] 所述健康评估系统平台包括健康评估主窗口、数据监控窗口、数据分析与特征工程窗口和健康评估模型窗口，窗口间可自由切换，功能扩展性强；EBCU
操作系统用于连同EBCU中的操作系统。
[0051] 如图2所示，健康评估主窗口包括
传感器数据子窗、特征数据子窗、评估模型子窗、健康评估子窗、EBCU监控子窗和系统分析报告子窗，子窗间相互关联，智能化显示均衡风缸健康评估状态；点击任一子窗中的更多按钮转至如图3管理员登录系统，若通过则给予权限，否则只显示主界面健康状态，无更改模型权限；传感器数据子窗实时显示传感器数据，点击更多按钮连接数据监控窗口；数据特征子窗刷新定时显示某一段时间内的特征数据，点击更多按钮连接数据分析与特征工程窗口；评估模型显示子窗同步健康评估模型窗口的模型类型与模型参数；健康评估子窗包括健康评估指示盘、健康评估历史和告警信息，点击更多按钮统连接健康评估模型窗口；
[0052] EBCU监控子窗包括EBCU运行状态监控和风缸压力控制，有利于监控效果实时反馈；系统分析报告子窗实时显示系统CPU占用率、当前时间和均衡风缸运行报告；EBCU监控子窗通过UDP通信协议向EBCU发送压力指令；通过数据绑定，将EBCU中数字量输入板、数字量输出板、模拟量输入板、电源板、控制板的信号实时显示在监控子窗中，便于直接观察控制效果，并实时监控EBCU是否异常，记录故障可实现故障模拟；
[0053] 如图4所示，数据监控窗口利用DynamicDataDisplay动态链接库实时接收并图形化显示当前监控传感器的数据；通过设定传感器的正常值范围(或故障阈值)，初步检测传感器异常情况(检测明显异常数据)，并进行异常次数统计；通过连接数据库实现监控数据的储存，用于数据分析、特征工程以及模型建立；通过文件读取可获取本地数据，实现额外数据的扩展；
[0054] 所述数据分析与特征工程窗口对历史数据进行数理统计与数据挖掘，完成特征的提取与构建并保存至数据库中。如图5-8所示，数据分析与特征工程窗口包括数据介绍、数据去噪、数据预处理、特征显示四个部分，共同完成历史数据的数据分析与特征工程；数据介绍包括文件选择、文件路径显示、数据统计信息显示和备注写入，文件选择的文件来源于数据库储存数据通过数据转存的CSV文件；数据去噪包括
算法选择和滤波效果
可视化显示，去噪算法可选择为中值滤波或均值滤波，可自定义设置滤波窗口参数并显示过滤效果，通过数据读写保存至数据库中；数据预处理包括时间窗特征提取、其他特征提取、数据归一化和特征组合；时间窗特征提取通过自定义设置窗口大小获取窗口数据的平均值、方差、最大值、最小值、中位数、差分值特征中一个或多个；为了有效实现运行模式的识别，增加了运行模式特征，其他特征即为运行模式特征；首先将历史数据集采用K-Means进行聚类，获得不同运行模式的子数据集；然后针对不同运行模式的子数据集增加一列从1开始的检索值和一列用于识别运行模式的识别号常数；接着将不同运行模式的子数据集按采样时间顺序重组，即可识别任意时刻的数据处理哪种运行模式；数据归一化可选择为min-max标准化、z-score标准化和log函数转换中的一个；特征组合采用原始时间窗数据+时间窗特征数据+其他特征的组合，将时间窗与提取的特征进行
叠加，得到的扩展时间窗在保留原始信息的前提下，重构训练集数据，增加派生特征，提高健康状态评估的准确性；特征显示模块可视化原始数据和特征数据，有利于对比特征处理的效果，可保存特征数据至本地；其中，针对均衡风缸多工况数据，提取时间窗特征并将提取的特征附加到原始时间窗数据中，构成扩展时间窗数据，从而提升特征的表征能力，较好地提升的健康评估的准确度。
[0055] 所述健康评估模型窗口通过模型选择和参数设置对历史数据的特征数据进行回归预测，构建健康评估模型，并同步至健康评估主窗口，实现在线健康评估；健康评估主窗口提供人性化界面，利于均衡风缸制动装置的健康评估开发；如图9-11所述，健康评估模型窗口包括数据准备，模型选择和模型训练与评估；数据准备包括文件选择、文件地址显示、特征数据介绍和备注写入，文件选择的文件来自数据分析与特征工程窗口保存的特征数据文件，数据特征数据介绍显示特征数据的数理统计信息；模型选择包括算法选择和参数选择；模型训练与评估显示模型训练过程和验证集结果；模型选择通过进程调用Python编写的健康评估算法程序，算法选择集成算法CNN-XGBoost，提供参数接口实现算法参数设置，并提供已有模型导入和新模型存储功能，灵活性大大加强；
[0056] 如图12所示，健康评估算法程序利用Python数据处理开发的便捷性大大缩减基于CNN-XGBoost的均衡风缸制动装置健康评估的工程研发，其算法可移植性强，开发周期短，模型构建简单，通过模型更替，大大增强了均衡风缸制动装置健康评估准确性；在进行传感器初步
异常检测的基础上，当传感器数值不在正常区间时，发出故障警报，但当传感器检测值处于正常区间中，根据历史数据中已有设备的故障数据(人为标记了故障类型、故障等级的数据)，训练有监督监控评估模型，然后在线根据传感器数据评估当前运行状态是否良好。
[0057] 如图13所示，本发明提出采用集成CNN-XGBoost的方法建立基于数据驱动的健康评估模型；CNN-XGBoost模型结合了CNN模型和XGBoost模型强大的特征学习，显著提高了均衡风缸制动装置健康评估的准确性；CNN模型是一种高效的神经网络结构，其通过卷积操作和
池化操作不断强化特征，具有很强的非线性映射能力；XGBoost模型是一种高效的集成树模型，其通过boosting集成方法，不断降低拟合误差，具有很强的特征强化重要；采用的CNN模型结构为依次为
输入层，卷积层，全连接层和
输出层。输入层数据为2D时间窗数据，水平方向为某一时刻的特征值，垂直方向为某一特征的时序分布；卷积层为多通道的1*1卷积核，输入样本通过多个卷积核映射为多个特征映射，即通过不同参数学习到的不同的特征映射；全连接层连接卷积层映射的特征，再通过非线性函数回归拟合得到输出层的健康评估值A；采用的XGBoost模型为集成树模型，其输出为2D时间窗数据展开的1D特征向量，通过boosting集成多棵树，不断减小拟合误差，当拟合误差趋于收敛时停止
迭代，得到健康评估值B；最后将健康评估值A和健康评估值B求平均，得到目标的健康评估值。
[0058] 本发明有效实现均衡风缸制动装置的模拟实验和数据采集，能够快速简洁的进行图形化数据分析与健康评估。
