一種基于時間序列分析的軌道交通故障診斷方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種基于時間序列分析的軌道交通故障診斷方法和系統(tǒng)。該方法包括：1)采集軌道交通信號設(shè)備的歷史和實時監(jiān)測數(shù)據(jù)；2)根據(jù)歷史數(shù)據(jù)生成初始的時間序列曲線的參數(shù)模型，得到故障的判別參數(shù)；3)根據(jù)實時數(shù)據(jù)重新調(diào)整時間序列曲線的參數(shù)模型的參數(shù)，得到當(dāng)前環(huán)境條件下的故障判別參數(shù)；4)對于當(dāng)前環(huán)境條件下的時間序列曲線數(shù)據(jù)，通過步驟3)得到的故障判別參數(shù)進(jìn)行故障預(yù)警，輸出預(yù)警結(jié)果；5)利用步驟2)得到的故障判別參數(shù)訓(xùn)練故障分類器，對于步驟4)所述預(yù)警結(jié)果中的故障曲線，將提取的曲線模型參數(shù)輸入到故障分類器，得到故障診斷結(jié)果。本發(fā)明能夠有效解決人工診斷鐵路信號系統(tǒng)故障時工作量大、效率低、風(fēng)險高等問題。
【專利說明】一種基于時間序列分析的軌道交通故障診斷方法和系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于軌道交通信息【技術(shù)領(lǐng)域】，具體涉及一種基于時間序列分析的軌道交通 故障診斷方法和系統(tǒng)。

【背景技術(shù)】
[0002] 目前，軌道交通（國有鐵路、企業(yè)鐵路和城市軌道交通）領(lǐng)域的監(jiān)測維護(hù)產(chǎn)品 主要有三類：CSM(信號集中監(jiān)測系統(tǒng)）、各設(shè)備維護(hù)機(jī)、通信網(wǎng)管系統(tǒng)。為了提高我國鐵 路信號系統(tǒng)設(shè)備的現(xiàn)代化維修水平，從90年代開始，我國先后自主研制了 TJWX-I型和 TJWX-2000型等不斷升級中的信號集中監(jiān)測CSM系統(tǒng)。目前大部分車站都采用了計算機(jī)監(jiān) 測系統(tǒng)，實現(xiàn)了對車站信號設(shè)備狀態(tài)的實時監(jiān)測，并通過監(jiān)測與記錄信號設(shè)備的主要運行 狀態(tài)，為電務(wù)部門掌握設(shè)備的當(dāng)前狀態(tài)和進(jìn)行事故分析提供了基本依據(jù)，發(fā)揮了重要作用。 并且，對城市軌道交通信號設(shè)備，集中監(jiān)測CSM系統(tǒng)也被廣泛部署在城軌集中站/車輛段等 處，供城軌運維使用。此外，伴隨我國高速鐵路的建設(shè)發(fā)展，高鐵特有的RBC系統(tǒng)、TSRS系 統(tǒng)、ATP系統(tǒng)，也面臨著納入信號集中監(jiān)測系統(tǒng)的需求，也面臨著提高其監(jiān)測能力、運維能 力，以及設(shè)備自診斷能力的需求。
[0003] 數(shù)據(jù)挖掘分析是利用統(tǒng)計分析的數(shù)學(xué)知識，分析文本、圖像、數(shù)值等數(shù)據(jù)，發(fā)現(xiàn)數(shù) 據(jù)的隱含規(guī)則、關(guān)系，建立數(shù)據(jù)模型，用于對數(shù)據(jù)進(jìn)行分類、聚類、統(tǒng)計等操作。軌道交通監(jiān) 測數(shù)據(jù)的挖掘分析，對于判斷和分析軌道交通的技術(shù)故障具有重要的意義。但目前多是依 靠人工經(jīng)驗分析判斷，靠人工在海量的監(jiān)測數(shù)據(jù)中進(jìn)行故障的判斷和分析，需要大量的人 力成本以及故障原因分析的時間，很多情況下只有在出現(xiàn)事故時才發(fā)現(xiàn)故障，導(dǎo)致了人工 診斷鐵路信號系統(tǒng)故障時工作量大、故障監(jiān)測與診斷效率低下等技術(shù)問題，增加了行車的 危險，難以為后續(xù)的維修、救援等工作提供時間保障。因此，研究更高效的軌道交通監(jiān)測數(shù) 據(jù)分析和故障分析方法，提高軌道交通故障分析能力，查隱患，治隱患，推動故障修向狀態(tài) 修發(fā)展，從而保障行車安全、提高運力，是軌道交通領(lǐng)域的迫切需求。


【發(fā)明內(nèi)容】

[0004] 為了解決現(xiàn)有技術(shù)中人工診斷鐵路信號系統(tǒng)故障時工作量大、效率低下、風(fēng)險性 高等技術(shù)問題，本發(fā)明提供一種基于時間序列分析的軌道交通監(jiān)測數(shù)據(jù)分析和故障診斷方 法和系統(tǒng)。
[0005] 本發(fā)明采用的技術(shù)方案如下：
[0006] -種基于時間序列分析的軌道交通故障診斷方法，其步驟包括：
[0007] 1)采集軌道交通信號設(shè)備的歷史和實時監(jiān)測數(shù)據(jù)；
[0008] 2)根據(jù)歷史數(shù)據(jù)生成初始的時間序列曲線的參數(shù)模型，得到故障的判別參數(shù)；
[0009] 3)根據(jù)實時數(shù)據(jù)重新調(diào)整時間序列曲線的參數(shù)模型的參數(shù)，得到當(dāng)前環(huán)境條件下 的故障判別參數(shù)；
[0010] 4)對于當(dāng)前環(huán)境條件下的時間序列曲線數(shù)據(jù)，通過步驟3)的由實時數(shù)據(jù)得到的 故障判別參數(shù)進(jìn)行故障預(yù)警，輸出預(yù)警結(jié)果；
[0011] 5)利用步驟2)的由歷史數(shù)據(jù)得到的故障判別參數(shù)訓(xùn)練故障分類器，對于步驟4) 所述預(yù)警結(jié)果中的故障曲線，將提取的曲線模型參數(shù)輸入到故障分類器，得到故障診斷結(jié) 果。
[0012] 一種采用上述方法的基于時間序列分析的軌道交通故障診斷系統(tǒng)，其包括：
[0013] 知識庫，用于建立并存儲時間序列曲線的參數(shù)模型；
[0014] 歷史數(shù)據(jù)庫，用于存儲歷史監(jiān)測數(shù)據(jù)，包括正常數(shù)據(jù)和故障數(shù)據(jù)；
[0015] 實時數(shù)據(jù)庫：用于存儲實時監(jiān)測數(shù)據(jù)；
[0016] 數(shù)據(jù)采集接口，用于接收數(shù)據(jù)采集系統(tǒng)的實時數(shù)據(jù)；
[0017] 數(shù)據(jù)預(yù)警模塊，連接實時數(shù)據(jù)庫和知識庫，用于采用數(shù)據(jù)預(yù)警算法對實時數(shù)據(jù)進(jìn) 行判讀，輸出關(guān)于異常數(shù)據(jù)的判讀結(jié)論；
[0018] 故障診斷模塊，連接歷史數(shù)據(jù)庫和知識庫，用于采用故障診斷算法對異常數(shù)據(jù)進(jìn) 行分類，輸出故障診斷結(jié)果。
[0019] 本發(fā)明提供了一種基于時間序列分析的軌道交通監(jiān)測數(shù)據(jù)分析和故障診斷方案， 可以解決曲線形狀微小變化對故障判讀結(jié)果的影響，減小誤判的風(fēng)險，并且可以隨時間和 環(huán)境的變化，自適應(yīng)的調(diào)整曲線的分類模型，使模型能夠適應(yīng)動態(tài)變化的情況，能夠有效解 決現(xiàn)有技術(shù)中人工診斷鐵路信號系統(tǒng)故障時工作量大、效率低下、風(fēng)險性高等問題。

【專利附圖】

【附圖說明】
[0020] 圖1是基于時間序列分析的軌道交通信號設(shè)備故障診斷系統(tǒng)的結(jié)構(gòu)示意圖。
[0021] 圖2是基于時間序列分析的軌道交通信號設(shè)備故障診斷方法的步驟流程圖。
[0022] 圖3A、圖3B和圖3C是實施例中的道岔電流數(shù)據(jù)曲線圖。

【具體實施方式】
[0023] 下面通過具體實施例和附圖，對本發(fā)明做進(jìn)一步說明。
[0024] 圖1是本發(fā)明的基于時間序列分析的軌道交通監(jiān)測數(shù)據(jù)分析及故障診斷系統(tǒng)的 結(jié)構(gòu)示意圖。該系統(tǒng)由歷史數(shù)據(jù)庫、實時數(shù)據(jù)庫、知識庫、數(shù)據(jù)采集接口、數(shù)據(jù)預(yù)警模塊和故 障診斷模塊組成，其中：
[0025] 知識庫：用于建立并存儲時間序列電流曲線的參數(shù)模型；
[0026] 歷史數(shù)據(jù)庫：用于存儲歷史正常數(shù)據(jù)和故障數(shù)據(jù)；
[0027] 實時數(shù)據(jù)庫：用于存儲當(dāng)前數(shù)據(jù)采集系統(tǒng)所采集到的實時監(jiān)測數(shù)據(jù)；
[0028] 數(shù)據(jù)采集接口：用于接收數(shù)據(jù)采集系統(tǒng)的實時數(shù)據(jù)；
[0029] 數(shù)據(jù)預(yù)警模塊：連接實時數(shù)據(jù)庫和知識庫，用于采用數(shù)據(jù)預(yù)警算法對實時數(shù)據(jù)進(jìn) 行判讀，輸出關(guān)于異常數(shù)據(jù)的判讀結(jié)論；
[0030] 故障診斷模塊：連接歷史數(shù)據(jù)庫和知識庫，用于采用故障診斷算法對異常數(shù)據(jù)進(jìn) 行分類，輸出故障診斷結(jié)果。
[0031] 圖2是采用上述系統(tǒng)的基于時間序列分析的軌道交通信號設(shè)備故障診斷方法的 步驟流程圖，對其具體說明如下：
[0032] 1)采集軌道交通信號設(shè)備的監(jiān)測數(shù)據(jù)
[0033] 該步驟采用鐵路設(shè)備既有的CSM系統(tǒng)對軌道交通信號設(shè)備進(jìn)行數(shù)據(jù)采集，軌道交 通信號設(shè)備包括電源屏、道岔、轉(zhuǎn)轍機(jī)等設(shè)備。采集的監(jiān)測數(shù)據(jù)包括歷史數(shù)據(jù)和實時數(shù)據(jù)。 歷史數(shù)據(jù)是指存儲在數(shù)據(jù)庫中的以前采集到的監(jiān)測數(shù)據(jù)，這些數(shù)據(jù)用來記錄設(shè)備過去工作 的各種狀態(tài)。實時數(shù)據(jù)是指當(dāng)前數(shù)據(jù)采集系統(tǒng)所采集到的監(jiān)測數(shù)據(jù)，這些數(shù)據(jù)用來對設(shè)備 當(dāng)前的工作狀態(tài)進(jìn)行判斷。
[0034] 2)對采集的數(shù)據(jù)進(jìn)行預(yù)處理
[0035] 進(jìn)行預(yù)處理的目的是為了對待分析的數(shù)據(jù)進(jìn)行處理，生成適合于分析的數(shù)據(jù)，預(yù) 處理包括：
[0036] (1)數(shù)據(jù)選擇，選擇合適的數(shù)據(jù)源，從數(shù)據(jù)中提取與分析任務(wù)相關(guān)的數(shù)據(jù)
[0037] (2)數(shù)據(jù)清理和集成，清除噪聲數(shù)據(jù)、非可用數(shù)據(jù)，將原始數(shù)據(jù)規(guī)范化、標(biāo)準(zhǔn)化并將 多個數(shù)據(jù)源組合在一起；
[0038] (3)數(shù)據(jù)轉(zhuǎn)換，以合適的方式組織數(shù)據(jù)，將數(shù)據(jù)類型轉(zhuǎn)換為可應(yīng)用的類型，定義新 的數(shù)據(jù)屬性，減小數(shù)據(jù)維數(shù)和尺寸。
[0039] 3)利用預(yù)處理后的數(shù)據(jù)建立曲線參數(shù)時間序列模型
[0040] 本發(fā)明適用于所有的時間序列曲線，如道岔電流曲線、模擬量變化趨勢曲線等。道 岔電流曲線是一條以電流為縱軸、時間為橫，以固定測量間隔的各電流值逐點連接繪制而 成的曲線，蘊涵了道岔轉(zhuǎn)換過程中的電氣特性和機(jī)械特性。因為道岔電流曲線與環(huán)境溫度 有一定的關(guān)系，因此，道岔電流曲線的參數(shù)又構(gòu)成了一種季節(jié)性變化的時間序列。這里采用 ARIMA季節(jié)模型（差分自回歸移動平均模型）建立道岔電流曲線特征參數(shù)的模型：
[0041] ①利用自相關(guān)分析和偏自相關(guān)分析等方法，對時間序列的隨機(jī)性、平穩(wěn)性及季節(jié) 性進(jìn)行分析，并采用差分的方法對數(shù)據(jù)進(jìn)行平穩(wěn)化處理。然后根據(jù)自相關(guān)和偏自相關(guān)圖，確 定備選模型。
[0042] 平穩(wěn)過程的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)都會以某種方式衰減趨于0,前者測度當(dāng) 前序列與先前序列之間簡單和常規(guī)的相關(guān)程度，后者是在控制其它先前序列的影響后，測 度當(dāng)前序列與某一先前序列之間的相關(guān)程度。如果某一時間序列的自相關(guān)函數(shù)隨著滯后k 的增加而很快地下降為〇,那么我們就認(rèn)為該序列為平穩(wěn)序列；如果自相關(guān)函數(shù)不隨著k的 增加而迅速下降為0,就表明該序列不平穩(wěn)。如果一個時間序列的自相關(guān)和偏相關(guān)圖沒有 任何模式，而且數(shù)值很小，那么該序列可能就是一些互相獨立的無關(guān)的隨機(jī)變量。
[0043] 差分是通過逐項相減消除前后期數(shù)據(jù)相關(guān)性的方法，可剔除序列中的趨勢性，是 非平穩(wěn)序列的均值平穩(wěn)化的預(yù)處理。
[0044] ②依據(jù)赤池信息準(zhǔn)則或者Schwarz貝葉斯準(zhǔn)則確定模型的參數(shù)，建立ARIMA預(yù)測 模型。
[0045] 具體的，采用的赤池信息準(zhǔn)則如下：
[0046] AIC- S ? = ~2IogL(|vt) + 2 Μ ,
[0047] 或者也可以采用Schwarz貝葉斯準(zhǔn)則，如下：
[0048] BIG(S) = -.2!GgL(&,vJ 十 iQg(a) -. H，
[0049] 其中，&為時間序列模型參數(shù)θ = [ θ ρ Θ 2, I，θ Ν]τ的極大似然估計值， 為在條件下的似然函數(shù)，靈為模型階次或獨立參數(shù)個數(shù)的估計，η為自變量的個數(shù)。使 或者Βκ.(?)為最小的-為模型相對合理的階次。
[0050] ③用選定的模型對將來某個時期的數(shù)值及可信區(qū)間做出預(yù)測。
[0051] 4)計算動態(tài)時間彎曲路徑，進(jìn)而采用數(shù)據(jù)預(yù)警算法判斷異常數(shù)據(jù)
[0052] 典型的相似性測度絕大多數(shù)是應(yīng)用歐幾里得距離，或者是在此基礎(chǔ)上的一些改進(jìn) 技術(shù)。但歐式距離測度存在一定的局限性，其主要原因是歐式距離作為相似測度，對時間序 列數(shù)據(jù)在時間軸上的數(shù)據(jù)形狀扭曲變形沒有一定的辨識能力，對數(shù)據(jù)噪聲的魯棒性較差， 一些輕微的變化可能會使得序列之間的歐氏距離變化很大。
[0053] 動態(tài)時間彎曲技術(shù)是基于非線性動態(tài)規(guī)劃的一種模式匹配算法。它通過測度兩組 時間序列的相似性系數(shù)，得到一組動態(tài)時間彎曲路徑集。通常，在不同的工作狀態(tài)，動態(tài)時 間彎曲路徑集具有不同的特征。若彎曲路徑總長度最小，則數(shù)據(jù)相似程度最大。它允許序 列在時間軸上偏移，序列各點不要求一一對應(yīng)，并且能夠計算不同長度的序列之間的距離， 因此具有更好的魯棒性。
[0054] 計算得到動態(tài)時間彎曲路徑后，進(jìn)而采用數(shù)據(jù)預(yù)警算法判斷異常數(shù)據(jù)，預(yù)警算法 的具體步驟見后文。
[0055] 5)采用分類算法訓(xùn)練分類器，進(jìn)而采用故障診斷算法得到故障診斷結(jié)果，故障診 斷算法的具體步驟見后文。
[0056] 采用SVM(支持向量機(jī)）、貝葉斯等分類算法訓(xùn)練分類器，得到故障分類模型。然后 對于預(yù)警算法判斷的異常數(shù)據(jù)，采用分類器進(jìn)行分類，得到相應(yīng)的故障。
[0057] 上述算法的流程分為兩個部分，首先對實時監(jiān)測數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)警，即步驟4)，數(shù) 據(jù)預(yù)警能夠判斷出當(dāng)前的數(shù)據(jù)正常數(shù)據(jù)和異常數(shù)據(jù)，以此得到設(shè)備的運行狀態(tài)。對于異常 數(shù)據(jù)給出報警提示，并采用故障診斷算法進(jìn)行故障診斷，即步驟5)。下面具體說明數(shù)據(jù)預(yù)警 算法與故障診斷算法。
[0058] (1)數(shù)據(jù)預(yù)警算法：
[0059] ①根據(jù)歷史數(shù)據(jù)，得到曲線各特征點的季節(jié)變化的初始模型。
[0060] ②根據(jù)曲線各特征點的季節(jié)變化模型，生成標(biāo)準(zhǔn)的正常曲線模型。
[0061] ③對于實時的監(jiān)測數(shù)據(jù)，采用動態(tài)時間彎曲方法計算監(jiān)測數(shù)據(jù)與正常曲線模型的 彎曲路徑長度。
[0062] ④將彎曲路徑長度與事先設(shè)定的閾值進(jìn)行比較，如果超出閾值，則進(jìn)行報警。
[0063] ⑤根據(jù)當(dāng)前一段時間內(nèi)的正常曲線數(shù)據(jù)，對參數(shù)的時間序列模型進(jìn)行更新。
[0064] (2)故障診斷算法：
[0065] ①根據(jù)歷史數(shù)據(jù)，得到曲線各特征點的季節(jié)變化的初始模型。
[0066] ②計算故障曲線與各種故障模型下的曲線參數(shù)的彎曲路徑，進(jìn)而對異常數(shù)據(jù)進(jìn)行 分類，輸出故障診斷結(jié)果。
[0067] 下面提供一個具體應(yīng)用實例。本實例對某CSM監(jiān)測的上行道岔電流曲線數(shù)據(jù)和下 行道岔電流曲線數(shù)據(jù)進(jìn)行數(shù)據(jù)處理。
[0068] 根據(jù)數(shù)據(jù)格式，對數(shù)據(jù)進(jìn)行解碼，得到每一時刻的電流數(shù)據(jù)。對得到的道岔電流數(shù) 據(jù)的曲線提取如下特征點：
[0069] 啟動段：電機(jī)啟動時曲線驟升，形成一個尖峰，峰頂值通常為2至4A。
[0070] 回落段：電流至峰點后迅速回落，弧線應(yīng)平順。
[0071] 工作電流段：曲線基本呈水平狀，略微向下。
[0072] 鎖閉電流段：為一略微向上的平順曲線。
[0073] 緩放段：電流緩慢下降到0。
[0074] 為了對正常和異常的數(shù)據(jù)進(jìn)行判斷，數(shù)據(jù)分析從判斷每組數(shù)據(jù)之間的相似性入 手。在給出正常數(shù)據(jù)和異常數(shù)據(jù)的前提下，通過計算每組曲線之間的動態(tài)時間彎曲距離方 法，計算出曲線和正常曲線和異常曲線之間的相似性，進(jìn)而判定異常數(shù)據(jù)，并根據(jù)異常數(shù)據(jù) 對故障進(jìn)行診斷。
[0075] 以上行道岔電流曲線數(shù)據(jù)為例：
[0076] 2014年1月27日0點30分時所采集的數(shù)據(jù)如下：
[0077] 0. 000000, 0. 000000, 0. 000000, 1. 843137, 3. 647059, 2. 627451, 2. 000000, 1. 6470 59, 1. 450980, 1. 333333, 1. 215686, 1. 137255, 1. 098039, 1. 019608, 0. 980392, 0. 941176, 0. 901961, 0. 862745, 0. 823529, 0. 823529, 0. 784314, 0. 784314, 0. 745098, 0. 745098, 0. 74509 8, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 6 66667, 0. 666667, 0. 705882, 0. 666667, 0. 705882, 0. 666667, 0. 666667, 0. 705882, 0. 705882 ,0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 745098, 0. 745098, 0. 74 5098, 0. 745098, 0. 784314, 0. 745098, 0. 784314, 0. 745098, 0. 784314, 0. 745098, 0. 745098, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 823 529, 0. 823529, 0. 823529, 0. 823529, 0. 823529, 0. 823529, 0. 823529, 0. 823529, 0. 784314, 0 .784314, 0. 823529, 0. 823529, 0. 784314, 0. 784314, 0. 784314, 0. 745098, 0. 745098, 0. 7058 82, 0. 705882, 0. 666667, 0. 666667, 0. 666667, 0. 666667, 0. 627451, 0. 627451, 0. 627451, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 58823 5, 0. 588235, 0. 627451, 0. 627451, 0. 627451, 0. 627451, 0. 627451, 0. 627451, 0. 588235, 0. 5 88235, 0. 588235, 0. 588235, 0. 588235, 0. 509804, 0. 000000, 0. 000000, 0. 000000, 0. 000000 ,0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 00 0000,0. 000000
[0078] 數(shù)據(jù)的曲線如圖3A所示。這些等時間間隔的數(shù)據(jù)可以看作是一個時間序列。
[0079] 2014年1月28日4點55分時所采集到數(shù)據(jù)如下：
[0080] 0. 000000, 0. 000000, 0. 000000, 0. 000000, 2. 431373, 2. 588235, 2. 000000, 1. 6862 75, 1. 450980, 1. 333333, 1. 215686, 1. 137255, 1. 098039, 1. 019608, 0. 980392, 0. 941176, 0. 941176, 0. 901961, 0. 862745, 0. 823529, 0. 823529, 0. 784314, 0. 784314, 0. 745098, 0. 74509 8, 0. 745098, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 666667, 0. 705882, 0. 666667, 0. 6 66667, 0. 666667, 0. 666667, 0. 666667, 0. 666667, 0. 666667, 0. 666667, 0. 666667, 0. 705882 ,0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 745098, 0. 745098, 0. 74 5098, 0. 745098, 0. 745098, 0. 745098, 0. 745098, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 823529, 0. 823529, 0. 823529, 0. 823 529, 0. 823529, 0. 823529, 0. 823529, 0. 862745, 0. 823529, 0. 823529, 0. 823529, 0. 823529, 0 .823529, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 745098, 0. 745098, 0. 745098, 0. 7058 82, 0. 705882, 0. 705882, 0. 666667, 0. 666667, 0. 627451, 0. 627451, 0. 627451, 0. 627451, 0. 627451, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 58823 5, 0. 627451, 0. 627451, 0. 627451, 0. 588235, 0. 627451, 0. 588235, 0. 588235, 0. 588235, 0. 5 88235, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000 ,0. 000000, 0. 000000, 0. 000000, 0. 000000
[0081] 數(shù)據(jù)的曲線如圖3B所示?？梢钥闯鰣D3A和圖3B兩條曲線的點數(shù)并不相同，因此 采用一般的歐式距離度量方法計算距離為2. 4951，距離較大。而采用本方法計算得到的動 態(tài)彎曲距離為0. 20915,可以判定基本上屬于同一類型的曲線。
[0082] 2014年1月31日2點17分時所采集到數(shù)據(jù)如下：
[0083] 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 0000 00, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 2. 431373, 2. 588235, 2. 000000, 1. 686275, 1. 450980, 1. 333333, 1. 21568 6, 1. 137255, 1. 098039, 1. 019608, 0. 980392, 0. 941176, 0. 941176, 0. 901961, 0. 862745, 0. 8 23529, 0. 823529, 0. 784314, 0. 784314, 0. 745098, 0. 745098, 0. 745098, 0. 705882, 0. 705882 ,0. 705882, 0. 705882, 0. 666667, 0. 705882, 0. 666667, 0. 666667, 0. 666667, 0. 666667, 0. 66 6667, 0. 666667, 0. 666667, 0. 666667, 0. 666667, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 705882, 0. 745098, 0. 745098, 0. 745098, 0. 745098, 0. 745098, 0. 745 098, 0. 745098, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0 .784314, 0. 784314, 0. 823529, 0. 823529, 0. 823529, 0. 823529, 0. 823529, 0. 823529, 0. 8235 29, 0. 862745, 0. 823529, 0. 823529, 0. 823529, 0. 823529, 0. 823529, 0. 784314, 0. 784314, 0. 784314, 0. 784314, 0. 745098, 0. 745098, 0. 745098, 0. 705882, 0. 705882, 0. 705882, 0. 66666 7, 0. 666667, 0. 627451, 0. 627451, 0. 627451, 0. 627451, 0. 627451, 0. 588235, 0. 588235, 0. 5 88235, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 627451, 0. 627451, 0. 627451 ,0. 588235, 0. 627451, 0. 588235, 0. 588235, 0. 588235, 0. 588235, 0. 000000, 0. 000000, 0. 00 0000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0. 000000, 0.000000
[0084] 數(shù)據(jù)的曲線如圖3C所示?？梢钥闯鲞@條曲線和第一條曲線即圖3A有明顯差異， 采用本方法計算得到的動態(tài)彎曲距離為3. 44175,可以判定不屬于同一類型的曲線，應(yīng)為故 障狀態(tài)曲線。通過將特征參數(shù)輸入分類器，可以得到該故障屬于啟動延遲故障。從曲線圖 中也可以看到啟動前有一段時間（大約是零點幾秒）道岔動作電流為零。
[0085] 以上實施例僅用以說明本發(fā)明的技術(shù)方案而非對其進(jìn)行限制，本領(lǐng)域的普通技術(shù) 人員可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明的精神和范圍，本 發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求所述為準(zhǔn)。
【權(quán)利要求】
1. 一種基于時間序列分析的軌道交通故障診斷方法，其步驟包括： 1) 采集軌道交通信號設(shè)備的歷史和實時監(jiān)測數(shù)據(jù)； 2) 根據(jù)歷史數(shù)據(jù)生成初始的時間序列曲線的參數(shù)模型，得到故障的判別參數(shù)； 3) 根據(jù)實時數(shù)據(jù)重新調(diào)整時間序列曲線的參數(shù)模型的參數(shù)，得到當(dāng)前環(huán)境條件下的故 障判別參數(shù)； 4) 對于當(dāng)前環(huán)境條件下的時間序列曲線數(shù)據(jù)，通過步驟3)的由實時數(shù)據(jù)得到的故障 判別參數(shù)進(jìn)行故障預(yù)警，輸出預(yù)警結(jié)果； 5) 利用步驟2)的由歷史數(shù)據(jù)得到的故障判別參數(shù)訓(xùn)練故障分類器，對于步驟4)所述 預(yù)警結(jié)果中的故障曲線，將提取的曲線模型參數(shù)輸入到故障分類器，得到故障診斷結(jié)果。
2. 如權(quán)利要求1所述的方法，其特征在于，步驟1)對采集的數(shù)據(jù)進(jìn)行預(yù)處理，包括： 數(shù)據(jù)選擇，選擇合適的數(shù)據(jù)源，從中提取與分析任務(wù)相關(guān)的數(shù)據(jù)； 數(shù)據(jù)清理和集成，清除噪聲數(shù)據(jù)和非可用數(shù)據(jù)，將原始數(shù)據(jù)規(guī)范化、標(biāo)準(zhǔn)化并將多個數(shù) 據(jù)源組合在一起； 數(shù)據(jù)轉(zhuǎn)換，以合適的方式組織數(shù)據(jù)，將數(shù)據(jù)類型轉(zhuǎn)換為可應(yīng)用的類型，并定義新的數(shù)據(jù) 屬性，減小數(shù)據(jù)維數(shù)和尺寸。
3. 如權(quán)利要求1所述的方法，其特征在于，所述時間序列曲線為下列中的一種：道岔電 流曲線、模擬量變化趨勢曲線。
4. 如權(quán)利要求3所述的方法，其特征在于：所述時間序列曲線為道岔電流曲線，采用 ARIMA季節(jié)模型建立所述道岔電流曲線的特征參數(shù)的模型，首先利用自相關(guān)分析和偏自相 關(guān)分析方法對時間序列的隨機(jī)性、平穩(wěn)性及季節(jié)性進(jìn)行分析，并采用差分的方法對數(shù)據(jù)進(jìn) 行平穩(wěn)化處理，然后根據(jù)自相關(guān)和偏自相關(guān)圖，確定備選模型；再依據(jù)赤池信息準(zhǔn)則或者 Schwarz貝葉斯準(zhǔn)則確定模型的參數(shù)，建立ARIMA預(yù)測模型。
5. 如權(quán)利要求4所述的方法，其特征在于，采用的所述赤池信息準(zhǔn)則為： AK·炱:丨=Hogld】+ 2S , 采用的所述Schwarz貝葉斯準(zhǔn)則為： BIC(S) = -ZIogLfi,?；,) + log(n) - 其中為為時間序列模型參數(shù)θ = [θρ θ2，ι，θν]τ的極大似然估計值，ι4β:?)為在 條件下的似然函數(shù)，i:為模型階次或獨立參數(shù)個數(shù)的估計，η為自變量的個數(shù)。
6. 如權(quán)利要求1所述的方法，其特征在于：步驟4)進(jìn)行故障預(yù)警的具體步驟是： ① 根據(jù)歷史數(shù)據(jù)得到曲線各特征點的季節(jié)變化的初始模型； ② 根據(jù)曲線各特征點的季節(jié)變化模型，生成標(biāo)準(zhǔn)的正常曲線模型； ③ 對于實時的監(jiān)測數(shù)據(jù)，采用動態(tài)時間彎曲方法計算監(jiān)測數(shù)據(jù)與正常曲線模型的彎曲 路徑長度； ④ 將彎曲路徑長度與事先設(shè)定的閾值進(jìn)行比較，如果超出閾值，則進(jìn)行報警； ⑤ 根據(jù)當(dāng)前一段時間內(nèi)的正常曲線數(shù)據(jù)，對參數(shù)的時間序列模型進(jìn)行更新。
7. 如權(quán)利要求6所述的方法，其特征在于：步驟5)采用SVM或者貝葉斯分類算法訓(xùn)練 故障分類器。
8. -種采用權(quán)利要求1所述方法的基于時間序列分析的軌道交通故障診斷系統(tǒng)，其特 征在于，包括： 知識庫，用于建立并存儲時間序列曲線的參數(shù)模型； 歷史數(shù)據(jù)庫，用于存儲歷史監(jiān)測數(shù)據(jù)； 實時數(shù)據(jù)庫：用于存儲實時監(jiān)測數(shù)據(jù)； 數(shù)據(jù)采集接口，用于接收數(shù)據(jù)采集系統(tǒng)的實時數(shù)據(jù)； 數(shù)據(jù)預(yù)警模塊，連接實時數(shù)據(jù)庫和知識庫，用于對實時數(shù)據(jù)進(jìn)行判讀，輸出關(guān)于異常數(shù) 據(jù)的判讀結(jié)論； 故障診斷模塊，連接歷史數(shù)據(jù)庫和知識庫，用于采用故障分類器對異常數(shù)據(jù)進(jìn)行分類， 輸出故障診斷結(jié)果。
【文檔編號】G06F19/00GK104091070SQ201410321920
【公開日】2014年10月8日 申請日期:2014年7月7日 優(yōu)先權(quán)日:2014年7月7日
【發(fā)明者】鮑俠 申請人:北京泰樂德信息技術(shù)有限公司