一种基于人在回路的铁路机车柴油机自适应健康诊断系统的制作方法

本发明涉及铁路机车柴油机自适应健康诊断系统，尤其是一种基于人在回路的铁路机车柴油机自适应健康诊断系统。

背景技术：

1、随着中国轨道交通产业数字化方面需求的不断提高以及大数据运用技术的逐渐普及，飞速发展，对干线机车及其大部件产品运维技术的智能化需求也大幅增加。因此，利用大数据算法来代替人工对产品运行数据进行逐条故障检测，进而构建机车柴油机健康诊断模型，提高故障诊断效率及科学性的同时降低了检测所需的人力与时间成本。

2、对于机车柴油机构建智能健康诊断，存在以下几个问题：一是柴油机各类故障的影响因子繁杂，且每次故障样本的归因可能都不相同，采样数据清洗分类时容易维度过高导致算法无法收敛；二是我国疆域广阔，干线机车柴油机应用环境复杂多变，单一算法很难实现自适应自学习功能的演进；三是虽然目前阶段只针对故障识别功能进行开发研究，但随着铁路运用客户智能化需求的不断提高，未来也需考虑故障分类/寻因功能演进的可能性。

3、通过由传感器采集到的时间序列数据来预测或监测早期故障前兆，是复杂系统的控制管理和预测性维护的重要基础。故障前兆一般代指在复杂系统中即将发生故障的早期症状。故障和故障前兆信号本质上和复杂系统健康运转时的信号相比都是异常，主要区别在于什么程度上影响系统“正常”运转。当故障前兆出现时，虽然部件或子系统有性能衰退，其涉及的时间序列信号有“幅”变化，但系统通常仍然能正常运转。随着时间的推移，部件或子系统的异常将传播到更多的相关上下游部件和子系统，并触发从时间序列数据上来说可观察的异常。

4、现有技术中，虽然能够实现对状态的预警。但是如上提到的技术中，在进行预警时，需要先基于状态量时间序列的特征对数字孪生模型进行仿真预测，然后基于仿真预测数据更新数字孪生模型后，对比更新的数字孪生模型的特征与初始数字孪生模型的特征，以此来进行预警。因此，预警的准确性往往由更新的数字孪生模型的准确性决定，而更新的数字孪生模型又是根据初始数字孪生模型的数据进行预测得到的，也就是说，预警的准确性就会依赖于最初采集到的数据。无论是基于机理模型、数字驱动模型或者混合模型的数字孪生模型，都具有以下不足：

5、1.学习具有时间动态和相互关联的多维异构时间序列数据常困难；

6、2.数据集中缺乏故障样本(目前无故障样本)，更不用提对故障前兆的精确标注；

7、3.纯数据驱动的模型需要大量数据，但数据集中仅有样车在有限工况下的样本数据；

8、4.发动机工况分布和真实运营时存在一定的差异。

技术实现思路

1、为了克服现有的不足，本发明提供了基于人在回路的铁路机车柴油机自适应健康诊断系统。

2、本发明解决其技术问题所采用的技术方案是：一种基于人在回路的铁路机车柴油机自适应健康诊断系统，包括工况切分模块、去重检测模块、模型训练模块、异常检测模型模块四个模块以及离线训练流程、在线推理流程两个步骤；所述离线训练流程包括并行的管线一和管线二；所述管线一将时序数据通过工况切分模块切分为不同的时间序列片段，将上述时间序列片段通过去重检测模块排除重复数据片段，将去重检测后的新样本生成数字签名写入redis数据库并生成新样本写入mysql数据库；所述管线二导入管线一mysql数据库的新样本，驱动的模型训练模块循环，将模型文件夹保存在模型本地路径并将模型版本信息写入mysql数据库；所述在线推理流程包括并行的管线三和管线四；所述管线三将时序数据通过工况切分模块切分为不同的时间序列片段，将上述时间序列片段通过异常检测模型模块计算异常分数，将生成的异常分数存入mysql数据库并与mysql数据库中人工预先定义的阈值对比判断是否存在异常，将异常判断写入mysql数据库；所述管线四将管线三中工况切分模块切分为不同的时间序列片段通过去重检测模块排除重复数据片段，将去重检测后的新样本生成数字签名写入redis数据库并生成新样本写入mysql数据库。

3、根据本发明的另一个实施例，进一步包括，所述工况切分模块将柴油机在不同工作模式划分为不同的手柄档位，根据上述手柄档位数据将时序数据切分为各个档位下的数据；对当前档位区间内的时序数据，从区间最左侧开始对柴油机实际功率施加统计滑窗，若当前滑窗内的功率均值落在特定时间t之后的统计窗口的均值±95％统计区间时，认为开始进入稳态区间，并将当前时刻滑窗向后移动t时刻，并重复上述过程，直到当前时刻滑窗内功率均值超出t时刻后滑窗统计区间或者当前滑窗已经到达当前档位区间的末尾；若当前滑窗内的功率均值未落在特定时间t之后的统计窗口的均值±95％统计区间时，认为尚未进入稳态区间，则将当前时刻滑窗向后移动1个时刻，并重复上述过程，直至当前档位区间末尾。

4、根据本发明的另一个实施例，进一步包括，所述异常检测模型模块包括算法处理、异常分数和异常判断；所述算法处理是通过调用异常检测模型，从工况切分后的时间序列片段xi中提取特征yi，并利用模型中的自编码器对数据片段重建生成算法特征拼接后得一个向量信号所述异常分数将向量信号q映射到半径为1的球体中，计算其与mysql数据库中正常信号映射值的距离即为该片段数据的异常分数，将生成的异常分数写入mysql数据库；所述异常判断将生成的异常分数与mysql数据库中人工预先定义的阈值对比判断是否存在异常。

5、根据本发明的另一个实施例，进一步包括，所述异常检测模型模块中的异常检测模型与模型训练模块中的模型都由特征提取器、时序编码器、时序解码器和投影层组成；所述特征提取器通过一维卷积网络提取时间序列片段xi中的特征yi；所述时序编码器、时序解码器通过循环神经网络提取出时空相关特征zi、重构信号为所述yi和经过映射到投影层的高维球体表面，分别为向量vi和向量则向量所述损失函数的目标为最大化向量vi、向量和向量ce的余弦相似度，即异常分数

6、根据本发明的另一个实施例，进一步包括，所述异常分数与mysql数据库中人工预先定义的阈值对比判断，设阈值为c，大于c则异常，小于c则正常。

7、根据本发明的另一个实施例，进一步包括，所述去重检测模块将工况切分后时间序列片段，利用sax算法把多维时间序列数据的每个通道都映射为字符串，然后将其重建为等长度跨维度词句，与历史数据集比较相似度并按照人工预设阀值排除重复数据片段，去重检测后的新样本通过哈希算法生成数字签名写入redis数据库并生成新样本写入mysql数据库。

8、本发明的有益效果是，在健康诊断算法开发的过程中引入了人在回路模式，通过大数据算法结合人工对结果的标定，完成异常信号特征的识别和分类。主要依靠人的智能帮助机器更加智能化，其采取以一种采样的形式将有代表性或有迷惑性的样本进行标注然后反馈给模型，使之可以根据反馈调整迭代。虽然该方法较既往方法模型构建难度较大，后期模型训练人工工作量及完成周期大幅增加，但对影响因子繁多且原因不明的故障，模型构建完成后健康诊断的准确性更高；最为重要的是该方法具备健康诊断模型故障识别向故障分类功能演进的可能性，为后续智能运维更高的要求预留了开发方向。