基于Informer的高速列车制动系统故障预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115953857A(43)申请公布日2023.04.11(21)申请号202211250338.3G06N3/048(2023.01)(22)申请日2022.10.13G06N3/084(2023.01)G06F18/23213(2023.01)(71)申请人北京交通大学地址100044北京市海淀区西直门外上园村3号(72)发明人董宏辉吴忠强贾利民秦勇杨志强(74)专利代理机构北京众合诚成知识产权代理有限公司11246专利代理师张文宝(51)Int.Cl.G07C5/08(2006.01)B60T17/22(2006.01)G06N3/0455(2023.01)G06N3/0464(2023.01)权利要求书2页说明书11页附图5页(54)发明名称基于Informer的高速列车制动系统故障预测方法(57)摘要本发明提出了一种基于Informer的高速列车制动系统故障预测方法，通过皮尔森相关系数筛选与制动系统故障相关的列车状态变量，将变量数据标准化后，进行降维处理得到中间特征；构建基于改进的一维CNN的故障识别模型，Informer的时间序列预测模型对降维后的中间特征进行时间序列预测得到未来中间特征，然后通过训练好的故障识别模型将未来中间特征映射为故障标签，以此达到故障预测的效果。本发明方法中的组合方法，即可充分学习输入中间特征中的长期依赖关系并进行较长期的预测，同时也保证了预测故障标签的准确性。CN115953857ACN115953857A权利要求书1/2页1.一种基于Informer的高速列车制动系统故障预测方法，其特征在于，包括如下步骤：步骤1：通过皮尔森相关系数筛选与制动系统故障相关的列车状态变量；步骤2：变量数据标准化；步骤3：将标准化后的变量数据进行降维处理得到中间特征；步骤4：构建基于改进的一维CNN的故障识别模型，并进行训练得到最终的故障识别模型；步骤5：构建基于Informer的时间序列预测模型，基于步骤3得到的中间特征预测未来中间特征；步骤6：将步骤5预测得到的未来中间特征输入步骤4训练得到最终故障识别模型中进行故障识别，得到最终的故障预测结果。2.根据权利要求1所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于：所述步骤1中，设置皮尔森系数绝对值的阈值为0.5进行相关的列车状态变量筛选。3.根据权利要求1所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于：所述步骤2中，基于修改后的最大最小值标准化方法对变量进行处理，将变量{x1，x2，…，xn}的值域范围转化为[‑1,1]，得到变量的新值{y1，y2，…，yn}，其公式为：4.根据权利要求1所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于：所述步骤3中，使用编码器从标准化后的数据特征中学习得到特征向量，即隐层输出，然后使用其对应的解码器，将隐层输出重新构造出输出特征，在训练过程中让输出特征与标准化后的数据特征的误差尽可能的小。5.根据权利要求1所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于，所述步骤4中，对一维CNN的故障识别模型进行修改，通过跳层连接的形式形成类似于残差连接结构，将最后一层卷积层的输出和降维后的数据特征输入相加得到新的输出。6.根据权利要求1或5所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于，所述步骤4中，一维CNN的故障识别模型训练时每个样本选取时间窗大小为10。7.根据权利要求5所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于，所述步骤4中，采用Adam算法作为学习率控制器对一维CNN的故障识别模型进行优化训练。8.根据权利要求5所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于，所述步骤4中，一维CNN的故障识别模型设置有40个卷积核。9.根据权利要求5所示的一种基于Informer的高速列车制动系统故障预测方法，其特征在于，所述步骤4中，一维CNN的故障识别模型训练时的初始学习率为0.005。10.一种基于Informer的高速列车制动系统故障预测系统，其特征在于，所述系统包括：列车状态变量筛选模块，通过皮尔森相关系数筛选与制动系统故障相关的列车状态变量；变量数据标准化模块，用于将变量进行数据标准化；数据特征降维模块，用于将标准化后的变量数据进行降维处理得到中间特征；2CN115953857A权利要求书2/2页故障识别模型形成模块，用于构建基于一维CNN的故障识别模型，并进行训练得到最终的故障识别模型；未来中间特征预测模块，基于构建的Informer时间序列预测模型，并利用数据特征降维模块得到的中间特