基于隐马尔科夫模型的里程计故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106803101A(43)申请公布日2017.06.06(21)申请号201611256419.9(22)申请日2016.12.30(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)发明人上官伟蔡伯根臧钰王剑刘江石锡尧(74)专利代理机构北京市商泰律师事务所11255代理人黄晓军(51)Int.Cl.G06K9/62(2006.01)G06N3/12(2006.01)G01C25/00(2006.01)权利要求书2页说明书8页附图3页(54)发明名称基于隐马尔科夫模型的里程计故障诊断方法(57)摘要本发明提供了一种基于隐马尔科夫模型的里程计故障诊断方法。该方法包括：提取里程计运行过程中的特征数据作为观测量数据，对观测量数据进行预处理，将预处理后的观测量数据输入到隐马尔科夫模型中进行训练，得到车轮的正常、打滑、抱死三种状态的隐马尔科夫模型，建立里程计的故障状态分类器；将待识别的观测量数据输入到里程计的故障状态分类器，分别与车轮的各种状态的隐马尔科夫模型进行匹配，根据匹配结果确定待识别的观测量数据对应的车轮的状态。本发明对于故障状态的诊断精度有较大提高，通过遗传算法对隐马尔科夫模型中的参数训练部分进行改进，通过仿真对比后，结果表明在训练速度上遗传算法可以较快到达稳态。CN106803101ACN106803101A权利要求书1/2页1.一种基于隐马尔科夫模型的里程计故障诊断方法，其特征在于，包括：提取里程计运行过程中的特征数据作为观测量数据，对所述观测量数据进行预处理，该预处理包括幅值归一化、标量量化处理；将预处理后的观测量数据输入到隐马尔科夫模型中进行训练，得到车轮的正常、打滑、抱死三种状态的隐马尔科夫模型，建立里程计的故障状态分类器；将待识别的观测量数据输入到所述里程计的故障状态分类器，分别与车轮的各种状态的隐马尔科夫模型进行匹配，根据匹配结果确定所述待识别的观测量数据对应的车轮的状态。2.根据权利要求1所述的基于隐马尔科夫模型的里程计故障诊断方法，其特征在于，所述的提取里程计运行过程中的特征数据作为观测量数据，包括：提取里程计中的累计计数脉冲输出的速度测量值vodo；其中，nk为k时刻的脉冲个数，nk-1为k上一时刻的脉冲个数，N为里程计完成一圈之后发出的脉冲数，Δt是k时刻到k-1时刻的时间间隔，d为车轮的轮径；观测量数据vobservation(t)的计算公式如下：vobservation(t)＝vodo(t)-vreal(t)其中vreal(t)是任一时刻t的列车实际运行速度。3.根据权利要求2所述的基于隐马尔科夫模型的里程计故障诊断方法，其特征在于，所述的对所述观测量数据进行预处理，该预处理包括幅值归一化、标量量化处理，包括：利用归一化函数mapminmax对所述观测量数据进行幅值归一化处理，再通过信源编码技术中的Lloyds数据压缩算法对幅值归一化处理后的观测量数据进行标量量化处理。4.根据权利要求3所述的基于隐马尔科夫模型的里程计故障诊断方法，其特征在于，所述的将预处理后的观测量数据输入到隐马尔科夫模型中进行训练，得到车轮的正常、打滑、抱死三种状态的隐马尔科夫模型，建立里程计的故障状态分类器，包括：分别选取车轮的正常、打滑、抱死三种状态下的里程计的观测量数据，使用所述观测量数据利用遗传算法优化后的B-W算法训练隐马尔科夫模型参数，得到车轮的正常、打滑、抱死三种状态的隐马尔科夫模型，建立里程计的故障状态分类器。5.根据权利要求4所述的基于隐马尔科夫模型的里程计故障诊断方法，其特征在于，所述的遗传算法包括如下步骤：(1)对实际问题的参数集进行编码；(2)确定参数的初始值及各遗传算子；(3)令k＝0表示进化代数,并且产生初始化种群X(0)；(4)选取适应度函数，在每一代中计算适应度函数的值，以适应度函数值作为标准来评判个体是否进入下一代；(5)与终止条件相比较，如果不符合，令k＝k+1代数增加一代；(6)进行选择操作，基于遗传算法“适者生存”的基本原则，从当前群体X(k-1)中挑选，舍弃适应度低的个体，选择剩下的个体X(k)进入下一次的迭代过程；2CN106803101A权利要求书2/2页(7)进行交叉操作，基于遗传算法“信息交换”的基本原则，利用交叉概率Pc，根据交叉算子对X(k)中的个体进行交叉操作，则下一代中个体信息来自父辈个体；(8)进行变异操作变异，根据变异概率Pm随机选择X(k)中间群体中的某个个体改变其值；所述的使用所述观测量数据利用遗传算法优化后的B-W算法训练隐马尔科夫模型参数，包括如下步骤：(1)待估计参数：状态初始分量π＝(π1,π2,...πN)，概率转移矩阵A＝(aij)，观测向量密度