[发明专利]一种基于PCA和BRB的轨道车辆电路故障诊断方法

说明书

本发明一种基于PCA和BRB的轨道车辆电路故障诊断方法，属于可靠性工程技术领域。本发明由4个步骤组成：步骤1，基于主元分析与最大方差旋转法的故障特征量简化；步骤2，建立基于初始置信规则库轨道车辆电路故障诊断模型；步骤3，优化初始置信规则库轨道车辆电路故障诊断模型参数；步骤4，利用主元分析和置信规则库专家系统实现轨道车辆电路故障诊断。本发明的优点在于不丢失定性知识与实际物理意义的同时，找出更小维数的特征，达到简化诊断模型与减少故障特征采集的目的。并采用半定量的诊断方法提高了诊断正确率，避免了以往单纯使用定性知识、定量信息诊断方法的不足。

技术领域

本发明属于可靠性工程技术领域，涉及一种基于主元分析(PCA)和置信规则库(BRB)的轨道车辆电路故障诊断方法。

背景技术

电路是轨道车辆的重要组成部分，控制整车的运行速度、状态、通信。轨道车辆长期工作在震动的不利环境下，故障出现的几率大，诊断的难度也很大。轨道车辆任一电路的损坏都可能导致整车运行出现安全问题。在轨道车辆电路故障诊断方法的研究中，所用的算法主要有：专家系统、神经网络、支持向量机(SVM)等。以上电路故障诊断的方法主要可分为定性方法与定量方法两类：定性方法能够构造知识库或利用专家的经验知识，知识库越丰富，诊断正确率越高，但无法利用数据进行学习优化；定量方法则主要建立在数据驱动的基础上，利用大量数据来训练系统，诊断精确，但无法加入专家知识，只能输出故障样本对应的故障类别标签，无法输出其它诊断信息。为了解决单纯采用定性知识或定量信息诊断方法的不足，将定性和定量方法结合。其学习过程既能采用专家的经验知识，又能利用测试数据对系统模型进行训练。同时针对轨道车辆电路前提属性多，易引起模型规则组合爆炸及监测数据困难、重构数据定性知识丢失等问题，对关键故障特征量进行降维选取达到简化模型和不丢失数据原有定性知识目的。鉴于此，一种基于PCA和BRB的轨道车辆电路故障诊断方法是业内急需。

发明内容

本发明一种基于PCA和BRB的轨道车辆电路故障诊断方法，提供一种主元分析和置信规则库专家系统相结合的故障诊断方法，充分利用轨道车辆在运行过程中或停车状态下得到的定量数据，采用主元分析和最大方差旋转法有效的解决了电路的故障特征量获取有限以及模型复杂的问题，通过置信规则库建立知识规则模型，ER算法进行知识的推理诊断，最后，对初始置信规则库参数进行优化，优化后的BRB具有较高的诊断正确率和较小的误差，从而准确的诊断电路所发生故障。

本发明的技术方案是：一种基于PCA和BRB的轨道车辆电路故障诊断方法，其由4个步骤组成。其中，步骤1，基于主元分析与最大方差旋转法的故障特征量简化；步骤2，建立基于初始置信规则库轨道车辆电路故障诊断模型；步骤3，优化初始置信规则库轨道车辆电路故障诊断模型参数；步骤4，利用主元分析和置信规则库专家系统实现轨道车辆电路故障诊断。

本发明与现有技术相比，具有以下优点和积极效果：轨道车辆电路故障特征量降维方法在不丢失一定定性知识与实际物理意义的同时，找出更小维数、更具代表性的特征，且不改变本身蕴含的信息，达到简化置信规则库故障诊断模型与减少故障特征量的采集的目的。并采用定性知识与部分定量信息结合的方法避免了以往单纯使用定性知识或者定量信息的不足，提高了诊断正确率，减少了诊断误差。

附图说明

图1为一种基于PCA和BRB的轨道车辆电路故障诊断方法的原理图

图2为置信规则库诊断方法流程图

图3为优化BRB与初始BRB诊断结果对比图

具体实施方式

对于模型中，一种基于PCA和BRB的轨道车辆电路故障诊断方法，包括以下步骤：

步骤1，基于主元分析与最大方差旋转法的故障特征量简化，图1为基于主元分析和置信规则库专家系统的轨道车辆电路故障诊断原理图，其方法为：