[发明专利]一种基于数据的磁浮列车运行状态的监测方法

权利要求书

1.一种基于数据的磁浮列车运行状态的监测方法，其特征在于，包括以下步骤：

S1、采集磁浮列车运行过程中的数据并建立训练数据集；

S2、对所述训练数据集中的数据进行挖掘处理，获取磁浮列车的机器学习模型训练样本；

S3、利用Bagging集成学习法并根据机器学习模型训练样本中训练数据的特征选择不同核函数的支持向量机模型作为基学习器，并将所选择的不同基学习器进行结合建立悬浮模块预测模型；

S4、将步骤S1所建立的训练数据集中转向架的两个悬浮模块数据和磁浮列车中车载网络的所述转向架信息进行综合，并利用卷积网络模型进行训练，进而建立转向架层次预测模型；

S5、将步骤S1所建立的训练数据集中磁浮列车的所有悬浮模块数据和磁浮列车中车载网络的整车信息进行综合，并利用卷积网络模型进行训练，进而建立整车层次预测模型；

S6、将磁浮列车运行过程中所采集的悬浮模块数据分别输入悬浮模块预测模型、转向架层次预测模型和整车层次预测模型，即可获得每一个悬浮模块的状态信息以及转向架状态信息和整车状态信息，从而实现了磁浮列车运行状态的有效监控。

2.如权利要求1所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述方法还包括步骤S7：将磁浮列车运行状态中所采集的新数据不断补充到所述训练数据集中形成新的训练数据集，然后对新的训练数据集中的数据进行挖掘处理，最后重复步骤S3～步骤S5，重新建立新的悬浮模块预测模型、转向架层次预测模型和整车层次预测模型以对磁浮列车进行有效监控。

3.如权利要求2所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S1中训练数据集中的数据包括磁浮列车运行过程中的数据和matlab仿真模型中的数据，所述磁浮列车运行过程中的数据包括运行状态下的电压信号、状态信号和速度信号以及间隙传感器、电流传感器和加速度传感器所采集的数据；所述matlab仿真模型中的数据包括当在matlab仿真模型中磁浮列车运行状态下加入任意干扰和激励时的电压信号、状态信号和速度信号以及间隙传感器、电流传感器和加速度传感器所采集的数据。

4.如权利要求3所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S2的具体实现方式包括：

S21、将训练数据集中的每一秒内传感器所采集的数据作为第一训练样本并进行运行状态类别标签的标定；

S22、对步骤S21中标定后的第一训练样本进行特征归一化处理，从而获取磁浮列车的机器学习模型训练样本。

5.如权利要求4所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S2中，在传感器采集数据频率较低的情况下，机器学习模型训练样本包括训练数据集中的所有信号；在传感器采集频率较高的情况下，机器学习模型训练样本仅包括电流传感器、加速度传感器和间隙传感器所采集的数据。

6.如权利要求5所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S3的具体实现方式包括：

S31、通过自主采样的方法选择步骤S2中机器学习模型训练样本中不相关但有交叠的训练数据；

S32、利用Bagging集成学习法并根据步骤S31所选择的训练数据选择不同核函数的支持向量机模型作为基学习器；

S33、设定权值并通过加权投票的方法对步骤S32中不同基学习器进行组合，从而完成单个悬浮模块预测模型的建立。

7.如权利要求6所述的基于数据的磁浮列车运行状态的监测方法，其特征在于，所述步骤S4的具体实现方式包括：

S41、从步骤S1的所述训练数据集中提取转向架的两个悬浮模块数据并作为第二训练样本；

S42、将磁浮列车车载网络中的所述转向架信息提取出来并加入至第二训练样本内进行组合构成第三训练样本；

S43、利用卷积网络模型对步骤S42中的第三训练样本进行训练，从而完成转向架层次预测模型的建立。