分布式制动系统健康评估方法、系统、设备及存储介质

1.本发明涉及列车制动系统健康评估技术领域，尤其涉及一种分布式制动系统健康评估方法、系统、设备及存储介质。


背景技术：

2.分布式制动系统由包含高速电磁阀、缸、管等关键部件的多个不同功能模块组成。功能模块和部件之间的不同组成对应不同的工作模式，实现各种制动功能。由于分布式的冗余结构设计，导致部件之间交互关系复杂、连接耦合紧密。一方面使关键部件的退化过程难以建立，另一方面部件之间连接关系动态变换。这使得对分布式制动机的部件和整个系统的健康状态评估难度大大提升。主要的健康状态评估方法有基于机理模型的评估方法和基于数据驱动的评估方法。机理模型的建模方法高度依赖于对制动机工作机理的深入分析和准确定量描述，机理模型对于制动机部件的健康状态具有很好的解释性，然而机理模型的参数具有不确定性，难以从低维的测量信息中辨识出高维模型参数。而数据驱动的方法不需要专家经验知识辅助，可直接从系统退化过程中的状态监测数据中提取退化趋势，用以评估对象的健康状态。然而对全生命周期样本数据的需求为基于数据驱动的健康状态方法带来很大困难。如何根据部件的早期低维测量数据获取健康特征，对关键部件的健康状态进行准确评估，是制动机部件级健康状态评估的难点。
3.现有一些现有技术如，“一种均衡风缸制动装置健康评估系统和方法”（中国专利公开号cn109857090a，公开日期，2019年06月07日），针对均衡风缸制动装置构建故障诊断及健康评估系统，通过电流、压力传感器采集的数据，输入健康评估系统进行数据处理、训练模型，最终获得均衡风缸健康状态；“一种机车制动系统部件的故障预测方法、装置及设备”（中国专利公开号cn109507992a，公开日期，2019年3月22日）针对机车制动部件，获取其当前状态参数的实际值，对比理论值，并查找预先建立的健康状态数据库，确定这一部件的健康状态，利用隐马尔可夫模型进一步预测其健康状态变化，以实现部件故障预测；“一种基于模糊贝叶斯网络的设备故障预测与健康评估方法”（中国专利公开号cn109872004a，公开日期，2019年6月11日），提取了设备主要故障，量化了设备故障对系统的影响，构建模糊贝叶斯网络实现设备故障预测与健康评估。综上所述，现有的对制动系统或部件健康状态评估的现有技术主要集中在其中的关键部件或模块的健康状态评估，如电磁阀或均衡风缸模块。对于制动系统健康评估方法，尚无相关现有技术。


技术实现要素：

4.针对上述现有技术中的问题，本发明的目的在于提供一种分布式制动系统健康评估方法、系统、设备及存储介质，实现分布式制动系统的健康评估。
5.第一方面，提供了一种分布式制动系统健康评估方法，包括：
6.获取当前状态下分布式制动系统中各充风电磁阀和排风电磁阀的驱动电流曲线；
7.分别计算各充风电磁阀和排风电磁阀的驱动电流曲线与其对应的基准驱动电流
曲线的欧式距离，并分别输入至对应的电磁阀健康评估模型，得到各充风电磁阀和排风电磁阀的健康状态；
8.对于分布式制动系统中其他部件，选择失效率、可靠度、有效度中的一种对其状态进行评估，并结合当前状态下其重要度，得到分布式制动系统中其他部件的健康状态；
9.根据当前状态下分布式制动系统中列车管控制模块、制动缸控制模块、单独控制模块在实施制动功能时的压力变化过程，提取阶段性特征和跟随性特征中的至少一种作为对应控制模块的压力控制特征，分别对前述三个控制模块的压力控制特征中包含的特征进行加权融合，得到前述三个控制模块的健康状态指标；
10.根据当前状态下分布式制动系统所处的制动功能模式确定各部件连接情况，将分布式制动系统、分布式制动系统包含的各控制模块、各控制模块包含的部件作为节点，构建贝叶斯网络模型；
11.根据专家经验知识确定贝叶斯网络模型中各节点的先验概率，根据分布式制动系统在工作过程中的变化调整计算各节点的后验概率；
12.根据各充风电磁阀和排风电磁阀的健康状态，分布式制动系统中其他部件的健康状态，列车管控制模块、制动缸控制模块、单独控制模块的健康状态指标，通过贝叶斯网络模型计算得到表示分布式制动系统的节点的健康状态作为最终健康评估结果。
13.进一步地，各充风电磁阀和排风电磁阀的驱动电流曲线与其对应的基准驱动电流曲线的欧式距离通过下式计算：
[0014][0015]
式中，，表示充风电磁阀或排风电磁阀在第k个动作周期的驱动电流曲线，n表示总采样点数，表示充风电磁阀或排风电磁阀在第k个动作周期的第m个采样点的驱动电流；，表示对应的基准驱动电流曲线，表示第m个采样点的基准驱动电流。
[0016]
进一步地，所述电磁阀健康评估模型通过如下方法得到：
[0017]
a1：获取有标签和无标签的样本构建训练数据集，其中有标签的样本包括电磁阀的驱动电流曲线与对应的基准驱动电流曲线的欧式距离和该电磁阀的健康状态；其中电磁阀为充风电磁阀或排风电磁阀；
[0018]
a2：使用有标签的样本分别训练两个基于支持向量回归算法的学习器，其中两个学习器设置不同的核函数参数和惩罚因子；
[0019]
a3：两个学习器分别对无标签的样本进行置信度评估，选择置信度最高的样本进行标记；
[0020]
a4：两个学习器分别利用对方新标记的样本进行训练更新；
[0021]
a5：不断重复步骤a3~a4，直至达到终止条件；将两个学习器的输出值的平均值作为输出，得到电磁阀健康评估模型。
[0022]
进一步地，失效率、可靠度、有效度、重要度通过如下方法获取：
[0023]
失效率通过下式计算得到：
[0024][0025]
式中，表示部件当前状态下失效率；表示部件的基本失效率，表示环境系数，表示质量系数，和分别表示温度应力系数和应力系数；
[0026]
可靠度通过下式计算得到：
[0027][0028]
式中，r
t
表示部件当前状态下的可靠度；表示正态分布函数，代表部件不发生故障并正常工作的平均时间，表示部件正常工作平均时间的方差，t表示部件已工作时间，t表示部件的全部有效工作时间；
[0029]
有效度通过下式计算得到：
[0030][0031]
式中，e表示部件的有效度，x表示部件的工作参数，表示部件正常工作下的工作参数均值，a为预设偏离阈值；
[0032]
重要度通过下式表示：
[0033][0034]
式中，表示部件mi的重要度，q表示分布式制动系统当前状态下参与制动的部件集合。
[0035]
进一步地，列车管控制模块的压力控制特征包括阶段性特征和跟随性特征，其中阶段性特征包括：对于缓解与制动阶段，提取均衡风缸和列车管各自的缓解制动阶段时间长度，均衡风缸和列车管各自的制动阶段时间长度，均衡风缸和列车管各自的压力变化拐点的压力；对于稳定阶段，提取均衡风缸和列车管各自的压力调节过程波动范围，均衡风缸和列车管各自的压力调节过程时间长度，均衡风缸和列车管各自压力稳定后的压力；其中跟随性特征包括：缓解阶段均衡风缸压力跟随目标压力的延迟时间，缓解阶段列车管压力跟随均衡风缸压力变化的延迟时间，稳定阶段均衡风缸压力稳定后的压力与目标压力之差，稳定阶段均衡风缸与列车管各自压力稳定后的压力之差；
[0036]
制动缸控制模块的压力控制特征为阶段性特征，包括：对于缓解与制动阶段，提取制动缸预控风缸缓解制动阶段时间长度，制动缸预控风缸制动阶段时间长度，制动缸预控风缸压力变化拐点的压力；对于稳定阶段，提取制动缸预控风缸压力调节过程波动范围，制动缸预控风缸压力调节过程时间长度，制动缸预控风缸压力稳定后的压力；
[0037]
单独控制模块的压力控制特征为阶段性特征，包括：对于缓解与制动阶段，提取平均管预控风缸缓解制动阶段时间长度，平均管预控风缸制动阶段时间长度，平均管预控风缸压力变化拐点的压力；对于稳定阶段，提取平均管预控风缸压力调节过程波动范围，平均
管预控风缸压力调节过程时间长度，平均管预控风缸压力稳定后的压力。
[0038]
进一步地，分别对列车管控制模块、制动缸控制模块、单独控制模块的压力控制特征中包含的特征进行加权融合过程中，压力控制特征中包含的各特征的权重因子通过如下方法确定：
[0039]
为控制模块的压力控制特征中包含每个特征分配一个权重因子；
[0040]
以压力控制特征中所有特征加权融合后的得到的健康状态指标变化最大为目标，且同时满足该健康状态指标单调递减的约束，构建优化问题；
[0041]
对优化问题求解，得到压力控制特征中各特征对应的最优权重因子；
[0042]
其中，控制模块为列车管控制模块或制动缸控制模块或单独控制模块。
[0043]
进一步地，通过贝叶斯网络模型计算得到表示分布式制动系统的节点的健康状态过程中，计算公式表示如下：
[0044][0045]
式中，表示子节点的健康状态，表示子节点的第j个父节点的健康状态， 表示子节点的第j个父节点的后验概率，a表示子节点的父节点总个数；
[0046]
计算列车管控制模块、制动缸控制模块、单独控制模块对应的三个节点的健康状态时还融合了三个控制模块对应的健康状态指标，三个控制模块对应的节点的健康状态计算公式表示如下：
[0047][0048]
式中，表示控制模块对应节点的健康状态， 表示控制模块对应的健康状态指标， 表示节点的第j个父节点的健康状态, 表示节点的第j个父节点的后验概率，表示节点的父节点总个数。
[0049]
第二方面，提供了一种分布式制动系统健康评估系统，包括：
[0050]
电磁阀健康状态评估模块，用于获取当前状态下分布式制动系统中各充风电磁阀和排风电磁阀的驱动电流曲线；分别计算各充风电磁阀和排风电磁阀的驱动电流曲线与其对应的基准驱动电流曲线的欧式距离，并分别输入至对应的电磁阀健康评估模型，得到各充风电磁阀和排风电磁阀的健康状态；
[0051]
其他部件评估模块，用于对于分布式制动系统中其他部件，选择失效率、可靠度、有效度中的一种对其状态进行评估，并结合当前状态下其重要度，得到分布式制动系统中其他部件的健康状态；
[0052]
控制模块健康状态指标计算模块，用于根据当前状态下分布式制动系统中列车管控制模块、制动缸控制模块、单独控制模块在实施制动功能时的压力变化过程，提取阶段性特征和跟随性特征中的至少一种作为对应控制模块的压力控制特征，分别对前述三个控制模块的压力控制特征中包含的特征进行加权融合，得到前述三个控制模块的健康状态指
标；
[0053]
贝叶斯网络模型构建模块，用于根据当前状态下分布式制动系统所处的制动功能模式确定各部件连接情况，将分布式制动系统、分布式制动系统包含的各控制模块、各控制模块包含的部件作为节点，构建贝叶斯网络模型；
[0054]
分布式制动系统健康状态评估模块，用于根据专家经验知识确定贝叶斯网络模型中各节点的先验概率，根据分布式制动系统在工作过程中的变化调整计算各节点的后验概率；并根据各充风电磁阀和排风电磁阀的健康状态，分布式制动系统中其他部件的健康状态，列车管控制模块、制动缸控制模块、单独控制模块的健康状态指标，通过贝叶斯网络模型计算得到表示分布式制动系统的节点的健康状态作为最终健康评估结果。
[0055]
第三方面，提供了一种电子设备，包括：
[0056]
存储器，其上存储有计算机程序；
[0057]
处理器，用于加载并执行所述计算机程序，以实现如上所述的分布式制动系统健康评估方法的步骤。
[0058]
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的分布式制动系统健康评估方法的步骤。
[0059]
本发明提出了一种分布式制动系统健康评估方法、系统、设备及存储介质，对于充风电磁阀和排风电磁阀，基于其驱动电流数据计算其健康指标，并输入至电磁阀健康评估模型以得到充风电磁阀和排风电磁阀的健康状态；对于分布式制动系统中其他部件，根据失效率、可靠度、有效度和重要度计算其健康状态；对于分布式制动系统中的压力控制模块，提取其阶段性特征和跟随性特征计算控制模块的健康状态指标；然后根据分布式制动系统当前状态下所处的制动功能模式建立包含部件-模块-系统三个层次的贝叶斯网络模型；根据贝叶斯网络模型中各节点的后验概率和前述计算的部件节点的健康状态，基于贝叶斯网络模型计算得到分布式制动系统的健康状态。可以实现分布式制动系统健康状态的准确评估，提高制动系统的可预测性和可维修性。
附图说明
[0060]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1是本发明实施例提供的正常模式下分布式制动系统的部件耦合关系图；
[0062]
图2是本发明实施例提供的分布式制动系统健康评估方法流程图；
[0063]
图3是本发明实施例提供的分布式制动系统贝叶斯网络模型拓扑结构图。
具体实施方式
[0064]
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
[0065]
为了便于理解本发明的技术方案，首先对分布式制动系统的结构进行介绍。如图1所示，示出了正常模式下分布式制动系统的部件耦合关系，分布式制动系统包括列车管控制模块、制动缸控制模块、单独控制模块和辅助功能模块。其中，列车管控制模块通过控制均衡风缸压力来控制列车管压力，主要包含均衡风缸控制部件、均衡风缸、列车管跟随控制部件，其中均衡风缸控制部件主要包括充风电磁阀、排风电磁阀和均衡压力传感器。制动缸控制模块主要包含制动缸预控压力控制部件、制动缸预控风缸、制动缸跟随控制部件，其中制动缸预控压力控制部件主要包括充风电磁阀、排风电磁阀和制动缸预控风缸传感器。单独控制模块通过控制平均管预控风缸压力来控制平均管压力，主要包含平均管预控压力控制部件、平均管预控风缸、平均管跟随控制部件，其中平均管预控压力控制部件包括充风电磁阀、排风电磁阀和平均管预控风缸传感器。辅助功能模块包括制动缸双向阀、制动缸切除阀。
[0066]
基于上述对分布式制动系统结构的介绍，下面结合具体实施例对本发明的技术方案做具体说明。
[0067]
本发明实施例提供了一种分布式制动系统健康评估方法，如图2所示，包括：
[0068]
s1：获取当前状态下分布式制动系统中列车管控制模块、制动缸控制模块和单独控制模块中的充风电磁阀和排风电磁阀的驱动电流曲线，并进行滤波和去除毛刺的预处理。
[0069]
s2：分别计算各充风电磁阀和排风电磁阀的驱动电流曲线与其对应的基准驱动电流曲线的欧式距离，并分别输入至对应的电磁阀健康评估模型，得到各充风电磁阀和排风电磁阀的健康状态。
[0070]
其中，基准驱动电流曲线是从电磁阀老化实验台中测试得到对应电磁阀全新状态下的驱动电流曲线。驱动电流曲线会随着电磁阀动作次数增加发生变化，能够用来衡量电磁阀健康状态的变化，因此，本实施例中，对充风电磁阀和排风电磁阀进行健康状态评估时，以电磁阀当前状态的驱动电流曲线与对应的基准驱动电流曲线的欧式距离作为健康评估指标，电磁阀的健康状态通过(p-q)/p表示，其中p表示电磁阀可以执行的总动作次数，q表示电磁阀当前已动作次数。
[0071]
本实施例中，各充风电磁阀和排风电磁阀的驱动电流曲线与其对应的基准驱动电流曲线的欧式距离通过下式计算：
[0072][0073]
式中，，表示充风电磁阀或排风电磁阀在第k个动作周期的驱动电流曲线，n表示总采样点数，表示充风电磁阀或排风电磁阀在第k个动作周期的第m个采样点的驱动电流；，表示对应的基准驱动电流曲线，表示第m个采样点的基准驱动电流。
[0074]
本实施例中，所述电磁阀健康评估模型通过如下方法得到：
[0075]
a1：获取有标签和无标签的样本构建训练数据集，其中有标签的样本包括电磁阀
的驱动电流曲线与对应的基准驱动电流曲线的欧式距离和该电磁阀的健康状态，无标签的样本仅包括电磁阀的驱动电流曲线与对应的基准驱动电流曲线的欧式距离；其中电磁阀为充风电磁阀或排风电磁阀；
[0076]
a2：使用有标签的样本分别训练两个基于支持向量回归算法的学习器，其中两个学习器设置不同的核函数参数和惩罚因子；
[0077]
a3：两个学习器分别对无标签的样本进行置信度评估，将加入无标签样本后学习器的均方误差减去加入无标签样本前学习器的均方误差，根据误差最小原则选择置信度最高的样本进行标记；
[0078]
a4：两个学习器分别利用对方新标记的样本进行训练更新；
[0079]
a5：不断重复步骤a3~a4，直至达到终止条件；将两个学习器的输出值的平均值作为输出，得到电磁阀健康评估模型。其中，终止条件为：若加入新的无标签的样本到学习器中，估计误差没有减小或变化小于阈值，则认为达到迭代终止条件。
[0080]
采用半监督学习算法充分利用有标签和无标签数据实现电磁阀健康状态评估，可以避免直接建立准确的电磁阀机理退化模型难度较大的问题，同时能够有效解决电磁阀故障数据稀疏，获取高质量退化数据成本较高，电磁阀健康-故障数据不均衡，有标签故障样本少，无标签样本标注成本较高等问题。
[0081]
s3：对于分布式制动系统中其他部件，选择失效率、可靠度、有效度中的一种对其状态进行评估，并结合当前状态下其重要度，得到分布式制动系统中其他部件的健康状态。
[0082]
本实施例中，失效率、可靠度、有效度、重要度通过如下方法获取：
[0083]
失效率通过下式计算得到：
[0084][0085]
式中，表示部件当前状态下失效率；表示部件的基本失效率，指在规定时间内部件处于异常情况下的运行次数与该部件在整个寿命期内的异常时间之比；表示环境系数，表示质量系数，和分别表示温度应力系数和应力系数；
[0086]
可靠度通过下式计算得到：
[0087][0088]
式中，r
t
表示部件当前状态下的可靠度，主要用以评估部件的可靠性和稳定性；表示正态分布函数，代表部件不发生故障并正常工作的平均时间，表示部件正常工作平均时间的方差，t表示部件已工作时间，t表示部件的全部有效工作时间；
[0089]
有效度通过下式计算得到：
[0090][0091]
式中，e表示部件的有效度，x表示部件的工作参数，表示部件正常工作下的工作参数均值，a为预设偏离阈值，如a取5%；
[0092]
重要度描述不同部件在不同工作模式下对分布式制动系统整体健康状态的影响，针对分布式制动机的某一具体制动功能模式，所涉及到的功能实现部件的集合不尽相同，因此，需要用部件的重要度来衡量不同制动功能模式下，不同部件是否参与到该制动功能的实现过程中。故，重要度通过下式表示：
[0093][0094]
式中，表示部件mi的重要度，q表示分布式制动系统当前状态下参与制动的部件集合。在制动系统处于某一制动功能下，参与的部件重要度为1，反之则为0。
[0095]
对于分布式制动系统中其他部件，根据部件类型选择失效率、可靠度、有效度中的一种对其状态进行评估，然后将评估结果与其当前状态下的重要度相乘，得到其健康状态。
[0096]
s4：根据当前状态下分布式制动系统中列车管控制模块、制动缸控制模块、单独控制模块在实施制动功能时的压力变化过程，提取阶段性特征和跟随性特征中的至少一种作为对应控制模块的压力控制特征，分别对前述三个控制模块的压力控制特征中包含的特征进行加权融合，得到前述三个控制模块的健康状态指标。
[0097]
本实施例中，列车管控制模块的压力控制特征包括阶段性特征和跟随性特征，其中阶段性特征包括：对于缓解与制动阶段，提取均衡风缸和列车管各自的缓解制动阶段时间长度，均衡风缸和列车管各自的制动阶段时间长度，均衡风缸和列车管各自的压力变化拐点的压力；对于稳定阶段，提取均衡风缸和列车管各自的压力调节过程波动范围，均衡风缸和列车管各自的压力调节过程时间长度，均衡风缸和列车管各自压力稳定后的压力；其中跟随性特征包括：缓解阶段均衡风缸压力跟随目标压力的延迟时间，缓解阶段列车管压力跟随均衡风缸压力变化的延迟时间，稳定阶段均衡风缸压力稳定后的压力与目标压力之差，稳定阶段均衡风缸与列车管各自压力稳定后的压力之差。
[0098]
制动缸控制模块的压力控制特征为阶段性特征，包括：对于缓解与制动阶段，提取制动缸预控风缸缓解制动阶段时间长度，制动缸预控风缸制动阶段时间长度，制动缸预控风缸压力变化拐点的压力；对于稳定阶段，提取制动缸预控风缸压力调节过程波动范围，制动缸预控风缸压力调节过程时间长度，制动缸预控风缸压力稳定后的压力。
[0099]
单独控制模块的压力控制特征为阶段性特征，包括：对于缓解与制动阶段，提取平均管预控风缸缓解制动阶段时间长度，平均管预控风缸制动阶段时间长度，平均管预控风缸压力变化拐点的压力；对于稳定阶段，提取平均管预控风缸压力调节过程波动范围，平均管预控风缸压力调节过程时间长度，平均管预控风缸压力稳定后的压力。
[0100]
本实施例中，在分别对列车管控制模块、制动缸控制模块、单独控制模块的压力控制特征中包含的特征进行加权融合过程中，压力控制特征中包含的各特征的权重因子通过如下方法确定：
[0101]
为控制模块的压力控制特征中包含每个特征分配一个权重因子；
[0102]
以压力控制特征中所有特征加权融合后的得到的健康状态指标变化最大为目标，且同时满足该健康状态指标单调递减的约束，构建优化问题；
[0103]
通过线性规划求解优化问题，得到压力控制特征中各特征对应的最优权重因子；
[0104]
其中，控制模块为列车管控制模块或制动缸控制模块或单独控制模块。
[0105]
s5：根据当前状态下分布式制动系统所处的制动功能模式确定各部件连接情况，
将分布式制动系统、分布式制动系统包含的各控制模块、各控制模块包含的部件作为节点，构建贝叶斯网络模型。
[0106]
不同制动功能模式下，参与制动功能的部件不同。因此，需基于当前制动功能模式确定各部件连接情况，将分布式制动系统、分布式制动系统包含的各控制模块、各控制模块包含的部件作为节点，构建包含部件-模块-系统三个层次的贝叶斯网络模型，存在连接关系的节点之间用箭头表示。如图3所示，为一制动功能模式下分布式制动系统贝叶斯网络模型拓扑结构图，箭头出的节点为父节点，箭头入的节点为子节点，图中的分布式制动系统节点为一子节点，四个控制模块节点均为分布式制动系统节点的父节点。
[0107]
s6：根据专家经验知识确定贝叶斯网络模型中各节点的先验概率，根据分布式制动系统在工作过程中的变化调整计算各节点的后验概率。
[0108]
部件节点的后验概率通过工作过程中的变化调整计算的已知量，然后利用下述后验概率计算公式来计算其子节点（如模块节点）的后验概率，后验概率计算公式如下：
[0109][0110]
式中，表示节点的父节点， 表示节点的后验概率，表示节点的后验概率，表示节点的先验概率，表示节点的先验概率。
[0111]
s7：根据各充风电磁阀和排风电磁阀的健康状态，分布式制动系统中其他部件的健康状态，列车管控制模块、制动缸控制模块、单独控制模块的健康状态指标，通过贝叶斯网络模型计算得到表示分布式制动系统的节点的健康状态作为最终健康评估结果。
[0112]
具体地，通过贝叶斯网络模型计算得到表示分布式制动系统的节点的健康状态过程中，计算公式表示如下：
[0113][0114]
式中，表示子节点的健康状态，表示子节点的第j个父节点的健康状态， 表示子节点的第j个父节点的后验概率，a表示子节点的父节点总个数；
[0115]
计算列车管控制模块、制动缸控制模块、单独控制模块对应的三个节点的健康状态时还融合了三个控制模块对应的健康状态指标，三个控制模块对应的节点的健康状态计算公式表示如下：
[0116][0117]
式中，表示控制模块对应节点的健康状态， 表示控制模块对应的健康状态指标， 表示节点的第j个父节点的健康状态, 表示节点的第j个父节点的后验概率，表示节点的父节点总个数。
[0118]
综上可知，计算分布式制动系统节点的健康状态时，部件节点的健康状态已知，首先利用步骤s7中的第一个公式可以计算出辅助功能模块节点的健康状态，以及列车管控制模块节点、制动缸控制模块节点、单独控制模块节点三者的初始健康状态，然后融合前述计算的列车管控制模块、制动缸控制模块、单独控制模块对应的健康状态指标，得到列车管控制模块节点、制动缸控制模块节点、单独控制模块节点三者最终的健康状态，初始健康状态融合健康状态指标的公式如步骤s7中第二个公式所示；最后根据列车管控制模块节点、制动缸控制模块节点、单独控制模块节点和辅助功能模块节点的健康状态及后验概率，利用步骤s7中的第一个公式计算出表示分布式制动系统的节点的健康状态。
[0119]
本发明实施例还提供了一种分布式制动系统健康评估系统，包括：
[0120]
电磁阀健康状态评估模块，用于获取当前状态下分布式制动系统中各充风电磁阀和排风电磁阀的驱动电流曲线；分别计算各充风电磁阀和排风电磁阀的驱动电流曲线与其对应的基准驱动电流曲线的欧式距离，并分别输入至对应的电磁阀健康评估模型，得到各充风电磁阀和排风电磁阀的健康状态；
[0121]
其他部件评估模块，用于对于分布式制动系统中其他部件，选择失效率、可靠度、有效度中的一种对其状态进行评估，并结合当前状态下其重要度，得到分布式制动系统中其他部件的健康状态；
[0122]
控制模块健康状态指标计算模块，用于根据当前状态下分布式制动系统中列车管控制模块、制动缸控制模块、单独控制模块在实施制动功能时的压力变化过程，提取阶段性特征和跟随性特征中的至少一种作为对应控制模块的压力控制特征，分别对前述三个控制模块的压力控制特征中包含的特征进行加权融合，得到前述三个控制模块的健康状态指标；
[0123]
贝叶斯网络模型构建模块，用于根据当前状态下分布式制动系统所处的制动功能模式确定各部件连接情况，将分布式制动系统、分布式制动系统包含的各控制模块、各控制模块包含的部件作为节点，构建贝叶斯网络模型；
[0124]
分布式制动系统健康状态评估模块，用于根据专家经验知识确定贝叶斯网络模型中各节点的先验概率，根据分布式制动系统在工作过程中的变化调整计算各节点的后验概率；并根据各充风电磁阀和排风电磁阀的健康状态，分布式制动系统中其他部件的健康状态，列车管控制模块、制动缸控制模块、单独控制模块的健康状态指标，通过贝叶斯网络模型计算得到表示分布式制动系统的节点的健康状态作为最终健康评估结果。
[0125]
应当理解，本发明各个实施例中的功能单元模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。
[0126]
本发明实施例还提供了一种电子设备，包括：
[0127]
存储器，其上存储有计算机程序；
[0128]
处理器，用于加载并执行所述计算机程序，以实现如前述实施例所述的分布式制动系统健康评估方法的步骤。
[0129]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如如前述实施例所述的分布式制动系统健康评估方法的步骤。
[0130]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
[0131]
本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
[0132]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
[0133]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0134]
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
[0135]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0136]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种分布式制动系统健康评估方法，其特征在于，包括：获取当前状态下分布式制动系统中各充风电磁阀和排风电磁阀的驱动电流曲线；分别计算各充风电磁阀和排风电磁阀的驱动电流曲线与其对应的基准驱动电流曲线的欧式距离，并分别输入至对应的电磁阀健康评估模型，得到各充风电磁阀和排风电磁阀的健康状态；对于分布式制动系统中其他部件，选择失效率、可靠度、有效度中的一种对其状态进行评估，并结合当前状态下其重要度，得到分布式制动系统中其他部件的健康状态；根据当前状态下分布式制动系统中列车管控制模块、制动缸控制模块、单独控制模块在实施制动功能时的压力变化过程，提取阶段性特征和跟随性特征中的至少一种作为对应控制模块的压力控制特征，分别对前述三个控制模块的压力控制特征中包含的特征进行加权融合，得到前述三个控制模块的健康状态指标；根据当前状态下分布式制动系统所处的制动功能模式确定各部件连接情况，将分布式制动系统、分布式制动系统包含的各控制模块、各控制模块包含的部件作为节点，构建贝叶斯网络模型；根据专家经验知识确定贝叶斯网络模型中各节点的先验概率，根据分布式制动系统在工作过程中的变化调整计算各节点的后验概率；根据各充风电磁阀和排风电磁阀的健康状态，分布式制动系统中其他部件的健康状态，列车管控制模块、制动缸控制模块、单独控制模块的健康状态指标，通过贝叶斯网络模型计算得到表示分布式制动系统的节点的健康状态作为最终健康评估结果。2.根据权利要求1所述的分布式制动系统健康评估方法，其特征在于，各充风电磁阀和排风电磁阀的驱动电流曲线与其对应的基准驱动电流曲线的欧式距离通过下式计算：；式中，，表示充风电磁阀或排风电磁阀在第k个动作周期的驱动电流曲线，n表示总采样点数，表示充风电磁阀或排风电磁阀在第k个动作周期的第m个采样点的驱动电流；，表示对应的基准驱动电流曲线，表示第m个采样点的基准驱动电流。3.根据权利要求1所述的分布式制动系统健康评估方法，其特征在于，所述电磁阀健康评估模型通过如下方法得到：a1：获取有标签和无标签的样本构建训练数据集，其中有标签的样本包括电磁阀的驱动电流曲线与对应的基准驱动电流曲线的欧式距离和该电磁阀的健康状态；其中电磁阀为充风电磁阀或排风电磁阀；a2：使用有标签的样本分别训练两个基于支持向量回归算法的学习器，其中两个学习器设置不同的核函数参数和惩罚因子；a3：两个学习器分别对无标签的样本进行置信度评估，选择置信度最高的样本进行标
记；a4：两个学习器分别利用对方新标记的样本进行训练更新；a5：不断重复步骤a3~a4，直至达到终止条件；将两个学习器的输出值的平均值作为输出，得到电磁阀健康评估模型。4.根据权利要求1所述的分布式制动系统健康评估方法，其特征在于，失效率、可靠度、有效度、重要度通过如下方法获取：失效率通过下式计算得到：；式中，表示部件当前状态下失效率；表示部件的基本失效率，表示环境系数，表示质量系数，和分别表示温度应力系数和应力系数；可靠度通过下式计算得到：；式中，r
t
表示部件当前状态下的可靠度；表示正态分布函数，代表部件不发生故障并正常工作的平均时间，表示部件正常工作平均时间的方差，t表示部件已工作时间，t表示部件的全部有效工作时间；有效度通过下式计算得到：；式中，e表示部件的有效度，x表示部件的工作参数，表示部件正常工作下的工作参数均值，a为预设偏离阈值；重要度通过下式表示：；式中，表示部件m
i
的重要度，q表示分布式制动系统当前状态下参与制动的部件集合。5.根据权利要求1所述的分布式制动系统健康评估方法，其特征在于，列车管控制模块的压力控制特征包括阶段性特征和跟随性特征，其中阶段性特征包括：对于缓解与制动阶段，提取均衡风缸和列车管各自的缓解制动阶段时间长度，均衡风缸和列车管各自的制动阶段时间长度，均衡风缸和列车管各自的压力变化拐点的压力；对于稳定阶段，提取均衡风缸和列车管各自的压力调节过程波动范围，均衡风缸和列车管各自的压力调节过程时间长度，均衡风缸和列车管各自压力稳定后的压力；其中跟随性特征包括：缓解阶段均衡风缸压力跟随目标压力的延迟时间，缓解阶段列车管压力跟随均衡风缸压力变化的延迟时间，稳定阶段均衡风缸压力稳定后的压力与目标压力之差，稳定阶段均衡风缸与列车管各自压力稳定后的压力之差；
制动缸控制模块的压力控制特征为阶段性特征，包括：对于缓解与制动阶段，提取制动缸预控风缸缓解制动阶段时间长度，制动缸预控风缸制动阶段时间长度，制动缸预控风缸压力变化拐点的压力；对于稳定阶段，提取制动缸预控风缸压力调节过程波动范围，制动缸预控风缸压力调节过程时间长度，制动缸预控风缸压力稳定后的压力；单独控制模块的压力控制特征为阶段性特征，包括：对于缓解与制动阶段，提取平均管预控风缸缓解制动阶段时间长度，平均管预控风缸制动阶段时间长度，平均管预控风缸压力变化拐点的压力；对于稳定阶段，提取平均管预控风缸压力调节过程波动范围，平均管预控风缸压力调节过程时间长度，平均管预控风缸压力稳定后的压力。6.根据权利要求1所述的分布式制动系统健康评估方法，其特征在于，分别对列车管控制模块、制动缸控制模块、单独控制模块的压力控制特征中包含的特征进行加权融合过程中，压力控制特征中包含的各特征的权重因子通过如下方法确定：为控制模块的压力控制特征中包含每个特征分配一个权重因子；以压力控制特征中所有特征加权融合后的得到的健康状态指标变化最大为目标，且同时满足该健康状态指标单调递减的约束，构建优化问题；对优化问题求解，得到压力控制特征中各特征对应的最优权重因子；其中，控制模块为列车管控制模块或制动缸控制模块或单独控制模块。7.根据权利要求1至6任一项所述的分布式制动系统健康评估方法，其特征在于，通过贝叶斯网络模型计算得到表示分布式制动系统的节点的健康状态过程中，计算公式表示如下：；式中，表示子节点的健康状态，表示子节点的第j个父节点的健康状态，表示子节点的第j个父节点的后验概率，a表示子节点的父节点总个数；计算列车管控制模块、制动缸控制模块、单独控制模块对应的三个节点的健康状态时还融合了三个控制模块对应的健康状态指标，三个控制模块对应的节点的健康状态计算公式表示如下：；式中，表示控制模块对应节点的健康状态， 表示控制模块对应的健康状态指标， 表示节点的第j个父节点的健康状态, 表示节点的第j个父节点的后验概率，表示节点的父节点总个数。8.一种分布式制动系统健康评估系统，其特征在于，包括：电磁阀健康状态评估模块，用于获取当前状态下分布式制动系统中各充风电磁阀和排风电磁阀的驱动电流曲线；分别计算各充风电磁阀和排风电磁阀的驱动电流曲线与其对应的基准驱动电流曲线的欧式距离，并分别输入至对应的电磁阀健康评估模型，得到各充风
电磁阀和排风电磁阀的健康状态；其他部件评估模块，用于对于分布式制动系统中其他部件，选择失效率、可靠度、有效度中的一种对其状态进行评估，并结合当前状态下其重要度，得到分布式制动系统中其他部件的健康状态；控制模块健康状态指标计算模块，用于根据当前状态下分布式制动系统中列车管控制模块、制动缸控制模块、单独控制模块在实施制动功能时的压力变化过程，提取阶段性特征和跟随性特征中的至少一种作为对应控制模块的压力控制特征，分别对前述三个控制模块的压力控制特征中包含的特征进行加权融合，得到前述三个控制模块的健康状态指标；贝叶斯网络模型构建模块，用于根据当前状态下分布式制动系统所处的制动功能模式确定各部件连接情况，将分布式制动系统、分布式制动系统包含的各控制模块、各控制模块包含的部件作为节点，构建贝叶斯网络模型；分布式制动系统健康状态评估模块，用于根据专家经验知识确定贝叶斯网络模型中各节点的先验概率，根据分布式制动系统在工作过程中的变化调整计算各节点的后验概率；并根据各充风电磁阀和排风电磁阀的健康状态，分布式制动系统中其他部件的健康状态，列车管控制模块、制动缸控制模块、单独控制模块的健康状态指标，通过贝叶斯网络模型计算得到表示分布式制动系统的节点的健康状态作为最终健康评估结果。9.一种电子设备，其特征在于，包括：存储器，其上存储有计算机程序；处理器，用于加载并执行所述计算机程序，以实现如权利要求1至7任一项所述的分布式制动系统健康评估方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的分布式制动系统健康评估方法的步骤。

技术总结
本发明公开了一种分布式制动系统健康评估方法、系统、设备及存储介质，其中方法包括：对于充风电磁阀和排风电磁阀，基于其驱动电流曲线计算其健康评估指标，并输入至电磁阀健康评估模型以得到其健康状态；对于分布式制动系统中其他部件，根据失效率、可靠度、有效度和重要度计算其健康状态；对于三个压力控制模块，提取其阶段性特征和跟随性特征计算其健康状态指标；然后根据分布式制动系统当前状态下所处的制动功能模式建立包含部件-模块-系统三个层次的贝叶斯网络模型；根据各节点的后验概率和前述计算的部件节点的健康状态，基于贝叶斯网络模型计算得到分布式制动系统的健康状态。可以实现分布式制动系统健康状态的准确评估。估。估。


技术研发人员：彭军 闫立森 张晓勇 杨迎泽 蒋富 刘伟荣 黄志武 李恒 彭辉 任晚晚
受保护的技术使用者：中南大学
技术研发日：2023.06.29
技术公布日：2023/8/1