本发明涉及转向架架构故障预警，尤其涉及一种基于动应变信号的转向架架构故障预警方法及系统。
背景技术：
1、转向架是列车机车车辆承载的重要部件，其结构安全至关重要。转向架构架是支撑转向架的关键，若构架出现故障，则可能会导致列车行驶时不稳定，增加列车的摩擦力和能耗，影响整列机车的性能，进而造成经济损失甚至人员伤亡。因此，为提高列车机车车辆的可靠性、运行安全性以及降低维修成本，针对列车运行过程中可能出现的转向架构架故障，开展故障预警研究具有重要的现实意义和实际需求。
2、近年来，随着传感器精度的提高与大数据算法的快速发展，基于深度学习提取特征的数据驱动方法因其能够发现复杂结构和从原始信号中学习到强大的特征表示等优点而获得了越来越多的关注。然而，基于深度学习的数据驱动方法仍然依赖于大量的故障数据进行训练，即针对已知故障数据进行故障特征定义、辨识与诊断。但由于各类机械结构的寿命与造价各不相同，许多复杂结构的故障数据难以得到且代价较高，无法实现基于海量故障数据进行深度学习故障诊断模型训练。也即由于故障数据稀缺，导致转向架结构故障预警数据模型得不到充分训练，模型性能较差，进而无法完成故障预警任务。
3、由于数据驱动的深度学习常因故障信号稀缺而难以取得良好的训练效果，选取使用健康信号进行训练的模型则能克服这一弊端。为此，针对转向架构架的复杂工作环境，可基于机器学习利用有标签的健康数据，在故障数据资源有限的情况下，通过深度挖掘健康数据特征，构建健康数据状态空间，在此基础上，在该空间中利用源域中已有的健康数据作为参考，对目标域中未标记的数据进行合理性的检测与分析，通过明确并量化这两个不同数据域之间所存差异，并使用自定义故障阈值来定义预警信号，以此实现预警准确度的大幅提高，避免误报警。
4、然而，在实际应用中，收集一个动应变信号波动范围较大且整体数据具有健康标签的源域是相对容易的，而寻找一个与源域动应变信号波动趋势相近的目标域是相对困难的；并且在明确健康数据与故障数据的差异后，一般的机器学习方法在对差异程度进行量化过程中，缺少合适的量化标准，即无法做到对故障数据进行合理定义；另外，在一般的故障预警模型中，诊断策略选取阈值通常是固定的，这与实际复杂多变的工作环境不符，仅通过这一静态阈值进行故障判断将会导致诊断模型预警信号的准确度大幅度下降。
技术实现思路
1、为解决上述现有技术的不足，本发明提供了一种基于动应变信号的转向架架构故障预警方法及系统，将故障预测模型应用到动应变信号预测与故障预警领域，在故障信号稀缺情况下，仅采用健康动应变信号数据进行模型训练，而无需大量的故障数据；整体使用健康动应变信号构建诊断模型，实现在线故障预警，同时基于极值理论设计故障预警策略，在复杂工况下，依据动应变残差建立自适应动态阈值，并将动态阈值与静态阈值相结合，以此提高预警准确度，有效解决故障数据匮乏情况下转向架构架的故障预警问题。
2、第一方面，本公开提供了一种基于动应变信号的转向架架构故障预警方法。
3、一种基于动应变信号的转向架架构故障预警方法，包括：
4、获取列车运行的实时动应变信号，对获取的信号进行数据预处理；
5、将预处理后的实时动应变信号输入至转向架架构故障预警模型中，首先通过模型中的健康动应变数据预测模型，输出下一时刻的健康动应变数据预测值，并基于下一时刻的实际动应变数据值和健康动应变数据预测值，确定动应变数据残差值；然后将该动应变数据残差值与动态残差预警阈值和静态预警阈值进行比较，根据比较结果进行不同等级的故障预警；
6、其中，利用列车运行的历史健康动应变信号，对基于健康动应变数据预测模型和动态预警阈值生成模块的转向架架构故障预警模型进行训练。
7、第二方面，本公开提供了一种基于动应变信号的转向架架构故障预警系统。
8、一种基于动应变信号的转向架架构故障预警系统，包括：
9、数据获取及预处理模块，用于获取列车运行的实时动应变信号，对获取的信号进行数据预处理；
10、故障预警模块，用于将预处理后的实时动应变信号输入至转向架架构故障预警模型中，首先通过模型中的健康动应变数据预测模型，输出下一时刻的健康动应变数据预测值，并基于下一时刻的实际动应变数据值和健康动应变数据预测值，确定动应变数据残差值；然后将该动应变数据残差值与动态残差预警阈值和静态预警阈值进行比较，根据比较结果进行不同等级的故障预警；
11、其中，利用列车运行的历史健康动应变信号，对基于健康动应变数据预测模型和动态预警阈值生成模块的转向架架构故障预警模型进行训练。
12、第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
13、第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
14、以上一个或多个技术方案存在以下有益效果：
15、1、本发明提供了一种基于动应变信号的转向架架构故障预警方法，将故障预测模型应用到动应变信号预测与故障预警领域，在故障信号稀缺情况下，仅采用健康动应变信号数据进行模型训练，而无需大量的故障数据；整体使用健康动应变信号构建诊断模型，实现在线故障预警，同时基于极值理论设计故障预警策略，在复杂工况下，依据动应变残差建立自适应动态阈值，动态定义预警信号，并将动态阈值与静态阈值相结合，以此提高模型的诊断效果，预警可信度高，有效解决故障数据匮乏情况下转向架构架的故障预警问题。
16、2、本发明可实现动应变数据的在线监测与实时预警功能，可避免传统循环神经网络只能事后分析的局限，其中健康动应变数据预测模型的构建，采用回声状态网络建立正常或健康动应变状态空间模型，相较于传统循环神经网络模型网络结构简单，过拟合风险小，储蓄池可过滤输入数据的不相关的噪声信号，具有动态特性，泛化能力强。
17、3、本申请中，故障预警模型的训练过程无需直接依赖故障数据，仅依靠健康动应变信号数据即可取得优良训练效果，大幅度减少对稀缺故障数据的依赖，有效降低了模型开发的整体成本。
1.一种基于动应变信号的转向架架构故障预警方法，其特征在于，包括：
2.如权利要求1所述的一种基于动应变信号的转向架架构故障预警方法，其特征在于，根据动应变数据残差值，通过动态预警阈值生成模块，确定动态残差预警阈值，包括：
3.如权利要求1所述的一种基于动应变信号的转向架架构故障预警方法，其特征在于，根据比较结果进行不同等级的故障预警，包括：
4.如权利要求1所述的一种基于动应变信号的转向架架构故障预警方法，其特征在于，确定静态预警阈值，包括：
5.如权利要求1所述的一种基于动应变信号的转向架架构故障预警方法，其特征在于，所述转向架架构故障预警模型的训练过程，包括：
6.如权利要求5所述的一种基于动应变信号的转向架架构故障预警方法，其特征在于，所述健康动应变数据预测模型采用回声状态网络深度学习架构，所述回声状态网络用于预测健康动应变数据值，包括输入层、储蓄池和输出层，其中输入层和输出层各含有k个输入节点与l个输出节点，储蓄池由n个内部节点以及稀疏节点连接权值构成；
7.如权利要求5所述的一种基于动应变信号的转向架架构故障预警方法，其特征在于，所述动态预警阈值生成模块的训练，包括：
8.一种基于动应变信号的转向架架构故障预警系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7中任一项所述的一种基于动应变信号的转向架架构故障预警方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-7中任一项所述的一种基于动应变信号的转向架架构故障预警方法的步骤。
