[发明专利]一种基于机器学习的列车通信网络故障诊断方法

权利要求书

1.一种基于机器学习的列车通信网络故障诊断方法，其特征在于，包括如下步骤：

步骤1：建立列车通信网络实时状态感知与故障诊断系统模型；

步骤2：建立网络状态数据特征向量α，α＝(a₀,a₁,a₂,a₃,a₄,a₅)，提取不同网络状态下的网络状态数据特征向量，构成特征向量集；

a₀～a₅分别是网络状态数据的稳态幅值、超调、压摆率、上升斜率、下降斜率以及链路利用率；

步骤3：对步骤2构成的特征向量集基于距离的检测方法剔除数据离群点，并进行数据归一化；

步骤4：建立基于支持向量机算法的网络故障诊断模型；

步骤5：网络信号采集装置MVB协议分析仪采集当前MVB网络中的状态数据，按步骤2的方法提取网络状态数据的波形的稳态幅值a₀、超调a₁、压摆率a₂、上升斜率a₃、下降斜率a₄以及链路利用率a₅构成当前网络状态数据特征向量α＝(a₀,a₁,a₂,a₃,a₄,a₅)；

步骤6：将步骤5得到的网络状态数据特征向量输入步骤4建立的网络故障诊断模型中，通过诊断模型的分析，判断当前网络状态。

2.如权利要求1所述的基于机器学习的列车通信网络故障诊断方法，其特征在于，所述列车通信网络实时状态感知与故障诊断系统模型，包括主网络，网络信号采集装置，网络状态分析装置；所述网络信号采集装置用于提取运行网络中的网络状态数据，并进行网络状态数据特征提取，所述网络状态分析装置用于通过分析网络状态数据特征，得出网络状态。

3.如权利要求1所述的基于机器学习的列车通信网络故障诊断方法，其特征在于，步骤2所述的建立网络状态数据特征向量α，α＝(a₀,a₁,a₂,a₃,a₄,a₅)的各特征分量的计算方法如下：

a₁＝(a_max-a₀)/100％

其中，a_max是网络状态数据最大幅值，a₀为稳态幅值；

其中，P_n(x)是网络状态数据波形上升或下降阶段n点多项式拟合函数，x_i为第i个数据点；

其中，(t₁,V₁)是网络状态数据波形上升段幅值小于0的一点，(t₂,V₂)是上升段幅值大于0的一点；

其中，(t₃,V₃)是网络状态数据波形下降段幅值大于0的一点，(t₄,V₄)是下降段幅值小于0的一点；

a₅＝(T₀-T₁)/T₀×100％

其中，T₀是网络链路运行时间，T₁是网络链路被占用时间。

4.如权利要求3所述的基于机器学习的列车通信网络故障诊断方法，其特征在于，所述a₀取大于0部分的波形稳定区域值。