[发明专利]一种基于模糊神经的MVB网络故障诊断方法

说明书

本发明涉及一种MVB网络故障诊断的算法，特别是一种基于模糊神经的MVB网络故障诊断方法。包括MVB通信故障模型及网络故障诊断算法，根据故障种类的不同建立故障模型，通过减法聚类找到聚类中心，确定模糊规则数、输入变量的隶属度函数数目及其位置，最后应用T‑S模糊神经网络诊断MVB网络故障类别，从而达到MVB网络故障诊断的目的。本发明应用在列车MVB网络中，可以提高网络故障诊断的准确率及稳定性，从而提高了网络的安全性，在车辆总线领域有良好的研究发展前景。

技术领域

本发明涉及一种MVB网络故障诊断的算法，特别是一种基于模糊神经的MVB网络故障诊断方法。该方法通过分析MVB网络的故障类型，建立了MVB网络故障诊断模型，采用减法聚类生成模糊规则，应用T-S模糊神经网络诊断故障类别，达到MVB网络故障诊断的目的。

背景技术

多功能车辆总线(Multifunction Vehicle Bus，MVB)网络是列车通信网络的重要组成部分，主要用于列车车辆间及车辆内控制设备之间的数据通信，其工作是否正常对列车的安全运行具有重要影响，因此对MVB总线网络故障的在线监测与准确诊断十分必要。

故障注入技术具有控制灵活，价格低廉等的优点，通过挂载的故障注入设备可以产生各种故障项模拟MVB总线故障，利用故障注入技术将MVB网络故障分为电气层、物理层和协议层三个层面，且给出了MVB总线故障注入部分驱动程序。现代工业系统及轨道车辆呈现向大型化、复杂化的方向发展，因此，在大数据背景下的智能故障诊断理论的挑战，分别从信号获取、特征提取以及通过人工智能模型与方法识别并预测故障对智能故障诊断这三个环节展开研究工作。在此基础上，有人分析了真空断路器的特征数据与故障类型的对应关系，提出一种基于自组织映SOM的故障诊断方法，但是该方法仅适用于小样本训练，对大量数据难以进行准确诊断。有人提出一种应用聚类算法分析调试数据的MVB网络故障诊断方法，MVB网卡采集的原始故障数据经聚类算法分析，进行故障的分类储存，形成案例库与故障案例库。还有人提出了一种基于聚类算法与主成分分析方法的改进传感器网络故障诊断和估算方法，但是，传感器网络故障诊断的准确率与诊断速度难以保证。人工神经网络采用分布存贮和并行处理的方式，神经元之间的连接具有可塑性、自适应性及自组织性，因此，人工神经网络技术越来越多的应用于故障在线检测和实时故障诊断中。有部分学者采用遗传算法对BP神经网络结构和参数优化，将由小波提取的电路故障状态特征输入到遗传算法优化的BPNN故障诊断系统。针对旋转机械故障特征需要专家经验及故障复杂的问题，还有学者提出一种多卷积层和多池化层的一维深度卷积神经网络的故障诊断模型。但是卷积神经网络全连接模式过于冗余而低效，浪费了大量CPU资源。

可见，现有的MVB故障诊断算法很难满足MVB网络系统的要求，且其诊断结果稳定性与准确率等也较低，这对列车MVB网络系统的故障诊断算法提出了更高的要求。

发明内容

本发明所要解决的技术问题是针对目前已有多功能车辆总线故障诊断算法中诊断结果的准确定及稳定性的问题，提出了一种基于模糊神经的MVB网络故障诊断方法，通过分析MVB网络的故障类型，建立MVB网络故障诊断模型。然后采用减法聚类生成模糊规则，应用T-S模糊神经网络诊断MVB网络故障类别。

本发明一种基于模糊神经的MVB网络故障诊断方法包括MVB通信故障模型及网络故障诊断算法。首先根据MVB主要故障种类的不同，通过非线性方程的方式建立故障诊断模型，然后通过减法聚类对输入空间非线性划分找到聚类中心，根据聚类中心个数来确定模糊规则数和输入变量的隶属度函数的数目及隶属度函数的位置，最后应用T-S模糊神经网络诊断MVB网络故障类别，从而达到MVB网络故障诊断的目的。

所述的MVB故障主要分为4种:线路故障；设备故障；中继器故障；非物理故障，再加上正常工况共5种待诊断的故障模式。其故障诊断模型可用下列非线性方程表示：