轨道车辆的电源屏故障诊断方法及装置

技术领域

本发明涉及轨道交通技术领域，尤其涉及一种轨道车辆的电源屏故障诊断方法及装置。

背景技术

铁路电源屏是向铁路信号电源屏供电的重要电源屏，电源屏的安全稳定运行与否能够直接影响到影响行车安全，而电源屏在工作中受自身部件老化、环境等因素的影响，会造成故障频发，进而严重影响行车安全。因此，对电源屏的运行状态监测以及故障精准定位尤为重要。

目前电源屏的监测大多是由信号集中监测系统来完成的，其监测的各项参数远不能满足电源屏故障发生时的精准诊断及定位。对于城市轨道交通电源屏的运维，运维人员所依赖的运维数据主要集中在，电源屏各个配电模块的输入输出监测的数据。运维人员从监测的电源屏各个配电模块的输入输出监测的数据中获取电源屏故障信息往往需要花费大量时间，且对电源屏的故障定位准确度不高。

发明内容

本发明提供的轨道车辆的电源屏故障诊断方法，用于克服现有技术中存在无法快速实现对轨道车辆的电源屏故障排查以及对电源屏故障诊断准确度不足的缺陷，能够快速地完成对电源屏故障排查以及对电源屏的故障诊断更加准确。

本发明提供一种轨道车辆的电源屏故障诊断方法，包括：

根据目标电源屏的历史电路参数的类型，对所述历史电路参数进行划分；

对划分后的历史电路参数进行预处理，以获取第一样本数据；

根据所述第一样本数据，对所述目标电源屏进行故障诊断；

其中，所述第一样本数据包括：第一类型历史电路参数的特征矩阵和第二类型历史电路参数的标签类数据；

所述第一类型历史电路参数的特征矩阵是对所述历史电路参数划分后获取的第一类型历史电路参数进行特征预处理后所获取的；

所述第二类型历史电路参数的标签类数据是对所述历史电路参数划分后获取的第二类型历史电路参数进行聚类或编码预处理后所获取的。

根据本发明提供的一种轨道车辆的电源屏故障诊断方法，所述根据所述第一样本数据，对所述目标电源屏进行故障诊断，包括：

将所述第一类型历史电路参数的特征矩阵内的每一个元素与目标预设阈值进行匹配，以对所述目标电源屏进行故障诊断；

其中，所述目标预设阈值是根据所述第一类型历史电路参数的特征矩阵的类型所设定的。

根据本发明提供的一种轨道车辆的电源屏故障诊断方法，所述根据所述第一样本数据，对所述目标电源屏进行故障诊断，还包括：

根据所述第一样本数据，获取训练样本集；

将所述训练样本集输入至预设机器学习模型，以确定所述预设机器学习模型的参数；

根据所述预设机器学习模型和所述预设机器学习模型的参数，确定故障诊断模型；

将所述目标电源屏的电路参数输入至所述故障诊断模型中，以对所述目标电源屏进行故障诊断；

其中，所述训练样本集中包括多个已标注故障类型的训练样本数据。

根据本发明提供的一种轨道车辆的电源屏故障诊断方法，所述根据所述第一样本数据，获取训练样本集，包括：

对所述第一样本数据进行特征处理，以获取第二样本数据；

对所述第二样本数据进行故障类型标注，以获取训练标签数据；

根据所述第一样本数据、所述第二样本数据和所述训练标签数据，获取所述训练样本集。

根据本发明提供的一种轨道车辆的电源屏故障诊断方法，所述对所述第一样本数据进行特征处理，以获取第二样本数据，包括：

采用如下至少一种方式对所述第一样本数据进行特征初处理：

标准化、归一化、区间缩放、连续特征离散化、线性判别算法LDA和方差最大化理论PCA；

对特征初处理后的第一样本数据进行分离或组合处理，以构建新的特征数据，并采用如下至少一种方式对所述新的特征数据进行特征再处理，以获取所述第二样本数据：

单调变换、线性组合、多项式分解和比例特征；

其中，所述特征处理包括：所述特征初处理和特征再处理。

根据本发明提供的一种轨道车辆的电源屏故障诊断方法，所述预设机器学习模型至少包括如下模型中的一种：

动态时间调整模型、决策树模型、逻辑回归模型、K-近邻模型、支持向量机模型和贝叶斯分类器模型。

根据本发明提供的一种轨道车辆的电源屏故障诊断方法，所述电路参数包括：

轨道电源的电压、电流、频率、相位和谐波；

局部电源的电压、电流、频率、相位和谐波；

局部电源的相位角和轨道电源的相位角；

轨道电路中继电器的吸起释放时间和返还系数；

轨道继电器占用及空闲状态数据；

供电端的电压、电流、相位、谐波和频率；

变压器箱与扼流变压器信号端之间的电源通断数据；

电源变压器输出提供给所述目标电源屏的电压、电流、相位、谐波和频率；以及变压器箱内温湿度。

本发明还提供一种轨道车辆的电源屏故障诊断装置，包括：参数划分模块、参数处理模型以及故障诊断模块；

所述参数划分模块，用于根据目标电源屏的历史电路参数的类型，对所述历史电路参数进行划分；

所述参数处理模块，用于对划分后的历史电路参数进行预处理，以获取第一样本数据；

所述故障诊断模块，用于根据所述第一样本数据，对所述目标电源屏进行故障诊断；

其中，所述第一样本数据包括：第一类型历史电路参数的特征矩阵和第二类型历史电路参数的标签类数据；

所述第一类型历史电路参数的特征矩阵是对所述历史电路参数划分后获取的第一类型历史电路参数进行特征预处理后所获取的；

所述第二类型历史电路参数的标签类数据是对所述历史电路参数划分后获取的第二类型历史电路参数进行聚类或编码预处理后所获取的。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述轨道车辆的电源屏故障诊断方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述轨道车辆的电源屏故障诊断方法的步骤。

本发明提供的轨道车辆的电源屏故障诊断方法，通过将目标电源屏的电路参数按照类型进行划分，并根据划分后的电路参数得到用于对目标电源屏进行故障诊断所需的第一样本数据，根据第一样本数据对目标电源屏进行故障诊断，由于得到的第一样本数据能够更精确的表征故障信息，节省了故障排查时间，同时使得基于第一样本数据对目标电源屏进行故障诊断结果更加准确。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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。

图1是本发明提供的轨道车辆的电源屏故障诊断方法的流程示意图；

图2是本发明提供的目标电源屏电路参数采集的流程示意图；

图3是本发明提供的轨道车辆的电源屏故障诊断装置的结构示意图；

图4是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明提供的轨道车辆的电源屏故障诊断方法的流程示意图，如图1所示，方法包括：

S1、根据目标电源屏的历史电路参数的类型，对历史电路参数进行划分；

S2、对划分后的历史电路参数进行预处理，以获取第一样本数据；

S3、根据第一样本数据，对目标电源屏进行故障诊断；

其中，第一样本数据包括：第一类型历史电路参数的特征矩阵和第二类型历史电路参数的标签类数据；

第一类型历史电路参数的特征矩阵是对历史电路参数划分后获取的第一类型历史电路参数进行特征预处理后所获取的；

第二类型历史电路参数的标签类数据是对历史电路参数划分后获取的第二类型历史电路参数进行聚类或编码预处理后所获取的。

需要说明的是，上述方法的执行主体可以是计算机设备。

可选地，通过数据采集模块在过去一段时间内采集的轨道车辆的电源屏的电路参数相关数据，获取电源屏的历史电路参数，并根据电源屏的历史电路参数的类型，将电源屏的历史电路参数进行划分。

例如，将采集的例如电源屏的电压、电流、相位、频率、谐波和相位角相关类型的电路参数划分为第一类型；将采集到的例如电源屏的电源的通断数据、继电器的占用和空闲状态数据、继电器的吸起释放时间和返还系数、电源的通断数据、变压器箱XB内温湿度相关类型的电路参数划分为第二类型。

可选地，通过mysql关系型数据库，存储数据采集模块中采集到的各种电源屏相关电路参数，并按照对应的电源屏进行设备编号，以实现目标电源屏与电路参数进行关联。

可选地，通过利用特征分析模块对得到的第一类型电路参数进行特征预处理，通过对采集的目标电源屏的电路参数进行特征分析，将数据转化为各种特征值，以供给故障诊断算法模块进行故障诊断。

例如，将采集到的电压参数转化为电压特征矩阵，将采集到的电流数据转化为电流特征矩阵，将采集到的相位参数转化为相位特征矩阵，将采集到的频率参数转化为频率特征矩阵，将采集到的相位角参数转化为相位角特征矩阵。

以电压为例，此时，设每个轨道路共有n个采集点，分别为v

同理可以构建，电流特征矩阵I

可选地，利用聚类或one-hot编码预处理对第二类型电路参数进行处理，获取对应第二类型电路参数对应的标签类数据。

例如，将采集到的电源的通断数据、继电器的空闲状态与占用状态数据、变压器箱XB的温湿度等电源屏的相关电路参数，利用one-hot编码将其转化为对应(0，1)的标签类数据，可选地，将电源的通路数据用“1”表示，将电源的断路数据用“0”表示；将继电器的空闲状态用“1”表示，将继电器的占用状态用“0”表示；将电源屏正常运行状态下的变压器箱的温湿度数据用“1”表示，将电源屏异常运行状态下的变压器箱的温湿度数据用“0”表示。

可选地，还可以通过利用聚类算法对采集到的变压器箱的温湿度数据的模拟量数据进行聚类分析，得到聚类中心，并以聚类中心表示一段时间内变压器箱的温湿度数据，然后利用one-hot编码将其转化为标签类数据。

其中，将采集到的变压器箱的温湿度数据与电源屏正常运行状态下的变压器箱的温湿度数据进行对比，若采集到的变压器箱的温湿度数据与电源屏正常运行状态下的变压器箱的温湿度数据的差值，远远大于预先设定的电源屏正常运行状态时的温湿度浮动范围，则确定采集到的变压器箱的温湿度数据是在电源屏异常运行状态下采集到的。

需要说明的是，电源的通断数据、继电器的占用状态与空闲状态数据以及电源屏正常运行状态和异常运行状态时变压器箱的温湿度数据，用数字“1”或数字“0”表示，本领域技术人员可以自由设置，本发明对此不作具体限定。

根据获得的第一类型历史电路参数的特征矩阵如电压特征矩阵、电流特征矩阵等特征矩阵；以及第二类型历史电路参数的标签类数据如电源的通断、继电器的空闲和占用状态等标签类数据，获取第一样本数据。

根据获得的第一样本数据，对目标电源屏的故障原因进行诊断，可选地，可以由运维人员根据获得的第一样本数据与已有的专家数据库进行比对，对目标电源屏进行故障诊断；也可以是由运维人员依据先验经验根据获得的第一样本数据，对目标电源屏进行故障诊断。

其中，专家数据库是根据第一样本数据及对应的电源屏故障类型建立的。

本发明提供的轨道车辆的电源屏故障诊断方法，通过将目标电源屏的电路参数按照类型进行划分，并根据划分后的电路参数得到用于对目标电源屏进行故障诊断所需的第一样本数据，根据第一样本数据对目标电源屏进行故障诊断，由于得到的第一样本数据能够更精确的表征故障信息，节省了故障排查时间，同时使得基于第一样本数据对目标电源屏进行故障诊断结果更加准确。

进一步地，在一个实施例中，步骤S3可以具体包括：

S31、将第一类型历史电路参数的特征矩阵内的每一个元素与目标预设阈值进行匹配，以对目标电源屏进行故障诊断；

其中，目标预设阈值是根据第一类型历史电路参数的特征矩阵的类型所设定的。

可选地，根据上述方法获取目标电源屏的第一类型历史电路参数的特征矩阵，例如电压特征矩阵V

可选地，根据电压特征矩阵V

可选地，可以根据目标电源屏的故障诊断类型的不同选取不同的值作为目标预设阈值，例如，将电压目标预设阈值V

以电源屏断路为例，将获得的第一类型历史电路参数的特征矩阵如电压特征矩阵V

进一步地，在一个实施例中，步骤S3还可以具体包括：

S32、根据第一样本数据，获取训练样本集；

S33、将训练样本集输入至预设机器学习模型，以确定预设机器学习模型的参数；

S34、根据预设机器学习模型和预设机器学习模型的参数，确定故障诊断模型；

将目标电源屏的电路参数输入至故障诊断模型中，以对目标电源屏进行故障诊断；

其中，训练样本集中包括多个已标注故障类型的训练样本数据。

可选地，将包含电源屏故障类型以及故障信息的样本数据筛选出来，作为后续预设机器学习模型的输入训练样本集。

可选地，将训练样本集输入至预设机器学习模型，以确定预设机器学习模型的参数，然后根据预设机器学习模型和预设机器学习模型的参数，确定故障诊断模型。

其中，预设机器学习模型的参数的确定与预设机器学习模型相关，例如，若选择线性回归模型作为预设机器学习模型，则需要将训练样本集输入至线性回归模型进行训练，确定线性回归模型的回归系数，并根据回归系数以及线性回归模型，获取故障诊断模型；

若选择K-近邻模型作为预设机器学习模型，则需要在训练过程中确定训练样本集中每一个训练样本数据的K值，然后根据K值以及K-近邻模型，获取故障预测模型。

在对目标电源屏进行故障诊断时，将采集到的目标电源屏的电路参数输入到训练好的故障预测模型中，获得目标电源屏的故障类型，实现对目标电源屏进行故障诊断。

本发明提供的轨道车辆的电源屏故障诊断方法，通过利用第一样本数据中已有的数据采集种类及故障类型，结合机器学习方法，构建精准的电源屏故障诊断模型，提供了泛用性相对较广的电源屏故障诊断方法，降低运维人力成本，提升对电源屏故障诊断精度，为乘客的安全出行提供了保障。

进一步地，在一个实施例中，步骤S32可以具体包括：

S321、对第一样本数据进行特征处理，以获取第二样本数据；

S322、对第二样本数据进行故障类型标注，以获取训练标签数据；

S323、根据第一样本数据、第二样本数据和训练标签数据，获取训练样本集。

可选地，对获取的第一样本数据进行特征处理，获取第二样本数据，具体地：

可选地，对于数值型的第一样本数据如电压、电流、频率、相位、谐波和相位角，可以采用幅值调整方法将电压、电流、频率、相位、谐波和相位角调整到预设幅值区间内。

对于第一样本数据中的标签类数据，由于标签类数据是通过one-hot编码获得的对应幅值为“0”或“1”的数据，在这里可以不必在对标签类数据进行特征处理。

根据专业运维知识对经过幅值调整后的第一样本数据进行特征处理，获取第二样本数据。

可选地，由运维人员根据上述建立的专家数据库中的故障类型对应的第二样本数据进行筛选，确定不同故障类型对应的训练样本数据，并对电源屏的故障类型进行标注，获得训练标签数据，根据第一样本数据、第二样本数据和训练标签数据，获取训练样本集。其中，训练样本集中包括多个已标注故障类型的训练样本数据。

需要说明的是，专家数据库可以是通过对电源屏故障信息对应的故障数据类型进一步细化建立的。

可选地，故障信息指的是对电源屏故障类型的描述，例如，故障类型是电源屏的“启动电路故障”，故障类型对应的故障信息为“室内设备故障”、“室外设备故障”可见，故障信息中实际包含了故障成因，只是没有将这种成因具体到更为具体的设备中，通过专家数据库例如预先建立的关系型数据库对故障信息一步步细化，也就是一步步确定电源屏故障的成因，直至追溯到某一无法细化的故障信息对应的电源屏故障数据。

可选地，当故障信息为“室内设备故障”时，可以进一步细化为：“轨道电源故障”、“局部电源故障”以及“轨道电路继电器故障”，当故障信息为“室外设备故障”时，可以进一步细化为：“送电端设备故障”、“变压器箱与扼流变压器设备故障”以及“电源电压器故障”。

需要说明的是，本发明中的“轨道电源故障”、“局部电源故障”、“轨道电路继电器故障”、“送电端设备故障”、“变压器箱与扼流变压器设备故障”以及“电源电压器故障”仍旧可以根据运维经验进一步细化，直至找到对应的故障设备源头，本发明对此不作具体限定。

根据故障类型-故障信息-故障数据的关系最终建立描述电源屏故障类型的专家数据库。

通过将第一样本数据、第二样本数据以及训练标签数据进行整合，获得训练样本集。

本发明提供的轨道车辆的电源屏故障诊断方法，通过对第二样本数据进行故障类型标注，获取训练标签数据，结合机器学习方法，构建精准的电源屏故障诊断模型，能够基于构建的精准的故障诊断模型，实现对电源屏故障的自动化诊断，同时提高了对电源屏故障诊断的准确度，相较于现有技术中运维人员根据先验经验对电源屏故障进行预测，提高了对电源屏故障诊断的效率，且运维人员在针对不同电源屏进行故障诊断时需要单独对不同的电源屏进行故障诊断，泛用性较低，通过构建故障诊断模型可以实现对不同电源屏的故障预测，提高了对电源屏故障诊断的适用性。

进一步地，在一个实施例中，S321可以具体包括：

S3211、采用如下至少一种方式对第一样本数据进行特征初处理：

标准化、归一化、区间缩放、连续特征离散化、线性判别算法LDA和方差最大化理论PCA；

S3212、对特征初处理后的第一样本数据进行分离或组合处理，以构建新的特征数据，并采用如下至少一种方式对新的特征数据进行特征再处理，以获取第二样本数据：

单调变换、线性组合、多项式分解和比例特征；

其中，特征处理包括：特征初处理和特征再处理。

可选地，对第一样本数据进行特征初处理以及特征再处理后得到第二样本数据，具体地，对第一样本数据进行特征初处理包括：

采用标准化、归一化、区间缩放、连续特征离散化、线性判别算法LDA和方差最大化理论PCA对第一样本数据进行特征初处理。

其中，通过标准化处理将上述获取的电压特征矩阵V

采用Z-score标准化，在以电压特征矩阵V

式中，x′代表对电压特征矩阵V

同样地，采用Z-score标准化基于公式(1)可以将将电流特征矩阵I

其中，归一化处理是将每个样本缩放为单位范数(每个样本的范数为1)。归一化是依照各个特征矩阵的行处理数据，将获取的电压特征矩阵V

以电压特征矩阵V

式中，x

其中，区间缩放处理是对数据进行线性变换，将获取的电压特征矩阵V

以电压特征矩阵V

式中，x′

可选地，利用连续特征离散化对获取的电压特征矩阵V

以电压特征矩阵V

可选地，采用线性判别算法LDA或方差最大化理论PCA对获取的电压特征矩阵V

对经过特征初处理后的第一样本数据进行分离或组合处理，构建新的特征数据，并采用如单调变换、线性组合、多项式分解和比例特征中的至少一种方式对新的特征数据进行特征再处理，在新的特征数据的基础上构建高维度特征，得到第二样本数据。

本发明提供的轨道车辆的电源屏故障诊断方法，通过对获得的第一样本数据进行特征处理，能够通过单调变换、线性组合、多项式分解和比例特征在原有的低纬度特征数据(第一样本数据)的基础上。构建高维度特征(第二样本数据)，进而能够从特征层面上提升故障诊断的准确度，进一步使得在第二样本数据基础上获取训练样本集，并基于训练样本集能够构建精确的故障诊断模型，提高了对电源屏故障诊断的准确度。

进一步地，在一个实施例中，预设机器学习模型至少包括如下模型中的一种：

动态时间调整模型、决策树模型、逻辑回归模型、K-近邻模型、支持向量机模型和贝叶斯分类器模型。

可选地，将获取到的训练样本集分别输入至预设机器学习模型如动态时间调整模型、决策树模型、逻辑回归模型、K-近邻模型、支持向量机模型和贝叶斯分类器模型进行训练，以获取适应不同故障诊断需求的电源屏的故障诊断模型。

可选地，由于电源屏故障类型的多样性，在实际构建故障诊断模型时，如果仅采用一种机器学习模型进行训练，会导致训练得到的故障诊断模型对于电源屏的某些故障类型的诊断准确度不够。

例如，当电源屏故障是由轨道继电器引起的时，将通过数据采集模块获得的目标电源屏的电路参数输入至故障诊断模型进行故障诊断，如果，构建故障诊断模型所采用的机器学习模型是决策树模型或逻辑回归模型或K-近邻模型或支持向量机模型或贝叶斯分类器模型时，由于采集到的轨道继电器的吸起释放时间和返还系数是比较密集的点序列，并且序列较长，利用动态时间调整模型构建的故障诊断模型，才能够准确的识别因轨道继电器导致的电源屏故障。

又如，当电源屏故障是由电源的通断引起的时，由于电源的通断数据可以分别用数字“0”或“1”进行表示，电源的通断数据具有明显的类别，因此，利用支持向量机模型构建的故障诊断模型，才能够准确的识别因电源的通断导致的电源屏故障。

需要说明的是，本发明的预设机器学习模型包括但不限于动态时间调整模型、决策树模型、逻辑回归模型、K-近邻模型、支持向量机模型和贝叶斯分类器模型，也可以是其他机器学习模型，本发明对此不作具体限定。

本发明提供的轨道车辆的电源屏故障诊断方法，通过设置不同的机器学习模型构建故障诊断模型，使得最终获得的故障诊断模型能够适用于对电源屏各种故障类型的诊断，同时可以利用基于不同机器学习模型构建的故障诊断模型提高对各种故障类型诊断的准确度。

进一步地，在一个实施例中，电源屏的电路参数包括如下数据：

轨道电源的电压、电流、频率、相位和谐波；

局部电源的电压、电流、频率、相位和谐波；

局部电源的相位角和轨道电源的相位角；

轨道电源屏中继电器的吸起释放时间和返还系数；

轨道继电器占用及空闲状态数据；

供电端的电压、电流、相位、谐波和频率；

变压器箱与扼流变压器信号端之间的电源通断数据；

电源变压器提供给所述目标电源屏的电压、电流、相位、谐波和频率；以及变压器箱内温湿度。

可选地，如图2所示，在对电源屏进行故障预测时，由于电源屏对应故障类型不同时所依赖的电路参数不同，因此，在实际场景中，常常利用数据采集模块从室外设备采集和室内设备采集两个部分进行电源屏的电路参数的数据采集。

可选地，室内设备采集主要采集电源屏的如下电路参数：

轨道电源，采集的数据包括：电压、电流、频率、相位和谐波；

局部电源，采集的数据包括：电压、电流、频率、相位和谐波；

局部电源的相位角和轨道电源的相位角；

轨道电路关键继电器的性能，吸起释放时间、返还系数等；

轨道继电器占用及空闲状态数据；

可选地，室外设备采集主要采集电源屏的如下电路参数：

送电端的电源质量，包括电压、电流、相位、谐波和频率；

变压器XB箱与扼流变压器BE信号端之间的电源通断数据；

电源变压器BG输出提供给设备的电源质量，包括电压、电流、相位、谐波和频率；

变压器XB箱内温湿度。

本发明提供的轨道电源屏的故障预测方法，通过数据采集模块采集电源屏的电路参数，能够为构建故障预测模型提供丰富的电源屏的电路参数样本，进而使得基于此建立的故障预测模型能够更为全面、准确的反映电源屏的运行状态。

下面对本发明提供的轨道车辆的电源屏故障诊断装置进行描述，下文描述的轨道车辆的电源屏故障诊断装置与上文描述的轨道车辆的电源屏故障诊断方法可相互对应参照。

图3是本发明提供的轨道车辆的电源屏故障诊断装置的结构示意图，如图3所示，包括：参数划分模块310、参数处理模型311以及故障诊断模块312；

参数划分模块310，用于根据目标电源屏的历史电路参数的类型，对历史电路参数进行划分；

参数处理模块311，用于对划分后的历史电路参数进行预处理，以获取第一样本数据；

故障诊断模块312，用于根据第一样本数据，对目标电源屏进行故障诊断；

其中，第一样本数据包括：第一类型历史电路参数的特征矩阵和第二类型历史电路参数的标签类数据；

第一类型历史电路参数的特征矩阵是对历史电路参数划分后获取的第一类型历史电路参数进行特征预处理后所获取的；

第二类型历史电路参数的标签类数据是对历史电路参数划分后获取的第二类型历史电路参数进行聚类或编码预处理后所获取的。

本发明提供的轨道车辆的电源屏故障诊断装置，通过参数划分模块310将目标电源屏的电路参数按照类型进行划分，利用参数处理模块311根据划分后的电路参数得到用于对目标电源屏进行故障诊断所需的第一样本数据，结合故障诊断模块312根据第一样本数据对目标电源屏进行故障诊断，由于得到的第一样本数据能够更精确的表征故障信息，节省了故障排查时间，同时使得基于第一样本数据对目标电源屏进行故障诊断结果更加准确。

图4是本发明提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communication interface)411、存储器(memory)412和总线(bus)413，其中，处理器410，通信接口411，存储器412通过总线413完成相互间的通信。处理器410可以调用存储器412中的逻辑指令，以执行如下方法：

根据目标电源屏的历史电路参数的类型，对历史电路参数进行划分；

对划分后的历史电路参数进行预处理，以获取第一样本数据；

根据第一样本数据，对目标电源屏进行故障诊断；

其中，第一样本数据包括：第一类型历史电路参数的特征矩阵和第二类型历史电路参数的标签类数据；

第一类型历史电路参数的特征矩阵是对历史电路参数划分后获取的第一类型历史电路参数进行特征预处理后所获取的；

第二类型历史电路参数的标签类数据是对历史电路参数划分后获取的第二类型历史电路参数进行聚类或编码预处理后所获取的。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

进一步地，本发明公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的轨道车辆的电源屏故障诊断方法，例如包括：

根据目标电源屏的历史电路参数的类型，对历史电路参数进行划分；

对划分后的历史电路参数进行预处理，以获取第一样本数据；

根据第一样本数据，对目标电源屏进行故障诊断；

其中，第一样本数据包括：第一类型历史电路参数的特征矩阵和第二类型历史电路参数的标签类数据；

第一类型历史电路参数的特征矩阵是对历史电路参数划分后获取的第一类型历史电路参数进行特征预处理后所获取的；

第二类型历史电路参数的标签类数据是对历史电路参数划分后获取的第二类型历史电路参数进行聚类或编码预处理后所获取的。

另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的轨道车辆的电源屏故障诊断方法，例如包括：

根据目标电源屏的历史电路参数的类型，对历史电路参数进行划分；

对划分后的历史电路参数进行预处理，以获取第一样本数据；

根据第一样本数据，对目标电源屏进行故障诊断；

其中，第一样本数据包括：第一类型历史电路参数的特征矩阵和第二类型历史电路参数的标签类数据；

第一类型历史电路参数的特征矩阵是对历史电路参数划分后获取的第一类型历史电路参数进行特征预处理后所获取的；

第二类型历史电路参数的标签类数据是对历史电路参数划分后获取的第二类型历史电路参数进行聚类或编码预处理后所获取的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。