CN106338406A - 列车牵引电传动系统的在线监测与故障预警系统及方法 - Google Patents

Abstract

本发明提供了一种列车牵引电传动系统的在线监测与故障预警系统及方法。所述系统包括信号检测模块、下位机、上位机和监测与预警结果显示模块；信号检测模块获取要监测的系统状态量，分类汇总后传至下位机。下位机对系统状态量进行滤波与预处理。提取出系统的时域特征信息和频域特征信息。然后经过模糊逻辑推理和经过PCA主元分析进行特征压缩和降维，获得牵引电传动系统的主要特征信息。将主要特征信息输入到SOMNN故障预警模块，利用SOM神经网络算法对主要特征信息进行计算与处理，在线监测列车牵引电传动系统当前的状态，并预警未来的故障。本发明可以快速实时的对列车的牵引电传动系统进行状态监测和故障预警。

Description

列车牵引电传动系统的在线监测与故障预警系统及方法

技术领域

本发明涉及一种列车牵引电传动系统的在线监测与故障预警系统及方法，具体是一种应用于列车牵引电传动系统的基于自组织特征映射(SOM)神经网络(NN)的在线监测与故障预警系统及方法。

背景技术

随着铁路的快速发展，如何保证列车安全、稳定的运行已是一个重要的课题，而牵引电传动系统是列车动力的主要来源，对牵引电传动系统关键状态变量的实时监测及故障预警是保证列车安全、可靠运行的关键。

传统的故障诊断方法大多是由人工诊断，诊断目标单一，费时、费力，准确度及可靠性都很低，从而影响系统的检修、调试及更换等，而且列车系统错综复杂，各子系统及设备之间都存在着相互耦合干扰而容易失真的情况，不能真实体现出系统的真实状态，并且故障特征不能有效、准确的被提取，因此导致传统的列车故障诊断系统的诊断准确率不是很高。

现有的车载故障诊断系统虽能实时的对列车状态进行监测，但是故障诊断的准确率也不高，因此，本发明基于以上方面，发明一种基于多特征融合的神经网络的列车牵引电传动系统在线监测与故障预警装置及方法，具有重大的技术、经济和社会意义。

发明内容

本发明提供一种在线实时的具有高可靠性、鲁棒性的基于SOM神经网络的在线监测与故障预警系统及方法，以解决现有技术方案中故障诊断准确率低，诊断对象单一和不能快速在线实时诊断的缺陷。

一种列车牵引电传动系统的在线监测和故障预警系统，包括信号检测模块、下位机、上位机和监测与预警结果显示模块；

所述下位机包括信号滤波与预处理模块；

所述上位机包括特征分析与提取模块和SOMNN故障预警模块；

所述的信号检测模块，用于获取列车牵引电传动系统的系统状态量，包括PWM整流器的输入输出电压、电流和温度，直流单元支撑电容的纹波电压、电流和温度，牵引逆变器的输入电压、电流和温度，牵引电机的输入输出电压、电流、温度、速度、转矩和加速度，并进行分类汇总后传至下位机；

所述的信号滤波与预处理模块，用于对信号检测模块获取的系统状态量进行滤波与预处理，将系统状态量进行信号调理与A/D采样，将模拟信号转化为数字信号。

所述的特征分析与提取模块，用于完成对模拟信号和数字信号的特征分析和提取，对模拟信号进行时域特征和频域特征计算，对数字信号进行模糊逻辑推理，将提取的所有特征进行信息融合，最后经过PCA主元分析进行特征压缩和降维，获得牵引电传动系统的主要特征信息。实现了列车牵引电传动系统的故障特征的提取；减少了数据运算量，并保留了故障主要信息成分，提高了信噪比和数据运算速度，准确的实现了故障特征的提取等功能。

所述的SOMNN故障预警模块，用于接收来自特征分析与提取模块的牵引电传动系统的主要特征信息，并利用SOM神经网络算法对牵引电传动系统的主要特征信息进行计算与处理，进行状态辨识与故障预警，在线监测列车牵引电传动系统当前的状态，并预警未来的故障。

所述的监测与预警结果显示模块，用于显示列车牵引电传动系统状态的在线监测和故障预警结果。

一种列车牵引电传动系统的在线监测和故障预警方法，应用上述列车牵引电传动系统的在线监测和故障预警系统，包括以下步骤：

步骤100，首先信号检测模块通过传感器获取要监测的系统状态量，然后进行分类汇总后传至下位机。

步骤200，信号滤波与预处理模块对所述系统状态量进行滤波，将系统状态量进行信号调理与A/D采样，将模拟信号转化为数字信号。

步骤300，对滤波后的系统状态量中的模拟信号进行时域特征和频域特征计算，并将计算得到的特征信息进行多特征信息融合，提取出系统的时域特征信息和频域特征信息。

步骤400，针对系统状态量中的数字信号，根据模糊逻辑推理理论进行信息融合，根据模糊融合规则推理出系统的逻辑特征信息。

步骤500，将步骤300和步骤400得到的时域特征信息、频域特征信息和逻辑特征信息进行信息融合，得到牵引电传动系统的特征信息，再经过PCA主元分析进行特征压缩和降维，获得牵引电传动系统的主要特征信息。

步骤600，将步骤500所述牵引电传动系统的主要特征信息输入到SOMNN故障预警模块，利用SOM神经网络算法对所述牵引电传动系统系统的主要特征信息进行计算与处理，进行状态辨识与故障预警，在线监测列车牵引电传动系统当前的状态，并预警未来的故障。

在上述方案的基础上，步骤200中，对系统状态量的滤波采用软、硬件滤波结合的方法，硬件滤波采用LC低通滤波器滤除高频干扰信号，软件滤波采用限幅及滑动平均滤波来更进一步滤除毛刺及干扰。

步骤300中，时域特征和频域特征计算步骤如下：

步骤301，时域特征计算如下，其中x_i(i＝1,2,…,N)为系统状态量，N为采样点数：

(1)均值

$\stackrel{\‾}{X}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i}{N}$

其中，反映了信号的平均变化趋势；

(2)均方根值X_rms：

$X_{rms}=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x_i}^2/N}$

其中，X_rms反映信号能量的大小；

(3)峰值因子C_f：

$C_f=\frac{X_{\max }}{X_{rms}}$

其中，X_max为峰值，峰值因子C_f为表示波形中波峰高度的指标，它反映了信号中冲击成分的大小；

(4)峭度因子K_v：

$K_v=\frac{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x_i}^4}{{X_{rms}}^4}$

其中，峭度因子K_v表示在冲击下的波形是如何变的陡峭的量值。

步骤302，频域特征计算：

根据下面的方法进行频域特征的计算：

(1)确定各分解系数信号的总能量；d_j(k)(j＝0,1,…,5)为从高频到低频的分解系数，则各频段的能量公式为：

${E_j}^{\′}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|d_j\left(k\right)\right|}^2,(j=0,1,...,5;k=1,2,...n)$

(2)将各频段的能量归一化构造特征向量；选取db3小波，假设对系统状态量进行5层分解时特征最显著，以能量为元素构造一个特征向量T如下：

T＝[E₁',E₂',E₃',E₄',E₅',E₆']

对特征向量T进行归一化，令总能量E_i'(i＝1,…,6)为各频段能量值，则归一化后的特征向量变为：

$T^{\′}=\[\frac{{E_1}^{\′}}{E},\frac{{E_2}^{\′}}{E},\frac{{E_3}^{\′}}{E},\frac{{E_4}^{\′}}{E},\frac{{E_5}^{\′}}{E},\frac{{E_6}^{\′}}{E}\].$

步骤500中，经过PCA主元分析进行特征压缩和降维的具体步骤如下：

步骤501，首先对时域特征信息和频域特征信息进行标准化；采用均值标准差标准化方法处理时域特征信息和频域特征信息,获取标准化变量；

步骤502，建立标准化变量的协方差矩阵，求解协方差矩阵的特征值和特征向量；利用标准化值计算标准化变量之间的相关系数，有k个特征值可建立k阶相关矩阵；由此协方差矩阵可获得由大到小排列的特征值λ_j(j＝1,2…k),k个特征值对应k个特征向量，每一特征向量包含k个分量；

步骤503，在步骤502获取的特征值和特征向量基础上，根据要求的累积贡献率，从时域特征信息和频域特征信息中选取主成分；在步骤502获取的特征值λ_j(j＝1,2…k)的基础上，计算前k个主成分对总方差的累积贡献率，即方差累积贡献率：这里取方差累积贡献率大于90％所需的主成分；

步骤504，建立各主成分值方程，计算各主成分值；各主成分值方程为：其中a_j为对应于各特征向量分量的权值，x_j为各特征向量分量的标准化数值；计算出所需要的各主成分值，形成新的训练样本集和测试样本集，获得牵引电传动系统的主要特征信息。

步骤600中，所述SOM神经网络算法包括如下步骤：

步骤601，设定变量；

x＝[x₁,x₂,…,x_n]为输入样本向量，ω_i(k)＝[ω_i1(k),ω_i2(k)…,ω_in(k)]为第i个输入节点与输出神经元之间的权值向量；

步骤602,初始化；权值向量使用较小的随机值进行初始化，并对输入样本向量和权值向量都做归一化处理：

$x^{\′}=\frac{x}{\left|\right|x\left|\right|}$

${{\mathrm{\ω}}_i}^{\′}\left(k\right)=\frac{{\mathrm{\ω}}_i\left(k\right)}{\left|\right|{\mathrm{\ω}}_i\left(k\right)\left|\right|}$

步骤603，对输入样本向量与权值向量做内积，内积值最大的输出神经元赢得竞争；内积值最大相当于欧氏距离最小：

D＝||x-ω||

D为欧氏距离；求得欧氏距离最小的那个神经元，记为获胜神经元；

步骤604,更新权值向量；对获胜神经元拓扑邻域内的神经元，采用Kohonen规则进行更新：

ω(k+1)＝ω(k)+η(x-ω(k))

其中η为随时间变化的学习率，0<η<1,随着时间的增长η将逐渐趋近于0：

η(t)＝η(0)(1-t/T)

t为当前迭代次数,T为整体最大迭代次数；

步骤605，更新学习率η及获胜神经元拓扑邻域，并对学习后的权值向量进行重新归一化；学习率η及获胜神经元拓扑邻域大小的调整按排序阶段和调整阶段两步来进行；

步骤606,判断是否收敛；判断迭代次数是否达到预设的最大迭代次数，若没有达到最大迭代次数，则转到603，否则结束算法。

在上述方案的基础上，步骤600中的在线监测和故障预警结果显示在监测与预警结果显示模块。

本发明可以快速实时的对列车的牵引电传动系统进行状态监测和故障预警。

附图说明

为了更清楚说明本申请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的介绍，下面描述中的附图只是本申请中记载的一些实施例，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为本发明实施例提供的列车牵引电传动系统的在线监测和故障预警系统结构图；

图2为本发明实施例提供的列车牵引电传动系统的在线监测和故障预警方法流程图；

图3为本发明实施例提供的基于神经网络的学习训练与诊断预警流程图；

图4为本发明实施例提供的信号预处理及特征提取流程图；

图5为本发明中的小波分解流程图；

图6为本发明中的SOM神经网络映射模型。

具体实施方式

下面将结合附图1-6，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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为本发明实施例提供的基于SOM神经网络的在线监测和故障预警系统结构图，通过分析列车牵引电传动系统的PWM整流器、牵引逆变器、牵引电机等关键设备的故障机理，采集对故障敏感的系统状态量。

首先第一层是信号检测模块，通过各种传感器获得牵引电传动系统的系统状态量；第二层是下位机，将第一层采集的数据进行滤波降噪等预处理，然后分类汇总后传送至上位机；第三层是上位机，上位机接收到经过下位机处理过的系统状态量后对其进行特征分析与计算，然后再进行特征变换及处理等来提取故障特征，最后输入给SOMNN故障预警模块，实现列车牵引电传动系统状态的在线监测与故障预警。

一种列车牵引电传动系统的在线监测和故障预警系统，包括信号检测模块、下位机、上位机和监测与预警结果显示模块；

所述下位机包括信号滤波与预处理模块；

所述上位机包括特征分析与提取模块和SOMNN故障预警模块；

所述的信号检测模块，用于获取列车牵引电传动系统的系统状态量，包括PWM整流器的输入输出电压、电流和温度，直流单元支撑电容的纹波电压、电流和温度，牵引逆变器的输入电压、电流和温度，牵引电机的输入输出电压、电流、温度、速度、转矩和加速度，并进行分类汇总后传至下位机；

所述的信号滤波与预处理模块，用于对信号检测模块获取的系统状态量进行滤波与预处理，将系统状态量进行信号调理与A/D采样，将模拟信号转化为数字信号。

所述的特征分析与提取模块，用于完成对模拟信号和数字信号的特征分析和提取，对模拟信号进行时域特征和频域特征计算，对数字信号进行模糊逻辑推理，将提取的所有特征进行信息融合，最后经过PCA主元分析进行特征压缩和降维，获得牵引电传动系统的主要特征信息。实现了列车牵引电传动系统的故障特征的提取；减少了数据运算量，并保留了故障主要信息成分，提高了信噪比和数据运算速度，准确的实现了故障特征的提取等功能。

所述的SOMNN故障预警模块，用于接收来自特征分析与提取模块的牵引电传动系统的主要特征信息，并利用SOM神经网络算法对牵引电传动系统的主要特征信息进行计算与处理，进行状态辨识与故障预警，在线监测列车牵引电传动系统当前的状态，并预警未来的故障。

所述的监测与预警结果显示模块，用于显示列车牵引电传动系统状态的在线监测和故障预警结果。

图2为本发明实施例提供的列车牵引电传动系统的在线监测和故障预警方法流程图，

一种列车牵引电传动系统的在线监测和故障预警方法，具体步骤包括：

步骤100，首先信号检测模块通过传感器获取要监测的系统状态量，包括PWM整流器的输入输出电压、电流和温度，直流单元支撑电容的纹波电压、电流和温度，牵引逆变器的输入电压、电流和温度，牵引电机的输入输出电压、电流、温度、速度、转矩和加速度，然后进行分类汇总后传至下位机。

步骤200，下位机的信号滤波与预处理模块对所述系统状态量进行滤波与预处理，将系统状态量进行信号调理与A/D采样，将模拟信号转化为数字信号，其中对系统状态量的滤波采用软、硬件滤波结合的方法，硬件滤波可以采用LC低通滤波器滤除高频干扰信号，软件滤波可以采用限幅及滑动平均滤波等来更进一步滤除毛刺及干扰，提高了信噪比和鲁棒性。

步骤300，对滤波后的系统状态量中的模拟信号进行时域特征和频域特征计算，并将计算得到的特征信息进行多特征信息融合，提取出系统的时域特征信息和频域特征信息。

步骤400，针对系统状态量中的数字信号，根据模糊逻辑推理理论进行信息融合，根据模糊融合规则推理出系统的逻辑特征信息。

步骤500，将步骤300和步骤400得到的时域特征信息、频域特征信息和逻辑特征信息进行信息融合，得到整个牵引电传动系统的特征信息，为了提高后面预警算法的运算速度，再经过PCA主元分析进行特征压缩和降维，获得牵引电传动系统的主要特征信息。如图4所示，它表示了信号采样、滤波及特征提取的整个流程图。

步骤600，将步骤500所述牵引电传动系统的主要特征信息输入到SOMNN故障预警模块，利用SOM神经网络算法对所述牵引电传动系统系统的主要特征信息进行计算与处理，进行状态辨识与故障预警，在线监测列车牵引电传动系统当前的状态，并预警未来的故障。

如上步骤300，时域特征和频域特征计算步骤如下：

步骤301，时域特征计算如下，其中x_i(i＝1,2,…,N)为系统状态量，N为采样点数：

(1)均值

$\stackrel{\&OverBar;}{X}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i}{N}$

其中，反映了信号的平均变化趋势；

(2)均方根值X_rms：

$X_{rms}=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x_i}^2/N}$

其中，X_rms反映信号能量的大小；

(3)峰值因子C_f：

$C_f=\frac{X_{\max }}{X_{rms}}$

其中，X_max为峰值，峰值因子C_f为表示波形中波峰高度的指标，它反映了信号中冲击成分的大小；

(4)峭度因子K_v：

$K_v=\frac{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x_i}^4}{{X_{rms}}^4}$

其中，峭度因子K_v表示在冲击下的波形是如何变的陡峭的量值。

步骤302，频域特征计算：

小波分解流程如图5，根据下面的方法进行频域特征的计算：

(1)确定各分解系数信号的总能量。d_j(k)(j＝0,1,…,5)为从高频到低频(即从第一层到第五层)的分解系数，则各频段的能量公式为：

${E_j}^{\&prime;}=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left|d_j\left(k\right)\right|}^2,(j=0,1,...,5;k=1,2,...n)$

(2)将各频段的能量归一化构造特征向量。根据经验一般选取db3小波，假设对系统状态量进行5层分解时特征最显著，以能量为元素构造一个特征向量T如下：

T＝[E₁',E₂',E₃',E₄',E₅',E₆']。

由于各频段能量不一，当出现较大的或较小的数值时，会产生较大误差，而且对数据的分析也不便，因此对特征向量T进行归一化，令总能量E_i'(i＝1,…,6)为各频段能量值，则归一化后的特征向量变为：

$T^{\&prime;}=\&lsqb;\frac{{E_1}^{\&prime;}}{E},\frac{{E_2}^{\&prime;}}{E},\frac{{E_3}^{\&prime;}}{E},\frac{{E_4}^{\&prime;}}{E},\frac{{E_5}^{\&prime;}}{E},\frac{{E_6}^{\&prime;}}{E}\&rsqb;$

如上步骤500，经过PCA主元分析进行特征压缩和降维的具体步骤如下：

步骤501，首先对时域特征信息和频域特征信息样本进行标准化。为了消除量纲和数量级不同的影响，采用均值标准差标准化方法处理时域特征信息和频特征信息样本,获取标准化变量。

步骤502，建立标准化变量的协方差矩阵，求解协方差矩阵的特征值和特征向量。利用标准化值计算标准化变量之间的相关系数，有k个特征值可建立k阶相关矩阵。由此协方差矩阵可获得由大到小排列的特征值λ_j(j＝1,2…k),k个特征值对应k个特征向量，每一特征向量包含k个分量。

步骤503，在步骤502获取的特征值和特征向量基础上，根据要求的累积贡献率，从时域特征信息和频域特征信息中选取主成分。在步骤502获取的特征值λ_j(j＝1,2…k)的基础上，计算前k个主成分对总方差的累积贡献率，即方差累积贡献率：这里取方差累积贡献率大于90％所需的主成分，能够代表原始时域特征和频域特征的绝大部分信息。

步骤504，建立各主成分值方程，计算各主成分值。各主成分值方程为：其中a_j为对应于各特征向量分量的权值，x_j为各特征向量分量的标准化数值。计算出所需要的各主成分值，形成新的训练样本集和测试样本集,获得牵引电传动系统的主要特征信息。

如上步骤600，SOM神经网络映射模型如图6，神经网络算法包括训练学习阶段和诊断测试阶段，如图3所示，首先要对其进行训练，以减小整个网络误差为目标，不断的调整权值和阈值，使其收敛并达到规定的误差，然后在实际应用阶段，对其输入SOM神经网络映射模型的系统状态量进行状态的在线监测和故障预警。

SOM神经网络算法包括如下步骤：

步骤601，设定变量。

x＝[x₁,x₂,…,x_n]为输入样本向量，ω_i(k)＝[ω_i1(k),ω_i2(k)…,ω_in(k)]为第i个输入节点与输出神经元之间的权值向量。

步骤602,初始化。权值向量使用较小的随机值进行初始化，并对输入样本向量和权值向量都做归一化处理：

$x^{\&prime;}=\frac{x}{\left|\right|x\left|\right|}$

${{\mathrm{\&omega;}}_i}^{\&prime;}\left(k\right)=\frac{{\mathrm{\&omega;}}_i\left(k\right)}{\left|\right|{\mathrm{\&omega;}}_i\left(k\right)\left|\right|}$

步骤603，对输入样本向量与权值向量做内积，内积值最大的输出神经元赢得竞争。由于输入样本向量与权值向量均已归一化，因此内积值最大相当于欧氏距离最小：

D＝||x-ω||

D为欧氏距离；求得欧氏距离最小的那个神经元，记为获胜神经元。

步骤604,更新权值向量。对获胜神经元拓扑邻域内的神经元，采用Kohonen规则进行更新：

ω(k+1)＝ω(k)+η(x-ω(k))

其中η为随时间变化的学习率，0<η<1,随着时间的增长η将逐渐趋近于0:

η(t)＝η(0)(1-t/T)

t为当前迭代次数,T为整体最大迭代次数；确定获胜神经元拓扑邻域时可以使用不同的距离函数，常用的如欧式距离(dist)、几何距离(mandist)等。

步骤605，更新学习率η及获胜神经元拓扑邻域，并对学习后的权值向量进行重新归一化。学习速率η及获胜神经元拓扑邻域大小的调整按排序阶段和调整阶段两步来进行。

步骤606,判断是否收敛。判断迭代次数是否达到预设的最大迭代次数，若没有达到最大迭代次数，则转到603，否则结束算法。

在上述方案的基础上，步骤600中的在线监测和故障预警结果显示在监测与预警结果显示模块。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种列车牵引电传动系统的在线监测和故障预警系统，其特征在于，包括信号检测模块、下位机、上位机和监测与预警结果显示模块；

所述下位机包括信号滤波与预处理模块；

所述上位机包括特征分析与提取模块和SOMNN故障预警模块；

所述的信号检测模块，用于获取列车牵引电传动系统的系统状态量并进行分类汇总后传至下位机；

所述的信号滤波与预处理模块，用于对信号检测模块获取的系统状态量进行滤波与预处理，将系统状态量进行信号调理与A/D采样，将模拟信号转化为数字信号。

所述的特征分析与提取模块，用于完成对模拟信号和数字信号的特征分析和提取，对模拟信号进行时域特征和频域特征计算，对数字信号进行模糊逻辑推理，将提取的所有特征进行信息融合，最后经过PCA主元分析进行特征压缩和降维，获得系统的主要特征信息。

所述的SOMNN故障预警模块，用于接收来自特征分析与提取模块的牵引电传动系统的主要特征信息，并利用SOM神经网络算法对牵引电传动系统的主要特征信息进行计算与处理，进行状态辨识与故障预警，在线监测列车牵引电传动系统当前的状态，并预警未来的故障。

所述的监测与预警结果显示模块，用于显示列车牵引电传动系统状态的在线监测和故障预警结果。

2.如权利要求1所述列车牵引电传动系统的在线监测和故障预警系统，其特征在于，所述系统状态量包括PWM整流器的输入输出电压、电流和温度，直流单元支撑电容的纹波电压、电流和温度，牵引逆变器的输入电压、电流和温度，牵引电机的输入输出电压、电流、温度、速度、转矩和加速度。

3.一种列车牵引电传动系统的在线监测和故障预警方法，应用上述列车牵引电传动系统的在线监测和故障预警系统，其特征在于，包括以下步骤：

步骤100，首先信号检测模块通过传感器获取要监测的系统状态量，然后进行分类汇总后传至下位机。

步骤200，信号滤波与预处理模块对所述系统状态量进行滤波，将系统状态量进行信号调理与A/D采样，将模拟信号转化为数字信号。

步骤300，对滤波后的系统状态量中的模拟信号进行时域特征和频域特征计算，并将计算得到的特征信息进行多特征信息融合，提取出系统的时域特征信息和频域特征信息。

步骤400，针对系统状态量中的数字信号，根据模糊逻辑推理理论进行信息融合，根据模糊融合规则推理出系统的逻辑特征信息。

步骤500，将步骤300和步骤400得到的时域特征信息、频域特征信息和逻辑特征信息进行信息融合，得到牵引电传动系统的特征信息，再经过PCA主元分析进行特征压缩和降维，获得牵引电传动系统的主要特征信息。

步骤600，将步骤500所述牵引电传动系统的主要特征信息输入到SOMNN故障预警模块，利用SOM神经网络算法对所述牵引电传动系统的主要特征信息进行计算与处理，进行状态辨识与故障预警，在线监测列车牵引电传动系统当前的状态，并预警未来的故障。

4.如权利要求3所述的列车牵引电传动系统的在线监测和故障预警方法，其特征在于，

步骤200中，对系统状态量的滤波采用软、硬件滤波结合的方法，硬件滤波采用LC低通滤波器滤除高频干扰信号，软件滤波采用限幅及滑动平均滤波来更进一步滤除毛刺及干扰。

5.如权利要求3所述的列车牵引电传动系统的在线监测和故障预警方法，其特征在于，

步骤300中，时域特征和频域特征计算步骤如下：

步骤301，时域特征计算如下，其中x_i(i＝1,2,…,N)为系统状态量，N为采样点数：

(1)均值

$\stackrel{\&OverBar;}{X}=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}{x}_i}{N}$

其中，反映了信号的平均变化趋势；

(2)均方根值X_rms：

$X_{rms}=\sqrt{\underset{i=1}{\overset{N}{\&Sigma;}}{x_i}^2/N}$

其中，X_rms反映信号能量的大小；

(3)峰值因子C_f：

$C_f=\frac{X_{\max }}{X_{rms}}$

其中，X_max为峰值，峰值因子C_f为表示波形中波峰高度的指标，它反映了信号中冲击成分的大小；

(4)峭度因子K_v：

$K_v=\frac{\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{x_i}^4}{{X_{rms}}^4}$

其中，峭度因子K_v表示在冲击下的波形是如何变的陡峭的量值。

步骤302，频域特征计算：

根据下面的方法进行频域特征的计算：

(1)确定各分解系数信号的总能量；d_j(k)(j＝0,1,…,5)为从高频到低频的分解系数，则各频段的能量公式为：

${E_j}^{\&prime;}=\underset{k=1}{\overset{n}{\&Sigma;}}|d_j\left(k\right){|}^2,(j=0,1,...,5;k=1,2,...n)$

(2)将各频段的能量归一化构造特征向量；选取db3小波，假设对系统状态量进行5层分解时特征最显著，以能量为元素构造一个特征向量T如下：

T＝[E₁',E₂',E₃',E₄',E₅',E₆']

对特征向量T进行归一化，令总能量E_i'(i＝1,…,6)为各频段能量值，则归一化后的特征向量变为：

$T^{\&prime;}=\&lsqb;\frac{{E_1}^{\&prime;}}{E},\frac{{E_2}^{\&prime;}}{E},\frac{{E_3}^{\&prime;}}{E},\frac{{E_4}^{\&prime;}}{E},\frac{{E_5}^{\&prime;}}{E},\frac{{E_6}^{\&prime;}}{E}\&rsqb;.$

6.如权利要求3所述的列车牵引电传动系统的在线监测和故障预警方法，其特征在于，步骤500中，经过PCA主元分析进行特征压缩和降维的具体步骤如下：

步骤501，首先对时域特征信息和频域特征信息进行标准化；采用均值标准差标准化方法处理时域特征信息和频域特征信息,获取标准化变量；

步骤502，建立标准化变量的协方差矩阵，求解协方差矩阵的特征值和特征向量；利用标准化值计算标准化变量之间的相关系数，有k个特征值可建立k阶相关矩阵；由此协方差矩阵可获得由大到小排列的特征值λ_j(j＝1,2…k),k个特征值对应k个特征向量，每一特征向量包含k个分量；

步骤503，在步骤502获取的特征值和特征向量基础上，根据要求的累积贡献率，从时域特征信息和频域特征信息中选取主成分；在步骤502获取的特征值λ_j(j＝1,2…k)的基础上，计算前k个主成分对总方差的累积贡献率，即方差累积贡献率：这里取方差累积贡献率大于90％所需的主成分；

步骤504，建立各主成分值方程，计算各主成分值；各主成分值方程为：其中a_j为对应于各特征向量分量的权值，x_j为各特征向量分量的标准化数值；计算出所需要的各主成分值，形成新的训练样本集和测试样本集，获得牵引电传动系统的主要特征信息。

7.如权利要求3所述的列车牵引电传动系统的在线监测和故障预警方法，其特征在于，步骤600中，所述SOM神经网络算法包括如下步骤：

步骤601，设定变量；

x＝[x₁,x₂,…,x_n]为输入样本向量，ω_i(k)＝[ω_i1(k),ω_i2(k)…,ω_in(k)]为第i个输入节点与输出神经元之间的权值向量；

步骤602,初始化；权值向量使用较小的随机值进行初始化，并对输入样本向量和权值向量都做归一化处理：

$x^{\&prime;}=\frac{x}{\left|\right|x\left|\right|}$

${{\mathrm{\&omega;}}_i}^{\&prime;}\left(k\right)=\frac{{\mathrm{\&omega;}}_i\left(k\right)}{\left|\right|{\mathrm{\&omega;}}_i\left(k\right)\left|\right|}$

步骤603，对输入样本向量与权值向量做内积，内积值最大的输出神经元赢得竞争；内积值最大相当于欧氏距离最小：

D＝||x-ω||

D为欧氏距离；求得欧氏距离最小的那个神经元，记为获胜神经元；

步骤604,更新权值向量；对获胜神经元拓扑邻域内的神经元，采用Kohonen规则进行更新：

ω(k+1)＝ω(k)+η(x-ω(k))

其中η为随时间变化的学习率，0<η<1,随着时间的增长η将逐渐趋近于0：

η(t)＝η(0)(1-t/T)

t为当前迭代次数,T为整体最大迭代次数；

步骤605，更新学习率η及获胜神经元拓扑邻域，并对学习后的权值向量进行重新归一化；学习率η及获胜神经元拓扑邻域大小的调整按排序阶段和调整阶段两步来进行；

步骤606,判断是否收敛；判断迭代次数是否达到预设的最大迭代次数，若没有达到最大迭代次数，则转到603，否则结束算法。

8.如权利要求3所述的列车牵引电传动系统的在线监测和故障预警方法，其特征在于，

步骤600中的在线监测和故障预警结果显示在监测与预警结果显示模块。