CN106338664A - 一种列车变流器故障诊断方法和装置 - Google Patents

Abstract

本申请公开一种列车变流器故障诊断方法和装置。该方法在获取多个故障样本后对故障样本中的故障因子进行预处理，进而，基于预处理结果和故障样本的故障类别建立二维交叉列表，从而基于该二维交叉列表生成决策树，并根据决策树的生成过程确定故障分类判别规则，以对列车变流器的故障进行诊断。与现有技术相比，本发明结合决策树的生成过程生成列车变流器的故障分类判别规则，使得变流器故障诊断可以实现自动化和智能化，无需人工，同时提高了变流器故障诊断的精度。

Description

一种列车变流器故障诊断方法和装置

技术领域

本申请涉及列车自动化控制领域，更具体地说，涉及一种列车变流器故障诊断方法和装置。

背景技术

电力机车牵引变流器作为电力机车电气系统的核心部件之一，担负着给全车的用电设备供配电及变电的功能，是机车的电能转换核心设备。一旦出现问题，将导致“机破”而迫使铁路运输中断，严重影响交通及运输的安全及效能。

牵引变流器故障会产生巨大的危害，可能会造成铁路线陷入瘫疾，甚至造成伤亡事故的发生，严重的影响着人民的生命财产安全。所以，进行机车变流器故障检测技术、诊断技术、预测分析、预防科学等研究，是电力机车电气故障诊断和防控过程中必须完善的，是对保障轨道交通运输安全的必要要求。因此，高效、准确的诊断出变流器故障，并以此为依据实现快速处理故障，降低同类问题发生频率将显得尤为重要。

目前，通常仅基于变流器的波形变化，人工进行故障诊断，其自动化程度和故障诊断精度较低。

发明内容

有鉴于此，本申请提供一种列车变流器故障诊断方法和装置，以提高列表故障诊断的自动化程度和精度。

为了实现上述目的，现提出的方案如下：

一种列车变流器故障诊断方法，包括：

获取多个故障样本，其中所述故障样本包括故障类别和多种故障因子；

按照预设算法对所述故障样本中的各个故障因子进行预处理，输出计算结果；

以所述计算结果为解释变量，所述故障类别为目标变量建立二维交叉列表；

基于所述二维交叉列表生成决策树；

根据所述决策树的生成过程生成与所述决策树对应的故障分类判别规则，以对列车变流器的故障类别进行判断。

优选的，所述按照预设算法对所述故障样本中的各个故障因子进行预处理，输出计算结果，包括：

计算所述故障样本中各个故障因子对应的变异系数，输出各个故障因子对应的变异系数。

优选的，所述按照预设算法对所述故障样本中的各个故障因子进行预处理，输出计算结果，包括：

基于小波分析法对所述故障样本中的各个故障因子进行处理，输出各个故障因子对应的数据波形特征值。

优选的，所述变异系数的计算公式为：

$C\·V=\frac{\sqrt{\frac{\mathrm{\Σ}(X-\stackrel{\‾}{X})}{N-1}}}{\stackrel{\‾}{X}},\stackrel{\‾}{X}=\frac{1}{N}\mathrm{\Σ}X;$

其中，C·V表示变异系数，X表示故障因子，N表示故障因子的个数。

优选的，所述基于所述二维交叉列表生成决策树，包括：

步骤A：确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量；

步骤B：判断关于目标变量分布差异最小的所述两个解释变量是否满足预设合并条件；

若满足，则合并关于目标变量分布差异最小的所述两个解释变量，以生成新的二维交叉列表；

步骤C：循环执所述步骤A和所述步骤B直至生成的所述新的二维交叉列表中关于目标变量分布差异最小的所述两个解释变量不满足预设合并条件；

步骤D：判断所述新的二维交叉列表中的最小的解释变量是否满足预设拆分条件；

若满足，则拆分所述最小的解释变量；

步骤E：当满足预设停止条件时，停止所述决策树的生成。

优选的，所述决策树为CHAID决策树、ID3决策树、C4.5决策树、CART决策树、QUEST决策树或SPRINT决策树。

优选的，所述确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量，包括：

基于卡方统计量检验算法确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量。

优选的，所述确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量，包括：

基于似然估计统计量检验算法确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量。

一种列车变流器故障诊断装置，包括：

样本采集单元，用于获取多个故障样本，其中所述故障样本包括故障类别和多种故障因子；

数据预处理单元，按照预设算法对所述故障样本中的各个故障因子进行预处理，输出计算结果；

二维交叉列表生成单元，用于以所述计算结果为解释变量，所述故障类别为目标变量建立二维交叉列表；

决策树生成单元，用基于所述二维交叉列表生成决策树；

故障分类判别规则生成单元，用于根据所述决策树的生成过程生成与所述决策树对应的故障分类判别规则，以对列车变流器的故障类别进行判断。

优选的，所述数据预处理单元包括：第一数据预处理模块，用于计算所述故障样本中各个故障因子对应的变异系数，输出各个故障因子对应的变异系数。

优选的，所述数据预处理单元包括：第二数据预处理模块，用于基于小波分析法对所述故障样本中的各个故障因子进行处理，输出各个故障因子对应的数据波形特征值。

优选的，所述变异系数的计算公式为：

$C\·V=\frac{\sqrt{\frac{\mathrm{\Σ}(X-\stackrel{\‾}{X})}{N-1}}}{\stackrel{\‾}{X}},\stackrel{\‾}{X}=\frac{1}{N}\mathrm{\Σ}X;$

其中，C·V表示变异系数，X表示故障因子，N表示故障因子的个数。

优选的，所述决策树生成单元包括：

目标解释变量确定模块，用于确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量；

第一判断模块，用于判断关于目标变量分布差异最小的所述两个解释变量是否满足预设合并条件；

若满足，则合并关于目标变量分布差异最小的所述两个解释变量，直至生成的新的二维交叉列表中关于目标变量分布差异最小的所述两个解释变量不满足预设合并条件；

第二判断模块，用于判断所述新的二维交叉列表中的最小的解释变量是否满足预设拆分条件；

若满足，则拆分所述最小的解释变量；

控制模块，用于当满足预设停止条件时，停止所述决策树的生成。

优选的，所述决策树为CHAID决策树、ID3决策树、C4.5决策树、CART决策树、QUEST决策树或SPRINT决策树。

优选的，所述目标解释变量确定单元具体用于基于卡方统计量检验算法确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量。

优选的，所述目标解释变量确定单元具体用于基于似然估计统计量检验算法确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量。

经由上述技术方案可知，本申请公开一种列车变流器故障诊断方法和装置。该方法在获取多个故障样本后对故障样本中的故障因子进行预处理，进而，基于预处理结果和故障样本的故障类别建立二维交叉列表，从而基于该二维交叉列表生成决策树，并根据决策树的生成过程确定故障分类判别规则，以对列车变流器的故障进行诊断。与现有技术相比，本发明结合决策树的生成过程生成列车变流器的故障分类判别规则，使得变流器故障诊断可以实现自动化和智能化，无需人工，同时提高了变流器故障诊断的精度。

附图说明

为了更清楚地说明本发明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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1示出了本发明一个实施例公开的一种列车变流器故障诊断方法的流程示意图；

图2示出了本发明另一个实施例公开的一种决策树的生成方法；

图3示出了本发明另一个实施例公开的一种列车变流器故障诊断装置的结构示意图；

图4示出了本发明另一个实施例公开的一种决策树生成单元的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

参见图1示出了本发明一个实施例公开的一种列车变流器故障诊断方法的流程示意图。

由图1可知，本发明包括：

S101：获取多个故障样本，其中所述故障样本包括故障类别和多种故障因子。

获取专家判别后的历史故障因子集，即多个故障样本。该故障样本包括该故障的故障类型以及多个故障因子，如电流、电压、频率等与变流器相关的物理数据。

在本实施例中使用多个故障因子作为模型的数据源输入，进而对故障细分类型进行识别，使得诊断规则和结果更加全面有效。

S102：按照预设算法对所述故障样本中的各个故障因子进行预处理，输出计算结果。

可选的，在本实施例中采用变异系数的计算方法对各个故障因子进行预处理，即基于变异系数的计算公式计算各个故障因子对应的变异系数。

其中，变异系数的计算公式：

$C\·V=\frac{\sqrt{\frac{\mathrm{\Σ}(X-\stackrel{\‾}{X})}{N-1}}}{\stackrel{\‾}{X}},\stackrel{\‾}{X}=\frac{1}{N}\mathrm{\Σ}X;$

其中，C·V表示变异系数，X表示故障因子，N表示故障因子的个数。

当然，在本发明公开的其他实施例中，也可以采用小波分析法对各个故障因子进行预处理，计算并输出各个故障因子对应的数据波特征值。

S103：以所述计算结果为解释变量，所述故障类别为目标变量建立二维交叉列表。

对经过步骤S102处理后的所有故障样本进行数据的分类重构，以计算结果为解释变量，以故障类别为目标变量，建立二维交叉列表。

S104：基于所述二维交叉列表生成决策树。

S105：根据所述决策树的生成过程生成与所述决策树对应的故障分类判别规则，以对列车变流器的故障类别进行判断。

由以上实施例可知，本申请公开一种列车变流器故障诊断方法。本申请公开一种列车变流器故障诊断方法和装置。该方法在获取多个故障样本后对故障样本中的故障因子进行预处理，进而，基于预处理结果和故障样本的故障类别建立二维交叉列表，从而基于该二维交叉列表生成决策树，并根据决策树的生成过程确定故障分类判别规则，以对列车变流器的故障进行诊断。与现有技术相比，本发明结合决策树的生成过程生成列车变流器的故障分类判别规则，使得变流器故障诊断可以实现自动化和智能化，无需人工，同时提高了变流器故障诊断的精度。

参见图2示出了本发明另一个实施例公开的一种决策树的生成方法。

该方法包括：

步骤A：确定二维交叉列表中关于目标变量分布差异最小的两个解释变量。

在本发明中，该二维交叉列表以所有故障样本中各个故障因子对应的计算结果(变异系数或数据波特征值)为解释变量，故障样本的故障类别为目标变量。

在本实施例中故障类别Y为定类变量，构成一个以解释变量X为列，故障类别Y为行的二维交叉列表，因而可采用卡方统计量检验算法或似然估计统计量检验算法对上述二维交叉列表进行处理，以确定二维交叉列表中关于目标变量分布差异最小的两个解释变量。

下面以变异系数为解释变量，卡方统计量检验为例具体介绍该决策树的生成过程。

首先基于卡方统计量检验算法的计算公式计算各个变异系数对应的卡方值。

具体的，所述卡方统计量检验算法的计算公式为：

$X^2={\mathrm{\Σ}}_I{\mathrm{\Σ}}_J\frac{f_{IJ}-F_{IJ}}{F_{IJ}}.$

其中，f_IJ＝Y_IJ/n为实际分布频率,其中Y_IJ为二维交叉分类表中第i列第j行的样本数，n为全部样本数，f_IJ是与F_IJ对应的理论期望分布频率的估计值；F_IJ＝(Y_J/n)*(Y_I/n)，其中Y_J为二维交叉分类表中第j行样本数求和,Y_I为二维交叉分类表中第i列样本数求和。

进而，将每个变异系数对应的卡方值带入卡方检验对应的分布函数，得到对应的概率P值。确定P值最大的两个解释变量(变异系数)，则上述两个解释变量则为关于目标变量分布差异最小的解释变量。

步骤B：判断关于目标变量分布差异最小的所述两个解释变量是否满足预设合并条件；

若满足，则合并关于目标变量分布差异最小的所述两个解释变量，以生成新的二维交叉列表。

步骤C：循环执所述步骤A和所述步骤B直至生成的所述新的二维交叉列表中关于目标变量分布差异最小的所述两个解释变量不满足预设合并条件。

具体的，比较上述P值和预先设定的合并标准概率值α。如果P值大于合并标准α,则上述两个解释变量合并,合并后形成一个新的解释变量,然后重复步骤A，直至P值小于α。

步骤D：判断所述新的二维交叉列表中的最小的解释变量是否满足预设拆分条件；

若满足，则拆分所述最小的解释变量。

采用Bonferroni法计算解释变量X和目标变量Y的列联表调整的值。Bonferroni乘数计算公司如下。

$\stackrel{\‾}{P}={\mathrm{\Σ}}_{i=0}^{r-1}{(-1)}^i\frac{{(r-i)}^e}{r!(r-i)!}$

上式中e为解释变量起始类别数，r为解释变量合并的类别数。

选择调整后值最小的解释变量X。比较它的值和预先设定的拆分标准β。如果值小于拆分标准β,则根据该X类别拆分结点；如果值大于拆分标准β,则不拆分结点。这个结点就是终结点。

步骤E：当满足预设停止条件时，停止所述决策树的生成。

在本发明优选采用CHAID决策树算法对列车变流器的故障进行诊断，当然也可以尝试用其他类型的决策树算法进行分类判别，获得相应判别规则，如CHAID决策树、ID3决策树、C4.5决策树、CART决策树、QUEST决策树或SPRINT决策树。

参见图3示出了本发明另一个实施例公开的一种列车变流器故障诊断装置的结构示意图。

由图3可知，该装置包括：样本采集单元1、数据预处理单元2、二维交叉列表生成单元3、决策树生成单元4以及故障分类判别规则生成单元5。

其中，样本采集单元1用于获取多个故障样本并将获取到的多个故障样本发送至计算单元2中。其中所述故障样本包括故障类别和多种故障因子；

数据预处理单元2按照预设算法对所述故障样本中的各个故障因子进行预处理，输出计算结果。

其中，该数据预处理单元包括：第一数据预处理模块21和第二数据预处理模块22。

其中，第一数据预处理模块，用于计算所述故障样本中各个故障因子对应的变异系数，输出各个故障因子对应的变异系数。

第二数据预处理模块，用于基于小波分析法对所述故障样本中的各个故障因子进行处理，输出各个故障因子对应的数据波形特征值。

在实际应用可采用第一数据预处理模块对故障因子进行预处理，当然也可采用第二数据预处理模块对故障因子进行处理器，检测人员可根据实际情况自主选择。

其中，第一数据预处理模块中的变异系数的计算公式为：

$C\·V=\frac{\sqrt{\frac{\mathrm{\Σ}(X-\stackrel{\‾}{X})}{N-1}}}{\stackrel{\‾}{X}},\stackrel{\‾}{X}=\frac{1}{N}\mathrm{\Σ}X;$

其中，C·V表示变异系数，X表示故障因子，N表示故障因子的个数。

二维交叉列表生成单元3，用于以所述计算结果为解释变量，所述故障类别为目标变量建立二维交叉列表。

进而，决策树生成单元4基于所述二维交叉列表生成决策树。

故障分类判别规则生成单元5则用于根据所述决策树的生成过程生成与所述决策树对应的故障分类判别规则，以对列车变流器的故障类别进行判断。

需要说明的是，在本发明公开的其他实施例所述决策树生成单元具体包括：目标解释变量确定单元51、第一判断单元52、第二判断单元53以及控制单元54。参见图4示出了本发明另一个实施例公开的一种决策树生成单元的结构示意图。

其中，各个子单元的具体执行过程如下：

目标解释变量确定单元，用于确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量。具体的，可基于卡方统计量检验算法确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量，也可基于似然估计统计量检验算法确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量。

第一判断单元，用于判断关于目标变量分布差异最小的所述两个解释变量是否满足预设合并条件；

若满足，则合并关于目标变量分布差异最小的所述两个解释变量，直至生成的新的二维交叉列表中关于目标变量分布差异最小的所述两个解释变量不满足预设合并条件；

第二判断单元，用于判断所述新的二维交叉列表中的最小的解释变量是否满足预设拆分条件；

若满足，则拆分所述最小的解释变量。

控制单元用于当满足预设停止条件时，停止所述决策树的生成。

需要说明的是该系统实施例与方法实施例相对应，其执行过程和执行原理相同，在此不作赘述。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (16)

1.一种列车变流器故障诊断方法，其特征在于，包括：

获取多个故障样本，其中所述故障样本包括故障类别和多种故障因子；

按照预设算法对所述故障样本中的各个故障因子进行预处理，输出计算结果；

以所述计算结果为解释变量，所述故障类别为目标变量建立二维交叉列表；

基于所述二维交叉列表生成决策树；

根据所述决策树的生成过程生成与所述决策树对应的故障分类判别规则，以对列车变流器的故障类别进行判断。

2.根据权利要求1所述的方法，其特征在于，所述按照预设算法对所述故障样本中的各个故障因子进行预处理，输出计算结果，包括：

计算所述故障样本中各个故障因子对应的变异系数，输出各个故障因子对应的变异系数。

3.根据权利要求1所述的方法，其特征在于，所述按照预设算法对所述故障样本中的各个故障因子进行预处理，输出计算结果，包括：

基于小波分析法对所述故障样本中的各个故障因子进行处理，输出各个故障因子对应的数据波形特征值。

4.根据权利要求2所述的方法，其特征在于，所述变异系数的计算公式为：

其中，C·V表示变异系数，X表示故障因子，N表示故障因子的个数。

5.根据权利要求1所述的方法，其特征在于，所述基于所述二维交叉列表生成决策树，包括：

步骤A：确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量；

步骤B：判断关于目标变量分布差异最小的所述两个解释变量是否满足预设合并条件；

若满足，则合并关于目标变量分布差异最小的所述两个解释变量，以生 成新的二维交叉列表；

步骤C：循环执所述步骤A和所述步骤B直至生成的所述新的二维交叉列表中关于目标变量分布差异最小的所述两个解释变量不满足预设合并条件；

步骤D：判断所述新的二维交叉列表中的最小的解释变量是否满足预设拆分条件；

若满足，则拆分所述最小的解释变量；

步骤E：当满足预设停止条件时，停止所述决策树的生成。

6.根据权利要求5所述的方法，其特征在于，所述决策树为CHAID决策树、ID3决策树、C4.5决策树、CART决策树、QUEST决策树或SPRINT决策树。

7.根据权利要求5所述的方法，其特征在于，所述确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量，包括：

基于卡方统计量检验算法确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量。

8.根据权利要求5所述的方法，其特征在于，所述确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量，包括：

基于似然估计统计量检验算法确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量。

9.一种列车变流器故障诊断装置，其特征在于，包括：

样本采集单元，用于获取多个故障样本，其中所述故障样本包括故障类别和多种故障因子；

数据预处理单元，按照预设算法对所述故障样本中的各个故障因子进行预处理，输出计算结果；

二维交叉列表生成单元，用于以所述计算结果为解释变量，所述故障类别为目标变量建立二维交叉列表；

决策树生成单元，用基于所述二维交叉列表生成决策树；

故障分类判别规则生成单元，用于根据所述决策树的生成过程生成与所述决策树对应的故障分类判别规则，以对列车变流器的故障类别进行判断。

10.根据权利要求9所述的装置，其特征在于，所述数据预处理单元包括：第一数据预处理模块，用于计算所述故障样本中各个故障因子对应的变异系数，输出各个故障因子对应的变异系数。

11.根据权利要求9所述的装置，其特征在于，所述数据预处理单元包括：第二数据预处理模块，用于基于小波分析法对所述故障样本中的各个故障因子进行处理，输出各个故障因子对应的数据波形特征值。

12.根据权利要求10所述装置，其特征在于，所述变异系数的计算公式为：

其中，C·V表示变异系数，X表示故障因子，N表示故障因子的个数。

13.根据权利要求6所述的装置，其特征在于，所述决策树生成单元包括：

目标解释变量确定模块，用于确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量；

第一判断模块，用于判断关于目标变量分布差异最小的所述两个解释变量是否满足预设合并条件；

若满足，则合并关于目标变量分布差异最小的所述两个解释变量，直至生成的新的二维交叉列表中关于目标变量分布差异最小的所述两个解释变量不满足预设合并条件；

第二判断模块，用于判断所述新的二维交叉列表中的最小的解释变量是否满足预设拆分条件；

若满足，则拆分所述最小的解释变量；

控制模块，用于当满足预设停止条件时，停止所述决策树的生成。

14.根据权利要求13所述的装置，其特征在于，所述决策树为CHAID决策树、ID3决策树、C4.5决策树、CART决策树、QUEST决策树或SPRINT决策树。

15.根据权利要求13所述的装置，其特征在于，所述目标解释变量确定单元具体用于基于卡方统计量检验算法确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量。

16.根据权利要求13所述的装置，其特征在于，所述目标解释变量确定单元具体用于基于似然估计统计量检验算法确定所述二维交叉列表中关于目标变量分布差异最小的两个解释变量。