CN109507990B - 一种故障溯源方法及系统 - Google Patents

一种故障溯源方法及系统 Download PDF

Info

Publication number
CN109507990B
CN109507990B CN201811589378.4A CN201811589378A CN109507990B CN 109507990 B CN109507990 B CN 109507990B CN 201811589378 A CN201811589378 A CN 201811589378A CN 109507990 B CN109507990 B CN 109507990B
Authority
CN
China
Prior art keywords
fault
observation point
point
observation
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811589378.4A
Other languages
English (en)
Other versions
CN109507990A (zh
Inventor
阳春华
尹进田
彭涛
陈志文
杨超
谢永芳
桂卫华
陶宏伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201811589378.4A priority Critical patent/CN109507990B/zh
Publication of CN109507990A publication Critical patent/CN109507990A/zh
Application granted granted Critical
Publication of CN109507990B publication Critical patent/CN109507990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明涉及故障传播与故障诊断溯源领域，公开了一种故障溯源方法及系统，以考虑故障传播特性，快速且有效地确定故障发生类型并确定故障发生点，实施成本低；本发明的方法包括：在待测牵引传动控制系统的不同位置设置至少两个观测点，并建立第一传播模型；分析发生不同类型故障时各观测点的时空特性，建立故障信号传播模型；建立故障字典；提取运行数据中各观测点的故障检测特征，将故障检测特征与设定阈值进行比较，判断系统是否发生故障，若发生故障，初步判定故障发生位置，并获取该位置对应的故障字典矩阵；构建各观测点实时运行数据的故障特征向量，将故障特征向量与对应的故障字典矩阵中的行或者部分元素进行匹配，以实现故障溯源。

Description

一种故障溯源方法及系统
技术领域
本发明涉及故障传播与故障诊断溯源领域，尤其涉及一种故障溯源方法及系统。
背景技术
安全运行是高速列车运行与发展的首要问题，但由于高速列车运行时速高、运行环境恶劣以及长时间运行都可能导致高速列车的元部件老化或故障等问题出现，进而给高速列车运行带来严重的安全隐患。其中，牵引传动控制系统是信息控制系统的重要组成部分，是高速列车安全运行的关键系统之一，也是高速列车高发故障的主要来源。牵引传动控制系统的任何故障或安全隐患若不能实时诊断找到故障根源并得到有效处理，都可能引发连锁反应，甚至导致灾难性后果。因此，高速列车牵引传动控制系统能否实时故障诊断实现故障溯源是确保高速列车安全运行的关键。
故障诊断是一种重要的复杂系统可靠安全运行监测技术，其理论研究成果丰富，但目前针对高速列车牵引传动控制系统故障诊断主要集中在对器件或子系统故障时在牵引传动控制系统单一位置的诊断研究，缺乏对故障传播机理问题的研究。当前对于故障传播的研究主要集中在网络系统、化学化工、电力系统、电子电路等，而由于牵引传动控制系统存在内部复杂线路与电磁场等的交织，且部件间功能性、电气性的连接具有高耦合度和大密度等特征，使得系统部件单元之间具有故障传播特性，通过对牵引传动控制系统进行故障特性传播研究可以追溯故障根源，还可以找出不同故障对相邻子系统位置参量观测值的影响以便监控。当前有关故障传播的研究都只是从空间角度对故障传播进行了分析，并未考虑故障传播的时间特性，而系统故障的发生、扩散和传播具有延时性，把时间引入到故障传播研究中，可以更准确、更符合实际地描述故障传播方式，在此基础上提出的如故障诊断方法或与时间因素相关的传感器布置方案也将更为合理，因此考虑故障传播的时间特性具有必要性。
因此，有必要提供一种考虑故障传播特性的牵引传动控制系统用故障溯源方法及系统。
发明内容
本发明目的在于提供一种故障溯源方法及系统，以考虑故障传播特性，快速且有效地确定故障发生类型并确定故障发生点，实施成本低。
为实现上述目的，本发明提供了一种故障溯源方法，包括以下步骤：
S1：在待测牵引传动控制系统的不同位置设置至少两个观测点，并建立所述待测牵引传动控制系统在正常运行情况下观测点间的第一传播模型；
S2：根据所述第一传播模型分析发生不同类型故障时各观测点的时空特性，根据所述时空特性建立故障信号传播模型，所述故障传播模型包含各观测点间的演变故障信息和故障传播时间；
S3：根据所述演变故障信息、故障传播时间、以及观测点的历史故障数据提取观测点的故障诊断特征，根据所述故障诊断特征建立故障字典；所述故障字典包括至少两个故障字典矩阵，且每个故障字典矩阵包括故障发生类型和故障发生点；
S4：获取待测牵引传动控制系统的实时运行数据，提取所述运行数据中各观测点的故障检测特征，将所述故障检测特征与设定阈值进行比较，判断系统是否发生故障，若发生故障，则根据格兰杰因果关系初步判定故障发生位置，并获取该位置对应的故障字典矩阵；
S5：构建各观测点实时运行数据的故障特征向量，将所述故障特征向量与对应的故障字典矩阵中的行或者部分元素进行匹配，以实现故障溯源。
优选地，所述S5中，故障溯源包括判定系统发生的故障类型，并定位故障发生点。
优选地，所述S1具体包括以下步骤：
S11：所述观测点个数为Q个，建立系统正常运行情况下，p观测点的第一传播模型为：
Zp(tp)＝Sp,p-1·Zp-1(tp-1)； (1)
式中，Zp(tp)表示第p个观测点处信号，其中，p＝1,2,…Q，Zp-1(tp-1)表示第p-1个观测点处信号，tp表示第p个观测点处的时间变量，tp-1表示第p-1个观测点处的时间变量，Sp,p-1表示从p-1个观测点信号Zp-1(tp-1)传播至p观测点信号Zp(tp)间的转移函数，Sp,p-1＝f(Gp,p-1,tp)，其中Gp,p-1由两观测点间的系统结构决定；
优选地，所述S2中，故障信号传播模型的计算公式为：
Figure BDA0001919870850000021
式中，
Figure BDA0001919870850000022
为待测牵引传动控制系统正常运行时p观测点信号，
Figure BDA0001919870850000023
为待测牵引传动控制系统在h点发生第k类故障时p观测点处的信号，其中k为牵引传动控制系统故障类型k＝1,2,…nf，h为故障位置，h＝1,2,…ng；Sp,h为从故障位置h到观测点p的信号转移函数，
Figure BDA0001919870850000024
为牵引传动控制系统中在h点发生第k类故障时的故障源信号，
Figure BDA0001919870850000025
为p观测点时间变量，
Figure BDA0001919870850000026
为故障源信号
Figure BDA0001919870850000027
从h点传播到p观测点的演变故障信号，
Figure BDA0001919870850000031
为
Figure BDA0001919870850000032
Sp,h和
Figure BDA0001919870850000033
的函数，
Figure BDA0001919870850000034
为信号运算；
其中，故障源信号
Figure BDA0001919870850000035
的计算公式为：
Figure BDA0001919870850000036
式中，Γ为阶跃函数，N为不同类型脉冲序列数，j为第j组脉冲序列，nj为第j组脉冲信号总个数，且
Figure BDA0001919870850000037
其中ceil表示向正无穷大取整，Tcj为第j组故障信号的子周期，Ttj为第j组故障信号的触发时刻，τj为第j组脉冲序列工作周期，TH{}为阈值函数；csj为第j组故障信号的故障状态，当发生开路故障时csj＝0，当发生短路故障时csj＝1，当τj→1时，式中阶跃函数的差值为无穷大，用于表示永久型故障信号；当τj→0时，用于表示瞬态型故障信号；当0<τj<1时，用于表示间歇型故障信号。
优选地，所述S3具体包括以下步骤：
S31：从历史故障数据中提取出故障诊断特征
Figure BDA0001919870850000038
得到故障源为h(h＝1,2,…ng)时的故障特征矩阵Fh，公式为：
Figure BDA0001919870850000039
式中，p＝h时，
Figure BDA00019198708500000310
为故障发生点处源故障特征，p≠h时，
Figure BDA00019198708500000311
为从故障发生点处传播至p观测点处的演变故障特征；
S32：建立故障发生点为h时的故障字典矩阵Ah，如下式：
Figure BDA00019198708500000312
将ng个故障字典矩阵
Figure BDA00019198708500000313
构成故障字典。
优选地，所述S4具体包括以下步骤：
S41：获取待测牵引传动控制系统的实时运行数据，设定不同观测点不同故障类型的检测阈值为
Figure BDA0001919870850000041
生成阈值矩阵Jth：
Figure BDA0001919870850000042
提取不同观测点实时运行数据在不同故障类型下的故障检测特征
Figure BDA0001919870850000043
Figure BDA0001919870850000044
生成故障检测特征矩阵Fa：
Figure BDA0001919870850000045
比较Fa矩阵与Jth矩阵中的元素，当
Figure BDA0001919870850000046
时，判断系统无故障发生，直至比较完所有元素，当
Figure BDA0001919870850000047
时，判断系统中有故障发生；
对不同观测点信号Zp1(tp1)、Zp2(tp2)(p1,p2∈{1,2,…Q})进行格兰杰因果关系判定，并根据格兰杰因果关系初步判定故障发生点位置；
S42：设定p1观测点是故障源或故障源附近的观测点，且p1＝px，px＝1,2,…,Q，设定阈值Ga；
S43：计算p1观测点信号Zp1(tp1)与其他所有观测点信号Zpy(tpy)间的格兰杰因果关系统计量Gp1,py，其中py＝1,2,…Q，py≠px；如果所有的Gp1,py≥Ga，则p1观测点信号是引起其他观测点信号变化的原因，p1观测点是故障源或故障源附近的观测点，则初步判定故障发生点位置在当前px观测点或在px观测点附近；如果所有的Gp1,py<Ga，则判定p1观测点不在当前px观测点或在px观测点附近；
S44：设定p1＝px+1观测点，且该观测点是故障源或故障源附近的观测点，返回S43继续判断，直至px取值所有观测点。
优选地，所述S5具体包括以下步骤：
S51：在初步判定故障发生点位置px＝b后，提取p个观测点的故障诊断特征
Figure BDA0001919870850000051
其中，p＝1,2,…,Q，测算故障传播时间
Figure BDA0001919870850000052
构成nf个故障诊断特征向量为：
Figure BDA0001919870850000053
S52：设定初始值k＝1，h′＝b-c；其中c表示与b相邻远近的正整数；
S53：将故障诊断特征向量Fk分别与故障字典矩阵Ah′矩阵中第k行
Figure BDA0001919870850000054
中元素逐一比较，进行模糊匹配；当元素匹配隶属度
Figure BDA0001919870850000055
为第k类故障的元素匹配隶属度阈值时，表示故障诊断特征向量Fk中某列元素与Ah′矩阵中第k行相同列元素匹配成功，否则匹配不成功；
S54：如果故障诊断特征向量Fk与Ah′矩阵中第k行元素匹配成功率ηk<δ，则令h′＝b-c+1，其中，b-c≤h′≤b+c，
Figure BDA0001919870850000056
记录当前h′值，返回到步骤53转入下一相邻点故障字典矩阵Ah′进行匹配，直至h′＝b+c；
若故障诊断特征向量Fk与所有2c+1个故障字典矩阵Ah′中第k行元素匹配成功率ηk<δ，则令k＝k+1，其中1≤k≤nf，记录当前k值，返回到步骤53转入k+1行进行匹配；
如果故障诊断特征向量Fk与Ah′矩阵中第k行元素匹配成功率ηk≥δ，其中
Figure BDA0001919870850000057
Rk为第k行元素匹配成功的总数，δ为行匹配成功率阈值，由当前k、h′的记录值，确定系统发生了第k类故障，并定位故障发生点在h′处，其中h′表示故障源或者故障元部件。
优选地，所述S11中，第p个观测点处信号包括电流信号和电压信号。
优选地，所述故障传播时间包括信号输入处理时间、控制策略运算时间、以及控制运算输出处理时间。
作为一个总的技术构思，本发明还提供一种故障溯源系统，包括存储器、处理器以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计算机程序时实现上述方法的步骤。
本发明具有以下有益效果：
本发明提供一种故障溯源方法及系统，通过在牵引传动控制系统中设置观测点，并建立观测点间的第一传播模型，以进一步分析发生不同类型故障时各观测点的时空特性，考虑了故障传播的时间特性，可以更准确更符合实际地描述故障传播方式，能快速且有效地确定故障发生类型并确定故障发生点，实施成本低。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的故障溯源方法流程图；
图2是本发明优选实施例的牵引传动控制系统框图及观测点设置图；
图3是本发明优选实施例的牵引传动控制系统主电路拓扑图；
图4是本发明优选实施例的观测点2、3、4电流信号与观测点1电流信号Granger因果关系图；
图5是本发明优选实施例的牵引电机定子电流(观测点1)频谱图；
图6是本发明优选实施例的中间直流环节电流(观测点2)频谱图；
图7是本发明优选实施例的中间直流环节电流(观测点3)频谱图；
图8是本发明优选实施例的整流器输入侧电流(观测点4)频谱图；
图9是本发明优选实施例的牵引电机定子电流(观测点1)时域波形图；
图10是本发明优选实施例的中间直流环节电流(观测点2)时域波形图；
图11是本发明优选实施例的中间直流环节电流(观测点3)时域波形图；
图12是本发明优选实施例的整流器输入侧电流(观测点4)时域波形图；
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而仅仅是为了便于对相应零部件进行区别。同样，“一个”或者“一”等类似词语不表示数量限制，而是表示存在至少一个。
实施例1
参见图1，本实施例提供一种故障溯源方法，包括以下步骤：
S1：在待测牵引传动控制系统的不同位置设置至少两个观测点，并建立待测牵引传动控制系统在正常运行情况下观测点间的第一传播模型；
S2：根据第一传播模型分析发生不同类型故障时各观测点的时空特性，根据时空特性建立故障信号传播模型，故障传播模型包含各观测点间的演变故障信息和故障传播时间；
S3：根据演变故障信息、故障传播时间、以及观测点的历史故障数据提取观测点的故障诊断特征，根据故障诊断特征建立故障字典；故障字典包括至少两个故障字典矩阵，且每个故障字典矩阵包括故障发生类型和故障发生点；
S4：获取待测牵引传动控制系统的实时运行数据，提取运行数据中各观测点的故障检测特征，将故障检测特征与设定阈值进行比较，判断系统是否发生故障，若发生故障，则根据格兰杰因果关系初步判定故障发生位置，并获取该位置对应的故障字典矩阵；
S5：构建各观测点实时运行数据的故障特征向量，将故障特征向量与对应的故障字典矩阵中的行或者部分元素进行匹配，以实现故障溯源。
上述的故障溯源方法，通过在牵引传动控制系统中设置观测点，并建立观测点间的第一传播模型，以进一步分析发生不同类型故障时各观测点的时空特性，考虑了故障传播的时间特性，可以更准确更符合实际地描述故障传播方式，能快速且有效地确定故障发生类型并确定故障发生点，实施成本低。
需要说明的是，故障溯源包括判定系统发生的故障类型，并定位故障发生点。
具体地，在实际应用中，上述步骤还可以进行优化，优化后的实施例如下：
本实施例中，以牵引传动控制系统中牵引电机转子断条故障为例进行说明。从牵引电机到牵引变压器依次设置4个观测点，牵引传动控制系统框图及观测点设置图如图2所示，其中，牵引传动控制系统主电路拓扑如图3所示。
建立系统正常运行时p观测点的第一传播模型为：
Zp(tp)＝Sp,p-1·Zp-1(tp-1)； (1)
式中，Zp(tp)表示第p个观测点处信号，其中，p＝1,2,…Q，需要说明的是，观测点处信号可以为电流、电压等各种物理量；Zp-1(tp-1)，表示第p-1个观测点处信号，tp表示第p个观测点处的时间变量，tp-1表示第p-1个观测点处的时间变量，Sp,p-1表示从p-1观测点信号Zp-1(tp-1)传播至p观测点信号Zp(tp)间的转移函数，Sp,p-1＝f(Gp,p-1,tp)，其中Gp,p-1由两观测点间的系统结构决定。具体地，当p＝1时，Z1(t1)＝S1,0·Z0(t0)，如果将p＝0点设置在第Q个观测点处，即Z0(t0)＝ZQ(tQ)，表示信号传播形成闭环，S1,0表示从p＝Q信号ZQ(tQ)传播至与p＝1点Z1(t1)的转移函数；如果将p＝0点设置在电源处或牵引电机处，表示信号从p＝0观测点传播至Q观测点为开环形式。公式(1)用p-1观测点处信号表征p观测点处信号，即表示p观测点处信号由p-1观测点处信号传播而来。同理有：Zp-1(tp-1)＝Sp-1,p·Zp(tp)，Sp-1,p表示从p观测点信号Zp(tp)传播至p-1观测点信号Zp-1(tp-1)间的转移函数。
进一步地，由公式(1)得：
Figure BDA0001919870850000081
公式(2)用p＝0处信号Z0(t0)表征p观测点处信号，即p观测点处信号由Z0(t0)经过Z1(t1)、Z2(t2)…Zp-1(tp-1)传播而来；
需要说明的是，根据电路结构和调制理论，牵引传动控制系统观测点2与观测点4的电流信号模型为：
Figure BDA0001919870850000082
式中，Z1(t1)＝[ia ib ic]-1，S2,1＝[Sua Sub Suc]；Sua、Sub、Suc为逆变器三相开关函数；S4,3＝Sia为整流器开关函数，ia，ib，ic为逆变器输出电流(即牵引电机定子电流)；Z2(t2)＝id1为逆变器输入电流，Z3(t3)＝id2为整流器输出电流；Z4(t4)＝iN为整流器输入侧电流。
利用双重傅里叶变换可得到逆变器三相开关函数为：
Figure BDA0001919870850000083
Figure BDA0001919870850000084
Figure BDA0001919870850000085
式中，ω1为调制波角频率，ωc为载波角频率，M为调制度，m为载波频率倍数，n为调制波谐波频率倍数，J0(·)为0阶贝塞尔函数、Jn(·)为n阶贝塞尔函数，t2为中间直流环节观测点2时间变量。
整流器a桥臂开关函数为：
Figure BDA0001919870850000091
式中，θ为整流装置控制角，ω为供电电源角频率，其对应频率为f，t4为整流器输入侧时间变量。
牵引传动控制系统正常运行时，对于p观测点时间变量tp，表示为tp＝tp-1+△tp,p-1，tp-1为p-1观测点时间变量，△tp,p-1为p-1观测点处信号传播到p观测点所需时间；根据系统中信号执行时间的组成，可得传播时间△tp,p-1包括信号输入处理时间、控制策略运算时间和控制运算输出处理时间。
系统发生故障时，通过分解观测点信号和系统对信号的处理时间，对故障进行时空特性传播分析，得到不同观测点信号中的演变故障信号和故障传播时间。
具体地，牵引传动控制系统发生故障时，对发生不同类型故障时各观测点信号进行时空特性分析，建立p观测点故障信号传播模型，公式为：
Figure BDA0001919870850000092
式中，
Figure BDA0001919870850000093
为牵引传动控制系统正常运行时p观测点信号，即
Figure BDA0001919870850000094
Figure BDA0001919870850000095
为系统在h点发生第k类故障时p观测点处的信号，其中，k＝1,2,…nf表示牵引传动控制系统故障类型(本实施例中，将同种元部件不同位置故障视为不同故障类型。元部件在此为牵引传动控制系统中的独立个体，如IGBT、电容、电阻、传感器、牵引电机等)，h为故障位置(不同类型故障在系统中的位置可能相同)，h＝1,2,…ng；Sp,h表示从故障位置h到观测点p的信号转移函数；
Figure BDA0001919870850000096
为牵引传动控制系统中在h点发生第k类故障时的故障源信号；
Figure BDA0001919870850000097
为p观测点时间变量；
Figure BDA0001919870850000098
为故障源信号
Figure BDA0001919870850000099
从h点传播到p观测点的演变故障信号，
Figure BDA00019198708500000910
为
Figure BDA00019198708500000911
Sp,h和
Figure BDA00019198708500000912
的函数；
Figure BDA00019198708500000913
为信号运算，本实施例中，
Figure BDA00019198708500000914
可以是相加或相乘运算，即系统发生故障后p观测点的信号是由不含故障信号部分
Figure BDA0001919870850000101
与演变故障信号
Figure BDA0001919870850000102
相加或相乘得到：
Figure BDA0001919870850000103
或：
Figure BDA0001919870850000104
故障源信号
Figure BDA0001919870850000105
由下式表示：
Figure BDA0001919870850000106
式中，Γ为阶跃函数，N为不同类型脉冲序列数，j为第j组脉冲序列，nj为第j组脉冲信号总个数，
Figure BDA0001919870850000107
ceil为向正无穷大取整，Tcj为第j组故障信号的子周期，Ttj为第j组故障信号的触发时刻，τj为第j组脉冲序列工作周期，TH{}为阈值函数，csj为第j组故障信号的故障状态，当发生开路故障时csj＝0，当发生短路故障时csj＝1。该式可用于表示永久型、间歇型、瞬态型及其任意组合的故障特征信号，当τj→1时，式中阶跃函数的差值为无穷大，用于表示永久型故障信号；当τj→0时，用于表示瞬态型故障信号；当0<τj<1时，用于表示间歇型故障信号。
具体地，以牵引电机转子断条故障为例，分析牵引传动控制系统中的故障传播时空特性。牵引电机正常无故障时定子三相电流表示为：
Figure BDA0001919870850000108
式中，Im为定子电流基波分量幅值，
Figure BDA0001919870850000109
为定子电流基波分量相位，ω1为施加在电机上的电压角频率，ω1对应频率为f1。
假设牵引电机断条故障为故障类型k＝1，故障位置为h＝1，则牵引电机发生断条故障时式(11)故障源信号表示为：
Figure BDA00019198708500001010
式中，fs1、fs2都为断条故障特征频率，且fs1＝(1+2s)f1、fs2＝(1-2s)f1；Ibp、Ibn分别为(1+2s)f1频率分量和(1-2s)f1频率分量的幅值，
Figure BDA0001919870850000111
分别为(1+2s)f1频率分量和(1-2s)f1频率分量的相位，s为转差率。
此时牵引电机三相定子电流(观测点1)可表示为：
Figure BDA0001919870850000112
结合式(8)，观测点1中a相电流为：
Figure BDA0001919870850000113
Figure BDA0001919870850000114
Figure BDA0001919870850000115
上述计算结果与公式(9)的计算结果相符；
需要说明的是，b、c相电流计算方法与a相电流类似，在此不多做赘述。
将式(4)、(5)、(6)、(14)代入式(3)得到观测点2电流信号表达式为：
Figure BDA0001919870850000116
式中，
Figure BDA0001919870850000117
为直流分量，
Figure BDA0001919870850000118
为频率2sf1的分量幅值，
Figure BDA0001919870850000119
为频率2sf1的分量相位，ih为求和符号内的高频分量结合公式(8)，观测点2中电流信号为：
Figure BDA00019198708500001110
Figure BDA00019198708500001111
Figure BDA00019198708500001112
上述计算结果与公式(9)的计算结果相符；
在牵引传动控制系统中，观测点2与观测点3时间变量基本相同，即
Figure BDA0001919870850000121
由于中间直流环节电容实际起到了低通滤波的作用，式(18)中id1的高频分量将被滤除，只含直流分量和低频分量，因此，观测点3电流信号表示为：
Figure BDA0001919870850000122
因此，在观测点2与观测点3，2sf1是牵引电机发生断条故障的特征频率。
结合式(8)，观测点3中电流信号为：
Figure BDA0001919870850000123
Figure BDA0001919870850000124
Figure BDA0001919870850000125
上述计算结果与公式(9)的计算结果相符；
式(7)、(23)代入式(3)，得观测点4电流信号表达式为：
Figure BDA0001919870850000126
因此，在观测点4，(4n±1)f±2sf1是牵引电机发生断条故障的特征频率。
结合式(8)，观测点4中电流信号：
Figure BDA0001919870850000127
Figure BDA0001919870850000128
Figure BDA0001919870850000129
上述计算结果与公式(9)的计算结果相符；
需要说明的是，牵引传动控制系统发生故障时，对于p观测点时间变量
Figure BDA00019198708500001210
表示为
Figure BDA0001919870850000131
Figure BDA0001919870850000132
为牵引传动控制系统故障点h处时间变量，
Figure BDA0001919870850000133
为第k类故障信号从故障点h传播到p观测点所需时间。则本实施例中，根据系统对信号的处理时间，可得故障信号的传播时间
Figure BDA0001919870850000134
包括信号输入处理时间、控制策略运算时间和控制运算输出处理时间。
结合牵引传动控制系统，设传感器采样AD转换时间(信号输入处理时间)为T1；TCU控制策略运算时间为T2；变流器IGBT开通时间(控制输出处理时间)为T3，则
Figure BDA0001919870850000135
由T1、T2、T3组成。
根据CRH2型动车组牵引传动控制系统故障分类、观测点设置以及系统对信号的执行时间，得到牵引传动控制系统牵引电机转子断条故障特征传播到不同观测点所需时间，如表1所示。
表1 牵引电机转子断条故障传播到不同观测点时间
Figure BDA0001919870850000136
Figure BDA0001919870850000137
中，
Figure BDA0001919870850000138
Figure BDA0001919870850000139
中，
Figure BDA00019198708500001310
Figure BDA00019198708500001311
中，
Figure BDA00019198708500001312
进一步地，根据演变故障信息、故障传播时间、以及观测点的历史故障数据提取观测点的故障诊断特征，根据故障诊断特征建立故障字典；故障字典包括至少两个故障字典矩阵，且每个故障字典矩阵包括故障发生类型和故障发生点。
具体地，设定系统在h点发生第k类故障时p观测点处的演变故障信号为
Figure BDA00019198708500001313
历史故障数据中提取出故障诊断特征
Figure BDA00019198708500001314
得到故障发生点(故障源)为h(h＝1,2,…ng)时的故障特征矩阵Fh，公式为：
Figure BDA00019198708500001315
式中，p＝h时，
Figure BDA0001919870850000141
为故障发生点(故障源)处源故障特征，p≠h时，
Figure BDA0001919870850000142
为从故障发生点(故障源)处传播至p观测点处的演变故障特征。
建立故障发生点(故障源)为h(h＝1,2,…ng)时的含有故障类型、观测点故障诊断特征
Figure BDA0001919870850000143
和传播时间
Figure BDA0001919870850000144
的故障字典矩阵Ah如下式：
Figure BDA0001919870850000145
将ng个故障字典矩阵
Figure BDA0001919870850000146
构成故障字典。
需要说明的是，牵引传动控制系统电网频率50Hz，牵引电机稳态运行时定子电流频率为131.1Hz，转差率为0.0172，牵引电机转子断条故障时，由各观测点电流故障诊断特征频率建立故障特征矩阵F1及故障字典矩阵A1。
Figure BDA0001919870850000147
Figure BDA0001919870850000148
设定不同观测点不同故障类型的检测阈值
Figure BDA0001919870850000149
生成阈值矩阵Jth：
Figure BDA00019198708500001410
提取不同观测点不同故障类型现场运行数据的故障检测特征
Figure BDA00019198708500001411
Figure BDA00019198708500001412
生成故障检测特征矩阵Fa：
Figure BDA0001919870850000151
比较Fa矩阵与Jth矩阵中的元素，当
Figure BDA0001919870850000152
时，判断系统无故障发生，直至比较完所有元素，如Fa<Jth，则系统无故障发生，继续检测；当
Figure BDA0001919870850000153
判断系统中有故障发生。
需要说明的，检测阈值矩阵
Figure BDA0001919870850000154
中的第一行对应故障种类为转子断条故障，该行元素取能判断故障发生的各观测点实际电流均方根与无故障时电流均方根之差的绝对值最小值。
Figure BDA0001919870850000155
计算牵引电机转子断条故障时各观测点电流现场运行数据的均方根值，并与系统无故障时对应各观测点电流均方根值相减，生成故障检测特征矩阵Fa：
Figure BDA0001919870850000156
本实施例中，由于Fa矩阵中第一行元素都大于Jth矩阵中第一行相同列元素，则判定该系统有故障发生。
再判定有故障发生后，对不同观测点信号Zp1(tp1)、Zp2(tp2)(p1,p2∈{1,2,…Q})进行格兰杰因果关系判定，初步判定故障发生点位置；
设定：
{zp1(d1-q),…,zp1(d0),zp1(d1),zp1(d2),…,zp1(dv),…,zp1(dw)}、以及
{zp2(d1-q),…,zp2(d0),zp2(d1),zp2(d2),…,zp2(dv),…,zp2(dw)}是观测点信号Zp1(tp1)、Zp2(tp2)的采样(时间序列)数据集，采样周期为T，当前采样时刻为{d1,d2,…,dv,…,dw}，容量为w，过去(滞后)采样时刻为{d1-q,…,d0}，容量为q。
构造p2观测点信号采样值zp2(dv)的无约束回归方程，公式为：
Figure BDA0001919870850000161
式中,
Figure BDA0001919870850000162
为p2观测点信号采样值zp2(dv)的无约束回归估计值；zp1(dv-m)为zp1(dv)的第m个滞后项；zp2(dv-n)为zp2(dv)的第n个滞后项；q为回归方程中的滞后长度；m和n为滞后项数；εt为白噪声；αm为zp1(dv)的系数估计值；βn为zp2(dv)的系数估计值。公式9中含有p1观测点信号采样值zp1(dv)的滞后项zp1(dv-m)，是p2观测点信号采样值zp2(dv)的无约束回归方程。
计算公式(38)额回归方程残差平方和RSSUR，公式为：
Figure BDA0001919870850000163
构造p2观测点信号采样值zp2(dv)的受约束回归方程，公式为：
Figure BDA0001919870850000164
式中，
Figure BDA0001919870850000165
为p2观测点的受约束回归估计值；公式(40)中不包含p1观测点信号采样值zp1(dv)的滞后项zp1(dv-m)，是p2观测点信号采样值zp2(dv)的受约束回归方程。
计算公式(40)中回归方程残差平方和RSSR，公式为：
Figure BDA0001919870850000166
构造p1观测点信号与p2观测点信号之间的格兰杰因果关系统计量Gp1,p2，公式为：
Figure BDA0001919870850000167
设定p1观测点是故障源或故障源附近的观测点，且p1＝px，px＝1,2,…,Q，设定阈值Ga；
计算p1观测点信号Zp1(tp1)与其他所有观测点信号Zpy(tpy)间的格兰杰因果关系统计量Gp1,py，其中py＝1,2,…Q，py≠px；如果所有的Gp1,py≥Ga，则p1观测点信号是引起其他观测点信号变化的原因，p1观测点是故障源或故障源附近的观测点，则初步判定故障发生点位置在当前px观测点或在px观测点附近；如果所有的Gp1,py<Ga，则判定p1观测点不在当前px观测点或在px观测点附近；
设定p1＝px+1观测点，且该观测点是故障源或故障源附近的观测点，并以此类推继续判断，直至px取值所有观测点。
具体地，在已有牵引传动控制系统故障注入仿真平台或硬件在环故障注入平台上进行实验，平台运行至2S时注入不同故障程度的牵引电机转子断条故障，设定Granger因果关系统计量阈值Ga＝0.03。观测点变量间因果关系如图4所示。观测点2、观测点3、观测点4电流信号I2、I3、I4与观测点1电流信号I1的累积分布函数Granger因果关系统计量Gp1,p2、Gp1,p3、Gp1,p4均大于阈值0.03，因此，I1是I2、I3、I4的Granger原因。所以通过Granger因果关系初步判定观测点1就是故障发生点(故障源)附近的观测点。
进一步地提取各观测点故障诊断特征，构成故障诊断特征向量，确定故障发生点位置和故障类型，实现故障溯源。
在初步判定故障发生点位置px＝b后，提取p个观测点(p＝1,2,…,Q)的故障诊断特征
Figure BDA0001919870850000171
测算故障传播时间
Figure BDA0001919870850000172
构成nf个故障诊断特征向量有：
Figure BDA0001919870850000173
设定初始值k＝1，h′＝b-c；其中c表示与b相邻远近的正整数；
将故障诊断特征向量Fk分别与故障字典中故障字典矩阵Ah′矩阵中第k行
Figure BDA0001919870850000174
中元素逐一比较，进行模糊匹配；当元素匹配隶属度
Figure BDA0001919870850000175
(μk∈[0,1]为第k类故障的元素匹配隶属度阈值)时，表示故障诊断特征向量Fk中某列元素与Ah′矩阵中第k行相同列元素匹配成功，否则匹配不成功；如果故障诊断特征向量Fk与Ah′矩阵中第k行元素匹配成功率ηk<δ，则令h′＝b-c+1(b-c≤h′≤b+c，b∈{1,2，…Q}，(b±c)∈{1,2，…ng})，记录当前h′值，并转入下一相邻点故障字典矩阵Ah′进行匹配(直至h′＝b+c)；
若故障诊断特征向量Fk与所有2c+1个故障字典矩阵Ah′(b-c,b-c+1,…,h′,…,b+c-1,b+c)中第k行元素匹配成功率ηk<δ，则令k＝k+1(1≤k≤nf)，记录当前k值，返回到步骤33转入下一行(故障类型)进行匹配；
如果故障诊断特征向量Fk与Ah′矩阵中第k行元素匹配成功率ηk≥δ(
Figure BDA0001919870850000181
Rk为第k行元素匹配成功的总数，δ为行匹配成功率阈值)，由当前k、h′的记录值，确定系统发生了第k类故障，并定位故障发生点在h′(故障源、故障元部件)；实现故障溯源。
具体地，在初步判定故障发生点处于观测点1(px＝b＝1)附近后，对断条故障时各观测点电流进行归一化FFT分析，提取系统各观测点的频率故障诊断特征，结果如图5-8所示，其中，图5是观测点1的频谱图；图6是观测点2的频谱图；图7是观测点3的频谱图；图8是观测点4的频谱图；图9是观测点1的时域波形图；图10是观测点2的时域波形图；图11是观测点3的时域波形图；图12观测点4的时域波形图；通过图9-12各观测点时域波形图测算出故障传播时间，构成故障诊断特征向量Fk＝[126.6/135.6Hz,04.5Hz,T1+T2+T34.5Hz,T1+T2+T345.5/54.5Hz,2(T1+T2+T3)]，将其与Ah′(b-c≤h′≤b+c，取c＝2)矩阵中的第k行元素匹配，发现故障诊断特征向量与h′＝1时的A1故障字典矩阵中的第一行相同列元素匹配隶属度为1，超过了匹配隶属度阈值0.9，并且故障诊断特征向量Fk与A1矩阵中第一行元素匹配成功数为4，匹配成功率为100％，超过匹配成功率阈值80％，从而确定系统发生了第1类故障，并且定位故障发生点在1，即发生的是牵引电机转子断条故障，从而实现了故障溯源。
结果表明，本发明提出的一种基于牵引传动控制系统故障溯源方法简单有效，对牵引传动控制系统故障溯源有重要意义。
实施例2
与上述方法实施例相对应地，本实施例提供一种故障溯源系统，包括存储器、处理器以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计算机程序时实现上述方法的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种故障溯源方法，其特征在于，包括以下步骤：
S1：在待测牵引传动控制系统的不同位置设置至少两个观测点，并建立所述待测牵引传动控制系统在正常运行情况下观测点间的第一传播模型；
S2：根据所述第一传播模型分析发生不同类型故障时各观测点的时空特性，根据所述时空特性建立故障信号传播模型，所述故障传播模型包含各观测点间的演变故障信息和故障传播时间；
S3：根据所述演变故障信息、故障传播时间、以及观测点的历史故障数据提取观测点的故障诊断特征，根据所述故障诊断特征建立故障字典；所述故障字典包括至少两个故障字典矩阵，且每个故障字典矩阵包括故障发生类型和故障发生点；
S4：获取待测牵引传动控制系统的实时运行数据，提取所述运行数据中各观测点的故障检测特征，将所述故障检测特征与设定阈值进行比较，判断系统是否发生故障，若发生故障，则根据格兰杰因果关系初步判定故障发生位置，并获取该位置对应的故障字典矩阵；
S5：构建各观测点实时运行数据的故障特征向量，将所述故障特征向量与对应的故障字典矩阵中的行或者部分元素进行匹配，以实现故障溯源。
2.根据权利要求1所述的一种故障溯源方法，其特征在于，所述S5中，故障溯源包括判定系统发生的故障类型，并定位故障发生点。
3.根据权利要求1所述的一种故障溯源方法，其特征在于，所述S1具体包括：
S11：所述观测点个数为Q个，建立系统正常运行情况下，p观测点的第一传播模型为：
Zp(tp)＝Sp,p-1·Zp-1(tp-1)； (1)
式中，Zp(tp)表示第p个观测点处信号，其中，p＝1,2,…Q，Zp-1(tp-1)表示第p-1个观测点处信号，tp表示第p个观测点处的时间变量，tp-1表示第p-1个观测点处的时间变量，Sp,p-1表示从p-1个观测点信号Zp-1(tp-1)传播至p观测点信号Zp(tp)间的转移函数，Sp,p-1＝f(Gp,p-1,tp)，其中Gp,p-1由两观测点间的系统结构决定。
4.根据权利要求3所述的一种故障溯源方法，其特征在于，所述S2中，故障信号传播模型的计算公式为：
Figure FDA0002906284730000011
式中，
Figure FDA0002906284730000012
为待测牵引传动控制系统正常运行时p观测点信号，
Figure FDA0002906284730000013
为待测牵引传动控制系统在h点发生第k类故障时p观测点处的信号，其中k为牵引传动控制系统故障类型k＝1,2,…nf，h为故障位置，h＝1,2,…ng；Sp,h为从故障位置h到观测点p的信号转移函数，fh k(·)为牵引传动控制系统中在h点发生第k类故障时的故障源信号，
Figure FDA0002906284730000021
为p观测点时间变量，
Figure FDA0002906284730000022
为故障源信号fh k(·)从h点传播到p观测点的演变故障信号，
Figure FDA0002906284730000023
为fh k(·)、Sp,h和
Figure FDA0002906284730000024
的函数，
Figure FDA0002906284730000025
为信号运算；
其中，故障源信号fh k(·)的计算公式为：
Figure FDA0002906284730000026
式中，Γ为阶跃函数，N为不同类型脉冲序列数，j为第j组脉冲序列，nj为第j组脉冲信号总个数，且
Figure FDA0002906284730000027
其中ceil表示向正无穷大取整，Tcj为第j组故障信号的子周期，Ttj为第j组故障信号的触发时刻，τj为第j组脉冲序列工作周期，TH{}为阈值函数；csj为第j组故障信号的故障状态，当发生开路故障时csj＝0，当发生短路故障时csj＝1，当τj→1时，式中阶跃函数的差值为无穷大，用于表示永久型故障信号；当τj→0时，用于表示瞬态型故障信号；当0<τj<1时，用于表示间歇型故障信号。
5.根据权利要求1所述的一种故障溯源方法，其特征在于，所述S3具体包括以下步骤：
S31：从历史故障数据中提取出故障诊断特征
Figure FDA0002906284730000028
得到故障源为h(h＝1,2,…ng)时的故障特征矩阵Fh，公式为：
Figure FDA0002906284730000029
式中，p＝h时，
Figure FDA00029062847300000210
为故障发生点处源故障特征，p≠h时，
Figure FDA00029062847300000211
为从故障发生点处传播至p观测点处的演变故障特征；
S32：建立故障发生点为h时的故障字典矩阵Ah，如下式：
Figure FDA0002906284730000031
将ng个故障字典矩阵
Figure FDA0002906284730000032
构成故障字典。
6.根据权利要求5所述的一种故障溯源方法，其特征在于，所述S4具体包括以下步骤：
S41：获取待测牵引传动控制系统的实时运行数据，设定不同观测点不同故障类型的检测阈值为
Figure FDA0002906284730000033
生成阈值矩阵Jth：
Figure FDA0002906284730000034
提取不同观测点实时运行数据在不同故障类型下的故障检测特征
Figure FDA0002906284730000035
Figure FDA0002906284730000036
生成故障检测特征矩阵Fa：
Figure FDA0002906284730000037
比较Fa矩阵与Jth矩阵中的元素，当
Figure FDA0002906284730000038
时，判断系统无故障发生，直至比较完所有元素，当
Figure FDA0002906284730000039
时，判断系统中有故障发生；
对不同观测点信号Zp1(tp1)、Zp2(tp2)(p1,p2∈{1,2,…Q})进行格兰杰因果关系判定，并根据格兰杰因果关系初步判定故障发生点位置；
S42：设定p1观测点是故障源或故障源附近的观测点，且p1＝px，px＝1,2,…,Q，设定阈值Ga；
S43：计算p1观测点信号Zp1(tp1)与其他所有观测点信号Zpy(tpy)间的格兰杰因果关系统计量Gp1,py，其中py＝1,2,…Q，py≠px；如果所有的Gp1,py≥Ga，则p1观测点信号是引起其他观测点信号变化的原因，p1观测点是故障源或故障源附近的观测点，则初步判定故障发生点位置在当前px观测点或在px观测点附近；如果所有的Gp1,py<Ga，则判定p1观测点不在当前px观测点或在px观测点附近；
S44：设定p1＝px+1观测点，且该观测点是故障源或故障源附近的观测点，返回S43继续判断，直至px取值所有观测点。
7.根据权利要求6所述的一种故障溯源方法，其特征在于，所述S5具体包括以下步骤：
S51：在初步判定故障发生点位置px＝b后，提取p个观测点的故障诊断特征
Figure FDA0002906284730000041
其中，p＝1,2,…,Q，测算故障传播时间
Figure FDA0002906284730000042
构成nf个故障诊断特征向量为：
Figure FDA0002906284730000043
S52：设定初始值k＝1，h′＝b-c；其中c表示与b相邻远近的正整数；
S53：将故障诊断特征向量Fk分别与故障字典矩阵Ah′矩阵中第k行
Figure FDA0002906284730000044
中元素逐一比较，进行模糊匹配；当元素匹配隶属度
Figure FDA0002906284730000045
μk∈[0,1]为第k类故障的元素匹配隶属度阈值时，表示故障诊断特征向量Fk中某列元素与Ah′矩阵中第k行相同列元素匹配成功，否则匹配不成功；
S54：如果故障诊断特征向量Fk与Ah′矩阵中第k行元素匹配成功率ηk<δ，则令h′＝b-c+1，其中，b-c≤h′≤b+c，b∈{1,2，…Q}，(b±c)∈{1,2，…ng}，记录当前h′值，返回到步骤53转入下一相邻点故障字典矩阵Ah′进行匹配，直至h′＝b+c；
若故障诊断特征向量Fk与所有2c+1个故障字典矩阵Ah′中第k行元素匹配成功率ηk<δ，则令k＝k+1，其中1≤k≤nf，记录当前k值，返回到S53转入k+1行进行匹配；
如果故障诊断特征向量Fk与Ah′矩阵中第k行元素匹配成功率ηk≥δ，其中
Figure FDA0002906284730000046
Rk为第k行元素匹配成功的总数，δ为行匹配成功率阈值，由当前k、h′的记录值，确定系统发生了第k类故障，并定位故障发生点在h′处，其中h′表示故障源或者故障元部件。
8.根据权利要求3所述的一种故障溯源方法，其特征在于，所述S11中，第p个观测点处信号包括电流信号和电压信号。
9.根据权利要求1所述的一种故障溯源方法，其特征在于，所述故障传播时间包括信号输入处理时间、控制策略运算时间、以及控制运算输出处理时间。
10.一种故障溯源系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至9任一所述方法的步骤。
CN201811589378.4A 2018-12-25 2018-12-25 一种故障溯源方法及系统 Active CN109507990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811589378.4A CN109507990B (zh) 2018-12-25 2018-12-25 一种故障溯源方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811589378.4A CN109507990B (zh) 2018-12-25 2018-12-25 一种故障溯源方法及系统

Publications (2)

Publication Number Publication Date
CN109507990A CN109507990A (zh) 2019-03-22
CN109507990B true CN109507990B (zh) 2021-06-15

Family

ID=65754509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811589378.4A Active CN109507990B (zh) 2018-12-25 2018-12-25 一种故障溯源方法及系统

Country Status (1)

Country Link
CN (1) CN109507990B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765831B (zh) * 2019-06-13 2020-09-22 深圳市思拓通信系统有限公司 一种基于特种车的驾驶员信息识别系统
CN110502590A (zh) * 2019-08-27 2019-11-26 紫荆智维智能科技研究院(重庆)有限公司 基于格兰杰因果关系校验构建工业装备故障关系的方法
CN110879372B (zh) * 2019-12-03 2021-04-23 中南大学 基于特征相关的牵引系统主回路接地故障诊断方法及系统
CN111257729B (zh) * 2020-01-22 2022-03-25 中国人民解放军国防科技大学 基于fpga的多路间歇断开故障并行测试系统
CN112653577A (zh) * 2020-12-14 2021-04-13 武汉绿色网络信息服务有限责任公司 网元管理方法、装置及存储介质
CN114069864A (zh) * 2021-11-17 2022-02-18 云南电网有限责任公司大理供电局 一种基于电力调度自动化业务的故障追溯系统和方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004012292A (ja) * 2002-06-06 2004-01-15 Tokyo Electric Power Co Inc:The 送電線の故障点標定方法およびそれを用いた故障点標定システム
CN101902072A (zh) * 2010-06-03 2010-12-01 山东大学 一种大型互联电网扰动信息辨识新方法
CN103018058A (zh) * 2012-12-17 2013-04-03 北京交通大学 基于相似度的列车悬挂系统故障分离方法
CN103471865A (zh) * 2013-09-12 2013-12-25 北京交通大学 基于线性判别法的列车悬挂系统故障分离方法
WO2014115615A1 (ja) * 2013-01-22 2014-07-31 株式会社日立製作所 異常診断方法およびその装置
CN104298225A (zh) * 2014-09-25 2015-01-21 中国石油化工股份有限公司 化工过程异常工况因果关系推理模型建模与图形化展示方法
CN104933012A (zh) * 2015-05-08 2015-09-23 西南交通大学 一种牵引变电所互感器的测量偏差故障在线识别方法
CN105204496A (zh) * 2015-09-25 2015-12-30 清华大学 动车组空气制动控制系统传感器故障诊断的方法与系统
CN105631596A (zh) * 2015-12-29 2016-06-01 山东鲁能软件技术有限公司 一种基于多维分段拟合的设备故障诊断方法
CN105628406A (zh) * 2015-12-28 2016-06-01 中南大学 高速列车牵引传动控制系统故障注入方法及仿真系统
CN106338406A (zh) * 2016-10-19 2017-01-18 北京交通大学 列车牵引电传动系统的在线监测与故障预警系统及方法
CN107782551A (zh) * 2017-10-30 2018-03-09 电子科技大学 一种机械部件损伤程度的评估方法
CN108319780A (zh) * 2018-02-01 2018-07-24 南京航空航天大学 基于数据驱动的电气牵引系统故障检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004012292A (ja) * 2002-06-06 2004-01-15 Tokyo Electric Power Co Inc:The 送電線の故障点標定方法およびそれを用いた故障点標定システム
CN101902072A (zh) * 2010-06-03 2010-12-01 山东大学 一种大型互联电网扰动信息辨识新方法
CN103018058A (zh) * 2012-12-17 2013-04-03 北京交通大学 基于相似度的列车悬挂系统故障分离方法
WO2014115615A1 (ja) * 2013-01-22 2014-07-31 株式会社日立製作所 異常診断方法およびその装置
CN103471865A (zh) * 2013-09-12 2013-12-25 北京交通大学 基于线性判别法的列车悬挂系统故障分离方法
CN104298225A (zh) * 2014-09-25 2015-01-21 中国石油化工股份有限公司 化工过程异常工况因果关系推理模型建模与图形化展示方法
CN104933012A (zh) * 2015-05-08 2015-09-23 西南交通大学 一种牵引变电所互感器的测量偏差故障在线识别方法
CN105204496A (zh) * 2015-09-25 2015-12-30 清华大学 动车组空气制动控制系统传感器故障诊断的方法与系统
CN105628406A (zh) * 2015-12-28 2016-06-01 中南大学 高速列车牵引传动控制系统故障注入方法及仿真系统
CN105631596A (zh) * 2015-12-29 2016-06-01 山东鲁能软件技术有限公司 一种基于多维分段拟合的设备故障诊断方法
CN106338406A (zh) * 2016-10-19 2017-01-18 北京交通大学 列车牵引电传动系统的在线监测与故障预警系统及方法
CN107782551A (zh) * 2017-10-30 2018-03-09 电子科技大学 一种机械部件损伤程度的评估方法
CN108319780A (zh) * 2018-02-01 2018-07-24 南京航空航天大学 基于数据驱动的电气牵引系统故障检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Current Characteristics Analysis and Fault Injection of an Early;Jintian Yin,etc;《Mathematical Problems in Engineering》;20181029;第1-8页 *
基于RVMD的牵引电机转子初期断条故障监测;尹进田 等;《控制与决策》;20180331;第33卷(第3期);第497-502页 *

Also Published As

Publication number Publication date
CN109507990A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109507990B (zh) 一种故障溯源方法及系统
Monedero et al. Classification of electrical disturbances in real time using neural networks
Smirnov et al. Estimation of interaction strength and direction from short and noisy time series
Das et al. Diagnosis of power quality events based on detrended fluctuation analysis
CN110879372B (zh) 基于特征相关的牵引系统主回路接地故障诊断方法及系统
Zhou A cross-coherence method for detecting oscillations
Dwivedi et al. Denoising techniques with change-point approach for wavelet-based power-quality monitoring
Balouji et al. Deep-learning-based harmonics and interharmonics predetection designed for compensating significantly time-varying EAF currents
KR20070045558A (ko) 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법
CN106505840A (zh) 一种并网光伏逆变器谐波治理方法
Beg et al. Cyber-physical anomaly detection in microgrids using time-frequency logic formalism
CN106291162A (zh) 一种光伏二极管箝位式三电平逆变器的故障诊断方法
Dhumale et al. Fault detection and diagnosis of high speed switching devices in power inverter
Zhang et al. Robust detection of intermittent sensor faults in stochastic LTV systems
Liccardo et al. Detection and analysis of inter-area oscillations through a dynamic-order DMD approach
Altaf et al. Fault diagnosis in a distributed motor network using Artificial Neural Network
Swiatek et al. Power system harmonic estimation using neural networks
Paulin A method for constructing data-based models of spiking neurons using a dynamic linear-static nonlinear cascade
Paiva et al. A wavelet band-limiting filter approach for fault detection in dynamic systems
CN113567805A (zh) 一种基于数据相关性的配电网故障诊断方法及装置
EP0715738B1 (en) Interpretive measurement instrument
Keliris et al. A distributed fault detection filtering approach for a class of interconnected input-output nonlinear systems
Umeh et al. Comparing the harmonic characteristics of typical single-phase nonlinear loads
Wu et al. Probing the NASA generic transport aircraft in real-time for health monitoring
Charfi et al. Fault diagnosis using SWT and Neyman Pearson detection tests

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant