CN110133501A - 一种基于专家系统引导的电力机车写极永磁同步牵引系统 - Google Patents
一种基于专家系统引导的电力机车写极永磁同步牵引系统 Download PDFInfo
- Publication number
- CN110133501A CN110133501A CN201910405787.2A CN201910405787A CN110133501A CN 110133501 A CN110133501 A CN 110133501A CN 201910405787 A CN201910405787 A CN 201910405787A CN 110133501 A CN110133501 A CN 110133501A
- Authority
- CN
- China
- Prior art keywords
- signal
- case
- formula
- permanent magnet
- magnet synchronous
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Discrete Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种将专家系统、神经网络等人工智能应用于写极永磁同步电机牵引系统故障诊断的技术。其具体技术实现过程为:首先提取故障征兆在案例库中检索与当前征兆相同或相似案例,如匹配成功,则按相似度大小列出相似案例,然后系统将相似案例的特征值与当前牵引电机状态值进行比较匹配,以得到一个最佳案例,这个过程称为反向验证从而对牵引系统进行诊断。推理机制还可以对案例进行修正,并将修正后的案例作为新案例添加至案例库。本发明对电机牵引系统的故障诊断有较高的精确度。
Description
技术领域
本发明涉及电力机车牵引系统,在写极永磁同步电机应用的电力机车利用领域,有效地利用专家经验构成启发式知识,快速、有效、准确地识别故障,解决写极牵引电机故障诊断难题。
技术背景
电力机车牵引电机在实际线路运行过程中,受到外部复杂工作环境影响,如温度、电网电压波动、电磁辐射、车辆快速起/停等,使得牵引电机所受到交变应力的作用,包括空气阻力、电磁力、离心力等。除此之外,还包括牵引电机制造本身缺陷,也导致了牵引电机同时存在定子绕组、转子导条等部件故障。所以,对牵引电机进行状态检测、故障预测、故障诊断,在故障产生的初期及时发现、处理,统筹安排运营、检修、维护,最大限度避免故障造成列车晚点或影响行车安全,意义重大。实际对永磁牵引系统主电路的状态检测和保护手段主要包括人员检修和采用继电保护装置来完成。但是,继电保护属于被动保护,只有电机已经发生严重事故或者故障发展到一定程度后,动作保护指令才开始执行。而人员检修通常依靠动车所检修人员的经验、阅历等对牵引电机的外观状态进行进一步检查,不能早期识别牵引电机内部故障。
针对上述问题将专家系统、神经网络等人工智能应用于写极永磁同步电机故障诊断领域,模拟设备检测管理人员的一些思维活动和推理过程,有效地利用专家经验构成启发式知识,快速、有效、准确地识别、排除故障,为写极永磁牵引电机进行故障诊断。
发明内容
本发明针对传统的牵引电机故障诊断是通过实验手段来分析电机的各种参数得出诊断结果,效率低,精确度不高的问题公开发明了一种基于专家系统的电力机车写极永磁同步牵引系统如图2。
本发明主要是通过如下方案实现;
写极永磁同步电力机车牵引电机故障诊断专家系统的运行总体结构如图3,由如下几个部分组成:解释机构、故障征兆提取模块、诊断推理模块、动态数据库、故障诊断知识库(规则库和故障案例库)、知识库管理模块(故障诊断规则数据库管理子模块和故障案例库管理子模块)、操作日志管理模块及操作日志数据库。故障诊断专家系统通过系统对外接口将采集的状态信息读入,并将之传递给故障征兆提取模块,故障征兆提取模块从这些采集信息中提取出和该诊断节点中各规则条件相关的信息,并存入动态数据库。动态数据库用来存放故障诊断专家系统诊断处理过程中的中间结果,该数据库的内容包括故障征兆和规则匹配中间结果两部分,进入诊断,最终给出结果用以对比。
步骤1.预先设置的温度传感器与电压电流传感器测得牵引电机运行时的实时状态数据,故障诊断专家系统通过系统对外接口将采集的状态信息读入,并将之传递给故障征兆提取模块,故障征兆提取模块从这些采集信息中提取出和该诊断节点中各规则条件相关的信息,并存入动态数据库。保存数据用以进行小包波变换。再作快速傅立叶变换求出其功率谱,采用均值法各类采集到的信号进行平滑处理。
步骤2.通过定义包闭空间由正交关系对双尺度方程un(t)进行化简,得到化简方程。
步骤3.由小波变换对u0(t)和u1(t)尺度函数进行分解,得到重构信号。
步骤4.对重构信号进行傅里叶变换求得功率谱
步骤5.构建BP神经网络数学模型;根据故障和故障征兆的数量行成3层神经网络。输入层、隐藏层和输出层的神经元分别为10、10、11个。得到其输出层与隐藏层的净值,输出层与隐藏层的净值。
步骤6.计算网络输出误差,得出Yk为训练样本的输出值。
步骤7.将所得的权值ωij,vjk和阈值θ1j,θ2k作为BP神经网络知识库。通过将知识库管理模块将数据库中的知识以对象用以对比分析,经对比和分析后对故障做出判断,从而保障系统运行。
附图说明
下面结合本发明进行进一步说明。
图1是案例推理流程图;
图2是永磁同步牵引系统主电路原理图;
图3是故障诊断专家系统的总体结构图;
图4是信号处理流程;
具体实施方式
本方法包含步骤如下:
永磁同步牵引系统主电路原理图如图2,采用温度传感器拾取牵引电机牵引部轴的温度(即永磁同步电机拖动部分),共设M1~M4四个测试点。在永磁同步牵引系统主电路的主断箱、变压器、高压箱、牵引辅助变流器处安装电压电流传感器、温度传感器,用以对牵引系统在运行时进行实时监测数据采集。
步骤1.将牵引系统上所安装的传感器采集上来的信号分别进行处理如图4所示。小波包分析的处理方式为该信号做小波包变换,将其低频分解,再重构低频信号,再作快速傅立叶变换求出其功率谱,最后采用均值法各类采集到的信号进行平滑处理。图4信号处理流程。故障信号处理网络数学模型对于X(i)在小包波分解的过程中,将尺度空间V(j)和小波空间W(j)用一个子空间统一表示令则Hilbert空间的下次分解Vj+1=Vj+Wj,可用的分解统一为:
步骤2.定义子空间是函数un(t)的包闭空间,而是函数的un(t)的包闭空间,并令un(t)满足以下的双尺度方程:
式中g(k)=(-1)kh(1-k)即两系数也有正交关系。当n=0时,将(2)、(3)可以化简为:
步骤3.将式(4)的u0(t)和u1(t)分别退化的尺度函数和ψ(t)和φ(t)的小波函数。设
所以,小波包分解算法由求出:
小波包重构算法由式(7)求出:
步骤4.将重构后信号进行快速傅立叶变换求得功率谱dt此为式(8);
步骤5.对于稳定的信号使用线性平均法平滑处理式中为平均值,σ为标准差;
步骤6.构建BP神经网络数学模型;根据故障和故障征兆的数量行成3层神经网络。输入层、隐藏层和输出层的神经元分别为10、10、11个;
得到输入层和隐藏层的净值:
其中(j=1,2,...,10)
得到隐藏层和输出层的净值:
其中(k=1,2,.....,11)
步骤7.由计算网络的输出误差式中Yk为训练样本的输出值;
步骤8.将所得的权值ωij,vjk和阈值θ1j,θ2k作为BP神经网络的知识库。通过将知识库管理模块将数据库中的知识以对象的形式提供给上层软件,经对比和分析后对故障做出判断,从而保障系统运行,为诊断提供便利,或将权值与阈值用以诊断。
Claims (2)
1.一种基于专家系统引导的电力机车写极永磁同步牵引系统,其特征在于预先设置的温度传感器与电压电流传感器测得牵引电机运行时的实时状态数据,故障诊断专家系统通过系统对外接口将采集的状态信息读入,并将之传递给故障征兆提取模块,故障征兆提取模块从这些采集信息中提取出和该诊断节点中各规则条件相关的信息,并存入动态数据库用以对牵引系统故障诊断。
2.根据权利要求1所述的一种基于专家系统引导的电力机车写极永磁同步牵引系统其特征在于,包括以下步骤:
步骤1.将传感器采集上来的信号分别进行处理如图4所示。小波包分析的处理方式为该信号做小波包变换,将其低频分解,再重构低频信号,再作快速傅立叶变换求出其功率谱,最后采用均值法对各类信号进行平滑处理。图4信号处理流程。故障信号处理网络数学模型对于X(i)在小包波分解的过程中,将尺度空间V(j)和小波空间W(j)用一个子空间统一表示令J∈Z则Hilbert空间的下次分解Vj+1=Vj+Wj
可用的分解统一为:
步骤2.定义子空间是函数un(t)的包闭空间,而是函数的u2n(t)的包闭空间,并令un(t)满足以下的双尺度方程:
式中g(k)=(-1)kh(1-k)即两系数也有正交关系。当n=0时,将(2)、(3)可以化简为:
步骤3.将式(5)的u0(t)和u1(t)分别退化的尺度函数和ψ(t)和φ(t)的小波函数。设
所以,小波包分解算法由求出:
小波包重构算法由式(7)求出:
步骤4.将重构后信号进行快速傅立叶变换求得功率谱此为式(8);
步骤5.对于稳定的信号使用线性平均法平滑处理式中为平均值,σ为标准差;
步骤6.构建BP神经网络数学模型;根据故障和故障征兆的数量行成3层神经网络。输入层、隐藏层和输出层的神经元分别为10、10、11个;
得到输入层和隐藏层的净值:
其中(j=1,2,...,10)
得到隐藏层和输出层的净值:
其中(k=1,2,.....,11)
步骤7.由计算网络的输出误差式中Yk为训练样本的输出值;
步骤8.将所得的权值ωij,vjk和阈值θ1j,θ2k作为BP神经网络的知识库。通过将知识库管理模块将数据库中的知识以对象的形式提供给上层软件,经对比和分析后对故障做出判断,从而保障系统运行,为诊断提供便利,或将权值与阈值用以诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910405787.2A CN110133501A (zh) | 2019-05-15 | 2019-05-15 | 一种基于专家系统引导的电力机车写极永磁同步牵引系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910405787.2A CN110133501A (zh) | 2019-05-15 | 2019-05-15 | 一种基于专家系统引导的电力机车写极永磁同步牵引系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110133501A true CN110133501A (zh) | 2019-08-16 |
Family
ID=67574444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910405787.2A Pending CN110133501A (zh) | 2019-05-15 | 2019-05-15 | 一种基于专家系统引导的电力机车写极永磁同步牵引系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110133501A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652294A (zh) * | 2020-05-21 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车折叠式人力制动机轴脱落故障识别方法及系统 |
CN111999604A (zh) * | 2020-09-11 | 2020-11-27 | 郑州铁路职业技术学院 | 一种铁路牵引供电的检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1906374A2 (de) * | 2006-09-26 | 2008-04-02 | GM Global Technology Operations, Inc. | Ortungseinrichtung für ein Kraftfahrzeug |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
CN106354118A (zh) * | 2016-08-25 | 2017-01-25 | 株洲中车时代电气股份有限公司 | 一种基于故障树的列车故障诊断系统及方法 |
CN106774286A (zh) * | 2017-03-03 | 2017-05-31 | 中南大学 | 一种基于sibas32控制逻辑的和谐d1型机车在线故障诊断方法及系统 |
-
2019
- 2019-05-15 CN CN201910405787.2A patent/CN110133501A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1906374A2 (de) * | 2006-09-26 | 2008-04-02 | GM Global Technology Operations, Inc. | Ortungseinrichtung für ein Kraftfahrzeug |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
CN106354118A (zh) * | 2016-08-25 | 2017-01-25 | 株洲中车时代电气股份有限公司 | 一种基于故障树的列车故障诊断系统及方法 |
CN106774286A (zh) * | 2017-03-03 | 2017-05-31 | 中南大学 | 一种基于sibas32控制逻辑的和谐d1型机车在线故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
庞震: "基于小波包分析的滚动轴承故障诊断", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652294A (zh) * | 2020-05-21 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车折叠式人力制动机轴脱落故障识别方法及系统 |
CN111999604A (zh) * | 2020-09-11 | 2020-11-27 | 郑州铁路职业技术学院 | 一种铁路牵引供电的检测方法 |
CN111999604B (zh) * | 2020-09-11 | 2023-06-02 | 郑州铁路职业技术学院 | 一种铁路牵引供电的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106354118B (zh) | 一种基于故障树的列车故障诊断系统及方法 | |
Zhang et al. | Data-based line trip fault prediction in power systems using LSTM networks and SVM | |
Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
CN115013261B (zh) | 一种用于海上风电场的状态监测方法及系统 | |
Zang et al. | Methods for fault diagnosis of high-speed railways: A review | |
CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN116244617A (zh) | 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 | |
CN110133501A (zh) | 一种基于专家系统引导的电力机车写极永磁同步牵引系统 | |
CN106230378A (zh) | 一种光伏电站组串故障的诊断方法 | |
CN115114848A (zh) | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 | |
Kannan et al. | Nominal features-based class specific learning model for fault diagnosis in industrial applications | |
CN113641667B (zh) | 一种分布式大数据采集平台的数据异常监控系统及方法 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
Cheng et al. | Sigma-mixed unscented Kalman filter-based fault detection for traction systems in high-speed trains | |
CN107766882A (zh) | 基于数据驱动量化特征多粒度的行星齿轮箱故障诊断方法 | |
Li et al. | Fault diagnosis of ZD6 turnout system based on wavelet transform and GAPSO-FCM | |
CN105353306A (zh) | 电机故障诊断方法和装置及电器 | |
CN115564075A (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
Shaaban et al. | A decision tree approach for steam turbine-generator fault diagnosis | |
Chu et al. | A relaxed support vector data description algorithm based fault detection in distribution systems | |
Li et al. | Power grid fault detection method based on cloud platform and improved isolated forest | |
Dineva et al. | Multi-label Classification for Fault Diagnosis of Rotating Electrical Machines | |
Ni et al. | A fault diagnosis and measurement method for temperature measurement circuits in electric traction drive system | |
Li et al. | A novel fault diagnosis expert system knowledge acquisition method of metro vehicle equipments | |
Cui et al. | Fault diagnosis research of rotating machinery based on Dendritic Cell Algorithm |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190816 |
|
WD01 | Invention patent application deemed withdrawn after publication |