CN110879372B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110879372B CN110879372B CN201911220368.8A CN201911220368A CN110879372B CN 110879372 B CN110879372 B CN 110879372B CN 201911220368 A CN201911220368 A CN 201911220368A CN 110879372 B CN110879372 B CN 110879372B
- Authority
- CN
- China
- Prior art keywords
- fault
- data set
- residual error
- characteristic
- calculating
- 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
Links
Images
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及故障诊断领域,公开了一种基于特征相关性的牵引系统主回路接地故障诊断方法及系统,以减少测量噪声和暂态工况变化对故障诊断性能的影响,提高故障检测与隔离的准确度;本发明的方法包括:选取历史运行数据训练集,从原始数据中提取与牵引系统主回路接地故障关联的特征变量;根据特征变量计算对应的特征指标,形成特征指标数据集,利用特征指标数据集计算典型相关分析参数与故障检测阈值;选取历史故障数据集对故障矢量进行建模,构建各类故障的固定残差方向库;选取测试数据集,根据测试数据集和典型相关分析参数计算残差,与故障检测阈值进行比较,若发生故障,对故障数据计算残差方向并与固定残差方向库进行匹配,实现故障隔离。
Description
技术领域
本发明涉及牵引系统故障诊断领域,尤其涉及一种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。
背景技术
牵引系统是现代轨道交通列车的关键系统之一,牵引系统的可靠性水平直接影响列车运行的安全性。而列车在实际运行时,牵引系统工作环境复杂,容易发生接地故障,使系统中出现超出设备承受范围的短路电流,从而损坏关键核心部件,影响列车运行。由于牵引系统是一个非线性、强耦合的系统,发生接地故障时检修人员很难及时排查。因此,在列车运行过程中,若能依据牵引系统中传感器的反馈数据实现主回路接地故障的快速检测和接地点的精确诊断,将会提高列车的安全性和可用性,提升故障检修效率,降低维护成本。
目前,牵引系统主回路接地故障的检测和诊断技术通常是利用系统中安装的接地检测电路实现的,当主回路发生接地故障时,可以根据接地检测电路中传感器的反馈值直接进行故障检测和诊断。该类方法对数据平稳性要求较高,在列车运行时暂态工况变化以及传感器测量噪声较大时的诊断性能存在不足。
发明内容
本发明目的在于提供一种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,以减少测量噪声和暂态工况变化对故障诊断性能的影响,提高故障检测与隔离的准确度。
为实现上述目的,本发明提供了一种基于特征相关的牵引系统主回路接地故障诊断方法,包括以下步骤:
S1:选取历史运行数据训练集,从原始数据中提取与牵引系统主回路接地故障关联的特征变量;
S2:根据特征变量计算对应的特征指标,形成特征指标数据集,利用特征指标数据集计算典型相关分析参数与故障检测阈值;
S3:选取历史故障数据集,对历史故障数据集中的故障矢量进行建模,构建各类故障的固定残差方向库;
S4:选取测试数据集,根据测试数据集和典型相关分析参数计算残差,与故障检测阈值进行比较,判断是否发生故障;若发生故障,对测试数据集中的故障数据计算残差方向并与固定残差方向库进行匹配,实现故障隔离。
优选地,S1具体包括以下步骤:
S11:选取历史运行数据训练集,其中每个样本的数据包括中间电压传感器采样值Us1、接地检测电压传感器采样值Us2;
式中,Ix1和Ix2为牵引系统主回路发生接地故障时发生变化、带有故障信息的特征变量。
优选地,步骤S2具体包括以下步骤:
S21:基于特征变量Ix1和Ix2,计算能够表征故障类型的时域指标,具体包括:Ix1均值、Ix1方差、Ix1最大值、Ix1最大绝对值、Ix2均值,依次记为J1~J5,计算公式为:
J3(k)=max{Ix1(k),Ix1(k-1),…,Ix1(k-N+1)} (5)
J4(k)=max{|Ix1(k)|,|Ix1(k-1)|,…,|Ix1(k-N+1)|} (6)
上述公式中,N为计算周期内的采样点数,k为采样时刻,计算多个采样时刻时J1~J5的值,形成特征指标数据集;
S22:将特征指标割成第一数据集和第二数据集,其中J1、J2、J5划分为第一数据集,J3、J4划分为第二数据集,即:
ya(k)=[J1(k),J2(k),J5(k)] (8)
yb(k)=[J3(k),J4(k)] (9)
式中,ya(k)为第一数据集第k个采样时刻的数据,yb(k)为第二数据集第k个采样时刻的数据;
分别用Ya和Yb表示第一数据集和第二数据集:
Ya=[ya(1),…,ya(N)] (10)
Yb=[yb(1),…,yb(N)] (11)
S23:计算典型相关分析参数与故障检测阈值,其中典型相关分析参数包括协方差矩阵、相关矩阵、残差矢量矩阵以及残差信号统计量:
对Ya和Yb进行去均值处理:
式中,μ为均值计算函数;
对Υ进行奇异值分解,得到:
Υ=ΓΣRT (16)
式中,Γ表示相关矩阵的左奇异向量,R表示相关矩阵的右奇异向量,Σ表示对角矩阵;
计算残差矢量矩阵,计算公式为:
式中,L和J为典型相关向量,r1为残差信号矢量;
建立残差信号统计量,计算公式为:
式中,Jth,r1为故障检测阈值,χα 2(ma)表示自由度为ma的卡方分布,α表示置信水平。
优选地,步骤S3具体包括以下步骤:
S31:计算残差信号矢量r1,将r1重写成如下形式:
然后计算归一化的残差方向,计算公式为:
S32:选取历史故障数据,计算各类故障数据对应的残差信号,计算公式为:
由多个故障数据样本计算残差矩阵:
对Rj进行奇异值分解,并将其最大奇异值对应的第一列作为第j类故障的固有残差方向,即:
优选地,所述步骤S4具体包括以下步骤:
S42:当测试样本被判定为发生故障时,利用公式(22)~(24)计算故障残差信号;
S43:计算当前故障残差信号与固定残差方向库中的各类故障固定残差方向之间的夹角,计算公式为:
S44:选取最小夹角对应的固有残差方向并将该固有残差方向对应的故障判定为当前故障类型,计算公式为:
式中,s为当前测试数据样本判定的故障类型。
作为一个总的技术构思,本发明还提供一种基于特征相关的牵引系统主回路接地故障诊断系统,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任一方法的步骤。
本发明具有以下有益效果:
本发明提供的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,首先从历史运行数据训练集的原始数据中提取与牵引系统主回路接地故障关联的特征变量;然后根据特征变量计算对应的特征指标,形成特征指标数据集,利用特征指标数据集计算典型相关分析参数与故障检测阈值;选取历史故障数据集对故障矢量进行建模,构建各类故障的固定残差方向库;再选取测试数据集,根据测试数据集和典型相关分析参数计算残差,与故障检测阈值进行比较,判断是否发生故障,若发生故障,对故障数据计算残差方向并与固定残差方向库进行匹配,实现故障隔离;本发明的方法考虑了与牵引系统主回路接地故障相关的特征变量,并且通过计算特征指标,有效地减少了暂态工况变化和测量噪声对检测和诊断性能的影响,能快速、准确地检测出接地故障并诊断接地点。
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基于特征相关性的牵引系统主回路接地故障诊断方法流程图;
图2是本发明优选实施例的某型机车牵引系统主回路;
图3是本发明优选实施例的基于特征相关性的牵引系统主回路接地故障诊断方法与基于原始数据的典型相关分析方法对故障F5的检测结果对比图。
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。
实施例1
参见图1,本实施例提供一种基于特征相关的牵引系统主回路接地故障诊断方法,包括以下步骤:
S1:选取历史运行数据训练集,从原始数据中提取与牵引系统主回路接地故障关联的特征变量。
S2:根据特征变量计算对应的特征指标,形成特征指标数据集,利用特征指标数据集计算典型相关分析参数与故障检测阈值。
S3:选取历史故障数据集对故障矢量进行建模,构建各类故障的固定残差方向库。
S4:选取测试数据集,根据测试数据集和典型相关分析参数计算残差,与故障检测阈值进行比较,判断是否发生故障;若发生故障,对故障数据计算残差方向并与固定残差方向库进行匹配,实现故障隔离。
通过上述步骤,充分考虑了与牵引系统主回路接地故障相关的特征变量和特征指标,减少了暂态工况变化和测量噪声对检测和诊断性能的影响,能快速、准确地检测出接地故障并诊断接地点。
实际应用中,在上述步骤中,本发明的基于特征相关性的牵引系统主回路接地故障诊断方法还可以进行优化,优化后的实施例如下:
S1:选取历史运行数据训练集,从原始数据中提取与牵引系统主回路接地故障关联的特征变量,具体如下:
S11:选取历史运行数据训练集,其中每个样本的数据包括中间电压传感器采样值Us1、接地检测电压传感器采样值Us2。
式中,Ix1和Ix2为牵引系统主回路发生接地故障时发生变化、带有故障信息的特征变量。
S2:根据特征变量计算对应的特征指标,形成特征指标数据集,利用特征指标数据集计算典型相关分析参数与故障检测阈值,具体如下:
S21:基于特征变量Ix1和Ix2,计算能够表征故障类型的时域指标,具体包括:Ix1均值、Ix1方差、Ix1最大值、Ix1最大绝对值、Ix2均值,依次记为J1~J5,计算公式为:
J3(k)=max{Ix1(k),Ix1(k-1),…,Ix1(k-N+1)} (5)
J4(k)=max{|Ix1(k)|,|Ix1(k-1)|,…,|Ix1(k-N+1)|} (6)
上述公式中,N为计算周期内的采样点数,k为采样时刻,计算多个采样时刻时J1~J5的值,形成特征指标数据集;
S22:将特征指标割成第一数据集和第二数据集,其中J1、J2、J5划分为第一数据集,J3、J4划分为第二数据集,即:
ya(k)=[J1(k),J2(k),J5(k)] (8)
yb(k)=[J3(k),J4(k)] (9)
式中,ya(k)为第一数据集第k个采样时刻的数据,yb(k)为第二数据集第k个采样时刻的数据;
分别用Ya和Yb表示第一数据集和第二数据集:
Ya=[ya(1),…,ya(N)] (10)
Yb=[yb(1),…,yb(N)] (11)
对Ya和Yb进行去均值处理:
式中,μ为均值计算函数;
对Υ进行奇异值分解,得到:
Υ=ΓΣRT (16)
式中,Γ表示相关矩阵的左奇异向量,R表示相关矩阵的右奇异向量,Σ表示对角矩阵;
计算残差矢量矩阵,计算公式为:
式中,L和J为典型相关向量,r1为残差信号矢量;
建立残差信号统计量,计算公式为:
式中,Jth,r1为故障检测阈值,χα 2(ma)表示自由度为ma的卡方分布,α表示置信水平。
S3:选取历史故障数据集对故障矢量进行建模,构建各类故障的固定残差方向库,具体如下:
S31:根据S2所述方法计算残差信号矢量r1,将r1重写成如下形式:
然后计算归一化的残差方向,计算公式为:
S32:选取历史故障数据,计算各类故障数据对应的残差信号,计算公式为:
由多个故障数据样本计算残差矩阵:
对Rj进行奇异值分解,并将其最大奇异值对应的第一列作为第j类故障的固有残差方向,即:
S4:选取测试数据集,根据测试数据集和典型相关分析参数计算残差,与故障检测阈值进行比较,判断是否发生故障;若发生故障,对故障数据计算残差方向并与固定残差方向库进行匹配,实现故障隔离,具体如下:
S42:当测试样本被判定为发生故障时,利用公式(22)~(24)计算故障残差信号;
S43:计算当前故障残差信号与固定残差方向库中的各类故障固定残差方向之间的夹角,计算公式为:
S44:选取最小夹角对应的固有残差方向并将该固有残差方向对应的故障判定为当前故障类型,计算公式为:
式中,s为当前测试数据样本判定的故障类型。
作为本实施例优选的实施方式,本实施例以如图2所示的某型机车牵引系统主回路为例,对本发明的方法进行进一步说明与验证。需要说明的是,该型机车牵引系统主要由牵引变压器,牵引变流器(包括充电回路、四象限整流器、接地检测回路、中间直流环节、逆变器等)和牵引电机三大部分组成。在实际工作中,有单相AC 25kV交流电经过受电弓、主断路器VCB和牵引变压器原边进入车体,由牵引变压器次边绕组向变流电路提供交流电。交流电流在四象限整流器的作用下变换成直流电,经中间直流环节滤波后,利用逆变器转换成频率和幅值可变的三相交流电驱动牵引电机,从而控制机车以不同速度和牵引力前进。
本实例考虑五种常见的牵引系统主回路接地故障点如表1所示:
表1牵引系统常见主回路接地故障点
本实施例利用从某型机车牵引变流器上传感器采集的数据集进行试验验证来说明本发明的可行性和有效性。
首先,选取6个车载传感器测量结果,分别为中间直流环节电压Us1、半中间电压Us2、牵引变压器次边电压U2、整流器输入电流Ir1和Ir2。采样周期为160μs,故障特征变量及故障特征指标计算数据长度为10ms。采用4000个现场无故障数据样本分别建立故障检测所用的基于特征相关性的主回路接地故障诊断方法(FC-CCA)和基于原始数据的CCA方法,故障隔离算法中的固有残差方向库采用现场历史故障案例样本的每类4000个数据建立。最后,现场模拟不同接地点故障来对本发明的方法进行验证。
在实际操作中,选取接地故障F5的检测结果分别如图3所示,其中检测指标对应的方法为基于原始数据的CCA方法,检测指标对应的方法为本发明的基于特征相关性的牵引系统主回路接地故障诊断方法。从图3可以看出,本发明方法检测指标值变化更加平滑。图3中Teststatistic为测试数据集,Threshold为故障检测阀值。
由于本实施例中所采用的试验数据测量噪声较大且存在暂态工况变化,在故障F2时,基于原始数据的CCA方法的CIR指标最高为61.12%;在故障F5时,其CIR指标仅为1.42%,而本发明所提出的FC-CCA方法除了故障类型F5时为99.32%外,其余故障情况时,其CIR均为100%,具有良好的故障隔离性能。其中该两种方法在故障检测率(FDR)和正确隔离率(CIR)两个性能指标比较如下表2所示:
表2接地故障检测及隔离结果
如上表2所示,可以看出本发明方法相比基于原始数据的CCA方法,能够有效地提高故障正确隔离率,具有更好的隔离性能。
实施例2
与上述方法实施例相对应地,本实施例提供一种基于特征相关的牵引系统主回路接地故障诊断系统,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。
如上所述,本发明提供的基于特征相关性的牵引系统主回路接地故障诊断方法及系统,首先从历史运行数据训练集的原始数据中提取与牵引系统主回路接地故障关联的特征变量;然后根据特征变量计算对应的特征指标,形成特征指标数据集,利用特征指标数据集计算典型相关分析参数与故障检测阈值;选取历史故障数据集对故障矢量进行建模,构建各类故障的固定残差方向库;再选取测试数据集,根据测试数据集和典型相关分析参数计算残差,与故障检测阈值进行比较,判断是否发生故障,若发生故障,对故障数据计算残差方向并与固定残差方向库进行匹配,实现故障隔离;本发明的方法考虑了与牵引系统主回路接地故障相关的特征变量,并且通过计算特征指标,有效地减少了暂态工况变化和测量噪声对检测和诊断性能的影响,能快速、准确地检测出接地故障并诊断接地点。
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 (6)
1.一种基于特征相关性的牵引系统主回路接地故障诊断方法,其特征在于,包括以下步骤:
S1:选取历史运行数据训练集,从原始数据中提取与牵引系统主回路接地故障关联的特征变量Ix1和Ix2;Ix1和Ix2为牵引系统主回路发生接地故障时发生变化、带有故障信息的特征变量;
S2:根据所述特征变量计算对应的特征指标,形成特征指标数据集,所述特征指标为能够表征故障类型的时域指标,具体包括:Ix1均值、Ix1方差、Ix1最大值、Ix1最大绝对值、Ix2均值,依次记为J1~J5;将特征指标分割成第一数据集和第二数据集,其中J1、J2、J5划分为第一数据集,J3、J4划分为第二数据集;利用所述第一数据集和第二数据集计算典型相关分析参数与故障检测阈值;其中典型相关分析参数包括协方差矩阵、相关矩阵、残差矢量矩阵以及残差信号统计量;
S3:选取历史故障数据集,对所述历史故障数据集中的故障矢量进行建模,构建各类故障的固定残差方向库;
S4:选取测试数据集,根据所述测试数据集和所述典型相关分析参数计算残差,与所述故障检测阈值进行比较,判断是否发生故障;若发生故障,对所述测试数据集中的故障数据计算残差方向并与所述固定残差方向库进行匹配,实现故障隔离。
3.根据权利要求2所述的基于特征相关性的牵引系统主回路接地故障诊断方法,其特征在于,所述S2具体包括以下步骤:
S21:基于特征变量Ix1和Ix2,计算能够表征故障类型的时域指标,具体包括:Ix1均值、Ix1方差、Ix1最大值、Ix1最大绝对值、Ix2均值,依次记为J1~J5,计算公式为:
J3(k)=max{Ix1(k),Ix1(k-1),…,Ix1(k-N+1)} (5)
J4(k)=max{|Ix1(k)|,|Ix1(k-1)|,…,|Ix1(k-N+1)|} (6)
上述公式中,N为计算周期内的采样点数,k为采样时刻,计算多个采样时刻时J1~J5的值,形成特征指标数据集;
S22:将特征指标分割成第一数据集和第二数据集,其中J1、J2、J5划分为第一数据集,J3、J4划分为第二数据集,即:
ya(k)=[J1(k),J2(k),J5(k)] (8)
yb(k)=[J3(k),J4(k)] (9)
式中,ya(k)为第一数据集第k个采样时刻的数据,yb(k)为第二数据集第k个采样时刻的数据;下标a表示变量与第一数据集中的特征指标相关,下标b表示变量与第二数据集中的特征指标相关;
分别用Ya和Yb表示第一数据集和第二数据集:
Ya=[ya(1),…,ya(N)] (10)
Yb=[yb(1),…,yb(N)] (11)
S23:计算典型相关分析参数与故障检测阈值,其中典型相关分析参数包括协方差矩阵、相关矩阵、残差矢量矩阵以及残差信号统计量:
对Ya和Yb进行去均值处理:
式中,μ为均值计算函数;
对Υ进行奇异值分解,得到:
Υ=ΓΣRT (16)
式中,Γ表示相关矩阵的左奇异向量,R表示相关矩阵的右奇异向量,Σ表示对角矩阵;
计算残差矢量矩阵,计算公式为:
式中,L和J为典型相关向量,r1为残差信号矢量;
建立残差信号统计量,计算公式为:
式中,Jth,r1为故障检测阈值,χα 2(ma)表示自由度为ma的卡方分布,α表示置信水平。
4.根据权利要求3所述的基于特征相关性的牵引系统主回路接地故障诊断方法,其特征在于,所述S3具体包括以下步骤:
S31:计算残差信号矢量r1,将r1重写成如下形式:
然后计算归一化的残差方向,计算公式为:
S32:选取历史故障数据,计算各类故障数据对应的残差信号,计算公式为:
由多个故障数据样本计算残差矩阵:
对Rj进行奇异值分解,并将其最大奇异值对应的第一列作为第j类故障的固有残差方向,即:
6.一种基于特征相关性的牵引系统主回路接地故障诊断系统,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5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220368.8A CN110879372B (zh) | 2019-12-03 | 2019-12-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220368.8A CN110879372B (zh) | 2019-12-03 | 2019-12-03 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110879372A CN110879372A (zh) | 2020-03-13 |
CN110879372B true CN110879372B (zh) | 2021-04-23 |
Family
ID=69730316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911220368.8A Active CN110879372B (zh) | 2019-12-03 | 2019-12-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879372B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113933743B (zh) * | 2020-06-29 | 2022-09-20 | 株洲中车时代电气股份有限公司 | 一种牵引变压器次边绕组短路故障点在线诊断装置及方法 |
CN113933757B (zh) * | 2020-06-29 | 2022-09-16 | 株洲中车时代电气股份有限公司 | 一种牵引变压器过流诊断保护装置及方法 |
CN112598144B (zh) * | 2020-12-31 | 2024-02-23 | 西安理工大学 | 基于相关性分析的cnn-lstm突发故障预警方法 |
CN113985173B (zh) * | 2021-10-27 | 2024-03-15 | 哈尔滨工业大学 | 基于统计特征典型相关分析的pfc故障检测方法 |
CN114237199B (zh) * | 2021-11-29 | 2023-10-24 | 中国航发沈阳发动机研究所 | 基于自适应比较器的航空发动机执行回路故障检测方法 |
CN114754018B (zh) * | 2022-04-02 | 2024-02-20 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机故障诊断方法及系统 |
CN115951263B (zh) * | 2023-03-13 | 2023-06-16 | 广东工业大学 | 一种牵引系统主回路接地故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4203467A1 (de) * | 1992-02-04 | 1993-08-05 | Aeg Westinghouse Transport | Anordnung zur aktiven erfassung von erdschluessen |
CN104698343A (zh) * | 2015-03-26 | 2015-06-10 | 广东电网有限责任公司电力调度控制中心 | 基于历史录波数据的电网故障判断方法和系统 |
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 |
CN105184084A (zh) * | 2015-09-14 | 2015-12-23 | 深圳供电局有限公司 | 一种电力计量自动化终端故障类型预测方法和系统 |
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 |
CN107357275A (zh) * | 2017-07-27 | 2017-11-17 | 中南大学 | 非高斯工业过程故障检测方法及系统 |
CN109203995A (zh) * | 2018-07-10 | 2019-01-15 | 中南大学 | 一种牵引系统主回路接地故障诊断方法及系统 |
CN109507990A (zh) * | 2018-12-25 | 2019-03-22 | 中南大学 | 一种故障溯源方法及系统 |
-
2019
- 2019-12-03 CN CN201911220368.8A patent/CN110879372B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4203467A1 (de) * | 1992-02-04 | 1993-08-05 | Aeg Westinghouse Transport | Anordnung zur aktiven erfassung von erdschluessen |
CN104698343A (zh) * | 2015-03-26 | 2015-06-10 | 广东电网有限责任公司电力调度控制中心 | 基于历史录波数据的电网故障判断方法和系统 |
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 |
CN105184084A (zh) * | 2015-09-14 | 2015-12-23 | 深圳供电局有限公司 | 一种电力计量自动化终端故障类型预测方法和系统 |
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 |
CN107357275A (zh) * | 2017-07-27 | 2017-11-17 | 中南大学 | 非高斯工业过程故障检测方法及系统 |
CN109203995A (zh) * | 2018-07-10 | 2019-01-15 | 中南大学 | 一种牵引系统主回路接地故障诊断方法及系统 |
CN109507990A (zh) * | 2018-12-25 | 2019-03-22 | 中南大学 | 一种故障溯源方法及系统 |
Non-Patent Citations (1)
Title |
---|
A data-driven ground fault detection and isolation method for main circuit in railway electrical traction system;Zhiwen Chen et al.;《ISA Transactions》;20190430;第87卷;第265-270页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110879372A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Chen et al. | A data-driven ground fault detection and isolation method for main circuit in railway electrical traction system | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
Valtierra-Rodriguez et al. | Detection and classification of single and combined power quality disturbances using neural networks | |
CN113219300B (zh) | 一种基于相电流暂态稳态的配电网单相接地故障感知方法 | |
CN107451004B (zh) | 一种基于定性趋势分析的道岔故障诊断方法 | |
Chen et al. | Data-driven incipient sensor fault estimation with application in inverter of high-speed railway | |
CN106199412A (zh) | 一种永磁机构高压真空断路器故障模式识别方法 | |
KR102176638B1 (ko) | 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법 | |
CN110222765B (zh) | 一种永磁同步电机健康状态监测方法及系统 | |
CN109190598B (zh) | 一种基于ses-lof的旋转机械监测数据噪点检测方法 | |
CN108139432B (zh) | 校正电流互感器中饱和效应的方法以及其智能电子设备 | |
AU2020102137A4 (en) | Fault diagnosis method for steam turbine generator (stg) | |
CN112615359B (zh) | 基于电压波形比较的交直流混联电网纵联保护方法及系统 | |
CN106019045A (zh) | 一种永磁同步电机匝间短路故障诊断的方法 | |
CN106959397A (zh) | 一种用于高铁逆变器的微小故障诊断系统的设计方法 | |
EP3012643B1 (en) | Method and apparatus for identifying causes for cable overcurrent | |
CN106093626B (zh) | 一种用于诊断crh5型高铁逆变器的微小故障的方法 | |
CN117420385A (zh) | 一种基于卷积的高压直流输电线路故障识别方法 | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
CN116304649A (zh) | 电机故障信号特征提取方法、系统、计算机及存储介质 | |
CN114089224A (zh) | 一种利用声音检测判断变压器铁芯松动的方法及系统 | |
Bohórquez et al. | One-ended fault location method based on machine learning models | |
CN108923372B (zh) | 一种基于录波文件的励磁涌流分析方法 | |
Huang et al. | Detection of incipient faults in distribution cables based on mathematical morphology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |