CN110991472A - 一种高速列车牵引系统微小故障诊断方法 - Google Patents

Abstract

本发明公开了一种高速列车牵引系统微小故障诊断方法，包括：提取第一数据子集X₁，将所述第一数据子集X₁输入至模型集合一并对所述模型集合一进行第一次训练,得到模型集合二，所述模型集合一包括随机森林、极限随机树、XGBoost和LightGBM；提取第二数据子集X₂，将所述第二数据子集X₂输入至所述模型集合二，得到第一特征数据；将所述第一特征数据输入逻辑斯蒂回归模型并对所述逻辑斯蒂回归模型进行第二次训练，得到模型三；将故障数据输入所述模型集合二，产生第二特征数据，将所述第二特征数据输入所述模型三，得到故障诊断结果。本发明能够解决高速列车牵引系统的微小故障诊断问题，提高故障诊断准确率。

Description

一种高速列车牵引系统微小故障诊断方法

技术领域

本发明涉及高速列车故障诊断领域，尤其涉及高速列车牵引系统的微小故障诊断问题，能够提高故障诊断准确率。

背景技术

高速列车因其速度快、载重大、准时的特点，已成为最重要的交通工具之一。牵引系统作为高速列车中的关键部件，其稳定性极大的影响了高速列车运行的安全性与可靠性。对高速列车牵引系统进行故障检测与诊断的技术研究，对保证列车安全运行、乘客的人身安全与财产安全具有十分重要的意义。

实际高速列车牵引系统中的牵引变流器在运行过程中发生常会发生电机电流传感器偏置故障、电机速度传感器偏置故障。由于这些故障发生初期的幅值很小，牵引系统的硬件保护装置难以进行有效的隔离保护，因此称之为微小故障。随着时间的推移，这种故障会逐渐衍变成严重故障而对列车的稳定性造成巨大的损害，然而目前并没有非常有效的诊断技术用来进行诊断。因此，需要展开针对高速列车牵引系统的微小故障如电机电流传感器偏置故障、电机速度传感器偏置故障的故障诊断研究。

发明内容

本发明公开了一种高速列车牵引系统微小故障诊断方法，涉及高速列车故障诊断领域，能够解决高速列车牵引系统的微小故障诊断问题，提高故障诊断准确率。

为达到上述目的，本发明的实施例采用如下技术方案：

(1)提取第一数据子集X₁，将所述第一数据子集X₁输入至模型集合一，并对所述模型集合一进行第一次训练,得到模型集合二，所述模型集合一包括随机森林、极限随机树、XGBoost和LightGBM；

(2)提取第二数据子集X₂，将所述第二数据子集X₂输入至所述模型集合二，得到第一特征数据；

(3)将所述第一特征数据输入逻辑斯蒂回归模型，并对所述逻辑斯蒂回归模型进行第二次训练，得到模型三；

(4)将经过预处理的故障X_test数据输入所述模型集合二，产生第二特征数据，将所述第二特征数据输入所述模型三，得到故障诊断结果。

本发明将基于堆叠泛化的模型融合技术用于对高速列车牵引系统中牵引变流器的电机电流传感器偏置故障、电机速度传感器偏置故障等微小故障。采用随机森林、极限随机树、XGBoost、LightGBM和逻辑斯蒂回归模型构建得到堆叠泛化模型。针对高速列车牵引系统的故障诊断问题，模型集合二用于从数据预处理后的实验数据中提出新特征，新特征作为被提取的故障信息用于拟合模型三。最终得到的基于堆叠泛化的模型融合技术的微小故障诊断算法，能够提高故障诊断的精度，实现了高速列车牵引系统故障诊断的要求，并且在微小故障诊断上效果良好。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例高速列车牵引系统的结构图；

图2为本发明实施例高速列车牵引系统的架构示意图；

图3为本发明实施例提供的堆叠泛化模型的结构图；

图4为本发明实施例提供的基于堆叠泛化模型的故障诊断模型示意图；

图5为本发明实施例提供的基于XGBoost的特征提取流程图；

图6为本发明实施例提供的基于堆叠泛化模型与基于小波包变换模型的特征提取准确率对比图；

图7为对实验平台模拟高速列车建立堆叠泛化模型的混合矩阵图；

表1为对实验平台模拟高速列车建立堆叠泛化模型的超参数。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

如图1所示，本发明实施例提供一种用于高速列车牵引系统的微小故障诊断方法，具体实施方式如下：

1、提取第一数据子集X₁，将所述第一数据子集X₁输入至模型集合一，并对所述模型集合一进行第一次训练,得到模型集合二，所述模型集合一包括随机森林、极限随机树、XGBoost和LightGBM。

堆叠泛化模型的结构图如图1所示，假设故障诊断问题为S∈{N,IF}，其中N＝-1代表正常状态，IF＝+1代表发生故障的状态，设置模型集合一的模型为H_ρ(x_i)，定义故障误诊断率ε为：

P(y≠S)＝ε，y＝H_ρ(x_i)

其中x_i代表训练数据，y为模型集合一H_ρ(x_i)的预测值，S代表实际值，假设堆叠泛化模型由K个模型集合一和1个模型三组成，其中模型三为投票策略，因此堆叠泛化模型可以表示为：

若模型集合一H_ρ(x_i)互相独立，则它们产生的故障误诊断率也相互独立，根据Hoeffding不等式得到堆叠泛化模型的故障误诊断率为：

即当增加堆叠泛化模型中模型集合二K的值，其故障误诊断率P将逐渐降低，甚至趋向于0，但是前提是模型集合二的故障误诊断率ε小，这要求模型集合二具有较强的泛化性能，初期学习器之间的故障误诊断率相互独立，要求模型集合二之间的多样性。因此可以得出结论，在构建堆叠泛化这类集成学习器需要要求其模型集合二具有一定的准确率和多样性的要求，这样构建的堆叠泛化模型才能进一步提升模型的泛化性能。本发明选择模型集合二随机森林、极限随机树、XGBoost和LightGBM的泛化性能出众，符合对模型集合二的要求。

采集的数据来自高速列车牵引系统的网测电压(变压器的输入电压) 传感器信号U_net、四象限整流器的输出电压传感器信号U_d1、逆变器的输入电压传感器信号U_d2、三相交流异步电机的输入电流传感器信号I_a、I_b、I_c、电机转矩传感器信号T_oq、电机转速传感器信号W_r、速度传感器信号S，采集的数据可以表示为：

Data＝[(x₁,y₁) … (x_i,y_i) … (x_n,y_n)]^T

x_i＝[U_net U_d1 U_d2 I_a I_b I_c T_oq W_r S],x_i∈Data

采集数据并进过经过预处理后得到数据集合X∈R^n×m，其中n为数据的样本数，m为数据的特征，所述数据集合X∈R^n×m包括第一数据子集X₁和第二数据子集X₂；

通过对数据预处理后得到数据X，用于作为堆叠泛化模型的输入，以XGBoost为例子来详细阐述模型集合二的特征提取技术，基于XGBoost的特征提取技术如图3所示。从实验平台采集的数据并进过预处理后得到的数据 X∈R^n×m作为输入，其中n为训练数据的样本数，m为训练数据的特征，将原始的训练数据分成两个子集

和

其中数据子集X₁用于训练XGBoost模型，XGBoost模型可以表示为：

其中H_XGB(x_i)为用数据子集X₁拟合的XGBoost模型，x_i∈R^1×m代表单个的输入数据样本其中i＝1,2…n₁，T_XGB表示为CART决策树的数量，XGBoost由CART 决策树所构成。f_k为第k棵CART决策树函数，F为所有可能的CART树的集合，随机森林、极限随机树、LightGBM作为以CART决策树为基学习器的模型，主要的区别在于其学习方式的不同，但模型均可以表示为：

其中H_ρ(x_i)分别可以表示为随机森林、极限随机树、LightGBM模型，ρ＝RF,ET,LGB，T_ρ代表分别代表随机森林、极限随机树、LightGBM模型的 CART决策树的数量，f_j代表决策树函数，X₁为训练数据子集，由于随机森林、极限随机树、LightGBM模型和XGBoost模型在结构在表示形式一样，使用随机森林、极限随机树、LightGBM模型从原始的训练数据中提取新特征的原理和XGBoost模型提取新特征的原理一样。基于随机森林、极限随机树、 LightGBM模型的特征提取原理为：首先利用训练数据子集X₁分别训练拟合得到随机森林、极限随机树、LightGBM模型；将原始训练数据子集X₂分别输入到已经拟合得到的模型中来产生新特征，产生新特征的原理与基于 XGBoost的新特征产生原理一致。因此，输入原始训练数据产生的新特征数据可以分别表示为

综上所述，在将训练数据X输入到堆叠泛化模型的模型集合二中产生的新特征数据可表示为：

2、通过传感器提取第二数据子集X₂，将所述第二数据子集X₂输入至所述模型集合二，得到第一特征数据

如图3所示，当XGBoost模型通过数据子集X₁拟合得到后，数据子集X₂被输入到已拟合得到的XGBoost模型中来产生新特征，产生新特征的原理如下：

其中，

表示在将数据样本x_i输入到CART决策树之后得到的决策结果，决策结果为概率值，这些决策结果为将数据子集X₂输入到XGBoost 模型中产生的新特征数据，这些新特征数据就是从原始训练数据中提取的故障数据信息，基于XGBoost模型的对原始训练数据的特征提取得到的新特征数据，当输入训练数据样本x_i到XGBoost模型中时，产生的新特征样本可以表示为：

当整个训练数据子集X₂输入到XGBoost模型中时，得到的新的特征数据集可以表示为：

以基于python的Scikit-learn库的数据来验证当里用XGBoost模型产生新特征后能够极大的提高模型的泛化性能，如图4所示，实验中首先使用小波包变换(WaveletPacket Transform，WPT)来进行原始训练数据的特征提取，再利用随机森林(RandomForest，RF)作为拟合模型进行数据的预测；其次利用XGBoost对原始训练数据进行特征提取，再采用逻辑斯蒂回归模型来进行数据的预测。逻辑斯蒂回归模型在泛化性能上相较于随机森林模型更弱，但通过利用XGBoost来产生新特征可以有效的提高整体的模型的泛化性能，使得XGBoost与逻辑斯蒂回归相结合的堆叠泛化模型优于基于小波包变换的随机森林模型，通过该实验验证了堆叠泛化模型可以进一步提升算法的泛化性能。

3、将所述第一特征数据输入逻辑斯蒂回归模型，并对所述逻辑斯蒂回归模型进行训练，将模型集合二作为第一层，经过训练后的逻辑斯蒂回归模型为第二层，进行叠加后得到堆叠泛化模型三

模型三的算法对于堆叠泛化模型的分类性能有较大影响，在堆叠泛化模型中模型三的输入为模型集合二的输出类概率，因此针对这类输入特征，模型三不能选用泛化性能过强的模型，容易造成过拟合，针对这个问题，在本发明中采用逻辑斯蒂回归(LogisticRegression)模型作为模型三。利用X_new训练拟合堆叠泛化模型中的模型三，模型三使用逻辑斯蒂回归模型，利用X_new

拟合的逻辑斯蒂回归模型为：

其中，f_LR代表逻辑斯蒂回归模型的函数，w和b为逻辑斯蒂回归模型的参数，x_i表示模型集合二产生的新的特征数据，

通过利用新特征数据X_new拟合得到模型三模型后，可以得到基于堆叠泛化的故障诊断算法完整模型，如图4所示。

4、提取传感器运行过程中的数据输入所述模型三，得到故障分类标签，根据所述故障标签，获取故障诊断结果

由随机森林、极限随机树、XGBoost、LightGBM、逻辑斯蒂回归模型组成的堆叠泛化模型用于高速列车牵引系统中的电机电流传感器偏置故障、电机速度传感器偏置故障等微小故障的故障诊断中。实验数据来源于株洲所实验平台模拟下的高速列车稳定运行中的健康数据和故障数据，实验所用的数据和基于随机森林、极限随机树、XGBoost、LightGBM模型实验数据保持一致，训练数据集中的样本标签均为表1中的预定义故障标签利用这些实验数据来建立堆叠泛化模型并检验模型的性能，实验中使用随机搜索的方法(RandomizedSearchCV)用于堆叠泛化模型的超参数寻优，其超参数如表1所示，通过设置好堆叠泛化模型的最优超参数后对高速列车牵引系统进行故障诊断实验，实验结果为：准确率(Accuracy)为0.9685，F1-score 为0.9623，模型的训练时间为512.9s，模型用于测试数据的实际为2.91s，图5为基于堆叠泛化模型的混合矩阵图，通过实验的预测精度、时间和混合矩阵图，能够说明与单个的学习器算法相比，学习器融合后的算法在故障诊断的效果上得到了进一步提升，在故障诊断精度方面，基于LightGBM模型基本可以达到高速列车牵引系统的故障诊断要求。而在模型的训练和预测时间方面，由于堆叠泛化模型相较于单模型更为复杂，因此在建模时间上要更长，但是在预测的时间上和单个学习器的预测时间相近。堆叠泛化模型的混合矩阵图进一步表明，与随机森林、极限随机树、XGBoost、 LightGBM相比较，在退化故障和突变故障方面基本没有数据样本的误诊断，在微小故障上的诊断性能也得到了极大的提高。因此由随机森林、极限随机树、XGBoost、LightGBM、逻辑斯蒂回归所构成的堆叠泛化的模型融合技术可以实现高速列车牵引系统的微小故障诊断。

表1

如图2所示，本发明实施例还提供了一种高速列车牵引系统的架构示意图，该牵引系统120包括：至少一个处理器121，例如CPU，至少一个网络接口124或者其他用户接口123，存储器125，至少一个通信总线122。通信总线122用于实现这些组件之间的连接通信。可选的，还包含用户接口123，包括显示器，键盘或者点击设备(例如，鼠标，轨迹球(trackball),触感板或者触感显示屏)。存储器125可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器125可选的可以包含至少一个位于远离前述处理器121的存储装置。

在一些实施方式中，存储器125存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:

操作系统1251，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；

应用程序1252，包含各种应用程序，用于实现各种应用业务。

具体地，处理器121用于执行步骤(1)-(4)对应的流程；在这个过程中，处理器121需要通过网络接口124接受传感器组126发送的信号，处理

同时，处理器121还用于：通过用户接口123将故障诊断结果输出至可视化的界面中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种高速列车牵引系统微小故障诊断方法，其特征在于，包括：

(1)获取传感器的历史信号作为第一数据子集X₁，将所述第一数据子集X₁输入至模型集合一，并对所述模型集合一进行第一次训练,得到模型集合二，所述模型集合一包括随机森林、极限随机树、XGBoost和LightGBM；

(2)通过传感器提取第二数据子集X₂，将所述第二数据子集X₂输入至所述模型集合二，得到第一特征数据；

(3)将所述第一特征数据输入逻辑斯蒂回归模型，并对所述逻辑斯蒂回归模型进行训练，将模型集合二作为第一层，经过训练后的逻辑斯蒂回归模型为第二层，进行叠加后得到堆叠泛化模型三；

(4)提取传感器运行过程中的数据输入所述模型三，得到故障分类标签，根据所述故障标签，获取故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述(1)，具体包括：

通过传感器提取历史信号作为第一数据子集X₁，所述第一数据子集X₁包括：网侧电压传感器信号U_net、四象限整流器的输出电压传感器信号U_d1、逆变器的输入电压传感器信号U_d2、三相交流异步电机的输入电流传感器信号I_a I_b I_c、电机转矩传感器信号T_oq、电机转速传感器信号W_r、速度传感器信号S，所述第一数据子集X₁：

Data＝[(x₁,y₁) … (x_i,y_i) … (x_n,y_n)]^T

x_i＝[U_net U_d1 U_d2 I_a I_b I_c T_oq W_r S]，x_i∈Data

其中Data代表实验平台上采集的原始数据集，x_i代表数据集中的单个数据样本，且单个数据样本x_i由上述的9个变量组成。y_i代表x_i数据样本的标签，表示该数据样本类型代表数据为健康类型还是某类故障。经过预处理后得到数据集合X∈R^n×m，其中n为数据的样本数，m为数据的特征，所述数据集合X∈R^n×m包括第一数据子集X₁和第二数据子集X₂；

所述模型集合一为：

其中H_ρ(x_i)表示随机森林、极限随机树、XGBoost模型和LightGBM模型，ρ＝RF,ET,XGB,LGB，T_ρ分别代表随机森林、极限随机树、XGBoost模型和LightGBM模型的CART决策树的数量，f_j代表决策树函数，x_i∈R^1×m代表单个的输入数据样本，其中i＝1,2…n₁。

3.根据权利要求2所述的方法，其特征在于：所述(2)，具体包括：

其中，

表示在将数据样本x_i输入到CART决策树之后得到的决策结果；

输入所述x_i到模型集合二中，产生的新特征样本：

输入所述第二数据子集X₂到模型集合二中，得到的第一特征数据：

其中

4.根据权利要求3所述的方法，其特征在于：所述(3)，具体包括：

其中，f_LR代表逻辑斯蒂回归模型的函数，w和b为逻辑斯蒂回归模型的参数，x_i表示模型集合二产生的新的特征数据，

5.根据权利要求4所述的方法，其特征在于：所述步骤(4)，具体包括：

采集故障数据并经过数据预处理得到X_test，将所述X_test输入所述模型集合二，产生第二数据特征X_{test_new}，将所述第二特征数据X_{test_new}输入所述模型三，得到故障诊断结果：

其中，f_LR代表逻辑斯蒂回归模型的函数，w和b为逻辑斯蒂回归模型的参数，x_i表示模型集合二产生的新的特征数据，

Images