CN111060844A - 一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置 - Google Patents

Abstract

本发明实施例公开了一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置，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匝间短路故障诊断问题，提高故障诊断准确率。本发明包括：采集高速列车稳态运行数据并对离线数据进行预处理；对预处理后的数据进行小波包变换，并提取时域、时频域特征；将提取得到的特征用于训练随机森林模型；对在线数据进行预处理，提取特征；用得到的随机森林模型对在线数据进行分类，实现故障诊断。本发明适用于高速列车牵引电机的匝间短路故障诊断。

Description

一种用于高速列车牵引传动系统的匝间短路故障诊断方法及 装置

技术领域

本发明涉及高速列车故障诊断领域，尤其涉及一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置。

背景技术

中国的高速列车技术在过去的20年里突飞猛进，短短十年就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重要部件，对于高速列车是否能安全、稳定运行起到了关键作用。在高速列车运行过程中，如振动、高低温、湿度、粉尘等现象对牵引电机都会产生不利影响，若出现机械碰伤、绕组受潮、绝缘老化等情况，则会导致电机出现匝间短路故障。如果不能及时被诊断并得到纠正，故障就可能进一步扩大，造成功能失效，最终会引发电机的异常运转和牵引力的缺失，严重时甚至可能造成紧急制动。

因此，实现牵引电机的匝间短路故障诊断对保障高速列车的安全可靠性十分必要。目前已有的电机牵引系统匝间短路故障诊断方法主要包括：基于电机牵引系统的理论研究建立数学模型，通过构造观测器等方法生成残差来指示故障，然而，对于实际列车牵引电机的结构复杂，且容易收到复杂的操作环境以及运行中的未知噪声影响，其精确模型不易得到；或者是，如同柴电火车时代那样，根据老师傅的经验判断，即通过对先验知识的总结来实现对故障的区分与诊断，但截至目前为止，高速列车的专家知识并不足够充分。

因此，目前还需进一步发展实用程度更高的故障诊断手段。

发明内容

本发明的实施例提供一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置，能够解决高速列车牵引系统的匝间短路故障诊断问题，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：

第一方面，本发明的实施例提供的方法，包括：

从高速列车的历史运行数据中，采集所述高速列车运行在匀速行驶阶段的运行数据作为离线数据，并对所述离线数据进行预处理；

对预处理后的离线数据进行小波包变换，并提取离线数据的时域特征和时频域特征；

利用所述离线数据的时域特征、时频域特征和电压特征，训练随机森林模型；

获取所述高速列车的在线数据，对预处理后的所述在线数据进行小波包变换，并提取在线数据的电流时域特征、时频域特征和电压特征，所述在线数据包括：当前所述高速列车匀速行驶时的运行数据；

通过所述随机森林模型，根据所述在线数据的电流时域特征、时频域特征和电压特征，得到故障诊断结果。

第二方面，本发明的实施例提供的装置，包括：离线模型维护模块和在线故障诊断模块；

所述离线模型维护模块，包括：

第一预处理单元，用于从高速列车的历史运行数据中，采集所述高速列车运行在匀速行驶阶段的运行数据作为离线数据，并对所述离线数据进行预处理；

特征提取单元，用于对预处理后的离线数据进行小波包变换，并提取离线数据的时域特征和时频域特征；

模型训练单元，用于利用所述离线数据的时域特征、时频域特征和电压特征，训练随机森林模型；

所述在线故障诊断模块，包括：

第二预处理单元，用于获取所述高速列车的在线数据，对预处理后的所述在线数据进行小波包变换，并提取在线数据的电流时域特征、时频域特征和电压特征，所述在线数据包括：当前所述高速列车匀速行驶时的运行数据；

故障诊断单元，用于通过所述随机森林模型，根据所述在线数据的电流时域特征、时频域特征和电压特征，得到故障诊断结果。

实施例提供的用于高速列车牵引传动系统的匝间短路故障诊断方法及装置，基于数据驱动的故障诊断方法通过对历史采样数据数据的分析与计算，利用其时域、频域、时频域多种指标作为信息来识别和诊断故障。能够在不建立精确的系统模型的情况下，充分挖掘数据中潜在信息，实现故障诊断。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的方法流程的示意图；

图2为本发明实施例提供的高铁的牵引系统模型的示意图；

图3为本发明实施例提供的小波包分解示意图；

图4为本发明实施例提供的离线部分流程示意图；

图5为本发明实施例提供的在线诊断部分流程示意图；

图6为本发明实施例提供的在特征提取后的聚类可视化结果示意图；

图7为本发明实施例提供的在特征提取后用随机森林特征选择的聚类可视化结果示意图。

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。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。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。

本发明实施例提供一种用于高速列车牵引传动系统的匝间短路故障诊断方法，该方法包括2个阶段，其中第一阶段，建立离线数据模型。第二阶段，在线故障诊断。

本发明公开了一种高速列车牵引系统匝间短路的故障诊断方法，涉及高速列车故障诊断领域。其步骤包括：

第一阶段，如图4所示的，建立离线数据模型：1采集高速列车稳态运行数据并对离线数据进行预处理；2对预处理后的数据进行小波包变换，并提取时域、时频域特征；3将提取得到的特征用于训练随机森林模型；

第二阶段，如图5所示的，在线故障诊断：4对在线数据进行预处理，提取步骤2的特征；5用步骤3得到的随机森林模型对在线数据进行分类，实现故障诊断。

该方法可以应用砸如图2所示的高铁的牵引系统模型，该方法具体如图1所示的，包括：

步骤1、从高速列车的历史运行数据中，采集所述高速列车运行在匀速行驶阶段的运行数据作为离线数据，并对所述离线数据进行预处理。

其中，所述运行数据包括：电压信号和逆变器输出的三相电流的A相和B相的电流信号，所述电压信号表示所述逆变器输出端的中间直流部分的电容两端的电压。

步骤2、对预处理后的离线数据进行小波包变换，并提取离线数据的时域特征和时频域特征。

步骤3、利用所述离线数据的时域特征、时频域特征和电压特征，训练随机森林模型。

步骤4、获取所述高速列车的在线数据，对预处理后的所述在线数据进行小波包变换，并提取在线数据的电流时域特征、时频域特征和电压特征。

其中，所述在线数据包括：当前所述高速列车匀速行驶时的运行数据。需要说明的是，本实施例中所述的高速列车的匀速行驶的速度，一般在110km/h以上。

步骤5、通过所述随机森林模型，根据所述在线数据的电流时域特征、时频域特征和电压特征，得到故障诊断结果。

本实施例中，所述采集高速列车的稳态运行数据，并对离线数据进行预处理，包括：

从所述离线数据中提取所述高速列车匀速行驶时的时的A、B相的电流信号和电压信号，并筛除所述电流信号和所述电压信号中的非稳态数据和噪声数据。对所述电流信号和所述电压信号进行分割，得到预设数量的样本段。在本实施例的优选方案中，所述高速列车的运行状态包括：正常和故障。每一种状态对应至少400个样本段。

例如：通过采集高速列车稳态运行数据并对离线数据进行预处理。所述步骤1中，对采集得到的电流与电压信号进行数据清洗，筛除非稳态数据与过大的噪声数据。再将数据进行分割，形成多个样本段。所述步骤1中，采集高速列车稳定运行时的A、B相电流信号与电压信号，对采集得到的电流与电压信号进行数据清洗，筛除非稳态数据与过大的噪声数据。

具体的，所述对预处理后的离线数据进行小波包变换，并提取离线数据的时域特征和时频域特征，包括：

分别获取各个样本段中的电流信号的峰值、均值、均方根、方差、峰值因子、峭度指标和波形因子，并作为时域特征参数。

将各个样本段中的电流信号用迈耶小波(Meyer wavelet)进行3层小波包分解，并得到第3层小波上8个结点的能量值。

将各个结点能量归一化处理，获取各结点能量所占百分比，并作为样本段中的电流信号的时频域特征参数。

将各个样本段中的电压信号求取其平均值及其标准差，作为所述电压特征。

举例来说：

设离散数据表示为：

Data＝[(x₁,y₁)…(x_i,y_i)…(x_N,y_N)]^T

x_i＝[U I_a I_b],x_i∈Data (1)

其中，Data代表经过数据清洗的数据集，N表示该数据集中采样点的个数，x_i代表数据集中第i个采样点每个采样点包含电压U、A、B相电流I_a、I_b，如图2所示的，I_a、I_b分别为电机的A、B相电流，U为整流器输出端单侧电容桥臂两端电压。再将数据进行分割，形成多个样本段，每段样本段中共有n个采样点。其中某段样本段信号为{x}。

对预处理后的数据进行小波包变换，并提取时域、时频域特征，所述步骤2中，具体包括：

1)提取电流时域特征的具体方法为：

分别计算各个样本段中的电流信号的峰值I_p、均值

均方根I_RMS、峰值因子C_f、峭度指标K、波形因子W_s作为时域特征参数，以某段样本信号为例，{x_j}为该段信号内第j个采样点，其A相电流{I_j}在该段包含n个采样点的样本段中，各时域特征参数分别为：

峰值I_p：某时刻振幅的最大值。

均值

均方根值I_RMS：

峰值因子C_f：

峭度指标K：

波形因子W_s：

2)提取电流时频域特征的具体方法为：

设某个样本段中的A相电流信号I的信号为s(t)，用迈耶小波(Meyer wavelet)进行3层小波包对其进行分解。迈耶小波(Meyer wavelet)由一个标准正交化的尺度函数

通过双尺度差分方程：

生成函数{W_n,j,k(t):＝2^-jW_n(2^-jt-k),n∈Z/Z^-,j∈Z,k∈Z}称为

的正交小波包，其中n为震荡次数，j为尺度，k小波平移的位置坐标，Z表示正整数集。

{h_k}_k∈Z和{g_k}_k∈Z是由

推导出的一对共轭正交滤波器系数。

定义p_s(n,j,k)为信号s(t)∈L²(R)在正交小波基

上的投影系数为离散正交小波包变换系数，L²(R)为全体实数R上平方可积函数构成的函数空间。则{p_s(n,j,k)}_k∈Z为信号s(t)在正交小波包空间

上的小波包变换系数序列。{p_s(n,j,k)}_k∈Z的递推关系式为：

电流信号进行小波包变换同时对高频与低频部分分解，分解结构如图3所示。

分别计算第j层小波上的2^j个结点的能量值，计算方法如下：

其中，E(j,i)表示在分解层次j上第i个结点的能量值；p_s(n,j,k)是小波变换系数，采用式8的计算方法。

对原始信号s(t)进行了j层小波包分解，则在j层分解中，信号的小波包能量特征表示如下：

C(j,s)＝[E(j,0),E(j,1),…,E(j,2^j-1)] (10)

再将各个结点能量归一化，计算各结点能量所占百分比，作为电流的时频域特征参数。

3)提取电压特征的具体方法为：将各个样本段中的电压信号求取其平均值及其标准差，作为电压特征的参数。

在本实施例的步骤3中，将得到的电流时域、时频域、电压特征进行归一化，并输入随机森林模型进行预训练，并利用基尼系数对各个特征进行重要性评估。选择重要性排名前十的特征作为最终特征，再次训练并得到用于分类的随机森林模型。

具体包括：将得到的电流时域、时频域、电压特征进行归一化，并将高维特征向量分为两组，一组作为初次训练样本输入至随机森林来训练模型，得到随机森林分类模型，另一组作为二次训练样本。为证明特征提取的有效性，将特征提取后的数据进行t-SNE可视化分析，结果如图6所示。

其中，利用基尼系数对各个特征进行重要性评估的方法为：

将变量重要性评分用VIM来表示，将Gini指数用GI来表示，假设有m个特征X₁,X₂,X₃,…,X_m，第j个特征X_j的基尼系数评分为

亦即第j个特征在所有决策树中节点分裂不纯度的平均改变量。基尼系数的计算公式为：

其中，K表示有K个类别，p_mk表示节点m中类别k所占的比例。

特征j在结点m的重要性为：

其中，GI_m和GI_r分别表示分枝后两个新节点的Gini指数。其中，K表示有K个类别，p_mk表示节点m中类别k所占的比例。

如果特征X_j在决策树i中出现的节点在集合M中，那么X_j在第i棵树的基尼系数评分为：

假设随机森林中共有n棵树，则

最后，把所有所求的基尼系数评分归一化，归一化结果为：

选择重要性排名前十的特征作为最终特征，利用二次训练样本再次训练并得到最终用于分类的随机森林模型。

当利用上述训练的随机森林模型，对实际运行的高速列车进行在线故障诊断时，先对在线数据进行预处理，采用步骤2中的方法提取实际运行的高速列车的各项特征。在步骤4中，将在线数据同样经步骤1和2处理，得到在线数据的电流时域、时频域特征与电压特征。

在步骤5中，从4得到的在线数据的特征中选择与3中相同的特征，输入步骤3中训练完成的随机森林模型，得到故障诊断结果。

本实施例中，为证明经过特征提取，并且用随机森林按重要程度筛选后的特征的有效性，用t-SNE方法对特征提取并筛选后的特征进行聚类可视化分析，结果如图7所示，能够证明所提出的特征提取以及特征筛选方法能够充分挖掘故障信息，并为分类奠定基础。将筛选过后的特征再次输入随机森林预测模型，得到的样本标签即为故障诊断结果。

本发明实施例还提供一种用于高速列车牵引传动系统的匝间短路故障诊断装置，包括：离线模型维护模块和在线故障诊断模块；

所述离线模型维护模块，包括：

第一预处理单元，用于从高速列车的历史运行数据中，采集所述高速列车运行在匀速行驶阶段的运行数据作为离线数据，并对所述离线数据进行预处理；

特征提取单元，用于对预处理后的离线数据进行小波包变换，并提取离线数据的时域特征和时频域特征；

模型训练单元，用于利用所述离线数据的时域特征、时频域特征和电压特征，训练随机森林模型；

所述在线故障诊断模块，包括：

第二预处理单元，用于获取所述高速列车的在线数据，对预处理后的所述在线数据进行小波包变换，并提取在线数据的电流时域特征、时频域特征和电压特征，所述在线数据包括：当前所述高速列车匀速行驶时的运行数据；

故障诊断单元，用于通过所述随机森林模型，根据所述在线数据的电流时域特征、时频域特征和电压特征，得到故障诊断结果。

其中，所述运行数据包括：电压信号和逆变器输出的三相电流的A相和B相的电流信号，所述电压信号表示所述逆变器输出端的中间直流部分的电容两端的电压

所述第一预处理单元，具体用于从所述离线数据中提取所述高速列车匀速行驶时的时的A、B相的电流信号和电压信号，并筛除所述电流信号和所述电压信号中的非稳态数据和噪声数据；对所述电流信号和所述电压信号进行分割，得到预设数量的样本段。

所述高速列车的运行状态包括：正常和故障；每一种状态对应至少400个样本段。

所述特征提取单元，具体用于：

分别获取各个样本段中的电流信号的峰值、均值、均方根、方差、峰值因子、峭度指标和波形因子，并作为时域特征参数；

将各个样本段中的电流信号用迈耶小波(Meyer wavelet)进行3层小波包分解，并得到第3层小波上8个结点的能量值；

将各个结点能量归一化处理，获取各结点能量所占百分比，并作为样本段中的电流信号的时频域特征参数；

将各个样本段中的电压信号求取其平均值及其标准差，作为所述电压特征。

本实施例提出的基于堆叠泛化的模型融合技术作为故障检测与诊断算法结合了小波包变换与随机森林算法，可以用来实现高速列车牵引系统匝间短路的故障诊断。其中，由于基于小波包变换的方法，该方法结合了随机森林算法，能够实现较为准确的故障诊断，并且在对匝间短路微小故障的敏感性上有一定的优势。

将小波包变换与随机森林算法用于对高速列车牵引系统中的匝间短路故障诊断。这种方法能够有效地实现高速列车牵引电机匝间短路故障诊断，并且在微小故障诊断上也有较高的灵敏度。此外，通过随机森林进行特征选择能够提升模型的泛化性能，具有较强的鲁棒性。

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 (10)

1.一种用于高速列车牵引传动系统的匝间短路故障诊断方法，其特征在于，包括：

从高速列车的历史运行数据中，采集所述高速列车运行在匀速行驶阶段的运行数据作为离线数据，并对所述离线数据进行预处理；

对预处理后的离线数据进行小波包变换，并提取离线数据的时域特征和时频域特征；

利用所述离线数据的时域特征、时频域特征和电压特征，训练随机森林模型；

获取所述高速列车的在线数据，对预处理后的所述在线数据进行小波包变换，并提取在线数据的电流时域特征、时频域特征和电压特征，所述在线数据包括：当前所述高速列车匀速行驶时的运行数据；

通过所述随机森林模型，根据所述在线数据的电流时域特征、时频域特征和电压特征，得到故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述运行数据包括：电机的三相电流的A相和B相的电流信号，所述电压信号表示整流器输出端单侧电容桥臂两端电压。

3.根据权利要求2所述的方法，其特征在于，所述采集高速列车的稳态运行数据，并对离线数据进行预处理，包括：

从所述离线数据中提取所述高速列车匀速行驶时的时的A、B相的电流信号和电压信号，并筛除所述电流信号和所述电压信号中的非稳态数据和噪声数据；

对所述电流信号和所述电压信号进行分割，得到预设数量的样本段。

4.根据权利要求3所述的方法，其特征在于，所述高速列车的运行状态包括：正常和故障；

每一种状态对应至少400个样本段。

5.根据权利要求2所述的方法，其特征在于，所述对预处理后的离线数据进行小波包变换，并提取离线数据的时域特征和时频域特征，包括：

分别获取各个样本段中的电流信号的峰值、均值、均方根、方差、峰值因子、峭度指标和波形因子，并作为时域特征参数；

将各个样本段中的电流信号用迈耶小波(Meyer wavelet)进行3层小波包分解，并得到第3层小波上8个结点的能量值；

将各个结点能量归一化处理，获取各结点能量所占百分比，并作为样本段中的电流信号的时频域特征参数；

将各个样本段中的电压信号求取其平均值及其标准差，作为所述电压特征。

6.一种用于高速列车牵引传动系统的匝间短路故障诊断装置，其特征在于，包括：离线模型维护模块和在线故障诊断模块；

所述离线模型维护模块，包括：

第一预处理单元，用于从高速列车的历史运行数据中，采集所述高速列车运行在匀速行驶阶段的运行数据作为离线数据，并对所述离线数据进行预处理；

特征提取单元，用于对预处理后的离线数据进行小波包变换，并提取离线数据的时域特征和时频域特征；

模型训练单元，用于利用所述离线数据的时域特征、时频域特征和电压特征，训练随机森林模型；

所述在线故障诊断模块，包括：

第二预处理单元，用于获取所述高速列车的在线数据，对预处理后的所述在线数据进行小波包变换，并提取在线数据的电流时域特征、时频域特征和电压特征，所述在线数据包括：当前所述高速列车匀速行驶时的运行数据；

故障诊断单元，用于通过所述随机森林模型，根据所述在线数据的电流时域特征、时频域特征和电压特征，得到故障诊断结果。

7.根据权利要求6所述的装置，其特征在于，所述运行数据包括：电压信号和逆变器输出的三相电流的A相和B相的电流信号，所述电压信号表示所述逆变器输出端的中间直流部分的电容两端的电压。

8.根据权利要求7所述的装置，其特征在于，所述第一预处理单元，具体用于从所述离线数据中提取所述高速列车匀速行驶时的时的A、B相的电流信号和电压信号，并筛除所述电流信号和所述电压信号中的非稳态数据和噪声数据；对所述电流信号和所述电压信号进行分割，得到预设数量的样本段。

9.根据权利要求8所述的装置，其特征在于，所述高速列车的运行状态包括：正常和故障；每一种状态对应至少400个样本段。

10.根据权利要求7所述的装置，其特征在于，所述特征提取单元，具体用于：

分别获取各个样本段中的电流信号的峰值、均值、均方根、方差、峰值因子、峭度指标和波形因子，并作为时域特征参数；

将各个样本段中的电流信号用迈耶小波(Meyer wavelet)进行3层小波包分解，并得到第3层小波上8个结点的能量值；

将各个结点能量归一化处理，获取各结点能量所占百分比，并作为样本段中的电流信号的时频域特征参数；

将各个样本段中的电压信号求取其平均值及其标准差，作为所述电压特征。

Images