CN112213570A - 一种故障诊断规则库的生成方法及其故障诊断方法 - Google Patents
一种故障诊断规则库的生成方法及其故障诊断方法 Download PDFInfo
- Publication number
- CN112213570A CN112213570A CN201910621034.5A CN201910621034A CN112213570A CN 112213570 A CN112213570 A CN 112213570A CN 201910621034 A CN201910621034 A CN 201910621034A CN 112213570 A CN112213570 A CN 112213570A
- Authority
- CN
- China
- Prior art keywords
- fault
- determining
- sequence
- residual
- fault diagnosis
- 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.)
- Granted
Links
Images
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
Abstract
本发明提供了一种故障诊断规则的生成方法,包括:基于所述牵引变流器电路结构确定结构最小超定方程集,所述结构最小超定方程集覆盖所有可检测故障;基于每一结构最小超定方程集确定一残差以构成一序列残差;确定所述序列残差中的所有残差对应的故障决策函数及故障阈值;以及基于所述序列残差中的所有残差对应的故障决策函数及故障阈值确定所有可检测故障的故障诊断规则以生成其故障诊断规则库。
Description
技术领域
本发明涉及故障诊断领域,尤其涉及一种牵引变流器的故障诊断规则库的生成方法及使用该故障诊断库的故障诊断方法。
背景技术
牵引变流器是机车和动车组牵引系统的核心设备,由于其结构复杂,运行环境恶劣,极易发生故障。目前牵引变流器的控制单元一般采用简单超限报警诊断方法来实现对变流器各种异常保护,牵引变流器内具备四象限输入过流、逆变输出过流、斩波过流、中间电压过高/过低等诊断功能。比如,当牵引变流器内支撑电容或次谐振电容发生故障,控制单元将诊断出过压或欠压故障,进而执行相应保护动作。
显然,现有的变流器故障诊断方法仅能对系统一些异常工况(如过压、过流、超温)等进行诊断,无法进一步对产生异常的原因进行准确定位,导致系统过度保护,可用性较差。
此外,故障定位不准确,导致售后服务人员在进行故障排查困难重重,经常出现预防性更换处理,造成大量的无故障零部件返厂检测与分析,导致大量人力物力浪费。
因此,为实现各类故障源的实时精确诊断,在异常工况时能及时对故障部件进行准确诊断与隔离,对提高机车可用性和减少不必要的资源浪费具有深远的意义。
为了实现牵引变流器相关故障的实时诊断和有效保护,本发明旨在提出一种故障诊断方法,能够实现对机车牵引变流器内各部件(如支撑电容,二次谐振电容,二次谐振电感及电压电流传感器等器件)的劣化和故障状态进行精确诊断,保障列车的可靠安全运行。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
根据本发明的一方面,提供了一种故障诊断规则的生成方法,包括:基于所述牵引变流器电路结构确定结构最小超定方程集,所述结构最小超定方程集覆盖所有可检测故障;基于每一结构最小超定方程集确定一残差以构成一序列残差;确定所述序列残差中的所有残差对应的故障决策函数及故障阈值;以及基于所述序列残差中的所有残差对应的故障决策函数及故障阈值确定所有可检测故障的故障诊断规则以生成其故障诊断规则库。
更进一步地,所述确定结构最小超定方程集包括:基于所述牵引变流器电路结构确定所述牵引变流器的数学模型;以及基于所述数学模型确定所述结构最小超定方程集。
更进一步地,所述基于数学模型确定结构最小超定方程集包括:利用最小碰集的方法基于所述数学模型中的全部方程确定所述最小超定方程集。
更进一步地,所述基于数学模型确定结构最小超定方程集还包括:基于所述数学模型建立结构化模型;基于所述结构化模型判断所述电路结构中的每一故障的可检测性;判断每一可检测故障的可隔离性;以及所述利用最小碰集的方法基于数学模型中的全部方程确定结构最小超定方程集包括:响应于所有故障均可隔离,利用所述最小碰集的方法基于所述数学模型中的全部方程确定所述结构最小超定方程集。
更进一步地,所述基于数学模型确定结构最小超定方程集还包括:响应于存在不可完全隔离故障,根据特定故障工况下的解析冗余关系确定冗余解析方程对该不可完全隔离故障进行可隔离性优化以隔离该不可完全隔离故障;以及所述确定结构最小超定方程集包括:基于所述不可完全隔离故障在特定故障工况下的解析冗余关系确定所述结构最小超定方程集。
更进一步地,所述基于结构化模型判断电路结构中的每一故障的可检测性包括:对所述结构化模型进行DM分解;以及响应于一故障处于结构超定部分,判断该故障是可检测故障。
更进一步地,所述确定序列残差中的所有残差对应的故障决策函数包括:采用累积和算法对所述序列残差中的每一残差进行残差决策以确定其对应的故障决策函数。
更进一步地,所述确定序列残差中的所有残差对应的故障阈值包括:对正常工况下的序列残差中的每一残差的均值与方差进行统计分析以计算出每一残差对应的故障阈值。
更进一步地,所述的故障诊断方法还包括:基于所述序列残差计算故障特征矩阵;以及所述生成故障诊断规则库包括:针对每一可检测故障,利用所述故障特征矩阵确定所述序列残差中的每一残差对应的故障决策函数与其对应的故障阈值的大小关系以生成该故障的故障诊断规则,所有可检测故障的故障诊断规则构成所述故障诊断规则库。
根据本发明的另一个方面,提供了一种故障诊断规则库的生成装置,包括:存储器;以及与所述存储器耦接的处理器,所述处理器被配置成:基于所述牵引变流器电路结构确定结构最小超定方程集,所述结构最小超定方程集覆盖所有可检测故障;基于每一结构最小超定方程集确定一残差以构成一序列残差;确定所述序列残差中的所有残差对应的故障决策函数及故障阈值;以及基于所述序列残差中的所有残差对应的故障决策函数及故障阈值确定所有可检测故障的故障诊断规则以生成其故障诊断规则库。
更进一步地,所述处理器还被配置成:基于所述牵引变流器电路结构确定所述牵引变流器的数学模型;以及基于所述数学模型确定所述结构最小超定方程集。
更进一步地,所述处理器还被配置成:利用最小碰集的方法基于所述数学模型中的全部方程确定所述最小超定方程集。
更进一步地,所述处理器还被配置成:基于所述数学模型建立结构化模型;基于所述结构化模型判断所述电路结构中的每一故障的可检测性;判断每一可检测故障的可隔离性;以及响应于所有故障均可隔离,利用所述最小碰集的方法基于所述数学模型中的全部方程确定所述结构最小超定方程集。
更进一步地,所述处理器还被配置成:响应于存在不可完全隔离故障,根据特定故障工况下的解析冗余关系确定冗余解析方程对该不可完全隔离故障进行可隔离性优化以隔离该不可完全隔离故障;以及所述确定结构最小超定方程集包括:基于所述不可完全隔离故障在特定故障工况下的解析冗余关系确定所述结构最小超定方程集。
更进一步地,所述处理器还被配置成:对所述结构化模型进行DM分解;以及响应于一故障处于结构超定部分,判断该故障是可检测故障。
更进一步地,所述处理器还被配置成:采用累积和算法对所述序列残差中的每一残差进行残差决策以确定其对应的故障决策函数。
更进一步地,所述处理器还被配置成:对正常工况下的序列残差中的每一残差的均值与方差进行统计分析以计算出每一残差对应的故障阈值。
更进一步地,所述处理器还被配置成:基于所述序列残差计算故障特征矩阵;以及针对每一可检测故障,利用所述故障特征矩阵确定所述序列残差中的每一残差对应的故障决策函数与其对应的故障阈值的大小关系以生成该故障的故障诊断规则,所有可检测故障的故障诊断规则构成所述故障诊断规则库。
根据本发明的又一个方面,提供了一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如上述任一项所述的故障诊断规则库的生成方法的步骤。
根据本发明的再一个方面,提供了一种故障诊断方法,用于利用如上述任意一项所述的故障诊断方法生成的故障诊断规则库对牵引变流器进行故障诊断,包括:获取牵引变流器内的传感器检测信号和列车状态信息;以及利用所述故障诊断规则库,根据所述传感器检测信号、所述列车状态信息对所述牵引变流器进行故障检测及诊断。
更进一步地,所述对所述牵引变流器进行故障检测及诊断包括:基于所述传感器检测信号以及所述列车状态信息计算序列残差;基于所述序列残差计算所述序列残差中的每一残差对应的故障决策函数值;以及基于所有故障决策函数值确定所述牵引变流器在所述故障诊断规则库中匹配的故障诊断规则以确定所述牵引变流器存在的可检测故障。
更进一步地,所述基于所有故障决策函数值确定牵引变流器在故障诊断规则库中匹配的故障诊断规则包括:判断所述序列残差中的每一残差的故障决策函数值与其对应的故障阈值的大小关系;将所述序列残差中的所有残差对应的故障决策函数值与对应的故障阈值的大小关系与所述故障诊断数据库中的所有故障诊断规则进行匹配;以及响应于所述序列残差中的所有残差对应的故障决策函数值与对应的故障阈值的大小关系与一故障诊断规则匹配成功,判断所述牵引变流器存在所述故障诊断规则对应的可检测故障。
更进一步地,所述故障诊断方法还包括:响应于所述牵引变流器存在至少一可检测故障;以及显示所述至少一可检测故障。
根据本发明的另一个方面,提供了一种故障诊断装置,包括:存储器,用于存储如上述任一项所述的生成方法生成的故障诊断规则库;以及与所述存储器耦接的处理器,所述处理器被配置成:获取牵引变流器内的传感器检测信号和列车状态信息;以及利用所述故障诊断规则库,根据所述传感器检测信号、所述列车状态信息对所述牵引变流器进行故障检测及诊断。
更进一步地,所述处理器还被配置成:基于所述传感器检测信号以及所述列车状态信息计算序列残差;基于所述序列残差计算所述序列残差中的每一残差对应的故障决策函数值;以及基于所有故障决策函数值确定所述牵引变流器在所述故障诊断规则库中匹配的故障诊断规则以确定所述牵引变流器存在的可检测故障。
更进一步地,所述处理器还被配置成:判断所述序列残差中的每一残差的故障决策函数值与其对应的故障阈值的大小关系;将所述序列残差中的所有残差对应的故障决策函数值与对应的故障阈值的大小关系与所述故障诊断数据库中的所有故障诊断规则进行匹配;以及响应于所述序列残差中的所有残差对应的故障决策函数值与对应的故障阈值的大小关系与一故障诊断规则匹配成功,判断所述牵引变流器存在所述故障诊断规则对应的可检测故障。
更进一步地,所述处理器还被配置成:响应于所述牵引变流器存在至少一可检测故障;以及控制列车的显示器显示所述至少一可检测故障。
根据本发明的另一个方面,提供了一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如上述任一项所述的故障诊断方法的步骤。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后,更能够更好地理解本发明的上述特征和优点。
图1是根据本发明的一个方面绘示的典型交流传动电力机车的结构示意图;
图2是根据本发明的一个方面绘示的典型的牵引系统整流器的电路结构示意图;
图3是根据本发明的一个方面绘示的一实施例的生成方法的流程示意图;
图4是根据本发明的一个方面绘示的一实施例的生成方法的部分流程示意图;
图5是根据本发明的一个方面绘示的一实施例的生成方法的部分流程示意图;
图6是根据本发明的一个方面绘示的一具体实施例的结构化模型;
图7是根据本发明的一个方面绘示的一实施例的生成方法的部分流程示意图;
图8是根据本发明的一个方面绘示的一具体实施例的DM分解结果;
图9是根据本发明的一个方面绘示的一具体实施例的故障隔离矩阵;
图10是根据本发明的另一个方面绘示的一实施例的生成装置的硬件框图;
图11是根据本发明的又一个方面绘示的一实施例的故障诊断方法的流程示意图;
图12是根据本发明的又一个方面绘示的一实施例的故障诊断方法的部分流程示意图;
图13是根据本发明的又一个方面绘示的一实施例的故障诊断方法的部分流程示意图;
图14A是根据本发明的又一个方面绘示的一具体实施例的四象限输入电流传感器故障工况下各残差响应波形图;
图14B是根据本发明的又一个方面绘示的一具体实施例的四象限输入电流传感器故障工况下各残差故障决策函数变化规律;
图14C是根据本发明的又一个方面绘示的一具体实施例的四象限输入电流传感器故障工况诊断结果;
图15是根据本发明的又一个方面绘示的一实施例的故障诊断方法的部分流程示意图;
图16是根据本发明的再一个方面绘示的一实施例的故障诊断装置的硬件框图。
具体实施方式
给出以下描述以使得本领域技术人员能够实施和使用本发明并将其结合到具体应用背景中。各种变型、以及在不同应用中的各种使用对于本领域技术人员将是容易显见的,并且本文定义的一般性原理可适用于较宽范围的实施例。由此,本发明并不限于本文中给出的实施例,而是应被授予与本文中公开的原理和新颖性特征相一致的最广义的范围。
在以下详细描述中,阐述了许多特定细节以提供对本发明的更透彻理解。然而,对于本领域技术人员显而易见的是,本发明的实践可不必局限于这些具体细节。换言之,公知的结构和器件以框图形式示出而没有详细显示,以避免模糊本发明。
请读者注意与本说明书同时提交的且对公众查阅本说明书开放的所有文件及文献,且所有这样的文件及文献的内容以参考方式并入本文。除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。
以下结合附图和具体实施例对本发明作详细描述。注意,以下结合附图和具体实施例描述的诸方面仅是示例性的,而不应被理解为对本发明的保护范围进行任何限制。
首先简要阐述典型的交流传动电力机车的结构以便于理解本发明的具体内容。
典型交流传动电力机车的结构示意图如图1所示。AC 25kV电源经受电弓从电网下来,经主变压器降压,传动控制单元控制四象限整流器完成交流到直流的变换,再控制逆变器完成直流到3相交流的VVVF(变压变频)变换,给牵引电机供电,达到对牵引电机转矩的控制。
其中,在交流传动牵引系统中,电机侧逆变器和牵引电机的性能与整流器强相关,整流器通过闭环控制,实现中间电压和次边电流的稳定控制,从而为逆变器和牵引电机工作提供稳定的直流电源。当整流器出现传感器故障或执行器故障时,将导致系统测量或控制输出出现偏差,从而导致系统故障或失效,严重影响牵引系统正常工作。本案以牵引系统整流器故障为例来阐述故障诊断方法。
图2示出了典型的牵引系统整流器电路结构图。本案主要针对其中的系统传感器和功率器件的故障进行诊断。其中,系统传感器包括LH1、VH1及VH2,功率器件包括四个IGBT(Insulated Gate Bipolar Transistor,绝缘栅双极型晶体管)。
根据本发明的一个方面,提供一种故障诊断规则库的生成方法,用于生成诊断牵引变流器的可检测故障的故障诊断规则库。
在一实施例中,如图3所示,生成方法300包括步骤S310~S340。
步骤S310为:基于所述牵引变流器电路结构确定结构最小超定方程集,所述结构最小超定方程集覆盖所有可检测故障。
结构最小超定方程集(Minimally Structurally Overdetermined sets,MSOs)为能够实现故障隔离的最少的方程数。可以理解,由于数学模型的不同及可检测故障的数量的不同,该结构最小超定方程集的数量各有不同。
进一步地,如图4所示,步骤S310可具体包括步骤S311~312。
步骤S311为:基于所述牵引变流器电路结构确定所述牵引变流器的数学模型。
基于该牵引变流器内的各个变量间的关联关系,采用一阶微分方程来描述各个变量间的关系,如基于图2所示的电路结构图,可基于电路原理得出其数学模型,如式(1)~式(19)所示。
式(5):uab=func1(Sa-Sb,f_Sab1,f_Sab2,f_Sab3,f_Sab4)·Udc;
式(6):iZ=func1(Sa-Sb,f_Sab1,f_Sab2,f_Sab3,f_Sab4)·iqc;
式(7):idc=iZ-i2-iL;
式(8):f_Sab1=func2(Sa-Sb,fIGBT1);
式(9):f_Sab2=func3(Sa-Sb,fIGBT2);
式(10):f_Sab3=func4(Sa-Sb,fIGBT3);
式(11):f_Sab4=func5(Sa-Sb,fIGBT4);
式(12):yuN=uN;
式(13):yiqc=iqc+fyiqc;
式(14):yUdc1=Udc+fyUdc1;
式(15):yUdc2=Udc+fyUdc2;
其中,diqc为四象限输入电流微分,LN为牵引变压器次边漏感,uN为交流输入电压,RN为牵引变压器次边漏阻,iqc为四象限输入电流,uab为四象限整流器输入电压,dUdc为中间直流电压微分,Cd为支撑电容,idc为支撑电容Cd电流,di2为二次谐振电流微分,L2为二次谐振电感,Udc为中间直流电压,u2为二次谐振电压,iL为负载电流,du2为二次谐振电压微分,C2为二次谐振电容,i2为二次谐振电流,Sa和Sb为四象限整流器开关函数,f_Sab1为IGBT T1开路时等效开关函数,f_Sab2为IGBT T2开路时等效开关函数,f_Sab3为IGBT T3开路时等效开关函数,f_Sab4为IGBT T4开路时等效开关函数,iZ为四象限整流器输出电流,iL为负载电流,fIGBT1为整流器模块IGBT T1开路故障,fIGBT2为整流器模块IGBT T2开路故障,fIGBT3为整流器模块IGBT T3开路故障,fIGBT4为整流器模块IGBT T4开路故障,yuN为次边电压传感器采样值,yiqc为四象限电流传感器LH1采样值,fyiqc为四象限电流传感器LH1故障,yUdc1为中间电压传感器1VH1采样值,fyUdc1为中间电压传感器1VH1故障,yUdc2为中间电压传感器2VH2采样值,fyUdc2为中间电压传感器2VH2故障。
其中,函数式func1~func5定义如下:
步骤S312为:基于所述数学模型确定所述结构最小超定方程集。
基于该数学模型中的全部方程基于其各种组合确定各种组合中的结构最小超定方程集。
较优地,可利用最小碰集的方法从该数学模型中的全部方程中确定该最小超定方程集。
较优地,如图5所示,步骤S312可具体包括步骤S510~S540。
步骤S510为:基于数学模型建立结构化模型。
结构化模型能够直观地展示变量与数学模型中的各个方程的对应关系。且,结构化模型能够将数学模型中涉及到的变量进行分类,比如分为3类:未知变量、故障变量和已知变量。
在具体实施例中,如式(1)~式(19)所示的数学模型确定的结构化模型如图6所示的结构化模型,其中,D表示微分变量关系,I表示积分变量关系,未知变量集合为{diqc,LN,uN,RN,iqc,uab,dUdc,iL,Cd,idc,di2,L2,Udc,u2,du2,C2,i2,f_Sab1,f_Sab2,f_Sab3,f_Sab4,iZ}、故障变量集合为{fIGBT1,fIGBT2,fIGBT3,fIGBT4,}、和已知变量集合为{yuN,yiqc,yUdc1,yUdc2,Sa,Sb}。
步骤S520为:基于所述结构化模型判断所述电路结构中的每一故障的可检测性。
基于该结构化模型确定各个未知变量的冗余关系,存在解析冗余的故障则为可检测故障。
具体地,可基于数学工具Dulmage-Mendelsohn(DM)对该结构化模型进行分解以确定其冗余关系。
DM分解为一种类似上三角型式的稀疏矩阵行列重新排列的数学工具,可将系统模型分为3个不同的区域:结构欠定部分,结构正定部分和结构超定部分。其中,位于结构欠定部分的未知变量的数目多于方程数,位于结构正定部分的未知变量的数目等于方程数,位于结构超定部分的未知变量的数目少于方程数。
可以理解,若方程中的故障处于结构超定部分则说明该故障是可检测故障。
进一步地,如图7所示,步骤S520可具体包括步骤S521~S522。
步骤S521为:对结构化模型进行DM分解。
对如图6所示的结构化模型进行DM分解,可得到如图7所示的DM分解结果。
步骤S522为:响应于一故障处于结构超定部分,判断该故障是可检测故障。
步骤S530为:判断每一可检测故障的可隔离性。
故障可隔离性是指当该故障发生时,能将其从其它故障中辨析和隔离出来。在一结构化模型M中中,若故障fi和fj满足式(20)的关系,则故障fi可从故障fj中隔离出来。
步骤S540为:响应于所有故障均可隔离,利用所述最小碰集的方法基于所述数学模型中的全部方程确定所述结构最小超定方程集。
响应于所有可检测故障均满足上述可隔离性定义,则所有可检测故障均未可隔离故障,则可仅基于最小碰集的方法从数学模型中的全部方程中确定出所有的最小超定方程集。
进一步地,以图6所示的结构化模型为例,对该结构化模型进行故障隔离,可得到故障隔离矩阵,如图9所示,故障和仅与自身存在相关关系,因此为可隔离故障。然而故障fIGBT1,fIGBT2,fIGBT3,fIGBT4及虽然可从其它故障中隔离出来,但是相互间不能隔离,为不可完全隔离故障。
进一步地,如图5所示,步骤S312还可包括步骤S550~S60。
S550为:响应于存在不可完全隔离故障,根据特定故障工况下的解析冗余关系确定冗余解析方程对该不可完全隔离故障进行可隔离性优化以隔离该不可完全隔离故障。
在步骤S530中,若判断出任意一个可检测故障为不可完全隔离故障,则可利用已知信息增加冗余解析方程,从而提高可隔离性。
具体地,可根据各种工况下的解析冗余关系模式,实现四象限输入电流传感器故障与各IGBT开路故障的相互隔离。
S560为:基于所述不可完全隔离故障在特定故障工况下的解析冗余关系确定所述结构最小超定方程集。
以图6所示的结构化模型为例,基于最小碰集的方法可获得3个结构最小超定方程集MSOs,基于图9所示的故障隔离矩阵及故障fIGBT1,fIGBT2,fIGBT3,fIGBT4及在特定故障工况下的解析冗余关系可确定出另外4个结构最小超定方程集MSOs,共8个结构最小超定方程集MSOs,如表1所示。
表1
步骤S320为:基于每一结构最小超定方程集确定一残差以构成一序列残差。
以每一结构最小超定方程集中的一个公式为基础,其它公式代入该基础公式中去,可得到该结构最小超定方程集对应的残差。
以表1中的MSOs2为例,基于式(1),将式(5)、式(8)、式(9)、式(10)、式(11)、式(12)、式(13)、式(15)及式(16)代入式(1)可得到一残差(R2),如式(21)所示。
根据表1中的7个MSOs可对应得到7个残差R1~R7,该7个残差组成一序列残差。
步骤S330为:确定所述序列残差中的所有残差对应的故障决策函数及故障阈值。
在正常运行时,若系统无故障,则残差R满足R~N(μ0,σ0 2),其中,μ0=0,σ0 2与残差的测量噪声以及谐波有关,设R={R1,R2,···,RN}为R的周期采样值。
本发明采用该方法进行故障检测,阈值通过近似卡方分布得到,如式(22)所示。
式(22):Tα=χα 2(n)
其中,Tα表示阀值,χα 2(n)表示自由度为的卡方分布,α表示置信水平,通常理解为容许出现误检测的概率。相应的故障检测决策逻辑可表述为式(23)。
由于实际得到的数据噪声很大,且故障工况下残差含有显示的振荡,因此较优地,可采用累积和(cumulative sum,CUSUM)算法来进行残差决策。
进一步地,步骤S330可包括步骤S331:确定序列残差中的所有残差对应的故障决策函数。较优地,该步骤S331可被设置为:采用累积和算法对序列残差中的每一残差进行残差决策以确定其对应的故障决策函数。
基于该步骤S331,以由表1所示的7个MSOs获得的7个残差为例来说明如何基于CUSUM算法进行残差决策。
针对由最小碰集的方法确定的MSOs1~MSOs3确定的残差R1~R3,取故障决策函数g1(k)=max(0,g(k-1)+T2-Ta),其对应的残差决策逻辑为:g1(k)≤h,接受H0;如果g1(k)>h,接受H1。
针对由特定故障工况下的解析冗余关系的方法确定的MSOs4~MSOs7确定的残差R4~R7,取故障决策函数g2(k)=max(0,g(k-1)+Ta-T2),其对应的残差决策逻辑为:g2(k)≤h,接受H0;如果g2(k)>h,接受H1。
上述Flag1及Flag2是指对于故障决策函数与其对应的阈值的大小关系的标志。
更进一步地,步骤S330还包括步骤S332:确定序列残差中的所有残差对应的故障阈值。
较优地,可基于正常工况历史数据,对生成的序列残差进行计算,根据正常工况下的残差大小设置合理的故障阈值。
进一步地,步骤S332可被设置为:对正常工况下的序列残差中的每一残差的均值与方差进行统计分析以计算出每一残差对应的故障阈值。
步骤S340为:基于序列残差中的所有残差对应的故障决策函数及故障阈值确定所有可检测故障的故障诊断规则以生成其故障诊断规则库。
在步骤S320中确定序列残差时,可同时确定出各个MSOs与各个故障的属性关系,基于该属性关系可确定出在每一故障存在时的各个故障决策函数值的标志数值,该标志数值即可表示该故障决策函数与故障阈值的关系。
进一步地,生成方法300还包括步骤S350:基于序列残差计算故障特征矩阵。
该故障特质矩阵即可表征各个故障存在时的各个MSOs的标志数值。
如以表1所示的7个MSOs确定的序列残差R1~R7可得到如表2所示的故障特征矩阵。
表2
更进一步地,步骤S340可被对应地设置为:针对每一可检测故障,利用故障特征矩阵确定序列残差中的每一残差对应的故障决策函数与其对应的故障阈值的大小关系以生成该故障的故障诊断规则,所有可检测故障的故障诊断规则构成所述故障诊断规则库。
比如,以表2所示的故障为例,由于其对应于残差R1~R7的标志数值分别为{0,1,1,0,0,0,0},则其对应的故障诊断规则为:g1(k)_R1≤h1 AND g1(k)_R2>h2 AND g1(k)_R3>h3 AND g2(k)_R4≤h4 AND g2(k)_R5≤h5AND g2(k)_R6≤h6 AND g2(k)_R7≤h7。其他故障的故障诊断规则依此类推,在此不再赘述。
则,基于图2所示的电路结构确定的故障诊断规则库可包括7个故障的故障诊断规则。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
根据本发明的又一个方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上述任一项所述的生成方法300的步骤。
根据本发明的另一个方面,提供一种故障诊断装置,用于生成诊断牵引变流器的可检测故障的故障诊断规则库。
在一实施例中,如图10所示,故障诊断装置包括存储器110和处理器120。
存储器110用于存储控制处理器120运行的计算机程序。
处理器120与存储器110耦接,在该存储器110上存储的计算机程序的配置下,该处理器120被配置为执行时实现如上述任一实施例中所述的生成方法300的步骤。
根据本发明的又一个方面,提供一种故障诊断方法,该故障诊断方法利用如上述任意一实施例所述的生成方法300生成的故障诊断规则库对牵引变流器进行实时故障诊断。
在一实施例中,如图11所示,故障诊断方法1100包括步骤S1110~S1120。
步骤S1110为:获取牵引变流器内的传感器检测信号和列车状态信息。
在牵引变流器运行时,可实时获取传感器检测信号和列车状态信息,该些信息可用于反应牵引变流器的故障状态。
步骤S1120为:利用故障诊断规则库,根据该传感器检测信号、列车状态信息对该牵引变流器进行故障检测及诊断。
由于故障诊断规则库是基于牵引变流器内部的电路结构来个性化确定的,因此,可能需要离线或在线利用上述任一实施例中所述的生成方法300来基于需要进行故障诊断的牵引变流器的电路结构获得其个性化的故障诊断规则库。
具体地,如图12所示,该步骤S1120可包括步骤S1121~S1123。
步骤S1121为:基于所述传感器检测信号以及所述列车状态信息计算序列残差。
将同一采样周期内采集到的传感器检测信号及列差状态信息代入上述任意一实施例中用于生成故障诊断规则库的生成方法300中的过程中确定的序列残差公式中以计算出实时的序列残差。
步骤S1122为:计算序列残差中的每一残差对应的故障决策函数值。
将计算出的序列残差代入上述任意一实施例中用于生成故障诊断规则库的生成方法300中的过程中确定的故障决策函数中以得到对应的故障决策函数指。
步骤S1123为:基于所有故障决策函数值确定所述牵引变流器在所述故障诊断规则库中匹配的故障诊断规则以确定所述牵引变流器存在的可检测故障。
具体地,根据实际计算出的故障决策函数值与上述任意一实施例中用于生成故障诊断规则库的生成方法300中的过程中确定的对应的故障阈值的关系来匹配故障诊断规则库中的故障诊断规则。
具体地,如图13所示,步骤S1123可包括步骤S130~S132。
步骤S130为:判断序列残差中的每一残差的故障决策函数值与其对应的故障阈值的大小关系。
将基于每一残差计算出的故障决策函数值与该残差对应的故障阈值进行比较,确定每一故障决策函数值与故障阈值之间的大小关系。
步骤S131为:将序列残差中的所有残差对应的故障决策函数值与对应的故障阈值的大小关系与所述故障诊断数据库中的所有故障诊断规则进行匹配。
可以理解,匹配过程可以是先将基于残差1计算出的实际故障决策函数值1与其对应的故障阈值1的大小关系与故障诊断数据库中的第一条故障诊断规则中设定的故障决策函数1与故障阈值1的大小关系进行匹配,当二者的大小关系一致时,继续将基于残差2计算出的实际故障决策函数值2与其对应的故障阈值2的大小关系与故障诊断数据库中的第一条故障诊断规则中设定的故障决策函数2与故障阈值2的大小关系进行匹配,以此类推。
当与第一条故障诊断规则匹配的过程中存在基于一残差i计算出的实际故障决策函数值i与其对应的故障阈值i的大小关系与该规则设定的故障决策函数i与故障阈值i的大小关系不一致时,判断与第一条故障诊断规则匹配失败,则继续将基于残差1计算出的实际故障决策函数值1与其对应的故障阈值1的大小关系与故障诊断数据库中的第二条故障诊断规则中设定的故障决策函数1与故障阈值1的大小关系进行匹配,以此类推。
当所有基于残差计算出的实际故障决策函数值与其对应的故障阈值的大小关系均与某一故障诊断规则中设定的每一故障决策函数值与其对应的故障阈值的大小关系相同时,判断该序列残差与该故障诊断规则匹配成功。
步骤S132为:响应于序列残差中的所有残差对应的故障决策函数值与对应的故障阈值的大小关系与一故障诊断规则匹配成功,判断牵引变流器存在该故障诊断规则对应的可检测故障。
在基于如何1所示的电路结构的半实物仿真实验中,选取一实验结果进行可行性验证。
图14为四象限输入电流传感器故障的诊断结果图,模拟四象限输入电流传感器失效故障,约t=0.6s时四象限输入电流采样值突变为0。从传感器故障各残差响应图14A可以看出,故障前R1~R3残差较小,其波动幅值均在0.4之内,故障后R1残差无变化,R2~R3波动幅值波动均超过0.5;而R4~R7在故障发生前后残差波动幅值均在1.0以上。从传感器故障各残差决策函数变化规律图14B可以看出,故障前后R1的检测统计量均在阈值以下,R2~R3的检测统计量存在短时超阈值,总体处于阈值以下,由于采用了CUSUM算法进行残差决策,因此,故障前未出现误报。R4~R7检测统计量故障前后均大于阈值。最终故障诊断结果如图14C所示,故障后R2~R3残差决策函数值g1(k)_R2、g1(k)_R3、出现快速增大,其它残差决策值均为0,系统根据故障fyiqc的故障诊断规则可准确诊断出四象限输入电流传感器故障。
更进一步地,如图15所示,故障诊断方法1100还可包括步骤S1130~1140。
步骤S1130为:响应于所述牵引变流器存在至少一可检测故障。
在步骤S1120进行故障检测中,若基于该牵引变流器的传感器检测信号和列车状态信息计算出的实际残差能够与故障规则库中的任一故障规则对应,则该牵引变流器存在该对应的故障。
步骤S1130为:显示所述至少一可检测故障。
基于本发明的应用场景,可控制其应用的对象比如动车或机车的显示器显示该至少一可检测故障以提醒驾驶员。具体地,可基于列车网络传输至显示器进行实时显示。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
根据本发明的又一个方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上述任一项所述的故障诊断方法1100的步骤。
根据本发明的再一个方面,提供一种故障诊断装置。该故障诊断装置利用如上述任意一实施例所述的生成方法300生成的故障诊断规则库对牵引变流器进行实时故障诊断。
在一实施例中,如图16所示,故障诊断装置包括存储器161和处理器162。
存储器161用于存储控制处理器162运行的计算机程序。
处理器162与存储器161耦接,在该存储器161上存储的计算机程序的配置下,该处理器162被配置为执行时实现如上述任一实施例中所述的故障诊断方法1100的步骤。
本领域技术人员将可理解,信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如,以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供之前的描述是为了使本领域中的任何技术人员均能够实践本文中所描述的各种方面。但是应该理解,本发明的保护范围应当以所附权利要求书为准,而不应被限定于以上所解说实施例的具体结构和组件。本领域技术人员在本发明的精神和范围内,可以对各实施例进行各种变动和修改,这些变动和修改也落在本发明的保护范围之内。
Claims (28)
1.一种故障诊断规则库的生成方法,包括:
基于所述牵引变流器电路结构确定结构最小超定方程集,所述结构最小超定方程集覆盖所有可检测故障;
基于每一结构最小超定方程集确定一残差以构成一序列残差;
确定所述序列残差中的所有残差对应的故障决策函数及故障阈值;以及
基于所述序列残差中的所有残差对应的故障决策函数及故障阈值确定所有可检测故障的故障诊断规则以生成所述故障诊断规则库。
2.如权利要求1所述的生成方法,其特征在于,所述确定结构最小超定方程集包括:
基于所述牵引变流器电路结构确定所述牵引变流器的数学模型;以及
基于所述数学模型确定所述结构最小超定方程集。
3.如权利要求2所述的生成方法,其特征在于,所述基于数学模型确定结构最小超定方程集包括:
利用最小碰集的方法基于所述数学模型中的全部方程确定所述最小超定方程集。
4.如权利要求3所述的生成方法,其特征在于,所述基于数学模型确定结构最小超定方程集还包括:
基于所述数学模型建立结构化模型;
基于所述结构化模型判断所述电路结构中的每一故障的可检测性;
判断每一可检测故障的可隔离性;以及
所述利用最小碰集的方法基于数学模型中的全部方程确定结构最小超定方程集包括:
响应于所有故障均可隔离,利用所述最小碰集的方法基于所述数学模型中的全部方程确定所述结构最小超定方程集。
5.如权利要求4所述的生成方法,其特征在于,所述基于数学模型确定结构最小超定方程集还包括:
响应于存在不可完全隔离故障,根据特定故障工况下的解析冗余关系确定冗余解析方程对该不可完全隔离故障进行可隔离性优化以隔离该不可完全隔离故障;以及
所述确定结构最小超定方程集包括:
基于所述不可完全隔离故障在特定故障工况下的解析冗余关系确定所述结构最小超定方程集。
6.如权利要求4所述的生成方法,其特征在于,所述基于结构化模型判断电路结构中的每一故障的可检测性包括:
对所述结构化模型进行DM分解;以及
响应于一故障处于结构超定部分,判断该故障是可检测故障。
7.如权利要求1所述的生成方法,其特征在于,所述确定序列残差中的所有残差对应的故障决策函数包括:
采用累积和算法对所述序列残差中的每一残差进行残差决策以确定其对应的故障决策函数。
8.如权利要求1所述的生成方法,其特征在于,所述确定序列残差中的所有残差对应的故障阈值包括:
对正常工况下的序列残差中的每一残差的均值与方差进行统计分析以计算出每一残差对应的故障阈值。
9.如权利要求1所述的生成方法,其特征在于,还包括:
基于所述序列残差计算故障特征矩阵;以及
所述生成故障诊断规则库包括:
针对每一可检测故障,利用所述故障特征矩阵确定所述序列残差中的每一残差对应的故障决策函数与其对应的故障阈值的大小关系以生成该故障的故障诊断规则,所有可检测故障的故障诊断规则构成所述故障诊断规则库。
10.一种故障诊断规则库的生成装置,包括:
存储器;以及
与所述存储器耦接的处理器,所述处理器被配置成:
基于所述牵引变流器电路结构确定结构最小超定方程集,所述结构最小超定方程集覆盖所有可检测故障;
基于每一结构最小超定方程集确定一残差以构成一序列残差;
确定所述序列残差中的所有残差对应的故障决策函数及故障阈值;以及
基于所述序列残差中的所有残差对应的故障决策函数及故障阈值确定所有可检测故障的故障诊断规则以生成其故障诊断规则库。
11.如权利要求10所述的生成装置,其特征在于,所述处理器还被配置成:
基于所述牵引变流器电路结构确定所述牵引变流器的数学模型;以及
基于所述数学模型确定所述结构最小超定方程集。
12.如权利要求11所述的生成装置,其特征在于,所述处理器还被配置成:
利用最小碰集的方法基于所述数学模型中的全部方程确定所述最小超定方程集。
13.如权利要求12所述的生成装置,其特征在于,所述处理器还被配置成:
基于所述数学模型建立结构化模型;
基于所述结构化模型判断所述电路结构中的每一故障的可检测性;
判断每一可检测故障的可隔离性;以及
响应于所有故障均可隔离,利用所述最小碰集的方法基于所述数学模型中的全部方程确定所述结构最小超定方程集。
14.如权利要求13所述的生成装置,其特征在于,所述处理器还被配置成:
响应于存在不可完全隔离故障,根据特定故障工况下的解析冗余关系确定冗余解析方程对该不可完全隔离故障进行可隔离性优化以隔离该不可完全隔离故障;以及
所述确定结构最小超定方程集包括:
基于所述不可完全隔离故障在特定故障工况下的解析冗余关系确定所述结构最小超定方程集。
15.如权利要求13所述的生成装置,其特征在于,所述处理器还被配置成:
对所述结构化模型进行DM分解;以及
响应于一故障处于结构超定部分,判断该故障是可检测故障。
16.如权利要求10所述的生成装置,其特征在于,所述处理器还被配置成:
采用累积和算法对所述序列残差中的每一残差进行残差决策以确定其对应的故障决策函数。
17.如权利要求10所述的生成装置,其特征在于,所述处理器还被配置成:
对正常工况下的序列残差中的每一残差的均值与方差进行统计分析以计算出每一残差对应的故障阈值。
18.如权利要求10所述的生成装置,其特征在于,所述处理器还被配置成:
基于所述序列残差计算故障特征矩阵;以及
针对每一可检测故障,利用所述故障特征矩阵确定所述序列残差中的每一残差对应的故障决策函数与其对应的故障阈值的大小关系以生成该故障的故障诊断规则,所有可检测故障的故障诊断规则构成所述故障诊断规则库。
19.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1~9中任一项所述的故障诊断规则库的生成方法的步骤。
20.一种故障诊断方法,用于利用如权利要求1~9中任意一项所述的生成方法生成的故障诊断规则库对牵引变流器进行故障诊断,包括:
获取牵引变流器内的传感器检测信号和列车状态信息;以及
利用所述故障诊断规则库,根据所述传感器检测信号、所述列车状态信息对所述牵引变流器进行故障检测及诊断。
21.如权利要求20所述的故障诊断方法,其特征在于,所述对所述牵引变流器进行故障检测及诊断包括:
基于所述传感器检测信号以及所述列车状态信息计算序列残差;
基于所述序列残差计算所述序列残差中的每一残差对应的故障决策函数值;以及
基于所有故障决策函数值确定所述牵引变流器在所述故障诊断规则库中匹配的故障诊断规则以确定所述牵引变流器存在的可检测故障。
22.如权利要求21所述的故障诊断方法,其特征在于,所述基于所有故障决策函数值确定牵引变流器在故障诊断规则库中匹配的故障诊断规则包括:
判断所述序列残差中的每一残差的故障决策函数值与其对应的故障阈值的大小关系;
将所述序列残差中的所有残差对应的故障决策函数值与对应的故障阈值的大小关系与所述故障诊断数据库中的所有故障诊断规则进行匹配;以及
响应于所述序列残差中的所有残差对应的故障决策函数值与对应的故障阈值的大小关系与一故障诊断规则匹配成功,判断所述牵引变流器存在所述故障诊断规则对应的可检测故障。
23.如权利要求22所述的故障诊断方法,其特征在于,还包括:
响应于所述牵引变流器存在至少一可检测故障;以及
显示所述至少一可检测故障。
24.一种故障诊断装置,包括:
存储器,用于存储如权利要求1~9所述的故障诊断规则库;以及
与所述存储器耦接的处理器,所述处理器被配置成:
获取牵引变流器内的传感器检测信号和列车状态信息;以及
利用所述故障诊断规则库,根据所述传感器检测信号、所述列车状态信息对所述牵引变流器进行故障检测及诊断。
25.如权利要求24所述的故障诊断装置,其特征在于,所述处理器还被配置成:
基于所述传感器检测信号以及所述列车状态信息计算序列残差;
基于所述序列残差计算所述序列残差中的每一残差对应的故障决策函数值;以及
基于所有故障决策函数值确定所述牵引变流器在所述故障诊断规则库中匹配的故障诊断规则以确定所述牵引变流器存在的可检测故障。
26.如权利要求25所述的故障诊断装置,其特征在于,所述处理器还被配置成:
判断所述序列残差中的每一残差的故障决策函数值与其对应的故障阈值的大小关系;
将所述序列残差中的所有残差对应的故障决策函数值与对应的故障阈值的大小关系与所述故障诊断数据库中的所有故障诊断规则进行匹配;以及
响应于所述序列残差中的所有残差对应的故障决策函数值与对应的故障阈值的大小关系与一故障诊断规则匹配成功,判断所述牵引变流器存在所述故障诊断规则对应的可检测故障。
27.如权利要求26所述的故障诊断装置,其特征在于,所述处理器还被配置成:
响应于所述牵引变流器存在至少一可检测故障;以及
控制列车的显示器显示所述至少一可检测故障。
28.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求20~23中任一项所述的故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621034.5A CN112213570B (zh) | 2019-07-10 | 2019-07-10 | 一种故障诊断规则库的生成方法及其故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621034.5A CN112213570B (zh) | 2019-07-10 | 2019-07-10 | 一种故障诊断规则库的生成方法及其故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213570A true CN112213570A (zh) | 2021-01-12 |
CN112213570B CN112213570B (zh) | 2022-03-08 |
Family
ID=74048248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910621034.5A Active CN112213570B (zh) | 2019-07-10 | 2019-07-10 | 一种故障诊断规则库的生成方法及其故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213570B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113918A (zh) * | 2021-12-23 | 2022-03-01 | 国网浙江省电力有限公司经济技术研究院 | 一种故障检测方法及系统 |
CN114625110A (zh) * | 2022-03-25 | 2022-06-14 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
CN115993507A (zh) * | 2023-03-23 | 2023-04-21 | 成都交大运达电气有限公司 | 一种电气化铁道牵引供电系统的故障测距方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5410492A (en) * | 1992-01-29 | 1995-04-25 | Arch Development Corporation | Processing data base information having nonwhite noise |
US20090080597A1 (en) * | 2007-09-26 | 2009-03-26 | Samit Kumar Basu | System and method for performing material decomposition using an overdetermined system of equations |
CN103676918A (zh) * | 2013-12-24 | 2014-03-26 | 北京控制工程研究所 | 一种基于未知输入观测器的卫星执行机构故障诊断方法 |
CN105044497A (zh) * | 2015-06-30 | 2015-11-11 | 株洲南车时代电气股份有限公司 | 一种牵引变流器故障智能分析方法 |
CN105301470A (zh) * | 2015-08-12 | 2016-02-03 | 南京航空航天大学 | 一种crh5型高速列车牵引传动系统igbt故障诊断方法 |
EP3258061A1 (en) * | 2016-06-15 | 2017-12-20 | Services Pétroliers Schlumberger | System and method for prediction of a component failure |
CN108680818A (zh) * | 2018-05-07 | 2018-10-19 | 中南大学 | 一种三电平牵引变流器开路故障诊断方法及系统 |
CN109406935A (zh) * | 2018-12-12 | 2019-03-01 | 中南大学 | 一种针对变流器的开路故障诊断方法及系统 |
CN109752607A (zh) * | 2017-11-06 | 2019-05-14 | 株洲中车时代电气股份有限公司 | 一种牵引变流器故障诊断的方法及系统 |
-
2019
- 2019-07-10 CN CN201910621034.5A patent/CN112213570B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5410492A (en) * | 1992-01-29 | 1995-04-25 | Arch Development Corporation | Processing data base information having nonwhite noise |
US20090080597A1 (en) * | 2007-09-26 | 2009-03-26 | Samit Kumar Basu | System and method for performing material decomposition using an overdetermined system of equations |
CN103676918A (zh) * | 2013-12-24 | 2014-03-26 | 北京控制工程研究所 | 一种基于未知输入观测器的卫星执行机构故障诊断方法 |
CN105044497A (zh) * | 2015-06-30 | 2015-11-11 | 株洲南车时代电气股份有限公司 | 一种牵引变流器故障智能分析方法 |
CN105301470A (zh) * | 2015-08-12 | 2016-02-03 | 南京航空航天大学 | 一种crh5型高速列车牵引传动系统igbt故障诊断方法 |
EP3258061A1 (en) * | 2016-06-15 | 2017-12-20 | Services Pétroliers Schlumberger | System and method for prediction of a component failure |
CN109752607A (zh) * | 2017-11-06 | 2019-05-14 | 株洲中车时代电气股份有限公司 | 一种牵引变流器故障诊断的方法及系统 |
CN108680818A (zh) * | 2018-05-07 | 2018-10-19 | 中南大学 | 一种三电平牵引变流器开路故障诊断方法及系统 |
CN109406935A (zh) * | 2018-12-12 | 2019-03-01 | 中南大学 | 一种针对变流器的开路故障诊断方法及系统 |
Non-Patent Citations (5)
Title |
---|
CHEN Q 等: "Design and Evaluation of a Structural Analysis-Based Fault Detection and Identification Scheme for a Hydraulic Torque Converter", 《SENSORS》 * |
DANWEI WANG等: "《基于模型的混合系统健康监测》", 31 January 2017 * |
XU S L: "Real-Time Diagnosis of Sensor Fault for Traction Drive System", 《2020 IEEE VEHICLE POWER AND PROPULSION CONFERENCE (VPPC)》 * |
郭双伟: "基于结构分析方法的风电机组的故障检测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
闻新 等: "《智能故障诊断技术》", 30 September 2015 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113918A (zh) * | 2021-12-23 | 2022-03-01 | 国网浙江省电力有限公司经济技术研究院 | 一种故障检测方法及系统 |
CN114625110A (zh) * | 2022-03-25 | 2022-06-14 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
CN114625110B (zh) * | 2022-03-25 | 2023-08-29 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
CN115993507A (zh) * | 2023-03-23 | 2023-04-21 | 成都交大运达电气有限公司 | 一种电气化铁道牵引供电系统的故障测距方法 |
CN115993507B (zh) * | 2023-03-23 | 2023-05-30 | 成都交大运达电气有限公司 | 一种电气化铁道牵引供电系统的故障测距方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112213570B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112213570B (zh) | 一种故障诊断规则库的生成方法及其故障诊断方法 | |
Xia et al. | A data-driven method for IGBT open-circuit fault diagnosis based on hybrid ensemble learning and sliding-window classification | |
Gou et al. | An intelligent time-adaptive data-driven method for sensor fault diagnosis in induction motor drive system | |
Li et al. | A model-data-hybrid-driven diagnosis method for open-switch faults in power converters | |
CN102096760B (zh) | 在现场故障数据中检测异常 | |
JP5278310B2 (ja) | 診断システム | |
KR101539896B1 (ko) | 유도전동기 오류 진단 방법 | |
Júnior et al. | The design of multiple linear regression models using a genetic algorithm to diagnose initial short-circuit faults in 3-phase induction motors | |
Chen et al. | Multi-mode kernel principal component analysis–based incipient fault detection for pulse width modulated inverter of China Railway High-speed 5 | |
Edomwandekhoe et al. | Advanced feature selection for broken rotor bar faults in induction motors | |
CN108303611B (zh) | 一种逆变器功率管开路故障在线诊断方法 | |
CN110222765A (zh) | 一种永磁同步电机健康状态监测方法及系统 | |
JP5665250B2 (ja) | 電力品質評価システム | |
Talha et al. | A novel three-phase inverter fault diagnosis system using three-dimensional feature extraction and neural network | |
US11714114B2 (en) | Non-invasive diagnostic systems and methods for using the same | |
Tee et al. | Spectrogram based window selection for the detection of voltage variation | |
Altaf et al. | Fault diagnosis in a distributed motor network using Artificial Neural Network | |
KR101144314B1 (ko) | 다중레벨 인버터의 다단 스위치 고장 진단 장치 및 방법 | |
Alavi et al. | IGBT fault detection for three phase motor drives using neural networks | |
CN110674124B (zh) | 一种异常数据检测方法、系统及智能路由器 | |
JP2012007924A (ja) | 回転電機の絶縁診断装置 | |
US20230351158A1 (en) | Apparatus, system and method for detecting anomalies in a grid | |
Ahmed Taleb et al. | Cross-correlation based fault electromagnetic signature extraction for open-circuit fault diagnosis in NPC inverters | |
EP3435186A1 (en) | Method and system for diagnostics and monitoring of electric machines | |
CN116383606A (zh) | 一种分布式医疗设备的恒流温度采集方法及系统 |
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 |