CN112446174B - 一种高速电气化铁路牵引电机多故障建模与诊断方法 - Google Patents

一种高速电气化铁路牵引电机多故障建模与诊断方法 Download PDF

Info

Publication number
CN112446174B
CN112446174B CN202011342238.4A CN202011342238A CN112446174B CN 112446174 B CN112446174 B CN 112446174B CN 202011342238 A CN202011342238 A CN 202011342238A CN 112446174 B CN112446174 B CN 112446174B
Authority
CN
China
Prior art keywords
fault
model
diagnosis
traction motor
class
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
Application number
CN202011342238.4A
Other languages
English (en)
Other versions
CN112446174A (zh
Inventor
张坤鹏
万延见
谢春华
赖强
安春兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Cuisi Technology Co ltd
East China Jiaotong University
Original Assignee
Hangzhou Cuisi Technology Co ltd
East China Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Cuisi Technology Co ltd, East China Jiaotong University filed Critical Hangzhou Cuisi Technology Co ltd
Priority to CN202011342238.4A priority Critical patent/CN112446174B/zh
Publication of CN112446174A publication Critical patent/CN112446174A/zh
Application granted granted Critical
Publication of CN112446174B publication Critical patent/CN112446174B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

一种高速电气化铁路牵引电机多故障建模与诊断方法，包括如下步骤：(1)通过对牵引电机多故障动态分析，在系统多个工作点附近建立描述多故障特性的最小二乘模型结构，实现机理模型和数据驱动模型的有效融合；(2)构建基于类不平衡学习的多故障分离算法来优化故障特征集合，在牵引电机未知的故障参数空间内可以得到解耦的故障类集合；(3)采用基于多模型的故障参数估计技术来解决多故障时变参数的估计和收敛问题，据此设计二阶段自适应多模型诊断系统来实现多故障诊断的稳定性和报警等级的量化分析。本发明针对多故障的时变、邻接耦合和分布不一致等特性，可以有效提高其辨识精度和诊断效率，避免了传统故障诊断的盲目性。

Description

一种高速电气化铁路牵引电机多故障建模与诊断方法
技术领域
本发明属于故障诊断与容错控制技术领域，具体地说，涉及一种高速电气化铁路牵引电机多故障建模与诊断方法。
背景技术
高速列车是电气化铁路的重要载体，代表着智能交通的最新发展方向。牵引电机作为高速列车的核心动力单元，其故障诊断和自愈能力对保证高速列车可靠运营具有重要意义。由于工作条件恶劣、物理结构互联以及运营时间的累积，牵引电机发生多故障的情况越来越多。这些故障具有时变、邻接耦合和分布不一致等特征，难以被牵引控制单元及时诊断，但随着故障在系统的传播和演化，有可能造成重大的连锁性事故，影响列车的正常运行计划。因此，针对高速列车牵引电机开展多故障建模和诊断的研究具有重要意义。
在牵引电机多故障建模过程中，基于单一模型描述的方法难以表征系统所有可能的故障行为，需要设计一组解耦的多模型集合，研究系统结构辨识和参数自适应调整方法，得到模型库和故障特征库的一一对应关系，实现不同故障的重构。如何确定待设计故障模型的个数是多模型结构辨识的重要内容。常规的基于机理模型的方法采用穷举的方式来遍历系统可能的故障模式，因此故障模型的个数将会很大。另一方面，基于数据驱动的方法借助模式识别和机器学习技术，对故障数据进行聚类分析，得到可能的故障模型个数。不过，该方法在故障模型识别中存在精准度无法保障、难以有效利用先验知识等瓶颈问题。
发明内容
本发明的目的是提出了一种高速电气化铁路牵引电机多故障建模与诊断方法，以解决牵引电机复合故障报警等级难以精确估计，从而可能造成重大的连锁性事故问题；以及基于聚类或分类的故障特征方法，还不能有效处理多故障分离过程中的不平衡分布等问题。
本发明是通过以下技术方案实现的。
本发明首先根据多故障多模态建模过程和多模型系统具有相同的结构，采用基于多模型空间学习的方法来辨识多故障的时变、邻接耦合和分布不一致等特性。本发明首先建立牵引电机最小二乘多模型结构，实现机理模型和数据驱动模型的统一描述，再基于类不平衡学习技术，实现复合故障特征的提取。在此基础上，基于分类算法完成对牵引电机未知参数空间的合理划分。最后，采用两层故障参数估计框架来提高参数收敛性能，并实现多故障报警等级估计的量化分析。
本发明所述的一种高速电气化铁路牵引电机多故障建模与诊断方法，按如下步骤：
(1)通过对牵引电机多故障动态分析，在系统多个工作点附近建立描述多故障特性的最小二乘模型结构，实现机理模型和数据驱动模型的有效融合；
(2)通过收集维修数据，构建基于类不平衡学习的多故障分离方法来优化故障特征集合，在牵引电机未知的故障参数空间内可以得到解耦的故障类集合；
(3)基于多模型故障参数估计技术，设计二阶段自适应多模型诊断系统，实现多故障诊断的稳定性和报警等级的量化分析。如图1所示高速电气化铁路牵引电机多故障诊断原理。
进一步说，结合电机参考系理论和等效磁路分析法，步骤(1)中所述的多故障特性的最小二乘模型可描述如下：
Figure BDA0002798877070000021
式中，isa和isb为电机定子侧a相和b相电流，ψra和ψrb为电机转子侧a相和b相磁通；Nsa和Nsb为牵引电机多故障下的相对平衡因子，Usa和Usb为电机定子侧a相和b相电压，w为电机转速，np代表电机极对数；Rs和Rr分别为定子和转子电阻，Ls，Lr和M分别为定子自感，转子自感和互感；
Figure BDA0002798877070000022
为了确保上述模型未知参数线性地取决于已知信号，并满足数据驱动建模的要求，需要将不可测的磁通变量ψra和ψrb消去。为此，在系统多个工作点附近，对上式进行求导和相关变换，可得描述多故障特性的最小二乘模型结构：
Figure BDA0002798877070000023
式中，
Figure BDA0002798877070000024
考虑牵引电机数字化故障诊断的要求，上述连续模型可离散化为：
y(k)＝ΦT(k)θ+ν(k) (3)
式中，
ν(k)为电气化铁路的电磁干扰；
Figure BDA0002798877070000031
Figure BDA0002798877070000032
Figure BDA0002798877070000033
由于多故障具有时变特性和分布不平衡等特点，其动态过程难以用单个最小二乘模型进行近似，同时也不是多个最小二乘模型的简单相加。因此，需要研究基于故障特征提取的多故障分离方法。
进一步说，步骤(2)所述的基于类不平衡学习的多故障分离方法框图如图2所示。具体如下：
①收集维修数据集，基于类不平衡学习进行多故障特征提取，得到故障特征集合；
②收集维修数据，结合故障特征集合，采用类不平衡学习进行故障分离决策，得到类别隶属度函数；
③类别隶属度函数作为多故障特征提取的输入；
④根据故障特征集合和类别隶属度函数，进行多故障分离，得到解耦的故障类集合；
进一步说，步骤(3)所述的基于多模型故障参数估计技术，设计二阶段自适应多模型诊断系统，可得到不同故障类集合对应的残差信号ri(k)：
Figure BDA0002798877070000034
式中yi(k)是实际的速度故障信号，
Figure BDA0002798877070000035
代表对应的故障估计值。
综合上述分析，基于二阶段自适应的权重，可以得到多故障报警等级的量化分析机制。
本发明针对高速电气化铁路牵引系统非线性时变复合故障诊断问题，建立了便于描述牵引电机故障机理的最小二乘模型结构，发展了新的故障类不平衡学习机制，并基于该结构设计了二阶段自适应多模型诊断系统实现了故障诊断稳定性和报警等级量化性能，克服了传统故障诊断的盲目性。
附图说明
图1为高速电气化铁路牵引电机多故障诊断原理图。
图2为基于类不平衡学习的多故障分离框图。
图3为牵引电机目标速度和故障下速度变化。
图4为牵引电机速度残差分布。
图5为解耦的故障集合。
图6为复合故障分离。
图7为报警等级量化图。
图8为故障估计。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
本实施例以高速电气化铁路CRH5高速列车牵引电机为实施对象。针对电机振动故障、速度传感器故障和电机过热故障等多故障并发案例，提出一种基于二阶段自适应多模型估计的多故障诊断方法，该多故障建模与诊断方法不仅能够有效描述牵引电机多故障特性，还能提高多故障辨识精度和诊断效率，实现报警等级的量化分析。
如图3和4所示，本实施例提供了一种有效描述牵引电机目标速度和故障下速度变化，以及速度残差分布方法：
通过图3和图4数据的对比性分析，电机振动的残差阈值不会超过0.4km/h，速度传感器故障的残差分布在0.4km/h和1.299km/h之间，电机过热故障的残差值最大，对应于图3中速度故障数据波动较大的位置。这些经验知识，为接下来的多故障诊断提供了重要的理论支撑。
如图5和6所示，本实施例提供了一种基于类不平衡学习的多故障分离方法：
图5给出了解耦的故障集合，模型1,2,3分别代表速度传感器故障、电机振动和电机过热故障。相对其他两种故障集合，故障集合3属于少数样本，如果故障分离决策具有较好的泛化能力，那么故障集合3可以被合理地分离出来。从图6可以看出，在高速列车速度和牵引力大范围变化的条件下，多故障的拥挤和耦合特性可以被精确地分离，而且三个解耦的故障类别尤其是少数样本(故障集合3)也能被辨识出来。
如图7和8所示，本实施例提供了一种基于二阶段自适应多模型的多故障诊断方法：
从图7可以看出，故障参数变化不会引起误报警现象，故障诊断结果是稳定的，并具有合适的报警优先级。对于故障严重程度估计来说，图7给出了四个报警等级的量化描述(0,1,2,3)：电机振动，速度传感器故障，电机过热，包含速度传感器故障和电机过热的多故障模式。报警等级0可以在电机振动和电机过热阶段观察到，这表明高速列车牵引系统可以容错一些不严重的故障或者可以自愈的故障，在这些故障影响下，牵引电机可以继续运行。尽管报警等级1在三种故障模式中都会出现，但根据本发明提供的方法，多故障也能被有效地分离出来。类似地，速度传感器故障和电机过热故障对应的报警等级2也能被唯一确定。当速度传感器故障和电机过热故障相互抵消或相互增强时，报警等级3可能被触发。在这种情况下，故障模式具有严重性且合适的容错措施需要尽快实施。
从图8故障估计结果来看，在牵引电机所有运行区域，不论是单一还是复合多故障状态，故障诊断结果具有较高的可靠性和较小的波动性。通过联合多模型和二阶段自适应方法，诊断结果在不同的故障模式下，其输出是稳定的，这将明显改善多模型输出的稳定性。此外，本发明提供的方法不需要过多的模型和故障样本，其复杂性也得到降低。

Claims (1)

1.一种高速电气化铁路牵引电机多故障建模与诊断方法，其特征是按如下步骤：
(1)通过对牵引电机多故障动态分析，在系统多个工作点附近建立描述多故障特性的最小二乘模型结构，实现机理模型和数据驱动模型的有效融合；
(2)通过收集维修数据，构建基于类不平衡学习的多故障分离方法来优化故障特征集合，在牵引电机未知的故障参数空间内得到解耦的故障类集合；
(3)基于多模型故障参数估计技术，设计二阶段自适应多模型诊断系统，实现多故障诊断的稳定性和报警等级的量化分析；
步骤(1)中所述的多故障特性的最小二乘模型描述如下：
Figure FDA0003764369740000011
式中，isa和isb为电机定子侧a相和b相电流，ψra和ψrb为电机转子侧a相和b相磁通；Nsa和Nsb为牵引电机多故障下的相对平衡因子，Usa和Usb为电机定子侧a相和b相电压，w为电机转速，np代表电机极对数；Rs和Rr分别为定子和转子电阻，Ls，Lr和M分别为定子自感，转子自感和互感；
Figure FDA0003764369740000012
在系统多个工作点附近，对上式进行求导和相关变换，得描述多故障特性的最小二乘模型结构：
Figure FDA0003764369740000013
式中，
Figure FDA0003764369740000014
考虑牵引电机数字化故障诊断的要求，上述连续模型离散化为：
y(k)＝ΦT(k)θ+ν(k) (3)
式中，ν(k)为电气化铁路的电磁干扰；
Figure FDA0003764369740000021
Figure FDA0003764369740000022
Figure FDA0003764369740000023
步骤(2)所述的基于类不平衡学习的多故障分离方法，具体如下：
①收集维修数据集，基于类不平衡学习进行多故障特征提取，得到故障特征集合；
②收集维修数据，结合故障特征集合，采用类不平衡学习进行故障分离决策，得到类别隶属度函数；
③类别隶属度函数作为多故障特征提取的输入；
④根据故障特征集合和类别隶属度函数，进行多故障分离，得到解耦的故障类集合；
步骤(3)所述的基于多模型故障参数估计技术，设计二阶段自适应多模型诊断系统，得到不同故障类集合对应的残差信号ri(k)：
Figure FDA0003764369740000024
式中yi(k)是实际的速度故障信号，
Figure FDA0003764369740000025
代表对应的故障估计值。
CN202011342238.4A 2020-11-26 2020-11-26 一种高速电气化铁路牵引电机多故障建模与诊断方法 Active CN112446174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011342238.4A CN112446174B (zh) 2020-11-26 2020-11-26 一种高速电气化铁路牵引电机多故障建模与诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011342238.4A CN112446174B (zh) 2020-11-26 2020-11-26 一种高速电气化铁路牵引电机多故障建模与诊断方法

Publications (2)

Publication Number Publication Date
CN112446174A CN112446174A (zh) 2021-03-05
CN112446174B true CN112446174B (zh) 2022-09-16

Family

ID=74737722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011342238.4A Active CN112446174B (zh) 2020-11-26 2020-11-26 一种高速电气化铁路牵引电机多故障建模与诊断方法

Country Status (1)

Country Link
CN (1) CN112446174B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342110B (zh) * 2023-05-11 2023-08-18 广东工业大学 一种列车多温度测量回路智能故障诊断和容错测量方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106125550A (zh) * 2016-07-20 2016-11-16 南京航空航天大学 一种高铁牵引整流器的复合故障估计与容错控制方法
CN107329083A (zh) * 2017-07-28 2017-11-07 南京航空航天大学 针对高速列车牵引电机非线性系统传感器的故障诊断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846411A (zh) * 2018-05-03 2018-11-20 武汉理工大学 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法
CN110647136B (zh) * 2019-09-29 2021-01-05 华东交通大学 一种牵引电机驱动系统复合故障检测与分离方法
CN110969096A (zh) * 2019-11-07 2020-04-07 国电南京自动化股份有限公司 基于粒子群优化支持向量机的电机故障模式诊断方法
CN111398811A (zh) * 2020-03-20 2020-07-10 湖南科技大学 基于终端电流代价敏感学习的pmsm退磁故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106125550A (zh) * 2016-07-20 2016-11-16 南京航空航天大学 一种高铁牵引整流器的复合故障估计与容错控制方法
CN107329083A (zh) * 2017-07-28 2017-11-07 南京航空航天大学 针对高速列车牵引电机非线性系统传感器的故障诊断方法

Also Published As

Publication number Publication date
CN112446174A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
Sun et al. Internet of Things-based online condition monitor and improved adaptive fuzzy control for a medium-low-speed maglev train system
CN103163420B (zh) 电力变压器智能在线状态评判方法
CN112446174B (zh) 一种高速电气化铁路牵引电机多故障建模与诊断方法
CN103837791A (zh) 三电平逆变器多模式故障诊断电路及其诊断方法
CN104360679A (zh) 基于动态执行器的列车悬挂系统故障诊断与容错控制方法
Li et al. Real-time fault diagnosis of pulse rectifier in traction system based on structural model
CN110597144A (zh) 一种电机传感器数据采集单元及数据采集方法
CN106483459A (zh) 电动汽车永磁同步电机定子不对称故障诊断方法
CN109687805A (zh) 一种用于新能源汽车的开关磁阻电机的控制器
CN105035984A (zh) 一种双绕组永磁容错电机垂直提升系统及其控制方法
CN111695201B (zh) 一种基于数据的磁浮列车运行状态的监测方法
CN105572492A (zh) 一种城轨列车辅助逆变器故障诊断装置
CN113561786B (zh) 一种基于车轨状态监测的悬浮冗余控制系统及方法
CN104502754A (zh) 一种纯电动车辆动力系统的故障诊断方法
CN106130425B (zh) 混合动力车用开关磁阻bsg系统智能控制器的构造方法
CN104601384A (zh) 一种智能变电站通信系统可靠性灵敏度分析方法及系统
CN108548669A (zh) 一种工程装备传动系统故障诊断方法及系统
CN103508315B (zh) 电梯运行故障预测系统及方法
CN107238498A (zh) 一种用于涡轴发动机振动监测数据的装置
CN110032165B (zh) 一种多盘轴向磁通永磁同步电机智能测控系统
CN113992308A (zh) 一种动车组控制系统融合架构
CN208656679U (zh) 一种轮毂电机集成驱动控制装置
CN207181046U (zh) 一种用于涡轴发动机振动监测数据的装置
Jose et al. Fuzzy logic based fault Diagnosis in Induction motor
CN117274027B (zh) 一种硬件安全冗余的图像处理芯片

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