CN112611970A

CN112611970A - 一种基于pca统计量的电机械夹钳故障检测方法

Info

Publication number: CN112611970A
Application number: CN202011339100.9A
Authority: CN
Inventors: 刘元清; 耿晓峰; 祁成
Original assignee: Nanjing CRRC Puzhen Haitai Brake Equipment Co Ltd
Current assignee: Nanjing CRRC Puzhen Haitai Brake Equipment Co Ltd
Priority date: 2020-11-25
Filing date: 2020-11-25
Publication date: 2021-04-06

Abstract

本发明公开了一种基于PCA统计量的电机械夹钳故障检测方法。该方法是一种在线的故障检测方法。对于实际电机采集的正常工况的电流、转速等数据，首先采用PCA算法计算正常工况下的T²和SPE统计量控制限；然后对于实际车辆采集的实时数据，计算该数据的两统计量，并与对应的控制限比较，判断是否大于控制限，若大于，则判定该样本故障。该方法可以快速的判断电机是否出现故障，提高了制动系统的可用性，保障了行车安全。

Description

一种基于PCA统计量的电机械夹钳故障检测方法

技术领域

本发明涉及一种基于PCA统计量的电机械夹钳故障检测方法，属于数据驱动的故障诊断与故障检测领域。

背景技术

列车制动系统是整车运行的关键系统之一，由于制动系统故障导致高速运行的列车发生事故，带来的生命财产损失将是不可估量的。因此，列车制动系统的故障诊断与检测对于降低轨道交通事故具有重要的作用与意义。

目前，采用一种新型的电机械夹钳技术来实现列车制动，其工作原理为：前端施加电压带动力矩电机的转动，通过某一执行机构实现力矩电机的减速和增矩，同时该机构将电机的转动力转化为推动力施加到夹钳上，从而实现制动。力矩电机一旦出现故障，可能会导致严重问题。然而，现有的制动系统故障诊断多以简单的逻辑判断来实现，该方式的缺点是故障发生到一定程度才能检测出来，此时可能会造成列车晚点，甚至更严重的后果。因此，可以采用数据驱动的故障检测算法，通过分析电机的输入电压、电流、转速等特征，对电机可能出现的故障进行提前预警，方便维护人员有充足的时间进行处理和维护。

发明内容

本发明所要解决的技术问题是，针对电夹钳，提供一种基于PCA统计量的电机械夹钳故障检测方法，采用PCA算法进行处理，构造统计量，快速的判断出样本是否故障，方便维护人员及时作出相应的处理，降低维护成本。

为了解决上述技术问题，本发明提供的一种基于PCA统计量的电机械夹钳故障检测方法是通过以下技术方案实现的：

一种基于PCA统计量的电机械夹钳故障检测方法，所述方法包括以下过程：首先，收集正常工况的历史数据，并对收集的数据进行标准化处理；然后，对于标准化后的数据进行主成分分析，得到的模型参数用来计算T2和SPE统计量的控制限；接着，对于新来的数据，采用正常工况的均值和标准差进行标准化处理；最后，计算新来样本的T2和SPE统计量，并于对应的控制限比较，若其中任一统计量大于控制限，则判断该样本故障，否则，认为该样本正常。

本发明方法可以快速的判断电机是否出现故障，提高了制动系统的可用性，保障了行车安全。

附图说明

下面结合附图对本发明作进一步的说明。

图1是基于PCA统计量的电机械夹钳故障检测方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

下面结合图1所示，对本发明做进一步详述：

步骤1：收集实际运行时正常工况的电机数据X₀{x_i∈R^m,i＝1,2…n}。其中n表示样本个数，m表示样本维数，即特征变量的个数。本发明采集的特征为电机的输入电压、电枢电流、励磁电流、转速和施加到夹钳上的制动力，故样本维数m＝5。

步骤2：对正常工况的离线数据进行标准化(Standardization)处理，处理方式如公式(1)所示：

其中，mean_j表示第j维特征的均值，std_j表示第j维特征的标准差，j的取值范围为1-5，历史数据的均值为mean＝{mean₁,...mean_j,...mean_m}，历史数据的标准差为std＝{std₁,...std_j,...std_m}。

步骤3：采用PCA对标准化后的数据

进行处理，PCA算法是通过对原始变量进行线性变换，使变换后较少的主元尽可能的包含所有样本信息，实现达到降维的目的，它的具体描述如下：

其中，T＝[t₁，t₂…t_m]∈R^n×m是得分矩阵，P＝[p₁，p₂…p_m]∈R^m×m是载荷矩阵，主元t_i为数据X在投影轴p_i上的投影，且同时要求p_i为单位正交向量，即满足：

若使变换后主元包含的信息最大，则应该使主元的方差最大，即maxVar(t_i)，经过化简等价于

其中协方差矩阵

因此PCA的求解等价于求解如下优化问题的解：

通过拉格朗日乘子法建立目标函数：

求得特征值

和p＝{p₁,...p_i,...p_m}分别为协方差矩阵

的特征值和特征向量。

步骤4：计算T²统计量和SPE统计量的控制限，控制限的计算方式如下：

其中，α表示犯第一类错误的概率，C_α表示在α条件下服从均值为0，方差为1的正态分布阈值，F_α(k,n-k)表示在α条件下服从第一自由度为k，第二自由度为n-k的F分布阈值，k表示保留的主元个数，一般选取贡献率cont_k为85％或者90％对应的k值，累计贡献率的公式如下：

步骤5：对于实际列车运行采集的电机数据x_q，采用步骤2中正常工况数据的均值mean和标准差std进行标准化处理：

式中，x_qj表示实际列车运行采集到的第q个电机数据的第j维特征数据，j的取值范围为1-5。

步骤6：计算标准化后每个样本的T²统计量和SPE统计量，统计量的计算公式如下：

其中，

Λ^-1为每个对角线上元素的倒数。

步骤7：将步骤6计算出的统计量与步骤4中的控制限比较，若任一个统计量大于对应的控制限，该样本故障，否则该样本正常。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims

1.一种基于PCA统计量的电机械夹钳故障检测方法，其特征在于包含以下步骤：

步骤1、收集实际运行时正常工况的电机数据X₀{x_i∈R^m,i＝1,2…n}，其中n表示样本个数，m表示样本维数；

步骤2、对正常工况的历史数据进行标准化处理，得到标准化后的数据

历史数据的均值为mean＝{mean₁,...mean_j,...mean_m}，历史数据的标准差为std＝{std₁,...std_j,...std_m}；

步骤3、求协方差矩阵

的特征值λ＝{λ₁,...λ_i,...λ_m}和特征向量P＝{p₁,...p_i,...p_m}；

步骤4：计算T²统计量的控制限T_α和SPE统计量的控制限SPE_α，计算公式如下：

C_α＝N_α(0,1)

其中，α表示犯第一类错误的概率，C_α表示在α条件下服从均值为0，方差为1的正态分布阈值，F_α(k,n-k)表示在α条件下服从第一自由度为k，第二自由度为n-k的F分布阈值，k表示保留的主元个数；

步骤5：对于实际列车运行采集的电机数据x_q＝{x_q1,...x_qj,...x_qm}，采用步骤2中正常工况数据的均值mean和标准差std进行标准化处理：

式中，x_qj表示实际列车运行采集到的第q个电机数据的第j维特征数据，j的取值范围为1-5；

步骤6：计算步骤5标准化后每个样本的T²统计量和SPE统计量，统计量的计算公式如下：

其中，P＝[p₁，p₂…p_m]，

Λ^-1为每个对角线上元素的倒数；

2.根据权利要求1所述的一种基于PCA统计量的电机械夹钳故障检测方法，其特征在于：电机数据包含电机的输入电压、电枢电流、励磁电流、转速和施加到夹钳上的制动力，样本维数m＝5。

3.根据权利要求1所述的一种基于PCA统计量的电机械夹钳故障检测方法，其特征在于：允许的误报警率α取值范围为：0.01-0.05。

4.根据权利要求1所述的一种基于PCA统计量的电机械夹钳故障检测方法，其特征在于：保留的主元个数k通过累计贡献率进行选取。

5.根据权利要求4所述的一种基于PCA统计量的电机械夹钳故障检测方法，其特征在于：累计贡献率的计算公式如下：

累计贡献率cont_k的取值为85％或90％。