CN112782614A - 一种基于多信息融合的变流器的故障预警方法及装置 - Google Patents

Abstract

本发明涉及一种基于多信息融合的变流器的故障预警方法及装置，以及一种计算机可读介质。该故障预警方法包括：建立变流器的性能参数数据库，性能参数数据库中包括变流器在至少一种故障发生时采集的变流器的多个功能部件的性能参数集；对性能参数数据库中的性能参数集执行特征提取以获得故障特征参数数据库，故障特征参数数据库包括至少一种故障以及与每一故障对应的至少一个故障特征参数组，每个故障特征参数组包括关于变流器的多个功能部件的多个故障特征参数；以及基于故障特征参数数据库中的至少一种故障及与每一故障对应的至少一个故障特征参数组执行神经网络建模以获得表现故障与故障特征参数之间的映射关系的故障预警模型。

Description

一种基于多信息融合的变流器的故障预警方法及装置

技术领域

本发明涉及变流器的故障预警技术，尤其涉及一种基于多信息融合的变流器的故障预警方法、一种基于多信息融合的变流器的故障预警装置，以及一种计算机可读介质。

背景技术

安全是轨道交通永恒的主题。随着我国轨道交通运营、建设里程数的增加以及轨道交通车辆结构的越发复杂，轨道交通安全与可靠性的保障面临严峻挑战。牵引变流器作为列车动力牵引系统的核心部件，其运行的安全性及可靠性，直接关系到行车安全。因牵引变流器故障导致的车辆异常停车，不但会造成车辆延误和调度的混乱，而且会造成乘客的恐慌，造成严重的经济损失和恶劣的社会影响。因此，对牵引变流器的状态监测、故障预警和健康管理，能极大提高其使用寿命，保证变流器安全可靠的运行，避免因故障失效而导致的安全事故及因车辆延误带来的经济损失，具备重大的工程意义和经济价值。

目前，轨道交通领域对牵引变流器的故障监控还处于故障报警阶段，往往需要在故障发生后进行故障的排查和检修。这种故障报警方式的运维成本较高而效率较低，非常不利于车辆的安全运行。

为了克服现有技术存在的上述缺陷以满足轨道交通领域产品对安全和可靠的需求，本领域亟需一种高效的变流器的故障预警技术，用于对牵引变流器运行状态进行实时监测、对牵引变流器的故障进行提前预警和精准定位，并对牵引变流器的使用寿命进行预测，从而保障车辆的安全运行。

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。

为了克服现有技术存在的上述缺陷以满足轨道交通领域产品对安全和可靠的需求，本发明提供了一种基于多信息融合的变流器的故障预警方法、一种基于多信息融合的变流器的故障预警装置，以及一种计算机可读介质，用于对牵引变流器运行状态进行实时监测，并对牵引变流器的故障进行提前预警和精准定位，从而保障车辆的安全运行。

本发明提供的上述基于多信息融合的变流器的故障预警方法，包括：建立所述变流器的性能参数数据库，所述性能参数数据库中包括所述变流器在至少一种故障发生时采集的所述变流器的多个功能部件的性能参数集；对所述性能参数数据库中的性能参数集执行特征提取以获得故障特征参数数据库，所述故障特征参数数据库包括所述至少一种故障以及与每一故障对应的至少一个故障特征参数组，每个故障特征参数组包括关于所述变流器的所述多个功能部件的多个故障特征参数；以及基于所述故障特征参数数据库中的所述至少一种故障及与每一故障对应的至少一个故障特征参数组执行神经网络建模以获得表现故障与故障特征参数之间的映射关系的故障预警模型。

可选地，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，还包括：基于对应每种故障的故障程度的故障特征阈值对所述故障特征参数数据库中的故障特征参数进行标定以确定每一故障特征参数组所对应的故障的故障程度，所述基于所述故障特征参数数据库中的所述至少一种故障及与每一故障对应的至少一个故障特征参数组执行神经网络建模包括：基于所述故障特征参数数据库中的所述至少一种故障的故障状态及与每一故障状态对应的至少一个故障特征参数组执行神经网络建模，所述故障状态包括故障类型和对应每种故障类型的故障程度。

可选地，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，所述执行神经网络建模包括使用BP神经网络模型执行建模，所述BP神经网络模型包括输入层、隐含层和输出层，所述输入层包括关于所述故障特征参数组中的多个故障特征参数所对应的多个故障特征的输入节点，所述输出层包括所述至少一种故障状态的输出节点。

可选地，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，所述隐含层中每个隐含节点的输出为

x_i为所述输入层的输入节点的输入，w_ji和θ_j分别为每个隐含节点和每个输入节点之间的连接权值和阈值，i为所述输入节点的索引，j为所述隐含节点的索引，所述输出层中每个输出节点的输出为

w_kj和θ_k分别为每个输出节点和每个隐含节点之间的连接权值和阀值，k为所述输出节点的索引。

可选地，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，所述BP神经网络的激活函数为Sigmoid函数。

可选地，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，所述输出层的输出节点的输出值O_k与期望输出值t_k之间的误差为

反向传递中的权值修正函数为

阀值修正函数为

其中η取0.01～0.8之间。

可选地，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，所述期望输出值包括指示故障状态的故障编号。

可选地，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，所述故障的类型包括以下一者或多者：轴承内圈故障、轴承外圈故障、轴承滚珠故障、轴承保持架故障、风机动平衡破坏故障、风机缺相故障、风机匝间短路故障、风机相不平衡故障、风机接地故障、风机喘振故障、电容超温故障、电容容值损失故障、IGBT超温故障、IGBT过流故障、滤网堵塞故障、水泵故障、热交换器故障、水冷板故障、变压器超温故障、变压器绝缘破坏故障。

可选地，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，所述故障特征参数对应的故障特征包括以下一者或多者：关于风机振动的总值特征、频谱特征、和包络特征、关于风机电流的功率因素、不平衡系数、负序电流、零序电流、频谱特征、包络特征、和能量特征、关于变压器温度的温度有效值和温度变化梯度、关于模块电流的电流有效值和电流时域特征、关于变流器中间电压的谐波特征、关于IGBT温度的温度有效值和温度变化梯度、关于电容电流的总值特征和频谱特征、关于变流器进出口水温的温度有效值和温度变化梯度、关于变流器进出口水压的水压有效值、关于滤网进出口空气温度的温度有效值。

可选地，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，还包括：获取所述变流器的所述多个功能部件实测性能参数；基于所述实测性能参数计算故障特征参数；以及基于所述故障特征参数和所述故障预警模型确定所述变流器的故障。

可选地，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，对应每一故障的所述性能参数集是在所述变流器的不同工况下采集的，所述工况包括所述变流器所在的机车的运行环境和里程。

根据本发明的另一方面，本文还提供了一种基于多信息融合的变流器的故障预警装置。

根据本发明的另一方面，本文还提供了一种计算机可读介质。

本发明提供的上述计算机可读介质，其上存储有计算机可执行指令。所述计算机可执行指令在由处理器执行时，可以实施上述任意一种基于多信息融合的变流器的故障预警方法。

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，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。

图1示出了根据本发明的一方面提供的变流器的故障预警方法的流程示意图。

图2示出了根据本发明的一个实施例提供的变流器的故障预警方法的建模示意图。

图3示出了根据本发明的一个实施例提供的变流器的故障预警方法的流程示意图。

图4示出了根据本发明的另一方面提供的变流器的状态评估方法的流程示意图。

图5示出了根据本发明的一个实施例提供的风机状态评估模型的示意图。

图6示出了根据本发明的一个实施例提供的功率模块状态评估模型的示意图。

图7示出了根据本发明的一个实施例提供的电容状态评估模型的示意图。

图8示出了根据本发明的一个实施例提供的接触器状态评估模型的示意图。

图9示出了根据本发明的一个实施例提供的散热系统状态评估模型的示意图。

图10示出了根据本发明的一个实施例提供的变压器状态评估模型的示意图。

图11示出了根据本发明的一个实施例提供的蛛网评估体系的示意图。

图12示出了根据本发明的一个实施例提供的预测变流器寿命的方法的流程示意图。

图13示出了根据本发明的另一方面提供的变流器的故障预警装置的结构示意图。

图14示出了根据本发明的另一方面提供的变流器的状态评估装置的结构示意图。

图15示出了根据本发明的一方面的变流器的状态监测及故障预警智能平台。

图16示出了根据本发明的一方面的变流器的工作状态智能监测及故障预警软件。

附图标记

101-103 变流器的故障预警方法的步骤；

301-306 变流器的故障预警方法的步骤；

401-404 变流器的状态评估方法的步骤；

131 存储器；

132 处理器；

141 存储器；

142 处理器。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。

为了克服现有技术存在的上述缺陷以满足轨道交通领域产品对安全和可靠的需求，本发明提供了一种基于多信息融合的变流器的故障预警方法、一种基于多信息融合的变流器的故障预警装置，以及一种计算机可读介质，用于对牵引变流器运行状态进行实时监测，并对牵引变流器的故障进行提前预警和精准定位，从而保障车辆的安全运行。

请参考图1，图1示出了根据本发明的一方面提供的变流器的故障预警方法的流程示意图。

如图1所示，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，可以包括步骤：

101：建立变流器的性能参数数据库。

在一些实施例中，上述性能参数数据库中可以包括变流器在至少一种故障发生时采集的变流器的多个功能部件的性能参数集。在一些实施例中，变流器的功能性部件可以包括风机、IGBT功率模块、电容器、变压器、柜体吊耳、散热系统、接触器中的全部部件或部分部件。在一些实施例中，变流器故障可以包括风机故障、IGBT功率模块故障、电容器故障、变压器故障、柜体吊耳故障、散热系统故障、接触器故障中的一种或多种。在一些实施例中，功能部件的性能参数集可以包括该功能部件的多个功能参数。性能参数包括但不限于振动参数、电流参数、电压参数、温度参数、压强参数中的一种或多种。在一些实施例中，性能参数可以通过具体的取值来指示对应功能部件的性能优劣。

实践中，性能参数数据库中的参数可以来自于车载数据中心的历史数据、线路实际运行测试的数据以及在检修基地的台架测试数据。此外，性能参数数据库中的参数还可以通过故障模拟试验获得，例如针对风机、电容、接触器、散热系统的现场故障特性，人为制造故障样机，进行故障下的信号采集。

具体来说，在一些实施例中，风机故障可以进一步包括轴承内圈故障、轴承外圈故障、轴承滚珠故障、轴承保持架故障、风机动平衡破坏故障、风机缺相故障、风机匝间短路故障、风机相不平衡故障、风机接地故障、风机喘振故障中的一种或多种。在一些实施例中，IGBT功率模块故障可以进一步包括IGBT超温故障和/或IGBT过流故障。在一些实施例中，电容器故障可以进一步包括电容超温故障和/或电容容值损失故障。在一些实施例中，变压器故障可以进一步包括变压器超温故障和/或变压器绝缘破坏故障。在一些实施例中，散热系统故障可以进一步包括滤网堵塞故障、水泵故障、热交换器故障、水冷板故障中的一种或多种。

在一些实施例中，本发明提供的上述基于多信息融合的变流器的故障预警方法，可以在一个基于多信息融合的变流器的故障预警装置上实施。该变流器故障预警装置可以使用设于牵引变流器的各功能部件的传感器来采集各功能部件的性能参数，从而根据多个功能部件的性能参数集来建立变流器的性能参数数据库。较优地，对应每一故障的性能参数集可以是在变流器的不同工况下采集的。该变流器的工况可以包括变流器所在的机车的运行环境和里程。

如图1所示，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，还可以包括步骤：

102：对性能参数数据库中的性能参数集执行特征提取，以获得故障特征参数数据库。

故障特征是指对变流器的各个部件的故障有一定指向性的特征。故障特征参数是故障特征的具体数值，与故障状态有一定的关联性。在一些实施例中，故障特征可以包括关于风机振动的总值特征、频谱特征、和包络特征、关于风机电流的功率因素、不平衡系数、负序电流、零序电流、频谱特征、包络特征、和能量特征、关于变压器温度的温度有效值和温度变化梯度、关于模块电流的电流有效值和电流时域特征、关于变流器中间电压的谐波特征、关于IGBT温度的温度有效值和温度变化梯度、关于电容电流的总值特征和频谱特征、关于变流器进出口水温的温度有效值和温度变化梯度、关于变流器进出口水压的水压有效值、关于滤网进出口空气温度的温度有效值中的一者或多者。

上述特征提取可以通过故障样机和线路运行故障特征数据的多次迭代验证来实施。对性能参数数据库中的性能参数集的特征提取，具体可以结合牵引变流器的故障特性，并采用行业内成熟可靠的特征提取算法来实现，在此不做赘述。

在一些实施例中，上述故障特征参数数据库可以包括至少一种故障，以及与每一故障对应的至少一个故障特征参数组。在一些实施例中，每个故障特征参数组可以包括关于变流器的多个功能部件的多个故障特征参数。如图1所示，在本发明提供的上述基于多信息融合的变流器的故障预警方法中，还可以包括步骤：

103：基于故障特征参数数据库中的至少一种故障及与每一故障对应的至少一个故障特征参数组，执行神经网络建模以获得表现故障与故障特征参数之间的映射关系的故障预警模型。

在一些实施例中，基于多信息融合的变流器的故障预警装置可以基于故障特征参数数据库中的至少一种故障的故障状态，以及与每一故障状态对应的至少一个故障特征参数组来执行神经网络建模。上述故障状态可以包括故障类型和对应每种故障类型的故障程度。在一些实施例中，每一故障特征参数组所对应的故障的故障程度，可以通过采用一个或多个故障特征阈值对故障特征参数数据库中的故障特征参数进行标定来确定。每个故障特征阈值可以对应一种故障的两个故障程度之间的临界点。这里的故障特征阈值可以是仅对应一个故障特征的个体阈值，也可以是对应一个故障特征组合的组合阈值。

在一些实施例中，对应各种故障的各故障程度的多个故障特征阈值，可以通过各种对应故障的故障实验和/或专家经验来确定。

请参考图2，图2示出了根据本发明的一个实施例提供的变流器的故障预警方法的建模示意图。

如图2所示，在一些实施例中，上述执行神经网络建模，可以包括使用BP神经网络模型来执行建模。该BP神经网络模型可以包括输入层、隐含层和输出层。

具体来说，上述输入层可以包括关于各故障特征参数组中的多个故障特征参数所对应的多个故障特征的输入节点。在一些实施例中，输入层进一步分为信号层和特征层。信号层为传感器测量得到的原始信号，可以包括风机振动电流和电压、变压器温度、模块电流、变流器中间电压、IGBT温度、电容电流和温度、变流器进出口水温、变流器进出口水压、滤网进出口空气温度。特征层为对各信号进行特征提取和特征运算得到的特征参量，可以包括风机振动的总值、频谱和包络特征，风机功率因素、三相不平衡系数、负序电流、零序电流、频谱特征、包络特征和能量特征，变压器温度有效值和温度变化梯度、模块电流有效值和时域特征、中间电压的谐波特征、IGBT的温度有效值和温度变化梯度、电容的温度有效值和温度变化梯度、电容电流器的总值特征和频谱特征、进出口水温的有效值和温度变化梯度、进出口水压的有效值、进出口空气温度的有效值和温度变化梯度。在一些实施例中，输入层的样本参量可以通过故障模拟试验和线路实际测试得到。

上述隐含层可以包括多个隐含节点。在一些实施例中，隐含层的层数可以为一层。隐含层的隐含节点的数量可以根据输入层的输入节点数量和输出层的输出节点数量来确定。在一些实施例种，隐含节点的数量可以取输入层和输出层节点数的总和。在一些实施例中，隐含层中每个隐含节点的输出可以为

x_i为所述输入层的输入节点的输入，w_ji和θ_j分别为每个隐含节点和每个输入节点之间的连接权值和阈值，i为所述输入节点的索引，j为所述隐含节点的索引。

上述输出层可以包括至少一种故障状态的输出节点。在一些实施例中，输出层可以为对应故障诊断结果的输出。在一些实施例中，输出层可以包括风机轴承内圈故障、外圈故障、滚动体故障、保持架故障、风机动平衡破坏故障、风机缺相故障、匝间短路故障、相不平衡故障、接地故障、喘振故障、电容超温故障、容值损失故障、IGBT超温故障、过流故障、滤网堵塞故障、水泵故障、热交换器故障、水冷板故障、变压器超温故障、绝缘故障中的一种或多种。在一些实施例中，输出层中每个输出节点的输出可以为

w_kj和θ_k分别为每个输出节点和每个隐含节点之间的连接权值和阀值，k为所述输出节点的索引，f为传递函数。

在一些实施例中，BP神经网络的激活函数为可以Sigmoid函数，即

参数β可以根据神经网络模型的特性进行确定。

在一些实施例中，输出层的输出节点的输出值O_k与期望输出值t_k之间的误差可以为

在一些实施例中，反向传递中的权值修正函数可以为

在一些实施例中，阀值修正函数可以为

其中η可以取0.01～0.8之间。

在一些实施例中，上述期望输出值t_k可以包括指示故障状态的故障编号。如图2所示，基于多信息融合的变流器的故障预警装置可以采用二进制编码来对故障状态进行编号。在一些实施例中，故障状态的故障程度可以由两位二进制编码来描述，其中，00可以代表状态良好，01可以代表轻微故障，10可以代表中度故障，11可以代表严重故障。

请参考图3，图3示出了根据本发明的一个实施例提供的变流器的故障预警方法的流程示意图。

如图3所示，在本发明的一个实施例中，在获得表现故障与故障特征参数之间的映射关系的故障预警模型之后，上述基于多信息融合的变流器的故障预警方法还可以进一步包括步骤：

304：获取变流器的多个功能部件实测性能参数；

305：基于实测性能参数计算故障特征参数；以及

306：基于故障特征参数和故障预警模型确定变流器的故障。

在一些实施例中，变流器故障预警装置可以使用设于牵引变流器的各功能部件的传感器来采集各功能部件的实测性能参数。该实测性能参数可以指示当前工况下的对应功能部件的性能优劣。该变流器的工况可以包括变流器所在的机车的运行环境和里程。

在一些实施例中，变流器故障预警装置可以对获取的实测性能参数集执行特征提取，以计算其对应的故障特征参数。通过将计算获得的故障特征参数进一步输入到故障预警模型的隐含层，即可自动确定变流器存在的故障情况，并通过故障预警模型的输出层输出故障诊断结果。

在一些实施例中，变流器故障预警装置可以响应于确定变流器存在故障情况，而输出故障预警以提示维护人员及时进行检修。在一些实施例中，变流器故障预警装置还可以根据确定变流器存在的故障情况，而输出相应的故障预警以提示维护人员及时对相应的功能性部件进行检修。

根据本发明的另一方面，本文还提供了一种基于多信息融合的变流器的状态评估方法。在一些实施例中，本发明提供的上述基于多信息融合的变流器的状态评估方法，可以在一个基于多信息融合的变流器的状态评估装置上实施。

请参考图4，图4示出了根据本发明的另一方面提供的变流器的状态评估方法的流程示意图。

如图4所示，在本发明提供的上述基于多信息融合的变流器的状态评估方法中，可以包括步骤：

401：建立变流器的性能参数数据库。

在一些实施例中，上述性能参数数据库中可以包括关于变流器的至少一个功能部件所采集的历史性能参数集，其中每个功能部件可以相关联地存储有多组性能参数。

在一些实施例中，变流器的功能性部件可以包括风机、IGBT功率模块、电容器、变压器、柜体吊耳、散热系统、接触器中的全部部件或部分部件。在一些实施例中，功能部件的性能参数集可以包括该功能部件的多个功能参数。性能参数包括但不限于振动参数、电流参数、电压参数、温度参数、压强参数中的一种或多种。在一些实施例中，性能参数可以通过具体的取值来指示对应功能部件的性能优劣。在一些实施例中，变流器状态评估装置可以使用设于牵引变流器的各功能部件的传感器来采集各功能部件的性能参数，从而根据多个功能部件的性能参数集来建立变流器的性能参数数据库。

实践中，性能参数数据库中的参数可以来自于车载数据中心的历史数据、线路实际运行测试的数据以及在检修基地的台架测试数据。较优地，这些性能参数是在变流器的不同工况下采集的。该变流器的工况可以包括变流器所在的机车的运行环境和里程。

具体来说，在一些实施例中，关于风机的性能参数可以进一步包括风机振动参数、风机电流参数和风机电压参数。在一些实施例中，关于IGBT功率模块的性能参数可以进一步包括模块电流参数和IGBT温度参数。在一些实施例中，关于电容器的性能参数可以进一步包括电容温度参数和电容电流参数。在一些实施例中，关于接触器的性能参数可以进一步包括接触器线圈电压参数和线圈电流参数。在一些实施例中，关于散热系统的性能参数可以进一步包括变流器进出口水温参数、进出口水压参数和滤网进出口空气温度参数。在一些实施例中，关于变压器的性能参数可以进一步包括变压器温度参数和变压器振动参数。

如图4所示，在本发明提供的上述基于多信息融合的变流器的状态评估方法中，还可以包括步骤：

402：对性能参数数据库中每个功能部件的性能参数执行特征提取，以获得关于每个功能部件的多组性能特征参数。

在一些实施例中，每个性能特征参数组可以包括关于变流器的多个功能部件的多个性能特征参数。性能特征是指对变流器的各个部件的性能有一定指向性的特征。性能特征参数是性能特征的具体数值，与性能的优劣程度具有关联性。

在一些实施例中，性能特征参数对应的性能特征可以包括关于风机的振动烈度、频谱特征、包络特征、功率因素、不平衡系数、负序电流和零序电流中的一者或多者。在一些实施例中，性能特征参数对应的性能特征可以包括关于IGBT功率模块的电流有效值、电流时域特征和温度有效值中的一者或多者。在一些实施例中，性能特征参数对应的性能特征可以包括关于电容器的温度有效值、电容容值和电容等效串联电阻(Equivalent seriesresistance，ESR)值中的一者或多者。在一些实施例中，性能特征参数对应的性能特征可以包括关于接触器的接触器线圈电阻和分断时间中的一者或多者。在一些实施例中，性能特征参数对应的性能特征可以包括关于散热系统的温度有效值、振动加速度有效值和振动加速度频谱特征中的一者或多者。

上述特征提取可以通过变流器样机和线路运行性能特征数据的多次迭代验证来实施。对性能参数数据库中的性能参数集的特征提取，具体可以结合牵引变流器的性能特性，并采用行业内成熟可靠的特征提取算法来实现，在此不做赘述。

如图4所示，在本发明提供的上述基于多信息融合的变流器的状态评估方法中，还可以包括步骤：

403：基于对应每个功能部件的不同性能的性能特征阈值，对每个功能部件的多组性能特征参数进行标定，以确定每组性能特征参数所对应的关键性能指标值。

在一些实施例中，每个功能部件的多组性能特征参数可以基于对应每个功能部件的不同性能的性能特征阈值来进行标定。每个性能特征阈值可以对应一种性能的两个优劣程度之间的临界点。这里的性能特征阈值可以是仅对应一个性能特征的个体阈值，也可以是对应一个性能特征组合的组合阈值。

在一些实施例中，对应各种性能的各优劣程度的多个性能特征阈值，可以通过各种对应性能的性能实验和/或专家经验来确定。在一些实施例中，经过标定的性能特征参数可以根据所属的阈值范围而确定一个关键性能指标值。该关键性能指标值可以介于0～1之间，用于指示对应性能的优劣程度。

如图4所示，在本发明提供的上述基于多信息融合的变流器的状态评估方法中，还可以包括步骤：

404：基于每个功能部件的多组性能特征参数及其对应的关键性能指标值执行神经网络建模，以获得表现各功能部件的关键性能指标值与性能特征参数之间的映射关系的性能评估模型。

在一些实施例中，上述执行神经网络建模可以包括使用BP神经网络模型来执行建模。该BP神经网络模型可以包括输入层、隐含层和输出层。上述输入层可以包括对应功能部件的每组性能特征参数所对应的多个性能特征的输入节点。上述隐含层可以包括多个隐含节点。上述输出层可以包括对应功能部件的关键性能指标值的输出节点。

请参考图5，图5示出了根据本发明的一个实施例提供的风机状态评估模型的示意图。

如图5所示，在一些实施例中，输入层进一步分为信号层和特征层。信号层为传感器测量得到的原始信号，可以包括风机振动参数、风机电流参数和风机电压参数。特征层为对各信号进行特征提取和特征运算得到的特征参量，可以包括对应于风机振动参数的振动烈度特征、频谱特征、包络特征；可以包括对应于风机电流参数和风机电压参数的功率因素特征、三相不平衡系数特征、负序电流特征和零序电流特征。在一些实施例中，输入层的样本参量可以通过性能模拟试验和线路实际测试得到。

请参考图6，图6示出了根据本发明的一个实施例提供的功率模块状态评估模型的示意图。

如图6所示，在一些实施例中，信号层可以包括模块电流参数和IGBT温度参数。特征层可以包括对应于模块电流参数的电流有效值特征和电流时域特征；以及对应于IGBT温度参数的温度有效值特征。

请参考图7，图7示出了根据本发明的一个实施例提供的电容状态评估模型的示意图。

如图7所示，在一些实施例中，信号层可以包括电容温度参数和电容电流参数。特征层可以包括对应于电容温度参数的温度有效值特征；以及对应于电容电流参数的电容容值特征和电容ESR值特征。

请参考图8，图8示出了根据本发明的一个实施例提供的接触器状态评估模型的示意图。

如图8所示，在一些实施例中，信号层可以包括接触器线圈电压参数和接触器线圈电流参数。特征层可以包括对应于接触器线圈电压参数和接触器线圈电流参数的接触器线圈电阻特征；以及接触器分断时间特征。

请参考图9，图9示出了根据本发明的一个实施例提供的散热系统状态评估模型的示意图。

如图9所示，在一些实施例中，信号层可以包括变流器进出口水温参数、变流器进出口水压参数和变流器进出口空气温度参数。特征层可以包括对应于变流器进出口水温参数、变流器进出口水压参数和变流器进出口空气温度参数的出口水温超出目标值量级特征，以及出口风温超出目标值量级特征。

请参考图10，图10示出了根据本发明的一个实施例提供的变压器状态评估模型的示意图。

如图10所示，在一些实施例中，信号层可以包括变压器温度参数和变压器振动参数。特征层可以包括对应于变压器温度参数的温度有效值特征；以及对应于变压器振动参数的振动加速度有效值特征和振动加速度频谱特征。

在一些实施例中，隐含层的层数可以为一层。隐含层的隐含节点的数量可以根据输入层的输入节点数量和输出层的输出节点数量来确定。在一些实施例种，隐含节点的数量可以取输入层和输出层节点数的总和。在一些实施例中，隐含层中每个隐含节点的输出可以为

x_i为所述输入层的输入节点的输入，w_ji和θ_j分别为每个隐含节点和每个输入节点之间的连接权值和阈值，i为所述输入节点的索引，j为所述隐含节点的索引。

在一些实施例中，输出层可以为对应状态评估结果的输出。在一些实施例中，输出层中每个输出节点的输出可以为

w_kj和θ_k分别为每个输出节点和每个隐含节点之间的连接权值和阀值，k为所述输出节点的索引，f为传递函数。

在一些实施例中，BP神经网络的激活函数为可以Sigmoid函数，即

参数β可以根据神经网络模型的特性进行确定。

在一些实施例中，输出层的输出节点的输出值O_k与期望输出值t_k之间的误差可以为

在一些实施例中，反向传递中的权值修正函数可以为

在一些实施例中，阀值修正函数可以为

其中η可以取0.01～0.8之间。

在一些实施例中，基于多信息融合的变流器的状态评估装置可以通过蛛网评估体系来进行变流器的状态评估。上述期望输出值t_k可以包括介于0～1的关键性能指标值。

请参考图11，图11示出了根据本发明的一个实施例提供的蛛网评估体系的示意图。

如图11所示，在一些实施例中，蛛网评估体系可以显示同时显示风机、IGBT、电容、变压器、柜体吊耳、散热系统、接触器的关键性能指标值。在一些实施例中，1.0可以指示对应功能部件性能良好；0.8可以指示对应功能部件性能略有衰退；0.6可以指示对应功能部件性能衰退；0.4可以指示对应功能部件性能严重衰退；0.2可以指示对应功能部件临界损坏；0.0可以指示对应功能部件损坏。

在本发明的一个实施例中，在获得表现关键性能指标值与性能特征参数之间的映射关系的性能评估模型之后，基于多信息融合的变流器的状态评估装置还可以使用至少一个功能部件的实测性能参数获得性能特征参数组，并基于获得的性能特征参数组和性能评估模型来确定至少一个功能部件的关键性能指标值。

在一些实施例中，上述至少一个功能部件可以是牵引变流器的所有功能部件。在一些实施例中，变流器的状态评估装置可以使用设于牵引变流器的各功能部件的传感器来采集各功能部件的实测性能参数。在一些实施例中，变流器的状态评估装置可以对获取的实测性能参数集执行特征提取，以计算其对应的性能特征参数。通过将计算获得的性能特征参数进一步输入到性能评估模型的隐含层，即可自动确定变流器各功能部件的性能状态，并通过性能评估模型的输出层输出状态评估结果。

请参考图12，图12示出了根据本发明的一个实施例提供的预测变流器寿命的方法的流程示意图。

如图12所示，在本发明的一个实施例中，在获得表现关键性能指标值与性能特征参数之间的映射关系的性能评估模型之后，上述基于多信息融合的变流器的状态评估方法还可以进一步包括步骤：

1201：基于至少一个功能部件的性能评估模型和持续监测获得的性能参数，确定至少一个功能部件的关键性能指标值的历史数据；

1202：基于至少一个功能部件的关键性能指标值的历史数据执行曲线拟合，以获得关于至少一个功能部件的关键性能指标值退化趋势曲线；以及

1203：基于至少一个功能部件的当前关键性能指标值和对应的关键性能指标值退化趋势曲线，确定至少一个功能部件的寿命。

在一些实施例中，基于多信息融合的变流器的状态评估装置可以持续监测获得待预测寿命的功能部件的性能参数，并根据该功能部件的性能评估模型确定相应的关键性能指标值的多个历史数据。之后，基于多信息融合的变流器的状态评估装置可以利用解析表达式逼近离散数据的拟合手段得到一条拟合曲线，即该功能部件的关键性能指标值退化趋势曲线，并得到该拟合曲线的函数表达式h(t)。该函数表达式h(t)可以指示该功能部件的关键性能指标值在时刻t的下降梯度函数。

在一些实施例中，该功能部件的剩余寿命t_剩余可以通过求解方程

来确定。式中，ΔI为待测功能部件的当前关键性能指标值和预设的关键性能指标值阈值的差值。通过该拟合获得的拟合曲线及其函数表达式h(t)可以模拟待测功能部件的关键性能指标值的下降趋势，从而推算待测功能部件的关键性能指标值以后的走向，并预测待测功能部件的剩余寿命t_剩余。可以理解的是，待测功能部件的剩余寿命t_剩余是指从待测功能部件的当前关键性能指标值下降到上述预设的关键性能指标值阈值所需的时间。

在一些实施例中，基于多信息融合的变流器的状态评估装置可以将至少一个功能部件的最短寿命确定为变流器的寿命。

基于以上描述，本发明提出的上述基于多信息融合的变流器的故障预警方法，以及基于多信息融合的变流器的状态评估方法，可以通过对变流器运行过程中风机、电容、IGBT、接触器、变压器、电抗器、散热系统、吊耳的电流、电压、振动及温度多维度信号进行特征提取和特征融合，建立基于特征融合的故障预警模型，从而对变流器各功能性器件进行精准定位。上述基于多信息融合的变流器的故障预警方法，还可以通过对现有标准、专家经验和以往数据的充分提炼和挖掘，建立上述关键物料、系统和结构的多维状态评估体系，从而实现对变流器的工作状态的智能监测和评估。上述基于多信息融合的变流器的故障预警方法，可以通过对变流器关键物料全生命周期关键性能指标及故障演化趋势进行深度学习，并通过建立的根据关键物料当前状态、运行的里程及环境，对关键物料失效时间及方式的预测，并对变流器关键物料进行寿命预测。

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。

根据本发明的另一方面，本文还提供了一种基于多信息融合的变流器的故障预警装置。

请参考图13，图13示出了根据本发明的另一方面提供的变流器的故障预警装置的结构示意图。

如图13所示，本发明提供的上述基于多信息融合的变流器的故障预警装置可以包括存储器131和处理器132。在一些实施例中，处理器132可以耦接于存储器131，并配置用于实施上述任意一个实施例所提供的基于多信息融合的变流器的故障预警方法，从而对牵引变流器运行状态进行实时监测，并对牵引变流器的故障进行提前预警和精准定位。

根据本发明的另一方面，本文还提供了一种计算机可读介质。

本发明提供的上述计算机可读介质，其上存储有计算机可执行指令。该计算机可执行指令在由处理器132执行时，可以实施上述任意一种基于多信息融合的变流器的故障预警方法，从而对牵引变流器运行状态进行实时监测，并对牵引变流器的故障进行提前预警和精准定位。

根据本发明的另一方面，本文还提供了一种基于多信息融合的变流器的状态评估装置。

请参考图14，图14示出了根据本发明的另一方面提供的变流器的状态评估装置的结构示意图。

如图14所示，本发明提供的上述基于多信息融合的变流器的状态评估装置可以包括存储器141和处理器142。在一些实施例中，处理器142可以耦接于存储器141，并配置用于实施上述任意一个实施例所提供的基于多信息融合的变流器的状态评估方法，从而对牵引变流器运行状态进行实时监测，并对牵引变流器的使用寿命进行预测。

根据本发明的另一方面，本文还提供了一种计算机可读介质。

本发明提供的上述计算机可读介质，其上存储有计算机可执行指令。该计算机可执行指令在由处理器142执行时，可以实施上述任意一个实施例所提供的基于多信息融合的变流器的状态评估方法，从而对牵引变流器运行状态进行实时监测，并对牵引变流器的使用寿命进行预测。

尽管上述的实施例所述的处理器132、142可以通过软件与硬件的组合来实现。但是可以理解，处理器132、142也可以单独地在软件或硬件中加以实施。对于硬件实施而言，处理器132、142可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。对软件实施而言，处理器132、142可以通过在通用芯片上运行的诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施，其中每一个模块可以执行一个或多个本文中描述的功能和操作。

基于上述多信息融合的故障预警、状态评估和寿命预测方案，可开发出变流器的状态监测及故障预警智能平台，如图15所示。该智能平台可主要包括状态感知层、数据采集及预处理层、和状态评估及故障预警层。

状态感知层可由各类传感器组成，实现对风机振动、电流和电压，支撑电容温度和电流，IGBT温度，接触器电压、电流，柜体吊耳振动，变压器振动、温度，变流器流道温度的感知，并将感知物理量以模拟量的形式传递给采集系统。这里需选用可靠性高、稳定性好的传感器，测量频率范围需覆盖整个故障特征频率，测量精度需满足特征提取的要求，需满足变流器使用条件要求，安装需牢固可靠。

数据采集及预处理层的核心用于模拟量采集的A/D采集模块及用于前端边沿计算的数据处理单元，可实现对状态感知层电流、电压、振动和温度等模拟量的采集，同时通过光纤与TCU进行通讯实现对牵引系统中间电压、转速、功率、整理模块输入电流及逆变模块输出电流、风机转速及接触器触点状态的采集。对状态感知层及TCU中传递的模拟信号进行采集，对数据结构进行分割、甄选操作，对操作后的数据进行简单的傅里叶分析及状态特征量的计算，将经过处理的数据通过光纤传输给状态评估和故障预警层。

状态评估及故障预警层的硬件核心为phm(预测与健康管理)数据处理单元，软件核心为变流器工作状态智能监测和故障预警软件。主要功能为对传输过来的数据进行特征提取和状态评估指标计算，根据建立的状态评估体系和故障诊断模型，对风机、电容、IGBT、接触器、辅助变压器、散热系统的运行状态进行准确评估及故障预警，对变流器柜体振动载荷、动态应力及环境温度的状态进行评估和预警，并对IGBT、风机、电容及接触器的寿命进行预测，并将状态评估信息和故障预警信息通过以太网传递给车载智能中心。Phm数据分析单元的运算性能，能根据运算和存储能力的需求进行可配置化选择。

智能变流器状态监测及故障预警系统工作模式为通过状态感知层的传感器对各关键状态特性进行拾取并转化成模拟量网上传输，数据采集及预处理层采集来自感知层的模拟信号，按照预先制定的规则和模式对数据进行截取、甄选及前端运算转化为数字信号往上层传输。状态评估及故障预警层接收来自采集层的数据，进行状态特征指标计算和故障特征提取，再分别采用已有状态评估体系和故障模型和寿命预测模型进行故障预警、状态评估及寿命预测，最后将信息传递给车载智能中心及地面运维中心进行智能运维策略的制定。

此外，可基于上述多信息融合的故障预警、状态评估和寿命预测方案，开发一套变流器工作状态智能监测及故障预警软件。如图16所示，该软件可包括状态监测及评估模块、逻辑分析及诊断模块、寿命预测模块和可视化模块。

状态监测及评估模块的核心为针对变流器柜体整体及各关键物料所建立起的状态特征运算规则及评估体系。监测风机振动、电流及电压实现对风机振动烈度、功率因素及积灰程度的评估；监测电容温度和电流特征，实现对电容容值、EST值及温度的评估，监测逆变模块水温、IGBT温度及逆变模块电流，实现对IGBT结温、寿命及模块运行温度的评估；监测接触器线圈的电流、电压实现对接触器线圈温度和线圈绝缘情况的评估；监测变压器、电抗器、电容及内部腔体温度，实现对变流器环境温度、变压器及电抗器运行状态的评估；监测变压器振动，实现对变压器振动的评估；监测变流器吊耳振动，实现对变流器载荷环境及吊耳动态应力的评估。

逻辑分析及诊断模块的核心为针对风机、电容、接触器、IGBT、散热系统、柜体吊耳所建立的故障诊断和预警模型。监测风机振动，实现对轴承、转子偏心及动平衡破坏的故障诊断和预警，监测风机电流、电压实现对风机缺相、接地、定子绝缘及匝间短路的故障诊断和预警，监测电容温度、压力及电流及中间电压实现对电容超温、过压及容值过度下降的预警。监测接触器电流、电压及控制指令实现对接触器动作故障、线圈超温及放电故障的诊断和预警。监测IGBT电流、中间电压及水冷板温度实现对IGBT超温、过流及电流异常预警。监测各关键物料及变流器内部腔体温度、模块水温、流量、牵引功率、速度、及风机转速，实现对滤网堵塞故障、水泵故障、热交换器故障、水冷板导热故障的诊断和预警。监测变压器的温度和电流实现变压器超温预警及绝缘破坏预警。监测柜体吊耳振动，实现对吊耳动态载荷过大预警。

寿命预测模块的核心为针对IGBT、电容、风机及接触器的寿命预测模型。分别通过监测IGBT关段特性、电容容值、风机轴承及线圈绝缘、接触器线圈老化的演变规律，预测IGBT、电容、风机及接触器的使用寿命。

可视化模块主要为对实时故障波形、运行状态评估图、预警信息及历史过程数据的显示，具备良好的展示效果，其中运行状态评估图拟采用归一化后的蛛网图。

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。

提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (23)

1.一种基于多信息融合的变流器的故障预警方法，包括：

建立所述变流器的性能参数数据库，所述性能参数数据库中包括所述变流器在至少一种故障发生时采集的所述变流器的多个功能部件的性能参数集；

对所述性能参数数据库中的性能参数集执行特征提取以获得故障特征参数数据库，所述故障特征参数数据库包括所述至少一种故障以及与每一故障对应的至少一个故障特征参数组，每个故障特征参数组包括关于所述变流器的所述多个功能部件的多个故障特征参数；以及

基于所述故障特征参数数据库中的所述至少一种故障及与每一故障对应的至少一个故障特征参数组执行神经网络建模以获得表现故障与故障特征参数之间的映射关系的故障预警模型。

2.如权利要求1所述的故障预警方法，其特征在于，还包括：

基于对应每种故障的故障程度的故障特征阈值对所述故障特征参数数据库中的故障特征参数进行标定以确定每一故障特征参数组所对应的故障的故障程度，

所述基于所述故障特征参数数据库中的所述至少一种故障及与每一故障对应的至少一个故障特征参数组执行神经网络建模包括：基于所述故障特征参数数据库中的所述至少一种故障的故障状态及与每一故障状态对应的至少一个故障特征参数组执行神经网络建模，所述故障状态包括故障类型和对应每种故障类型的故障程度。

3.如权利要求2所述的故障预警方法，其特征在于，所述执行神经网络建模包括使用BP神经网络模型执行建模，所述BP神经网络模型包括输入层、隐含层和输出层，所述输入层包括关于所述故障特征参数组中的多个故障特征参数所对应的多个故障特征的输入节点，所述输出层包括所述至少一种故障状态的输出节点。

4.如权利要求3所述的故障预警方法，其特征在于，所述隐含层中每个隐含节点的输出为

x_i为所述输入层的输入节点的输入，w_ji和θ_j分别为每个隐含节点和每个输入节点之间的连接权值和阈值，i为所述输入节点的索引，j为所述隐含节点的索引，

所述输出层中每个输出节点的输出为

w_kj和θ_k分别为每个输出节点和每个隐含节点之间的连接权值和阀值，k为所述输出节点的索引。

5.如权利要求4所述的故障预警方法，其特征在于，所述BP神经网络的激活函数为Sigmoid函数。

6.如权利要求4所述的故障预警方法，其特征在于，所述输出层的输出节点的输出值O_k与期望输出值t_k之间的误差为

反向传递中的权值修正函数为

阀值修正函数为

其中η取0.01～0.8之间。

7.如权利要求6所述的故障预警方法，其特征在于，所述期望输出值包括指示故障状态的故障编号。

8.如权利要求1所述的故障预警方法，其特征在于，所述故障的类型包括以下一者或多者：轴承内圈故障、轴承外圈故障、轴承滚珠故障、轴承保持架故障、风机动平衡破坏故障、风机缺相故障、风机匝间短路故障、风机相不平衡故障、风机接地故障、风机喘振故障、电容超温故障、电容容值损失故障、IGBT超温故障、IGBT过流故障、滤网堵塞故障、水泵故障、热交换器故障、水冷板故障、变压器超温故障、变压器绝缘破坏故障。

9.如权利要求1所述的故障预警方法，其特征在于，所述故障特征参数对应的故障特征包括以下一者或多者：关于风机振动的总值特征、频谱特征、和包络特征、关于风机电流的功率因素、不平衡系数、负序电流、零序电流、频谱特征、包络特征、和能量特征、关于变压器温度的温度有效值和温度变化梯度、关于模块电流的电流有效值和电流时域特征、关于变流器中间电压的谐波特征、关于IGBT温度的温度有效值和温度变化梯度、关于电容电流的总值特征和频谱特征、关于变流器进出口水温的温度有效值和温度变化梯度、关于变流器进出口水压的水压有效值、关于滤网进出口空气温度的温度有效值。

10.如权利要求1所述的故障预警方法，其特征在于，还包括：

获取所述变流器的所述多个功能部件实测性能参数；

基于所述实测性能参数计算故障特征参数；以及

基于所述故障特征参数和所述故障预警模型确定所述变流器的故障。

11.如权利要求1所述的故障预警方法，其特征在于，对应每一故障的所述性能参数集是在所述变流器的不同工况下采集的，所述工况包括所述变流器所在的机车的运行环境和里程。

12.一种基于多信息融合的变流器的故障预警装置，包括：

存储器；以及

处理器，所述处理器配置为：

建立所述变流器的性能参数数据库，所述性能参数数据库中包括所述变流器在至少一种故障发生时采集的所述变流器的多个功能部件的性能参数集；

对所述性能参数数据库中的性能参数集执行特征提取以获得故障特征参数数据库，所述故障特征参数数据库包括所述至少一种故障以及与每一故障对应的至少一个故障特征参数组，每个故障特征参数组包括关于所述变流器的所述多个功能部件的多个故障特征参数；以及

基于所述故障特征参数数据库中的所述至少一种故障及与每一故障对应的至少一个故障特征参数组执行神经网络建模以获得表现故障与故障特征参数之间的映射关系的故障预警模型。

13.如权利要求12所述的故障预警装置，其特征在于，所述处理器进一步配置为：

基于对应每种故障的故障程度的故障特征阈值对所述故障特征参数数据库中的故障特征参数进行标定以确定每一故障特征参数组所对应的故障的故障程度；以及

基于所述故障特征参数数据库中的所述至少一种故障的故障状态及与每一故障状态对应的至少一个故障特征参数组执行神经网络建模，所述故障状态包括故障类型和对应每种故障类型的故障程度。

14.如权利要求13所述的故障预警装置，其特征在于，所述执行神经网络建模包括使用BP神经网络模型执行建模，所述BP神经网络模型包括输入层、隐含层和输出层，所述输入层包括关于所述故障特征参数组中的多个故障特征参数所对应的多个故障特征的输入节点，所述输出层包括所述至少一种故障状态的输出节点。

15.如权利要求14所述的故障预警装置，其特征在于，所述隐含层中每个隐含节点的输出为

x_i为所述输入层的输入节点的输入，w_ji和θ_j分别为每个隐含节点和每个输入节点之间的连接权值和阈值，i为所述输入节点的索引，j为所述隐含节点的索引，

所述输出层中每个输出节点的输出为

w_kj和θ_k分别为每个输出节点和每个隐含节点之间的连接权值和阀值，k为所述输出节点的索引。

16.如权利要求15所述的故障预警装置，其特征在于，所述BP神经网络的激活函数为Sigmoid函数。

17.如权利要求15所述的故障预警装置，其特征在于，所述输出层的输出节点的输出值O_k与期望输出值t_k之间的误差为

反向传递中的权值修正函数为

阀值修正函数为

其中η取0.01～0.8之间。

18.如权利要求17所述的故障预警装置，其特征在于，所述期望输出值包括指示故障状态的故障编号。

19.如权利要求12所述的故障预警装置，其特征在于，所述故障的类型包括以下一者或多者：轴承内圈故障、轴承外圈故障、轴承滚珠故障、轴承保持架故障、风机动平衡破坏故障、风机缺相故障、风机匝间短路故障、风机相不平衡故障、风机接地故障、风机喘振故障、电容超温故障、电容容值损失故障、IGBT超温故障、IGBT过流故障、滤网堵塞故障、水泵故障、热交换器故障、水冷板故障、变压器超温故障、变压器绝缘破坏故障。

20.如权利要求12所述的故障预警装置，其特征在于，所述故障特征参数对应的故障特征包括以下一者或多者：关于风机振动的总值特征、频谱特征、和包络特征、关于风机电流的功率因素、不平衡系数、负序电流、零序电流、频谱特征、包络特征、和能量特征、关于变压器温度的温度有效值和温度变化梯度、关于模块电流的电流有效值和电流时域特征、关于变流器中间电压的谐波特征、关于IGBT温度的温度有效值和温度变化梯度、关于电容电流的总值特征和频谱特征、关于变流器进出口水温的温度有效值和温度变化梯度、关于变流器进出口水压的水压有效值、关于滤网进出口空气温度的温度有效值。

21.如权利要求12所述的故障预警装置，其特征在于，所述处理器还配置为：

获取所述变流器的所述多个功能部件实测性能参数；

基于所述实测性能参数计算故障特征参数；以及

基于所述故障特征参数和所述故障预警模型确定所述变流器的故障。

22.如权利要求12所述的故障预警装置，其特征在于，对应每一故障的所述性能参数集是在所述变流器的不同工况下采集的，所述工况包括所述变流器所在的机车的运行环境和里程。

23.一种计算机可读介质，其上存储有计算机可执行指令，所述计算机可执行指令在由处理器执行时，实施如权利要求1-11中任一项所述的方法。

Images