CN113075469A - 逆变过流故障诊断方法、装置及系统 - Google Patents
逆变过流故障诊断方法、装置及系统 Download PDFInfo
- Publication number
- CN113075469A CN113075469A CN202010010025.5A CN202010010025A CN113075469A CN 113075469 A CN113075469 A CN 113075469A CN 202010010025 A CN202010010025 A CN 202010010025A CN 113075469 A CN113075469 A CN 113075469A
- Authority
- CN
- China
- Prior art keywords
- fault
- inverter circuit
- circuit data
- network model
- moments
- 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.)
- Pending
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
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Inverter Devices (AREA)
Abstract
本发明提供了一种逆变过流故障诊断方法、装置及系统，其中方法包括：确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；对所述逆变电路数据集执行特征提取操作获得特征向量；输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；基于所述多个故障原因标签对应的概率确定故障原因标签；其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。本发明可以高效准确地确定故障原因，进而提高列车检修和维护效率。
Description
技术领域
本申请涉及轨道交通技术领域，尤其涉及逆变过流故障诊断方法、装置及系统。
背景技术
在轨道交通技术领域中的车、路、网多元耦合环境下，电传动系统为列车高发故障的主要来源，逆变过流故障(主变流器逆变电路过流保护故障的简称)是电传动系统的主要故障之一。
当列车发生逆变过流故障后，检修人员很难快速完成对故障原因的准确定位，导致列车无法迅速恢复安全运行状态。
发明内容
鉴于此，本申请提供逆变过流故障诊断方法、装置及系统，以高效准确地确定故障原因，进而提高列车检修和维护效率。
为了实现上述目的，本发明提供了下述技术特征：
一种逆变过流故障诊断方法，包括：
确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；
对所述逆变电路数据集执行特征提取操作获得特征向量；
输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；
基于所述多个故障原因标签对应的概率确定故障原因标签；
其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
可选的，每个逆变电路数据包括多项电路信号的数据；则所述对所述逆变电路数据集执行特征提取操作获得特征向量，包括：
从所述多个逆变电路数据提取同一项电路信号的数据，获得该项电路信号的多个数据，对该项电路信号的多个数据执行小波分析操作获得该项电路信号对应的小波特征向量；
将各项电路信号的小波特征向量进行组合操作，获得所述特征向量。
可选的，所述小波特征向量包括：
多个分解层对应的小波能量，以及，小波熵值。
可选的，所述多个故障原因标签包括电源故障标签、负载异常标签和控制异常标签；则所述获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率，包括：
获得所述深度信念网络模型计算后输出的电源故障标签对应的第一概率、负载异常标签对应的第二概率和控制异常标签对应的第三概率。
可选的，所述基于所述多个故障原因标签对应的概率确定故障原因标签包括：
对所述多个故障原因标签对应的概率进行排序；
按概率由高至低的顺序，确定一个或多个故障原因标签。
可选的，所述确定逆变电路数据集包括：
按采样周期不断采集并存储逆变电路数据；
在检测到发生逆变过流故障的情况下，确定发生逆变过流故障的故障时刻；
将所述故障时刻之前的至少一个时刻、所述故障时刻之后的至少一个时刻以及故障时刻组成多个时刻；
获取所述多个时刻一一对应的多个逆变电路数据，组成所述逆变电路数据集。
一种逆变过流故障诊断装置，包括：
确定数据单元，用于确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；
特征提取单元，用于对所述逆变电路数据集执行特征提取操作获得特征向量；
模型计算单元，用于输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；
确定标签单元，用于基于所述多个故障原因标签对应的概率确定故障原因标签；
其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
一种车载处理设备，包括：
接收端口，用于接收不同时刻对应的逆变电路数据；
存储器，用于存储不同时刻对应的逆变电路数据；
处理器，用于基于所述存储器中不同时刻对应的逆变电路数据，确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；对所述逆变电路数据集执行特征提取操作获得特征向量；输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；基于所述多个故障原因标签对应的概率确定故障原因标签；其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
一种逆变过流故障诊断系统，包括：
列车传感器系统，用于采集并发送不同时刻对应的逆变电路数据；
车载云平台，用于从所述列车传感器系统接收并存储不同时刻对应的逆变电路数据，并基于不同时刻对应的逆变电路数据，确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；对所述逆变电路数据集执行特征提取操作获得特征向量；输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；基于所述多个故障原因标签对应的概率确定故障原因标签；其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
可选的，还包括与所述车载计算平台相连的地面服务器；
所述车载云平台，还用于发送故障原因标签至地面服务器；
所述地面服务器，用于接收并展示所述故障原因标签。
通过以上技术手段，可以实现以下有益效果：
本发明获取发生过流故障前后时刻对应的逆变电路数据集，并对逆变电路数据集执行特征提取操作并获得能够代表逆变电路数据集的特征向量，输入特征向量至预先训练好的深度信念网络模型，深度信念网络模型经过计算后可以输出多个故障原因标签对应的概率，通过分析多个故障原因标签对应的概率从而当前逆变过流故障对应的故障原因标签。
本发明不再使用检修人员人工定位故障原因，而是通过特征提取方式确定当前发生逆变过流故障时的特征向量，通过训练好的深度信念网络模型识别特征向量以对故障原因进行定位。因此本发明可以高效准确地确定故障原因，进而提高列车检修和维护效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，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他的附图。
图1为本申请实施例公开的一种深度信念网络模型训练方法的流程图；
图2为本申请实施例公开的一种逆变过流故障诊断方法的流程图；
图3为本申请实施例公开的一种逆变过流故障诊断装置的结构示意图；
图4为本申请实施例公开的一种车载处理设备的结构示意图；
图5为本申请实施例公开的一种逆变过流故障诊断系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明不再采用人工方式来定位逆变过流故障原因，为了准确高效地定位逆变过流故障原因，本发明提供采用深度信念网络模型来定位逆变过流故障原因。
参见图1，提供一种深度信念网络模型训练方法，包括以下步骤：
步骤S101：获取多个逆变电路数据集和对应的故障原因标签。
预先确定多个故障原因标签，从历史记录数据中确定多个发生逆变过流故障的故障时刻，针对每个故障时刻：
采用检修人员准确确定该故障时刻对应的故障原因标签；
将故障时刻之前的至少一个时刻、故障时刻之后的至少一个时刻以及故障时刻组成N个时刻(N可以为1000，可以在故障时刻之前依次确定500个时刻，在故障时刻之后依次确定500个时刻，当然N还可以为其它数量)，然后从历史记录中提取N个时刻一一对应的N个逆变电路数据，N个逆变电路数据按照时间前后顺序、组成一个故障时刻对应的逆变电路数据集。
步骤S102：分别对多个逆变电路数据集执行特征提取操作获得多个特征向量。
由于每个逆变电路数据集中具有N个时刻的逆变电路数据，数据量非常大，为了便于后续处理对每个逆变电路数据集进行特征提取操作，从而获得N个特征向量。
特征提取操作可以采用小波分析操作来实现，当然还可以采用其它方式来实现，例如主成分分析法等等，本申请对此不做限定。下面以一个逆变电路数据集为例，采用小波分析操作进行特征提取操作：
逆变电路数据集包括N个时刻的逆变电路数据，且，每个逆变电路数据包括M项电路信号(例如，逆变电路的电流信号、电压信号、功率信号等)。
针对每项电路信号可以从N个时刻的逆变电路数据中提取N个电路信号数据，针对N个电路信号数据进行小波多分辨率分解，设分解层数为n层。
分别计算n层对应的n个小波能量pD1,pD2,...,pDn，并基于n个小波能量计算小波熵值WE，由n个小波能量和小波熵值组成该项电路信号的特征向量，也即[pD1,pD2,...,pDn,WE]。
可以理解的是，M项电路信号可以获得M项电路信号的特征向量，M项电路信号的特征向量组成一个逆变电路数据集的特征向量：
步骤S103：采用多个特征向量和对应的故障原因标签，对深度信念网络模型进行训练获得训练好的深度信念网络模型。
采用多个特征向量和对应的故障原因标签对深度信念网络模型进行有监督的训练，在到达训练结束条件后确定为训练好的深度信念网络模型。关于训练深度信念网络模型的过程已为成熟技术，在此不再赘述。
将训练好的深度信念网络模型存储至车载处理设备中，在此之上本发明提供一种逆变过流故障诊断方法的实施例，参见图2，包括以下步骤：
步骤S201：确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻。
可以理解的是，车载处理设备按采样周期不断采集并存储逆变电路数据，在检测到发生逆变过流故障的情况下，可以确定发生逆变过流故障的故障时刻；将所述故障时刻之前的至少一个时刻、所述故障时刻之后的至少一个时刻以及故障时刻组成多个时刻；然后获取所述多个时刻一一对应的多个逆变电路数据，组成所述逆变电路数据集。
例如，多个时刻可以为1000个时刻，则在故障时刻之前依次确定500个时刻，在故障时刻之后依次确定500个时刻，当然多个时刻还可以为其它数量。
步骤S202：对所述逆变电路数据集执行特征提取操作获得特征向量。
所述逆变电路数据集包括多个时刻对应的逆变电路数据，且，每个逆变电路数据包括多项电路信号的数据，本步骤可以采用下述方式实现：
从所述多个逆变电路数据提取同一项电路信号的数据，获得该项电路信号的多个数据，对该项电路信号的多个数据执行小波分析操作获得该项电路信号对应的小波特征向量；将各项电路信号的小波特征向量进行组合操作，获得所述特征向量。
可以理解的是，本步骤中对于逆变电路数据集执行特征提取操作获得特征向量的过程可以详见步骤S102，在此不再赘述。
步骤S203：输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
深度信念网络模型在接收特征向量后，可以对特征向量进行计算操作，深度信念网络模型计算结束后会输出多个故障原因标签对应的概率。
可以理解的是，此处的多个故障原因标签与训练过程中有监督训练的多个故障原因标签一致，例如，训练过程中采用4个故障原因标签则深度信念网络模型计算后也会输出4个故障原因标签对应的概率。
可以理解的是，由于特征向量不同，所以4个故障原因标签的概率不尽相同。概率大则表明当前的逆变过流故障对应的故障原因很大程度为该故障原因，概率小则表明当前的逆变过流故障对应的故障原因很小程度为该故障原因。
步骤S204：基于所述多个故障原因标签对应的概率确定故障原因标签。
本步骤可以对所述多个故障原因标签对应的概率进行排序；按概率由高至低的顺序，确定一个或多个故障原因标签。
可以理解的是，逆变过流故障可能是有一个故障原因导致的，也可能是有多个故障原因导致的，通过经验可知通常情况下故障原因多为一个。
因此，可以从多个故障原因标签对应概率中确定最大概率，并将最大概率对应的故障原因标签确定本次逆变过流故障的故障原因。
可选的，还可以包括步骤S205：发送故障原因标签。
通过以上技术手段，可以实现以下有益效果：
本发明获取发生过流故障前后时刻对应的逆变电路数据集，并对逆变电路数据集执行特征提取操作并获得能够代表逆变电路数据集的特征向量，输入特征向量至预先训练好的深度信念网络模型，深度信念网络模型经过计算后可以输出多个故障原因标签对应的概率，通过分析多个故障原因标签对应的概率从而当前逆变过流故障对应的故障原因标签。
本发明不再使用检修人员人工定位故障原因，而是通过特征提取方式确定当前发生逆变过流故障时的特征向量，通过训练好的深度信念网络模型识别特征向量以对故障原因进行定位。因此本发明可以高效准确地确定故障原因，进而提高列车检修和维护效率。
参见图3，本发明提供了一种逆变过流故障诊断装置，包括：
确定数据单元31，用于确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；
特征提取单元32，用于对所述逆变电路数据集执行特征提取操作获得特征向量；
模型计算单元33，用于输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；
确定标签单元34，用于基于所述多个故障原因标签对应的概率确定故障原因标签；
其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
关于逆变过流故障诊断装置的具体实现可以详见图1和图2所示的实施例，在此不再赘述。
通过以上技术手段，可以实现以下有益效果：
本发明获取发生过流故障前后时刻对应的逆变电路数据集，并对逆变电路数据集执行特征提取操作并获得能够代表逆变电路数据集的特征向量，输入特征向量至预先训练好的深度信念网络模型，深度信念网络模型经过计算后可以输出多个故障原因标签对应的概率，通过分析多个故障原因标签对应的概率从而当前逆变过流故障对应的故障原因标签。
本发明不再使用检修人员人工定位故障原因，而是通过特征提取方式确定当前发生逆变过流故障时的特征向量，通过训练好的深度信念网络模型识别特征向量以对故障原因进行定位。因此本发明可以高效准确地确定故障原因，进而提高列车检修和维护效率。
参见图4，本发明提供一种车载处理设备，包括：
接收端口41，用于接收不同时刻对应的逆变电路数据；
存储器42，用于存储不同时刻对应的逆变电路数据；
处理器43，用于基于所述存储器中不同时刻对应的逆变电路数据，确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；对所述逆变电路数据集执行特征提取操作获得特征向量；输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；基于所述多个故障原因标签对应的概率确定故障原因标签；其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
关于车载处理设备的处理过程可以详见图1和图2所示的实施例，在此不再赘述。
通过以上技术手段，可以实现以下有益效果：
本发明获取发生过流故障前后时刻对应的逆变电路数据集，并对逆变电路数据集执行特征提取操作并获得能够代表逆变电路数据集的特征向量，输入特征向量至预先训练好的深度信念网络模型，深度信念网络模型经过计算后可以输出多个故障原因标签对应的概率，通过分析多个故障原因标签对应的概率从而当前逆变过流故障对应的故障原因标签。
本发明不再使用检修人员人工定位故障原因，而是通过特征提取方式确定当前发生逆变过流故障时的特征向量，通过训练好的深度信念网络模型识别特征向量以对故障原因进行定位。因此本发明可以高效准确地确定故障原因，进而提高列车检修和维护效率。
参见图5，本发明提供了一种逆变过流故障诊断系统，包括：
列车传感器系统100，用于采集并发送不同时刻对应的逆变电路数据；
车载云平台200，用于从所述列车传感器系统接收并存储不同时刻对应的逆变电路数据，并基于不同时刻对应的逆变电路数据，确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；对所述逆变电路数据集执行特征提取操作获得特征向量；输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；基于所述多个故障原因标签对应的概率确定故障原因标签；其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
其中，车载云平台可以包括：
接收端口，用于接收不同时刻对应的逆变电路数据；
存储器，用于存储不同时刻对应的逆变电路数据；
处理器，用于基于所述存储器中不同时刻对应的逆变电路数据，确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；对所述逆变电路数据集执行特征提取操作获得特征向量；输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；基于所述多个故障原因标签对应的概率确定故障原因标签；其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
无线模块，用于无线传输故障原因标签至地面服务器。
与所述车载计算平台相连的地面服务器300，用于接收并展示所述故障原因标签。
关于车载云平台处理过程可以详见图1和图2所示的实施例中车载处理设备的执行过程，在此不再赘述。
通过以上技术手段，可以实现以下有益效果：
本发明获取发生过流故障前后时刻对应的逆变电路数据集，并对逆变电路数据集执行特征提取操作并获得能够代表逆变电路数据集的特征向量，输入特征向量至预先训练好的深度信念网络模型，深度信念网络模型经过计算后可以输出多个故障原因标签对应的概率，通过分析多个故障原因标签对应的概率从而当前逆变过流故障对应的故障原因标签。
本发明不再使用检修人员人工定位故障原因，而是通过特征提取方式确定当前发生逆变过流故障时的特征向量，通过训练好的深度信念网络模型识别特征向量以对故障原因进行定位。因此本发明可以高效准确地确定故障原因，进而提高列车检修和维护效率。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种逆变过流故障诊断方法，其特征在于，包括：
确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；
对所述逆变电路数据集执行特征提取操作获得特征向量；
输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；
基于所述多个故障原因标签对应的概率确定故障原因标签；
其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
2.如权利要求1所述的方法，其特征在于，每个逆变电路数据包括多项电路信号的数据；则所述对所述逆变电路数据集执行特征提取操作获得特征向量，包括：
从所述多个逆变电路数据提取同一项电路信号的数据，获得该项电路信号的多个数据，对该项电路信号的多个数据执行小波分析操作获得该项电路信号对应的小波特征向量；
将各项电路信号的小波特征向量进行组合操作，获得所述特征向量。
3.如权利要求2所述的方法，其特征在于，所述小波特征向量包括：
多个分解层对应的小波能量，以及，小波熵值。
4.如权利要求1所述的方法，其特征在于，所述多个故障原因标签包括电源故障标签、负载异常标签和控制异常标签；则所述获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率，包括：
获得所述深度信念网络模型计算后输出的电源故障标签对应的第一概率、负载异常标签对应的第二概率和控制异常标签对应的第三概率。
5.如权利要求1或4所述的方法，其特征在于，所述基于所述多个故障原因标签对应的概率确定故障原因标签包括：
对所述多个故障原因标签对应的概率进行排序；
按概率由高至低的顺序，确定一个或多个故障原因标签。
6.如若权利要求1所述的方法，其特征在于，所述确定逆变电路数据集包括：
按采样周期不断采集并存储逆变电路数据；
在检测到发生逆变过流故障的情况下，确定发生逆变过流故障的故障时刻；
将所述故障时刻之前的至少一个时刻、所述故障时刻之后的至少一个时刻以及故障时刻组成多个时刻；
获取所述多个时刻一一对应的多个逆变电路数据，组成所述逆变电路数据集。
7.一种逆变过流故障诊断装置，其特征在于，包括：
确定数据单元，用于确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；
特征提取单元，用于对所述逆变电路数据集执行特征提取操作获得特征向量；
模型计算单元，用于输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；
确定标签单元，用于基于所述多个故障原因标签对应的概率确定故障原因标签；
其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
8.一种车载处理设备，其特征在于，包括：
接收端口，用于接收不同时刻对应的逆变电路数据；
存储器，用于存储不同时刻对应的逆变电路数据；
处理器，用于基于所述存储器中不同时刻对应的逆变电路数据，确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；对所述逆变电路数据集执行特征提取操作获得特征向量；输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；基于所述多个故障原因标签对应的概率确定故障原因标签；其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
9.一种逆变过流故障诊断系统，其特征在于，包括：
列车传感器系统，用于采集并发送不同时刻对应的逆变电路数据；
车载云平台，用于从所述列车传感器系统接收并存储不同时刻对应的逆变电路数据，并基于不同时刻对应的逆变电路数据，确定逆变电路数据集；其中所述逆变电路数据集包括多个时刻对应的多个逆变电路数据，且，所述多个时刻包括发生逆变过流故障的故障时刻；对所述逆变电路数据集执行特征提取操作获得特征向量；输入所述特征向量至深度信念网络模型，获得所述深度信念网络模型计算后输出的多个故障原因标签对应的概率；基于所述多个故障原因标签对应的概率确定故障原因标签；其中所述深度信念网络模型为：依据多个特征向量样本以及对应的故障原因标签进行有监督训练后、得到的能够识别特征向量对应故障原因标签的网络模型。
10.如权利要求9所述的系统，其特征在于，还包括与所述车载计算平台相连的地面服务器；
所述车载云平台，还用于发送故障原因标签至地面服务器；
所述地面服务器，用于接收并展示所述故障原因标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010010025.5A CN113075469A (zh) | 2020-01-06 | 2020-01-06 | 逆变过流故障诊断方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010010025.5A CN113075469A (zh) | 2020-01-06 | 2020-01-06 | 逆变过流故障诊断方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113075469A true CN113075469A (zh) | 2021-07-06 |
Family
ID=76608971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010010025.5A Pending CN113075469A (zh) | 2020-01-06 | 2020-01-06 | 逆变过流故障诊断方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113075469A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 |
| CN103901882A (zh) * | 2014-04-15 | 2014-07-02 | 北京交通大学 | 一种列车动力系统在线监控故障诊断的系统及其方法 |
| CN107632258A (zh) * | 2017-09-12 | 2018-01-26 | 重庆大学 | 一种基于小波变换和dbn的风机变流器故障诊断方法 |
| CN110058110A (zh) * | 2019-04-16 | 2019-07-26 | 重庆大学 | 一种有源逆变器间歇故障诊断方法 |
| CN110084106A (zh) * | 2019-03-19 | 2019-08-02 | 中国地质大学（武汉） | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 |
| CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
-
2020
- 2020-01-06 CN CN202010010025.5A patent/CN113075469A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 |
| CN103901882A (zh) * | 2014-04-15 | 2014-07-02 | 北京交通大学 | 一种列车动力系统在线监控故障诊断的系统及其方法 |
| CN107632258A (zh) * | 2017-09-12 | 2018-01-26 | 重庆大学 | 一种基于小波变换和dbn的风机变流器故障诊断方法 |
| CN110084106A (zh) * | 2019-03-19 | 2019-08-02 | 中国地质大学（武汉） | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 |
| CN110058110A (zh) * | 2019-04-16 | 2019-07-26 | 重庆大学 | 一种有源逆变器间歇故障诊断方法 |
| CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| 唐黎哲 等: "《基于小波分析和深度信念网络的牵引系统故障诊断》", 《控制与信息技术》 * |
| 戴晨曦 等: "《基于模型与模糊Petri网融合的高铁牵引变压器故障诊断》", 《电力系统保护与控制》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
| CN112036505B (zh) | 道岔转辙机的设备状态确定方法、装置和电子设备 | |
| CN110837718B (zh) | 道岔故障检测方法、装置、电子设备及存储介质 | |
| CN104176092B (zh) | 一种道岔钢轨伤损监测方法及装置 | |
| CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
| CN113676343B (zh) | 电力通信网故障源定位方法及装置 | |
| CN109443769B (zh) | 电机轴承状态的检测方法、系统、装置及可读存储介质 | |
| WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
| CN114265882A (zh) | 时序信号点异常检测方法、系统、设备及介质 | |
| CN113283550A (zh) | 一种车网电气耦合数据的异常辨识模型训练方法 | |
| CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
| CN108613820A (zh) | 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法 | |
| CN109088793B (zh) | 用于检测网络故障的方法和装置 | |
| WO2024119983A1 (zh) | 一种轨道车辆电缆终端的异常检测方法及装置 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN116662793B (zh) | 转子裂纹故障诊断、模型构建方法及装置 | |
| CN113075469A (zh) | 逆变过流故障诊断方法、装置及系统 | |
| CN115588439B (zh) | 一种基于深度学习的声纹采集装置的故障检测方法及装置 | |
| CN116306777A (zh) | 模型精度损失定位方法、装置和电子设备 | |
| CN116373939A (zh) | 一种轨枕健康诊断方法、装置及电子设备 | |
| CN108600046B (zh) | 基于感知哈希的设备状态监测终端、系统及方法 | |
| CN113051958A (zh) | 基于深度学习的驾驶员状态检测方法、系统、设备及介质 | |
| CN113989888A (zh) | 判断司机本人驾驶方法、计算机可读存储介质和拍摄设备 | |
| CN113239075A (zh) | 一种施工数据自检方法及系统 | |
| CN108710891B (zh) | 基于感知哈希的循环平稳信号降维、识别方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210706 |
|
| RJ01 | Rejection of invention patent application after publication |