CN113887440A - 一种受电弓故障诊断方法、系统、存储介质及设备 - Google Patents
一种受电弓故障诊断方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN113887440A CN113887440A CN202111168107.3A CN202111168107A CN113887440A CN 113887440 A CN113887440 A CN 113887440A CN 202111168107 A CN202111168107 A CN 202111168107A CN 113887440 A CN113887440 A CN 113887440A
- Authority
- CN
- China
- Prior art keywords
- pantograph
- fault diagnosis
- time
- memory network
- carrying
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于受电弓故障诊断领域,提供了一种受电弓故障诊断方法、系统、存储介质及设备。其中,受电弓故障诊断方法包括获取受电弓的振动序列信号;将所述受电弓的振动序列信号进行谱相关分解并进行归一化处理,得到信号的谱相干矩阵,形成特征矩阵;基于所述特征矩阵及训练完成的受电弓故障诊断模型,得到受电弓故障诊断结果;其中,所述受电弓故障诊断模型由双向长短时记忆网络和逻辑回归模型构成,所述双向长短时记忆网络用于对特征矩阵进行并行的特征提取,所述逻辑回归模型用于对所述长短时记忆网络所提取的特征进行归纳整合,得到受电弓故障诊断结果。其不仅能有效提取故障特征,还能并行运算减少模型的诊断时间。
Description
技术领域
本发明属于受电弓故障诊断领域,尤其涉及一种受电弓故障诊断方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
受电弓是电力牵引机车从接触网取得电能的电气设备,安装在机车或动车车顶上。受电弓的工作状态影响整个电力牵引机车运行的稳定性。受电弓常用的故障诊断方法包括基于图像识别的诊断方法、基于弓网电流特性的方法和基于振动特性的诊断方法。其中基于图像识别的方法由于是非接触式检测,由于不会破坏受电弓的动力学特性,也不会受到强磁场的干扰,该方法的诊断精度高且鲁棒性强。但基于图像识别的方法所采用的车载相机并不能全方位地拍摄整个受电弓,导致存在一定的诊断盲区,无法保证故障诊断的精确性。由于列车的受流质量与受电弓的动力学性能密切相关,通过分析受电弓电流电压的变化可以进行受电弓故障诊断,基于弓网电流特性的方法也因此提出。但故障对弓网的受流质量影响不大时,基于弓网电流特性的方法的诊断精度不高,无法做到故障诊断的普适性。受电弓发生故障时会直接影响受电弓的动力学性能,而基于振动特性的诊断方法直接从受电弓的振动特性提取故障特征,所以基于振动特性的诊断方法相对于前两种方法普适性更强,不存在诊断的盲区。但大多数故障发生时,振动信号包含的故障特征信号较为微弱,基于振动特性的诊断方法特征提取困难,导致诊断模型准确率不高。
现有的深度学习网络能够有效提取振动信号的微弱特征,特别是自动提取振动序列信号故障特征的长短时记忆网络。该网络通过链状的网络结构将输入的序列信号变为了数值化的故障特征,避免了人工提取故障特征时特征提取不完全,资源利用率较低的问题。但是,发明人发现,利用现有的深度学习网络提取振动序列信号故障特征的方法需求大量的样本数据才能获得较高的诊断精度;同时其网络结构的隐蔽性导致了长短时记忆网络的可解释性不足,无法利用数据对故障机理进行一定程度的反推。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种受电弓故障诊断方法、系统、存储介质及设备,其不仅能有效提取故障特征,还能并行运算减少模型的诊断时间。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供了一种受电弓故障诊断方法,其包括:
获取受电弓的振动序列信号;
将所述受电弓的振动序列信号进行谱相关分解并进行归一化处理,得到信号的谱相干矩阵,形成特征矩阵;
基于所述特征矩阵及训练完成的受电弓故障诊断模型,得到受电弓故障诊断结果;
其中,所述受电弓故障诊断模型由双向长短时记忆网络和逻辑回归模型构成,所述双向长短时记忆网络用于对特征矩阵进行并行的特征提取,所述逻辑回归模型用于对所述长短时记忆网络所提取的特征进行归纳整合,得到受电弓故障诊断结果。
本发明的第二个方面提供了一种受电弓故障诊断系统,其包括:
振动序列信号获取模块,其用于获取受电弓的振动序列信号;
特征矩阵形成模块,其用于将所述受电弓的振动序列信号进行谱相关分解并进行归一化处理,得到信号的谱相干矩阵,形成特征矩阵;
受电弓故障诊断模块,其用于基于所述特征矩阵及训练完成的受电弓故障诊断模型,得到受电弓故障诊断结果;
其中,所述受电弓故障诊断模型由双向长短时记忆网络和逻辑回归模型构成,所述双向长短时记忆网络用于对特征矩阵进行并行的特征提取,所述逻辑回归模型用于对所述长短时记忆网络所提取的特征进行归纳整合,得到受电弓故障诊断结果。
本发明的第三个方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的受电弓故障诊断方法中的步骤。
本发明的第四个方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的受电弓故障诊断方法中的步骤。
与现有技术相比,本发明的有益效果为:
(1)本发明将所述受电弓的振动序列信号进行谱相关分解并进行归一化处理,得到信号的谱相干矩阵,形成特征矩阵,该特征矩阵有效地缓解了传统长短时记忆网络的数据压力,在相对较少的数据样本下也能有效地进行故障诊断。
(2)本发明的受电弓故障诊断模型由双向长短时记忆网络和逻辑回归模型构成,双向长短时记忆网络用于对特征矩阵进行并行的特征提取,逻辑回归模型用于对所述长短时记忆网络所提取的特征进行归纳整合,该受电弓故障诊断模型结构不仅能有效提取故障特征,还能并行运算减少模型的诊断时间。
(3)本发明的受电弓故障诊断模型结构具有一定的数据解释能力,通过修改特征矩阵能一定程度反推故障机理。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的受电弓故障诊断方法流程图;
图2是单向的长短时记忆网络示意图;
图3是本发明实施例的受电弓故障诊断原理图;
图4是本发明实施例的受电弓故障诊断系统结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1和图3所示,本实施例提供了一种受电弓故障诊断方法,其具体包括如下步骤:
S101:获取受电弓的振动序列信号。
在具体实施中,可利用现有的数据采集设备来采集受电弓的振动信号,所述数据采集设备包括传感元件,将传感元件测得的序列信号x(ts),ts=s/Fn,s=0,1,…,S-1;构成受电弓的振动序列信号。其中,Fs为信号的采样频率,ts为第s个采样时刻,S为信号长度。
S102:将所述受电弓的振动序列信号进行谱相关分解并进行归一化处理,得到信号的谱相干矩阵γx(αn,fm),形成特征矩阵。其中,αn=nΔα,Δα为循环频率的分辨率;fm=mΔf,其中Δf为频谱频率的分辨率,N为离散循环频率序列的长度,M为离散频谱频率序列的长度。
在具体实施中,将所述受电弓的振动序列信号进行谱相关分解,得到振动序列信号的谱相关函数,该谱相关函数为自变量为循环频率和频谱频率的函数。其中,所述谱相干矩阵由受电弓的振动序列信号中每个信号的谱相干函数构成。
具体地,计算信号的普相关函数:
其中,Fs为信号的采样频率,tn为第n个采样时刻,τm为延迟变量,α为循环频率,f为频谱频率,Rx(tn,τm)为信号x(t)的自相关函数。
Rx(tn,τm)定义如下:
信号x(t)的谱相干定义如下:
其中,Sx(0,f)为循环频率取零时待信号的谱相关函数在频谱频率为f处的取值,Sx(0,f-α)为循环频率取零时待信号的谱相关函数在频谱频率为f-α处的取值。
估计信号的谱相干γx(α,f)涉及到复杂的随机信号分析与数值算法,本实施例采用J.Antoni,G.Xin和N.Hamzaoui在论文《Fast computation of the spectralcorrelation》中提出的Fast SC算法估计信号的谱相干函数,得到信号的谱相干矩阵γx(αn,fm),n=1,...,N,m=1,...,M。
S103:基于所述特征矩阵及训练完成的受电弓故障诊断模型,得到受电弓故障诊断结果。
此处需要说明的是,受电弓故障诊断结果本领域技术人员可根据实际情况来具体设置,比如:受电弓故障诊断结果包括无故障、受电弓上升位置异常、受电弓无法升弓、受电弓无法降下和受电弓自动降弓等故障类型。
其中,所述受电弓故障诊断模型由双向长短时记忆网络和逻辑回归模型构成,所述双向长短时记忆网络用于对特征矩阵进行并行的特征提取,所述逻辑回归模型用于对所述长短时记忆网络所提取的特征进行归纳整合,得到受电弓故障诊断结果。
本实施例的该受电弓故障诊断模型结构不仅能有效提取故障特征,还能并行运算减少模型的诊断时间;还具有一定的数据解释能力,通过修改特征矩阵能一定程度反推故障机理。
图2给出了一个单向的长短时记忆网络,在单向长短时记忆网络的基础上构建一个双向的神经元,形式如下:
式中,fi表示正向序列特征,bi表示反向序列特征。
其中,本实施例的双向长短时记忆网络对特征矩阵并行提取的特征包括正向序列特征和反向序列特征。
在具体实施中,在所述的受电弓故障诊断模型的训练过程中,基于训练集数据的特征矩阵训练受电弓故障诊断模型,通过双向长短时记忆网络的正向传播获取网络的节点值,并通过双向长短时记忆网络的反向传播更新双向长短时记忆网络的参数,根据双向长短时记忆网络提取的特征来更新逻辑回归模型的参数,获取最优的受电弓故障诊断模型。
其中,所述训练集数据的特征矩阵的形成过程为:
获取受电弓的振动序列信号,形成训练集数据;
将所述训练集数据进行谱相关分解并进行归一化处理,得到训练集数据的谱相干矩阵,形成训练集数据的特征矩阵。
本实施例将所述受电弓的振动序列信号进行谱相关分解并进行归一化处理,得到信号的谱相干矩阵,形成特征矩阵,该特征矩阵有效地缓解了传统长短时记忆网络的数据压力,在相对较少的数据样本下也能有效地进行故障诊断。
实施例二
参照图4,本实施例提供了一种受电弓故障诊断系统,其具体包括如下模块:
振动序列信号获取模块,其用于获取受电弓的振动序列信号;
特征矩阵形成模块,其用于将所述受电弓的振动序列信号进行谱相关分解并进行归一化处理,得到信号的谱相干矩阵,形成特征矩阵;
受电弓故障诊断模块,其用于基于所述特征矩阵及训练完成的受电弓故障诊断模型,得到受电弓故障诊断结果;
其中,所述受电弓故障诊断模型由双向长短时记忆网络和逻辑回归模型构成,所述双向长短时记忆网络用于对特征矩阵进行并行的特征提取,所述逻辑回归模型用于对所述长短时记忆网络所提取的特征进行归纳整合,得到受电弓故障诊断结果。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的受电弓故障诊断方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的受电弓故障诊断方法中的步骤。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种受电弓故障诊断方法,其特征在于,包括:
获取受电弓的振动序列信号;
将所述受电弓的振动序列信号进行谱相关分解并进行归一化处理,得到信号的谱相干矩阵,形成特征矩阵;
基于所述特征矩阵及训练完成的受电弓故障诊断模型,得到受电弓故障诊断结果;
其中,所述受电弓故障诊断模型由双向长短时记忆网络和逻辑回归模型构成,所述双向长短时记忆网络用于对特征矩阵进行并行的特征提取,所述逻辑回归模型用于对所述长短时记忆网络所提取的特征进行归纳整合,得到受电弓故障诊断结果。
2.如权利要求1所述的受电弓故障诊断方法,其特征在于,将所述受电弓的振动序列信号进行谱相关分解,得到振动序列信号的谱相关函数,该谱相关函数为自变量为循环频率和频谱频率的函数。
3.如权利要求1所述的受电弓故障诊断方法,其特征在于,所述谱相干矩阵由受电弓的振动序列信号中每个信号的谱相干函数构成。
4.如权利要求1所述的受电弓故障诊断方法,其特征在于,所述双向长短时记忆网络对特征矩阵并行提取的特征包括正向序列特征和反向序列特征。
5.如权利要求1所述的受电弓故障诊断方法,其特征在于,在所述的受电弓故障诊断模型的训练过程中,基于训练集数据的特征矩阵训练受电弓故障诊断模型,通过双向长短时记忆网络的正向传播获取网络的节点值,并通过双向长短时记忆网络的反向传播更新双向长短时记忆网络的参数,根据双向长短时记忆网络提取的特征来更新逻辑回归模型的参数,获取最优的受电弓故障诊断模型。
6.如权利要求5所述的受电弓故障诊断方法,其特征在于,所述训练集数据的特征矩阵的形成过程为:
获取受电弓的振动序列信号,形成训练集数据;
将所述训练集数据进行谱相关分解并进行归一化处理,得到训练集数据的谱相干矩阵,形成训练集数据的特征矩阵。
7.一种受电弓故障诊断系统,其特征在于,包括:
振动序列信号获取模块,其用于获取受电弓的振动序列信号;
特征矩阵形成模块,其用于将所述受电弓的振动序列信号进行谱相关分解并进行归一化处理,得到信号的谱相干矩阵,形成特征矩阵;
受电弓故障诊断模块,其用于基于所述特征矩阵及训练完成的受电弓故障诊断模型,得到受电弓故障诊断结果;
其中,所述受电弓故障诊断模型由双向长短时记忆网络和逻辑回归模型构成,所述双向长短时记忆网络用于对特征矩阵进行并行的特征提取,所述逻辑回归模型用于对所述长短时记忆网络所提取的特征进行归纳整合,得到受电弓故障诊断结果。
8.如权利要求7所述的受电弓故障诊断系统,其特征在于,在所述特征矩阵形成模块中,将所述受电弓的振动序列信号进行谱相关分解,得到振动序列信号的谱相关函数,该谱相关函数为自变量为循环频率和频谱频率的函数。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的受电弓故障诊断方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一项所述的受电弓故障诊断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111168107.3A CN113887440A (zh) | 2021-09-30 | 2021-09-30 | 一种受电弓故障诊断方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111168107.3A CN113887440A (zh) | 2021-09-30 | 2021-09-30 | 一种受电弓故障诊断方法、系统、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887440A true CN113887440A (zh) | 2022-01-04 |
Family
ID=79005389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111168107.3A Pending CN113887440A (zh) | 2021-09-30 | 2021-09-30 | 一种受电弓故障诊断方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887440A (zh) |
-
2021
- 2021-09-30 CN CN202111168107.3A patent/CN113887440A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | A modified scale-space guiding variational mode decomposition for high-speed railway bearing fault diagnosis | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、系统 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
JP2020095258A (ja) | 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
Xiao et al. | A multichannel fusion approach based on coupled hidden Markov models for rolling element bearing fault diagnosis | |
CN116680623B (zh) | 特高压换流变压器状态监测方法及系统 | |
CN111858340A (zh) | 一种基于稳定性变换的深度神经网络测试数据生成方法 | |
CN107563403B (zh) | 一种高速列车运行的工况识别方法 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN113532848A (zh) | 一种行星齿轮箱故障诊断系统 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN110308339B (zh) | 基于证据推理规则的变频器直流母线电容故障诊断法 | |
CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
CN109214318B (zh) | 一种寻找非稳态时间序列微弱尖峰的方法 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
CN113887440A (zh) | 一种受电弓故障诊断方法、系统、存储介质及设备 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN105466670A (zh) | 基于叶片电机电流信号的多叶准直器的健康状态监控方法 | |
CN116025369A (zh) | 一种刀盘结泥饼的检测方法、装置、电子设备及存储介质 | |
CN106772032B (zh) | 一种水轮发电机组的故障特征提取方法 |
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 |