CN114994426A - 多服役工况下列车牵引系统故障诊断方法、系统及介质 - Google Patents

多服役工况下列车牵引系统故障诊断方法、系统及介质 Download PDF

Info

Publication number
CN114994426A
CN114994426A CN202210388005.0A CN202210388005A CN114994426A CN 114994426 A CN114994426 A CN 114994426A CN 202210388005 A CN202210388005 A CN 202210388005A CN 114994426 A CN114994426 A CN 114994426A
Authority
CN
China
Prior art keywords
data
fault diagnosis
traction system
fault
feature
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
Application number
CN202210388005.0A
Other languages
English (en)
Inventor
陈志文
柯浩彬
樊欣宇
李学明
杨超
彭涛
阳春华
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202210388005.0A priority Critical patent/CN114994426A/zh
Publication of CN114994426A publication Critical patent/CN114994426A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明涉及轨道列车牵引系统故障诊断技术领域，公开了一种多服役工况下列车牵引系统故障诊断方法、系统及介质；该方法对预先构建的故障诊断模型框架进行训练得到目标多通道域自适应图卷积网络模型，并基于目标多通道域自适应图卷积网络模型进行故障诊断，这样，基于故障诊断模型框架不仅能够提取数据特征，同时注重于数据关联性，可以在一定程度上使得所需故障样本数量显著降低，可以解决服役工况的多样性和故障样本的稀缺性问题，为小样本下的牵引系统故障诊断提供了可行途径，可以及时诊断轨道列车牵引系统的微小故障。

Description

多服役工况下列车牵引系统故障诊断方法、系统及介质
技术领域
本发明涉及轨道列车牵引系统故障诊断技术领域，尤其涉及一种多服役工况下列车牵引系统故障诊断方法、系统及介质。
背景技术
随着轨道列车的长期运行，其牵引系统关键部件容易随着使用时间的增长而出现一些故障。如果没有及时检修，很可能降低列车工作性能甚至危及乘客人身安全，因此针对轨道列车的故障诊断系统设计日益成为研究的重点，其中，电力牵引系统(简称牵引系统)是轨道列车主要的动力来源，也是轨道列车稳定运行的核心子系统，在一些动车组中，牵引系统主要由高压电器(牵引变压器、预充电电路等)、牵引变流器(整流器、中间直流环节、逆变器)、牵引电机和牵引控制单元级联构成。同时，牵引系统是故障发生频率最高的子系统之一，牵引系统各个部件很容易随着运行时间的增长而出现老化，损坏等情况，最终导致牵引系统无法正常工作。由于轨道列车的故障导向安全准则，使列车长期处于安全保护状态，降低了工作效率，若列车发生故障，则必须停车检修，因此故障数据收集时间较短，导致故障数据样本少；同时，在轨道列车实际运行过程中，牵引系统多数情况处于正常服役工况，即使是故障发生时，也只是做一个故障是否发生的逻辑判断，这是由于缺乏实时有效的故障诊断策略，导致故障类型标签获取困难，这些都导致轨道列车的故障诊断面临着小样本问题。
同时牵引系统运行的多服役工况是导致诊断模型泛化性能有限的主要原因。牵引系统的工作状态包括启机和运行阶段。当工作在启机阶段时，列车仍处于停车阶段；当在运行阶段时，牵引系统经历加速、惰行、常规制动减速、故障情况下减速或停车等不同服役工况。因为牵引系统运行服役工况的时变性以及运行环境的复杂性，使得观测变量的关联性会随着服役工况的变化而发生改变，使得原本关联模型的参数关系发生变化，导致牵引系统小样本下的故障诊断复杂，泛化性能差。
目前传统的建模方法可以建立牵引系统各设备之间的机理模型，但也忽略了强耦合设备间的关联性，因此难以做到微小故障的诊断。此外，由于系统设备之间的关联作用存在一定的由电气连接方式决定的结构化特征，因此，无法通过各设备之间的简单叠加来建立一体化模型。可见，现有技术中，难以及时诊断轨道列车牵引系统的微小故障。
发明内容
本发明提供了一种多服役工况下列车牵引系统故障诊断方法、系统及介质，以解决现有技术中，难以及时诊断轨道列车牵引系统的微小故障。
为了实现上述目的，本发明通过如下的技术方案来实现：
第一方面，本发明提供一种多服役工况下列车牵引系统故障诊断方法，包括：
S1：采集牵引系统在不同服役工况以及不同故障状态下的三相电流原始数据，并为所述三相电流原始数据添加故障类型标签；
S2：对所述三相电流原始数据进行预处理得到故障诊断数据集，并根据服役工况情况将所述故障诊断数据集划分为源域数据集和目标域数据集；
S3：将所述源域数据集和目标域数据集输入预先构建的故障诊断模型框架，以总体损失函数作为网络训练指标，基于反向传播算法进行训练得到目标通道域自适应图卷积网络模型；
S4：将待诊断牵引系统的三相电流数据输入所述目标通道域自适应图卷积网络模型进行故障诊断。
第二方面，本申请提供一种多服役工况下列车牵引系统故障诊断系统，包括存储器、处理器以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计算机程序时实现上述第一方面所述方法的步骤。
第三方面，本申请提供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第一方面所述的方法步骤。
有益效果：
本发明提供的多服役工况下列车牵引系统故障诊断方法，对预先构建的故障诊断模型框架进行训练得到目标多通道域自适应图卷积网络模型，并基于目标多通道域自适应图卷积网络模型进行故障诊断，这样，基于故障诊断模型框架不仅能够提取数据特征，同时注重于数据关联性，可以在一定程度上使得所需故障样本数量显著降低，可以解决服役工况的多样性和故障样本的稀缺性问题，为小样本下的牵引系统故障诊断提供了可行途径，可以及时诊断轨道列车牵引系统的微小故障。
在优选示例中，本发明提供的多服役工况下列车牵引系统故障诊断方法，设计的图生成层中，提出了两种图构建方案，一种是基于多层感知器的动态构图，另外一种是基于K近邻算法的固定构图。两种构图方式从不同角度进行数据构图，增加节点信息传播的通道，从而提升图拓扑信息的多元性。其构图的过程不仅不依赖于数学建模和先验知识，还能自适应不同服役工况和系统特性变化带来的图网络模型的节点、边等的关联属性改变的特点，可以保证诊断结果的准确性。
在优选示例中，本发明提供的多服役工况下列车牵引系统故障诊断方法，设计的图信息融合层中，采用多图融合的方式，减小并行计算量，同时，融合的图信息包括两种图的特定特征和共享特征，并且利用一致性约束和差异性约束，确保上述特征表示具有一致性和差异性，从而可以提升在图拓扑结构上传播的节点信息的多样性。
在优选示例中，本发明提供的多服役工况下列车牵引系统故障诊断方法，在多图融合的过程中，采用一种自适应更新的注意力机制去学习不同输出特征表示的权重，从而判断两种构图方式中哪一种更具有代表性，以此选择最合理的拓扑图去描述数据的关联性，从而提升诊断准确率。
附图说明
图1为本发明优选实施例的多服役工况下列车牵引系统故障诊断方法的流程图；
图2是本发明优选实施例的轨道列车牵引变流器的三相电流数据测量波形，其中，(a) 表示电机转速在1000r/min下牵引系统变流器的三相电流测量波形；(b)表示电机转速在 1800r/min下牵引系统变流器的三相电流测量波形；
图3是本发明优选实施例的基于多通道域自适应图卷积网络的牵引系统故障诊断模型框架；
图4是本发明优选实施例的二维卷积网络结构；
图5是本发明优选实施例的拓扑图示意图；
图6是本发明优选实施例的图卷积网络结构；
图7是本发明优选实施例的在不同迁移服役工况下的故障诊断准确率；
图8是本发明优选实施例的通过t-SNE将特征提取器最后一层的特征进行可视化示意图。
具体实施方式
下面对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另作定义，本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应地改变。
请参见图1，本申请实施例提供一种多服役工况下列车牵引系统故障诊断方法，包括：
S1：采集牵引系统在不同服役工况以及不同故障状态下的三相电流原始数据，并为三相电流原始数据添加故障类型标签；
S2：对三相电流原始数据进行预处理得到故障诊断数据集，并根据服役工况情况将故障诊断数据集划分为源域数据集和目标域数据集；
S3：将源域数据集和目标域数据集输入预先构建的故障诊断模型框架，以总体损失函数作为网络训练指标，基于反向传播算法进行训练得到目标通道域自适应图卷积网络模型；
S4：将待诊断牵引系统的三相电流数据输入目标通道域自适应图卷积网络模型进行故障诊断。
本实施例中，采集牵引系统在不同服役工况下的三相电流原始数据时，可以采集不同工况下电机转速以及负载转矩等数据。其中，可以通过高精度传感器实现数据的采集，本实施例中通过高精度传感器采集牵引系统在不同服役工况以及不同故障状态下的三相电流原始数据的测量波形如图2所示。
在一示例中，将所述源域数据集和目标域数据集输入预先构建的故障诊断模型框架，以总体损失函数作为网络训练指标，基于反向传播算法进行训练得到目标通道域自适应图卷积网络模型之后，还可以将目标域测试数据集输入至目标通道域自适应图卷积网络模型中进行测试，在测试结果的正确率满足预设阈值的情况下，视为目标通道域自适应图卷积网络模型的正确性较高。
上述的多服役工况下列车牵引系统故障诊断方法，对预先构建的故障诊断模型框架进行训练得到目标多通道域自适应图卷积网络模型，并基于目标多通道域自适应图卷积网络模型进行故障诊断，这样，基于故障诊断模型框架不仅能够提取数据特征，同时注重于数据关联性，可以在一定程度上使得所需故障样本数量显著降低，可以解决服役工况的多样性和故障样本的稀缺性问题，为小样本下的牵引系统故障诊断提供了可行途径，可以及时诊断轨道列车牵引系统的微小故障。
可选地，上述的S2可以通过以下步骤进行细化：
首先，利用高精度传感器采集牵引系统三相电流原始数据x0，维度为t×k，其中t为采样时间长度，k为传感器个数。
对原始数据x0的每一列做归一化处理(每一列对应的是单个传感器的采样数据)，目的是使得预处理的数据被限定在0-1范围内，从而提升模型拟合过程的计算效率。其中数据归一化的描述公式为：
Figure BDA0003594488870000041
式中，x0表示三相电流原始数据，
Figure BDA0003594488870000051
分别为三相电流原始数据x0和归一化数据 x1的第i行，第j列数据，其中
Figure BDA0003594488870000052
对应x0、x1第j列的全部数据。
基于滑动窗口机制，对上述归一化数据x1进行切分，设窗口长度为w，滑动步长为l，则切分后的故障诊断数据集数量n为：
Figure BDA0003594488870000053
式中，[.]为取整符号。使用滑动窗口机制得到的三维故障诊断数据集，数据大小为n×w×k。
根据服役工况是否已知，将归一化后的数据x1进行划分，其中已知服役工况的故障诊断数据划分为源域数据xs，未知服役工况划分为目标域数据xt，同时，根据数据在模型训练及验证时的用途，按照7:3的比例，将源域数据随机划分为训练集
Figure BDA0003594488870000054
和测试集
Figure BDA0003594488870000055
同理将目标域数据随机划分为训练集
Figure BDA0003594488870000056
和测试集
Figure BDA0003594488870000057
Figure BDA0003594488870000058
所述S3之前，所述方法还包括：
构建基于多通道域自适应图卷积网络的故障诊断模型框架，如图3所示，所述故障诊断模型框架包括原始数据特征映射层、图生成层、图信息融合层、域自适应模块以及标签分类器，其中，所述图生成层用于生成两种图拓扑结构。
下面，对构建基于多通道域自适应图卷积网络的故障诊断模型框架的步骤进行详细说明，需要说明的是，下述的构件框架的方式为本申请的其中一种实现方式，其满足的公式仅为其中一种表现形式，此处仅做示例，不做限定。
具体而言，为降低模型收敛的振荡程度以及提升训练速度，模型训练采用的是小批次梯度下降，故输入诊断模型的是小批次数据
Figure BDA0003594488870000059
其中b为每次训练的批次数，p＝{s,t} 表示输入数据是来自源域s或是目标域t。
故障诊断模型框架的第一层为特征映射层。在该层中，将小批次数据
Figure BDA00035944888700000510
输入至二维卷积网络中，以此获取特征映射矩阵xp。令m为特征映射后的数据特征维度，其中，网络结构如图4所示，映射过程可表示为以下描述公式：
Figure BDA0003594488870000061
式中，CNN(.)表示经过卷积网络的特征映射操作，m为特征映射后的数据特征维度，
Figure BDA0003594488870000062
为小批次数据，b为每次训练的批次数，R为实数集。
故障诊断模型框架的第二层为图生成层，该层的提出可用于生成两种图。此处的图指的是拓扑图G＝(V,E)，其拓扑图如图5所示，其中图5的每个节点v表示单个数据集，节点特征为对应数据的特征，节点之间若存在边连接eij则表示数据集i和j之间存在关联性，利用邻接矩阵A量化节点之间相邻关系。
在生成的两种图中，一种是基于多层感知器的动态构图,得到邻接矩阵
Figure BDA0003594488870000063
其中b 也可视作图节点数；另外一种是基于K近邻算法的固定构图，得到邻接矩阵
Figure BDA0003594488870000064
两种构图方式从不同角度进行数据构图，可给第三层的图卷积网络的节点信息传递的提供更多的通道，从而提升图拓扑信息的多元性。其中，图卷积网络结构如图6所示，利用两种构图方式得到两种邻接矩阵的详细过程如下：
1)动态构图：将特征映射矩阵xp输入至双层卷积网络中，得到特征输出xM，将其与转置矩阵之间进行矩阵乘法运算，并进行正则化后得到邻接矩阵A。最后，根据max-k排序机制，令A每行的前k个最大元素为1，其他行元素设为0，以此得到稀疏邻接矩阵
Figure BDA0003594488870000065
从而减小计算负担。该构图过程可由以下描述公式表示：
Figure BDA0003594488870000066
其中MLP(.)表示经过多层感知器的特征映射操作；normalize(.)表示正则化操作。
2)固定构图：特征映射矩阵xp∈Rb×m的行向量可看作是图节点的特征向量，由此根据节点特征向量求取每个节点的欧式距离，得到欧氏距离矩阵E∈Rb×b，其中Eij表示节点i和j的欧式距离。为减小计算负担，根据min-k排序机制，选择欧氏距离矩阵E每行的前k个最小值，并将相应位置的行元素设置为1，其余设置为0，得到稀疏邻接矩阵
Figure BDA0003594488870000067
以此表示与目标节点最相似的k个邻点。
Figure BDA0003594488870000071
这样，设计的图生成层中，提出了两种图构建方案，一种是基于多层感知器的动态构图，另外一种是基于K近邻算法的固定构图。两种构图方式从不同角度进行数据构图，增加节点信息传播的通道，从而提升图拓扑信息的多元性。其构图的过程不仅不依赖于数学建模和先验知识，还能自适应不同服役工况和系统特性变化带来的图网络模型的节点、边等的关联属性改变的特点，可以保证诊断结果的准确性。
基于图卷积网络的节点信息传播机制，输入相关数据x及对应的邻接矩阵A，图卷积网络正向传播公式定义为:
Figure BDA0003594488870000072
式中，c为图卷积网络层数，σ为激活函数，I为单位矩阵，
Figure BDA0003594488870000073
为
Figure BDA0003594488870000074
的度矩阵：
基于上述图卷积网络的正向传播公式，将获取的特征映射矩阵xp和两种图邻接矩阵
Figure BDA0003594488870000075
和
Figure BDA0003594488870000076
分别导入至两个特定图卷积网络模块Z1(x,A),Z2(x,A)来提取两个特定的特征表示
Figure BDA0003594488870000077
和
Figure BDA0003594488870000078
其描述公式为：
Figure BDA0003594488870000079
同时输入至具有共享参数的公共图卷积网络Z3(x,A)中来获取两种图的公共特征表示
Figure BDA00035944888700000710
其描述公式为：
Figure BDA00035944888700000711
Figure BDA00035944888700000712
进一步利用注意力机制自动学习上述三种不同特征表示(两个特定的特征表示和一个公共特征表示)的注意力权重αm,αk,αc∈Rd×1，并根据注意力权重进行加权求和，从而自适应融合它们，得到最终的特征表示Zp，其描述公式为：
Figure BDA00035944888700000713
Figure BDA00035944888700000714
这样，在多图融合的过程中，采用一种自适应更新的注意力机制去学习不同输出特征表示的权重，从而判断两种构图方式中哪一种更具有代表性，以此选择最合理的拓扑图去描述数据的关联性，从而提升诊断准确率。
其中注意力权重αm,αk,αc求取步骤为：以第i组数据(也可看作节点i特征)为例，其对应于特征表示ZM的第i行，表示为
Figure BDA0003594488870000081
首先对
Figure BDA0003594488870000082
进行非线性变换处理，得到
Figure BDA0003594488870000083
对应的权重值：
Figure BDA0003594488870000084
式中，W∈Rk×1和B∈R分别是待学习的权重参数和偏置参数，同理可得节点i在特征表示
Figure BDA0003594488870000085
对应的权重值
Figure BDA0003594488870000086
最后利用softmax函数正则化以上三种特征表示权重，得到最终权重值：
Figure BDA0003594488870000087
同理，
Figure BDA0003594488870000088
和
Figure BDA0003594488870000089
其中α越大，则表示对应的特征表示重要性越高。对于所有的b个节点，
Figure BDA00035944888700000810
最后利用加权求和的方式获得最终的特征表示Zp：
Figure BDA00035944888700000811
其中，所述特定的特征表示
Figure BDA00035944888700000812
以及所述公共特征表示
Figure BDA00035944888700000813
之间满足预设的一致性约束条件和差异性约束条件以确保上述三种特征表示
Figure BDA00035944888700000814
和
Figure BDA00035944888700000815
具有一致性和差异性。两种约束由以下描述公式可得：
1)一致性约束：首先使用L2范数去正则化公共图卷积网络输出的两个特征表示为
Figure BDA00035944888700000816
和
Figure BDA00035944888700000817
然后利用这两个正则化矩阵求取节点之间的相似性
Figure BDA00035944888700000818
和
Figure BDA00035944888700000819
Figure BDA00035944888700000820
Figure BDA00035944888700000821
一致性表明两个相似性矩阵之间应是一致的，由此产生以下相似性约束Ls：
Figure BDA00035944888700000822
式中，
Figure BDA00035944888700000823
是Frobenius范数的平方，令M为任意矩阵，其描述公式如下：
Figure BDA0003594488870000091
2)差异性约束：为了促使公共图卷积网络和特定图卷积网络对输入数据不同特征进行提取，通过定义子空间正交约束Ld来增强这种差异性，描述公式为：
Figure BDA0003594488870000092
设置用于输出故障诊断结果的标签分类器，具体来说，将得到的特征表示Zp输入至全连接层，得到多个神经元的输出后，利用softmax函数输出归一化的分类结果。由于目标域数据类别未知，因此，在讨论标签分类器性能时，只考虑源域数据。将真实标签和预测标签的交叉熵损失函数作为源域分类器性能的衡量标准：
Figure BDA0003594488870000093
式中，源域数据特征表示
Figure BDA0003594488870000094
对应标签为
Figure BDA0003594488870000095
Figure BDA0003594488870000096
分别为输入数据特征和标签对应的特征空间。
Figure BDA0003594488870000097
表示标签分类器的预测结果。L(.,.)表示交叉熵损失，E(.)表示数学期望。
这样，本实施例设计的图信息融合层中，采用多图融合的方式，减小并行计算量，同时，融合的图信息包括两种图的特定特征和共享特征，并且利用一致性约束和差异性约束，确保上述特征表示具有一致性和差异性，从而可以提升在图拓扑结构上传播的节点信息的多样性。
此外，设置用于降低源域和目标域分布差异的域自适应模块，具体来说，利用域自适应模块和特征提取器之间的博弈机制可以提取迁移特征。特征提取器旨在提取域不变特征去“欺骗”域自适应模块，而域自适应模块又被训练用于区分特征提取器提取的特征是来自于源域还是目标域。通过这样的对抗训练，当域自适应模块和特征提取器的min-max博弈达到均衡时，博弈结束，此时可以学习到域不变特征，即不同域的特征难以被域自适应模块区分，说明源域和目标域的数据分布差异已大幅度降低，从而实现域迁移效果。利用域自适应模块能够使得诊断模型学习到域迁移知识，从而快速适应新任务，适用于解决轨道列车牵引系统多服役工况所导致的数据分布不一致问题，因此使得所提模型在解决小样本问题中保持较高的泛化性能。
此处采用二进制交叉熵损失函数作为域一致性损失：
Figure BDA0003594488870000098
其中
Figure BDA0003594488870000099
和
Figure BDA00035944888700000910
分别表示特征提取器从源域第i组和目标域第j组数据所提取的特征。D(.)取值为0(表示目标域)或1(表示源域)，E表示数学期望，Ds表示源域分布，Dt表示目标域分布。
需要说明的是，在搭建完上述的牵引系统故障诊断模型框架后，需进行模型训练，即将源域训练数据集和目标域训练数据集输入至搭建好的多通道域自适应图卷积网络框架中，将总体损失函数作为网络训练指标，基于反向传播算法更新网络参数。总体损失函数L公式如下：
L＝Lc+λLDA+βLs+γLd；
式中，λ、β、γ均为权重系数，λ,β,γ∈(0,1)，Lc为真实标签和预测标签的交叉熵损失函数，LDA为域一致性损失函数，Ls是一致性约束，Ld是差异性约束。
下面，以某一实验为例，对本申请提供的多服役工况下列车牵引系统故障诊断进行示例说明，首先从某实验所开发的轨道列车半实物平台获取相应的牵引系统整流器三相电流数据，其中，包括两种电机故障类型：永磁体失磁与匝间短路，并以1000r/min,1200r/min, 1500r/min,1800r/min的电机转速作为服役工况。在经过多次重复实验后，得出了本发明所提方法的诊断效果图如图7所示，以及在不同服役工况下的迁移效果图如图8所示，其中(a) 为0->1的电机数据，(b)为0->2的电机数据，(c)为0->3的电机数据，(d)为1->0的电机数据，(e)为1->2的电机数据，(f)为1->3的电机数据，(g)为2->0的电机数据， (h)为2->1的电机数据，(i)为2->3的电机数据，(j)为3->0的电机数据，(k)为3->1 的电机数据，(n)为3->2的电机数据。图7中，编号0、1、2、3分别表示服役工况为1000r/min、 1200r/min、1500r/min和1800r/min的电机转速；0->1则表示服役工况从1000r/min迁移至 1200r/min，以此类推。根据图7可知，即使在1000r/min和1800r/min服役工况迁移跨度较大的情况下，本发明所提方法诊断准确率可达到97.5％以上；图8通过t-SNE方法将特征提取器最后一层的特征可视化，例如在1000r/min迁移到1800r/min的服役工况中，来自不同域但属于同一故障类型的数据特征能够很好地对齐，而来自同一域但不属于同一故障类型的数据特征被划分为不同区间，并且区间之间界限明显，说明本发明所提出的故障诊断方法在未知服役工况中具有良好的服役工况迁移效果与泛化性能。
本申请实施例还提供一种多服役工况下列车牵引系统故障诊断系统，包括存储器、处理器以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计算机程序时实现上述方法的步骤。该多服役工况下列车牵引系统故障诊断系统可以实现上述多服役工况下列车牵引系统故障诊断方法的各个实施例且能达到相同的有益效果，此处，不做赘述。
本申请实施例还提供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所述方法的步骤。该可读存储介质可以实现上述的方法的各个实施例，且能达到相同的有益效果，此处，不做赘述。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种多服役工况下列车牵引系统故障诊断方法，其特征在于，包括：
S1：采集牵引系统在不同服役工况以及不同故障状态下的三相电流原始数据，并为所述三相电流原始数据添加故障类型标签；
S2：对所述三相电流原始数据进行预处理得到故障诊断数据集，并根据服役工况情况将所述故障诊断数据集划分为源域数据集和目标域数据集；
S3：将所述源域数据集和目标域数据集输入预先构建的故障诊断模型框架，以总体损失函数作为网络训练指标，基于反向传播算法进行训练得到目标通道域自适应图卷积网络模型；
S4：将待诊断牵引系统的三相电流数据输入所述目标通道域自适应图卷积网络模型进行故障诊断。
2.根据权利要求1所述的多服役工况下列车牵引系统故障诊断方法，其特征在于，所述S2具体包括：
对所述三相电流原始数据采用如下公式进行归一化处理：
Figure FDA0003594488860000011
式中，x0表示三相电流原始数据，
Figure FDA0003594488860000012
分别为三相电流原始数据x0和归一化数据x1的第i行，第j列数据，其中
Figure FDA0003594488860000013
对应x0、x1第j列的全部数据；
基于滑动窗口机制，对归一化数据x1进行切分，设窗口长度为w，滑动步长为l，则切分后的故障诊断数据集数量n满足如下关系式：
Figure FDA0003594488860000014
式中，[.]为取整符号，t为归一化数据x1的长度；
使用滑动窗口机制得到的故障诊断数据集为三维故障诊断数据集，数据大小为n×w×k；
将已知服役工况的故障诊断数据划分为源域数据xs，未知服役工况划分为目标域数据xt。
3.根据权利要求1所述的多服役工况下列车牵引系统故障诊断方法，其特征在于，所述S3之前，所述方法还包括：
构建基于多通道域自适应图卷积网络的故障诊断模型框架，所述故障诊断模型框架包括原始数据特征映射层、图生成层、图信息融合层、域自适应模块以及标签分类器，其中，所述图生成层用于生成两种图拓扑结构。
4.根据权利要求3所述的多服役工况下列车牵引系统故障诊断方法，其特征在于，所述构建基于多通道域自适应图卷积网络的故障诊断模型框架，包括：
将小批次数据
Figure FDA0003594488860000021
输入至二维卷积网络中，以获取特征映射矩阵xp，令m为特征映射后的数据特征维度，映射过程满足如下关系式：
Figure FDA0003594488860000022
式中，CNN(.)表示经过卷积网络的特征映射操作，m为特征映射后的数据特征维度，
Figure FDA0003594488860000023
为小批次数据，b为每次训练的批次数，R为实数集；
将特征映射矩阵xp输入至多层感知器中，得到特征输出xM，将其与转置矩阵进行矩阵乘法运算，经过正则化后得到邻接矩阵A，根据max-k排序机制，令A每行的前k个最大元素为1，其他行元素设为0，以此得到第一稀疏邻接矩阵
Figure FDA0003594488860000024
将特征映射矩阵xp∈Rb×m的行向量视为图节点的特征向量，根据图节点的特征向量求取每个节点的欧式距离，得到欧氏距离矩阵E∈Rb×b，根据min-k排序机制，选择欧氏距离矩阵E每行的前k个最小值，并将相应位置的行元素设置为1，其余为0，得到第二稀疏邻接矩阵
Figure FDA0003594488860000025
基于所述图卷积网络正向传播公式，将获取的特征映射矩阵xp、第一稀疏邻接矩阵
Figure FDA0003594488860000026
和第二稀疏邻接矩阵
Figure FDA0003594488860000027
分别导入至两个特定图卷积网络模块Z1(x,A),Z2(x,A)以提取两个特定的特征表示
Figure FDA0003594488860000028
和
Figure FDA0003594488860000029
将两个特定的特征表示
Figure FDA00035944888600000210
和
Figure FDA00035944888600000211
同时输入至具有共享参数的公共图卷积网络Z3(x,A)中以获取两种图的公共特征表示，利用注意力机制自动学习
Figure FDA00035944888600000212
和
Figure FDA00035944888600000213
的注意力权重αm,αk,αc∈Rb×b，并根据注意力权重进行加权求和，以得到最终的特征表示Zp；
其中，所述特定的特征表示
Figure FDA00035944888600000214
以及所述公共特征表示
Figure FDA00035944888600000215
之间满足预设的一致性约束条件和差异性约束条件；
将得到的最终的特征表示Zp输入至网络的全连接层，得到多个神经元的输出后，利用softmax函数输出归一化的分类结果，将真实标签和预测标签的交叉熵损失函数作为源域分类器性能的衡量标准如下：
Figure FDA00035944888600000216
式中，源域数据特征表示
Figure FDA0003594488860000031
对应标签为
Figure FDA0003594488860000032
Figure FDA0003594488860000033
分别为输入数据特征和标签对应的特征空间，
Figure FDA0003594488860000034
表示标签分类器的预测结果，
Figure FDA0003594488860000035
L(.,.)表示交叉熵损失，E(.)表示数学期望；
此处采用二进制交叉熵损失函数作为域一致性损失如下：
Figure FDA0003594488860000036
式中，
Figure FDA0003594488860000037
和
Figure FDA0003594488860000038
分别表示特征提取器从源域第i组和目标域第j组数据所提取的特征，D(.)取值为0或1，E表示数学期望，Ds表示源域分布，Dt表示目标域分布。
5.根据权利要求4所述的多服役工况下列车牵引系统故障诊断方法，其特征在于，所述利用注意力机制自动学习
Figure FDA0003594488860000039
和
Figure FDA00035944888600000310
的注意力权重αm,αk,αc∈Rb×b，包括：
选取第i组数据，其对应于特征表示ZM的第i行，表示为
Figure FDA00035944888600000311
对
Figure FDA00035944888600000312
进行非线性变换处理，得到
Figure FDA00035944888600000313
对应的权重值
Figure FDA00035944888600000314
如下：
Figure FDA00035944888600000315
式中，W是待学习的权重参数，B是待学习的偏置参数，W∈Rk×1，B∈R；
其中，节点i在特征表示
Figure FDA00035944888600000316
对应的权重值
Figure FDA00035944888600000317
利用softmax函数正则化以上三种特征表示权重，得到最终权重值：
Figure FDA00035944888600000318
则：
Figure FDA00035944888600000319
其中α越大，表示对应的特征表示重要性越高，对于所有的b个节点，
Figure FDA00035944888600000320
6.根据权利要求1所述的多服役工况下列车牵引系统故障诊断方法，其特征在于，所述总体损失函数满足如下关系式：
L＝Lc+λLDA+βLs+γLd；
式中，λ、β、γ均为权重系数，λ,β,γ∈(0,1)，Lc为真实标签和预测标签的交叉熵损失函数，LDA为域一致性损失函数，Ls是一致性约束，Ld是差异性约束。
7.一种多服役工况下列车牵引系统故障诊断系统，包括存储器、处理器以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计算机程序时实现上述权利要求1至6中任一所述方法的步骤。
8.一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中任一所述的方法步骤。
CN202210388005.0A 2022-04-13 2022-04-13 多服役工况下列车牵引系统故障诊断方法、系统及介质 Pending CN114994426A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210388005.0A CN114994426A (zh) 2022-04-13 2022-04-13 多服役工况下列车牵引系统故障诊断方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210388005.0A CN114994426A (zh) 2022-04-13 2022-04-13 多服役工况下列车牵引系统故障诊断方法、系统及介质

Publications (1)

Publication Number Publication Date
CN114994426A true CN114994426A (zh) 2022-09-02

Family

ID=83024084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210388005.0A Pending CN114994426A (zh) 2022-04-13 2022-04-13 多服役工况下列车牵引系统故障诊断方法、系统及介质

Country Status (1)

Country Link
CN (1) CN114994426A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115630334A (zh) * 2022-10-26 2023-01-20 山东科技大学 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用
CN116360390A (zh) * 2023-03-09 2023-06-30 深圳市拓普泰克技术股份有限公司 用于混动汽车诊断的中央控制系统
CN117872038A (zh) * 2024-03-11 2024-04-12 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115630334A (zh) * 2022-10-26 2023-01-20 山东科技大学 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用
CN115630334B (zh) * 2022-10-26 2024-05-03 山东科技大学 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用
CN116360390A (zh) * 2023-03-09 2023-06-30 深圳市拓普泰克技术股份有限公司 用于混动汽车诊断的中央控制系统
CN117872038A (zh) * 2024-03-11 2024-04-12 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置
CN117872038B (zh) * 2024-03-11 2024-05-17 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置

Similar Documents

Publication Publication Date Title
CN114994426A (zh) 多服役工况下列车牵引系统故障诊断方法、系统及介质
CN108614548B (zh) 一种基于多模态融合深度学习的智能故障诊断方法
CN112926641B (zh) 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
Wang et al. Intelligent fault recognition framework by using deep reinforcement learning with one dimension convolution and improved actor-critic algorithm
CN110609524B (zh) 一种工业设备剩余寿命预测模型及其构建方法和应用
CN108197648A (zh) 一种基于lstm深度学习模型的水电机组故障诊断方法与系统
Xia et al. Residual-hypergraph convolution network: A model-based and data-driven integrated approach for fault diagnosis in complex equipment
CN113177357B (zh) 一种电力系统暂态稳定评估方法
CN111723930A (zh) 一种应用群智监督学习方法的系统
CN113780470A (zh) 一种基于自适应多通道交叉图卷积网络的图分类方法
CN116738339A (zh) 一种小样本电信号多分类深度学习识别检测方法
CN106951844A (zh) 一种基于深度极速学习机的脑电信号分类方法及系统
CN116026593A (zh) 跨工况的滚动轴承故障靶向迁移诊断方法及系统
CN109901064B (zh) 基于ica-lvq的高压断路器故障诊断方法
CN114357372A (zh) 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
Zhang et al. Towards multi-scenario power system stability analysis: An unsupervised transfer learning method combining DGAT and data augmentation
Rahimilarki et al. Time-series deep learning fault detection with the application of wind turbine benchmark
Wang et al. A novel semi-supervised generative adversarial network based on the actor-critic algorithm for compound fault recognition
CN117313251A (zh) 基于非滞后渐进学习的列车传动装置全局故障诊断方法
Dai et al. Development of Deep Learning-Based Cooperative Fault Diagnosis Method for Multi-PMSM Drive System in 4WID-EVs
Wang et al. Few‐shot multiscene fault diagnosis of rolling bearing under compound variable working conditions
CN112613227B (zh) 基于混合机器学习的航空发动机剩余使用寿命预测模型
Xu et al. Design of an expert system based on neural network ensembles for missile fault diagnosis
CN114841063A (zh) 一种基于深度学习的航空发动机剩余寿命预测方法
Zhang et al. An ensemble approach for fault diagnosis via continuous learning

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