CN115114964A - 一种基于数据驱动的传感器间歇性故障诊断方法 - Google Patents
一种基于数据驱动的传感器间歇性故障诊断方法 Download PDFInfo
- Publication number
- CN115114964A CN115114964A CN202210872961.6A CN202210872961A CN115114964A CN 115114964 A CN115114964 A CN 115114964A CN 202210872961 A CN202210872961 A CN 202210872961A CN 115114964 A CN115114964 A CN 115114964A
- Authority
- CN
- China
- Prior art keywords
- current
- hidden layer
- output
- representing
- phase
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 63
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 112
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000001052 transient effect Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供了一种基于数据驱动的传感器间歇性故障诊断方法,属于故障诊断技术领域,该方法包括:采集牵引传动系统中的传感器信号及控制信号,生成数据集D;对数据集D进行归一化处理,得到数据集D*,再将数据集D*以非线性自回归结构排列,得到NARX结构的数据集DN,并在数据集DN上划分训练集与测试集;利用训练集和测试集训练和测试极限学习机,构建电流预测器;利用电流预测器对直流侧电压传感器间歇性的故障进行诊断。本发明实现了牵引逆变系统中直流侧电压传感器的间歇性故障在线诊断。
Description
技术领域
本发明属于故障诊断技术领域,尤其涉及一种基于数据驱动的传感器间歇性故障诊断方法。
背景技术
在电力牵引传动系统中,故障诊断技术是提高系统可靠性和安全性的重要手段。然而,由于振动、高温和强电磁干扰的影响,传感器极易发生故障,而传感器信号的间歇性故障会给控制回路造成严重的瞬态误差,对列车的安全行驶构成严重威胁。
目前的故障诊断研究大多针对于永久性故障和瞬态故障,而针对于间歇性故障的研究较少。间歇性故障不同于永久性故障与瞬态故障,是一种持续时间短、可反复出现、未经处理可自行消失的非永久性故障。作为一种特殊的故障类型,间歇性故障具有不同于永久性故障与瞬态故障的特点。与永久性故障相比,间歇性故障的发生具有周期(随机)性、间歇性和反复性;与瞬态故障相比,间歇性故障可在同一部件反复出现,且更换部件后不再出现。当间歇性故障的频率逐渐增加,间歇性故障最终会演变成永久性故障,从而导致系统的失效。间歇性故障诊断存在着以下几个挑战:间歇性故障的特征不明显,间歇性故障只持续一段很有限的时间,由间歇性故障引起的系统输出的变化很小,因此当故障规模很小、故障时间很短的间歇性故障的故障特征十分不明显;对在线诊断有着更高的要求,间歇性故障只持续很短的一段时间,这就要求诊断技术有着良好的在线诊断能力,能够实时、快速、准确地处理间歇性故障。由于间歇性故障的特殊性,现有的故障诊断方法难以适用。因此,研究传感器间歇性故障诊断方法对于提高系统的可靠性与安全性、降低维修成本具有重要意义。
随着数据科学和人工智能的发展,基于数据驱动的方法受到了广泛地关注,其基本思想是对系统信号和数据进行采样,再对数据集进行特征提取,利用智能算法学习模型,获取数据与故障模式之间的直接知识,从而实现故障诊断。极限学习机(Extreme LearningMachine,ELM)作为一种新型的单层前馈式神经网络,与传统单层前馈式神经网络的本质区别在于其输入层与隐含层之间的权重与隐含层神经元偏置都是随机选取的,只需计算一次隐含层与输出层之间的输出权重,无需迭代;相对于梯度下降的方法,ELM能够处理不可微的激活函数,不存在寻找合适的迭代阈值、学习率的问题,其计算量小、训练速度快的特点能够满足在线预测与在线诊断快速性的需求。本发明针对牵引传动系统中直流侧电压传感器的间歇性故障展开研究。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于数据驱动的传感器间歇性故障诊断方法,解决了间歇性故障在线诊断困难的问题,能够实时、快速、准确地处理间歇性故障。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种基于数据驱动的传感器间歇性故障诊断方法,包括以下步骤:
S1、采集牵引传动系统中的传感器信号及控制信号,生成数据集D;
S2、对数据集D进行归一化处理,得到数据集D*,再将数据集D*以非线性自回归结构NARX排列,得到非线性自回归结构NARX的数据集DN,并在数据集DN上划分训练集与测试集;
S3、利用训练集和测试集训练和测试极限学习机,构建电流预测器;
S4、利用电流预测器对传感器间歇性故障进行诊断。
本发明的有益效果是:采用基于数据驱动的方法实现了传感器间歇性故障的在线诊断;本发明只需获取正常运行时的数据,较故障数据更易于获取;电流预测器提取的潜在的知识已包含系统非线性与参数变化;在保留了基于模型的方法对故障相应速度快的优点的同时,回避了复杂的数学建模过程。
进一步地,所述步骤S2包括以下步骤:
S201、对数据集D中每个特征均除以其绝对值的最大值,将所有数据归一化至[-1,1]区间内,得到数据集D*;
S202、以某一条样本作对象,通过下式,将数据集D*以非线性自回归结构NARX排列,使历史数据与当前数据作为特征,下一时刻的数据作为目标,得到非线性自回归结构NARX的数据集DN;
s=[s1,s2,s3,s4,s5,s6]
其中,作为目标向量,表示t时刻的三相电流预测模型输出,f表示目标向量与特征向量之间的非线性映射关系,dT表示目标向量的延时步长,du表示特征向量的延时步长,表示t时刻的电流预测信号,表示t时刻的a相电流预测信号,表示t时刻的b相电流预测信号,表示t时刻的c相电流预测信号,Ud(t-1)表示t-1时刻的直流侧电压传感器信号,s(t-1)表示t-1时刻的IGBT控制信号,s1至s6分别表示IGBT管1至IGBT管6的控制信号,fs(t-1)表示t-1时刻的定子频率,TL(t-1)表示t-1时刻的负载转矩,k表示a,b,c三相中的任意一相,wr(t-1)表示t-1时刻的转子转速,表示t时刻的三相电流预测模型a相的输出,表示t时刻的三相电流预测模型b相的输出,表示t时刻的三相电流预测模型c相的输出。
上述进一步方案的有益效果是:该步骤使用非线性自回归结构(NARX增加了ELM算法输入的特征维度,使得ELM在学习同一时刻目标向量与特征向量之间的非线性映射关系外,还学习了当前时刻目标向量与历史时刻特征向量之间的非线性映射关系,从而使得ELM具备以历史知识推断未来知识的能力,因此该过程也叫做预测过程。
再进一步地,所述步骤S3包括以下步骤:
S301、定义极限学习机的隐含层神经元个数和隐含层神经元的激活函数,在[-1,1]范围内随机生成输入层与隐含层之间的连接权值以及隐含层神经元偏置,以及将训练集输入至极限学习机进行训练,并计算得到隐含层与输出层之间的连接权重:
其中,表示测试集上三相电流预测模型a相的输出,表示测试集上三相电流预测模型b相的输出,表示测试集上三相电流预测模型c相的输出,Htest表示测试集上隐含层神经元输出矩阵,h(xNtest)表示测试集第Ntest个测试样本对应的隐含层神经元输出,ωLxNtest表示第L个隐含层神经元的输入权重与第Ntest个测试样本的乘积,Ntest表示测试集样本数量,表示隐含层与输出层之间的连接权重;
S303、通过下式,根据三相电流预测模型的输出,利用电流残差与三相电流预测模型构建初始电流预测器,并将测试集输入至初始电流预测器中,产生测试集的电流预测信号;
其中,表示测试集t时刻的电流预测信号,rktest(t-1)表示测试集在t-1时刻的第k相电流残差,rktest(t)表示测试集在t时刻的第k相电流残差,iktest(t)表示测试集第k相电流传感器信号,表示测试集t时刻第k相电流预测信号,表示三相电流预测模型第k相的输出;
S304、通过下式,比较测试集的电流预测信号与测试集中电流传感器信号之间的偏差大小;
其中,RMSE表示均方根误差,tq表示测试样本xq期望的输出,p(xq)表示测试样本xq实际的输出,q表示1至Ntest范围内的某一个正整数;
S305、判断RMSE是否满足要求,若满足,则保存隐含层神经元个数、激活函数类型、输入层与隐含层之间的连接权值、隐含层神经元偏置、隐含层与输出层之间的连接权重以及残差反馈结构,得到满足精度要求的电流预测器,否则,返回步骤S301。
上述进一步方案的有益效果是:本发明沿用基于模型的观测器思想,该步骤将电流残差反馈至三相电流预测模型中,使得电流预测信号的预测精度大幅度提升,在无故障发生时,电流残差几乎为零,而发生传感器间歇性故障时,电流残差远远大于零,根据正常与故障时电流残差的差异实现诊断,因此,该步骤不仅提升了预测精度,同时也为间歇性故障诊断提供诊断基础。
再进一步地,所述随机生成的输入层与隐含层之间的连接权值的表达式如下:
其中,ω表示输入层与隐含层之间的连接权值,L表示隐含层神经元个数,n表示每个样本的特征维数;
所述随机生成的隐含层神经元偏置的表达式如下:
其中,b表示隐含层神经元偏置,bL表示第L个隐含层神经元的偏置;
所述隐含层与输出层之间的连接权重的表达式如下:
ωi=[ωi1,ωi2,…,ωin],i=1,2,...,L
xj=[x1j,x2j,…,xnj]T,j=1,2,...,Ntrain
其中,表示隐含层与输出层之间的连接权重,Htrain表示训练集的隐含层神经元输出矩阵,T'train表示训练集期望的输出,表示Htrain的Moore-Penrose广义逆矩阵,xj表示第j个训练样本,Ntrain表示训练样本数量,n表示每个训练样本的特征维数,m表示输出神经元个数,表示第Ntrain个训练样本对应的隐含层神经元输出,g(·)表示激活函数,表示第L个隐含层神经元的输入权重与第Ntrain个训练样本的乘积,bL表示第L个隐含层神经元的偏置,表示第Ntrain个训练样本所对应的第m维输出,ωin表示第i个隐含层神经元与第n个输入层神经元之间的连接权重,xnj表示第j个训练样本的第n维特。
上述进一步方案的有益效果是:本发明通过以上公式,表示了ELM的训练过程,该过程中,输入层与隐含层之间的连接权重为[-1,1]范围内随机选取,只需计算隐含层与输出层之间的连接权重,大大减小了算法的运算量,三相电流预测模型仅仅是参数矩阵,这使得将三相电流预测模型与残差反馈结构一起组成的电流预测器嵌入到线系统中这一过程十分简单,且电流预测器的运算负荷较小,使得该算法能够应用于传感器间歇性故障的在线诊断。
再进一步地,所述步骤S4包括以下步骤:
S401、设置残差阈值δ与次数阈值N;
S402、将直流电压传感器信号周期性置零,以模拟传感器间隙性故障,其中,所述直流电压传感器置零时间为一个控制周期;
S403、采样得到当前控制周期中的直流侧电压、转子转速、负载转矩、定子电流频率以及IGBT控制信号;
S404、将采样得到的信号组成一个样本,并对样本进行归一化处理,再使其以非线性自回归结构NARX排列后输入至电流预测器中;
h(xt)=[g(ω1xt+b1) g(ω2xt+b2)…g(ωLxt+bL)]1×L
其中,表示电流预测信号,表示三相电流预测模型的输出,iabc(t)为电流传感器信号,rabc(t-1)为上一控制周期的电流残差,xt表示t时刻输入到电流预测器中的样本,h(xt)表示t时刻隐含层神经元的输出;
S409、判断次数n是否大于次数阈值N,若是,则直流侧电压传感器发生间歇性故障,否则,返回步骤S403。
上述进一步方案的有益效果是:本发明通过以上设计,诊断算法仅为逻辑判断,运算量小,诊断速度快,只需根据电流残差在正常与故障时大小上的不同设置残差阈值,根据诊断鲁棒性与诊断速度要求设置次数阈值即可。
附图说明
图1为本发明的方法流程图。
图2为本发明离线训练(步骤S1、S2、S3)的方法流程图。
图3为本发明在线预测与诊断(步骤S4)的方法流程图。
图4为本实施例中牵引逆变系统的基本电路拓扑图。
图5为本实施例中间歇性故障诊断结果图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
对本发明进行说明前,对以下参数进行说明:
NARX:非线性自回归Nonlinear Auto regression with extra inputs。
实施例
鉴于现有应用于传感器间歇性故障诊断技术较少,为实现传感器间歇性故障的准确诊断,本发明提供一种基于数据驱动的传感器间歇性故障诊断方法,实现牵引逆变系统中直流侧电压传感器的间歇性故障在线诊断,如图1所示,其实现方法如下:一种基于数据驱动的传感器间歇性故障诊断方法,其实现方法如下:
S1、采集牵引传动系统中的传感器信号及控制信号,生成数据集D;
其中,所述数据集D包括:采集直流侧电压Ud,定子三相电流ia、ib和ic,转子转速wr,负载转矩TL,定子电流频率fs以及IGBT控制信号s1,s2,s3,s4,s5,s6;
S2、对数据集D进行归一化处理,得到数据集D*,再将数据集D*以非线性自回归结构NARX排列,得到非线性自回归结构NARX的数据集DN,并在数据集DN上划分训练集与测试集,其实现方法如下:
S201、对数据集D中每个特征均除以其绝对值的最大值,将所有数据归一化至[-1,1]区间内,得到数据集D*;
S202、以某一条样本作对象,通过下式,将数据集D*以非线性自回归结构NARX排列,使历史数据与当前数据作为特征,下一时刻的数据作为目标,得到非线性自回归结构NARX的数据集DN;
s=[s1,s2,s3,s4,s5,s6]
其中,作为目标向量,表示t时刻的三相电流预测模型输出,f表示目标向量与特征向量之间的非线性映射关系,dT表示目标向量的延时步长,du表示特征向量的延时步长,表示t时刻的电流预测信号,表示t时刻的a相电流预测信号,表示t时刻的b相电流预测信号,表示t时刻的c相电流预测信号,Ud(t-1)表示t-1时刻的直流侧电压传感器信号,s(t-1)表示t-1时刻的IGBT控制信号,s1至s6分别表示IGBT管1至IGBT管6的控制信号,fs(t-1)表示t-1时刻的定子频率,TL(t-1)表示t-1时刻的负载转矩,k表示a,b,c三相中的任意一相,wr(t-1)表示t-1时刻的转子转速,表示t时刻的三相电流预测模型a相的输出,表示t时刻的三相电流预测模型b相的输出,表示t时刻的三相电流预测模型c相的输出;
S203、在数据集DN上划分训练集与测试集。
本实施例中,将数据集D进行归一化处理,得到归一化后的数据集D*,再将D*以NARX结构排列得到DN,并在DN上划分训练集与测试集,具体为:将数据集D中的每个特征(一个信号一个特征)都除以其绝对值的最大值,使所有数据归一化到[-1,1]区间内,得到归一化后的数据集D*,再将D*以NARX结构进行排列,使得历史数据与当前数据作为特征,下一时刻的数据作为目标,得到NARX结构的数据集DN,并在DN上划分训练集与测试集。
本实施例中,定义yi为第i个特征,数据归一化可表示为:
本实施例中,NARX结构原理为:
T(t)=f[T(t-1),T(t-2),…,T(t-dT+1),u(t-1),u(t-2),…,u(t-du+1)]
其中,T为目标向量,u为特征向量,dT、du分别为目标向量与特征向量的延时步长,f为目标向量与特征向量间的非线性映射关系。f未知,需要通过ELM提取。公式(2)中,目标T为定子三相电流,特征u为直流侧电压Ud,转子转速wr,负载转矩TL,定子电流频率fs以及IGBT控制信号s1,s2,s3,s4,s5,s6,带入上式可以得到:
S3、利用训练集和测试集训练和测试极限学习机,构建电流预测器,如图2所示,其实现方法如下:
S301、定义极限学习机的隐含层神经元个数和隐含层神经元的激活函数,在[-1,1]范围内随机生成输入层与隐含层之间的连接权值以及隐含层神经元偏置,以及将训练集输入至极限学习机进行训练,并计算得到隐含层与输出层之间的连接权重:
所述随机生成的输入层与隐含层之间的连接权值的表达式如下:
其中,ω表示输入层与隐含层之间的连接权值,L表示隐含层神经元个数,n表示每个样本的特征维数;
所述随机生成的隐含层神经元偏置的表达式如下:
其中,b表示隐含层神经元偏置,bL表示第L个隐含层神经元的偏置;
所述隐含层与输出层之间的连接权重的表达式如下:
ωi=[ωi1,ωi2,…,ωin],i=1,2,…,L
xj=[x1j,x2j,…,xnj]T,j=1,2,…,Ntrain
其中,表示隐含层与输出层之间的连接权重,Htrain表示训练集的隐含层神经元输出矩阵,T'train表示训练集期望的输出,表示Htrain的Moore-Penrose广义逆矩阵,xj表示第j个训练样本,Ntrain表示训练样本数量,n表示每个训练样本的特征维数,m表示输出神经元个数,表示第Ntrain个训练样本对应的隐含层神经元输出,g(·)表示激活函数,表示第L个隐含层神经元的输入权重与第Ntrain个训练样本的乘积,bL表示第L个隐含层神经元的偏置,表示第Ntrain个训练样本所对应的第m维输出,ωin表示第i个隐含层神经元与第n个输入层神经元之间的连接权重,xnj表示第j个训练样本的第n维特征;
其中,表示测试集上三相电流预测模型a相的输出,表示测试集上三相电流预测模型b相的输出,表示测试集上三相电流预测模型c相的输出,Htest表示测试集上隐含层神经元输出矩阵,表示测试集第Ntest个测试样本对应的隐含层神经元输出,ωLxNtest表示第L个隐含层神经元的输入权重与第Ntest个测试样本的乘积,Ntest表示测试集样本数量,表示隐含层与输出层之间的连接权重;
S303、通过下式,根据三相电流预测模型的输出,利用电流残差与三相电流预测模型构建初始电流预测器,并将测试集输入至初始电流预测器中,产生测试集的电流预测信号;
其中,表示测试集t时刻的电流预测信号,rktest(t-1)表示测试集在t-1时刻的第k相电流残差,rktest(t)表示测试集在t时刻的第k相电流残差,iktest(t)表示测试集第k相电流传感器信号,表示测试集t时刻第k相电流预测信号,表示测试集上三相电流预测模型第k相的输出;
S304、通过下式,比较测试集的电流预测信号与测试集中电流传感器信号之间的偏差大小;
其中,RMSE表示均方根误差,tq表示测试样本xq期望的输出,p(xq)表示测试样本xq实际的输出,q表示1至Ntest范围内的某一个正整数;
S305、判断RMSE是否满足要求,若满足,则保存隐含层神经元个数、激活函数类型、输入层与隐含层之间的连接权值、隐含层神经元偏置、隐含层与输出层之间的连接权重以及残差反馈结构,得到满足精度要求的电流预测器,否则,返回步骤S301,其中,残差反馈结构为: 表示电流预测信号,表示三相电流预测模型的输出,rabc(t-1)为上一控制周期的电流残差。
本实施例中,使用极限学习机(Extreme Learning Machine,ELM)对步骤S2所得训练集学习,并在步骤S2所得测试集上测试,选取合适的隐含层神经元个数与激活函数,得到电流预测器,具体为:使用ELM对S2所得训练集进行学习,得到三相电流预测模型,使用测试集对三相电流预测模型进行测试,不断优化三相电流预测模型的隐含层神经元个数与激活函数,使均方根误差(Root Mean Square Error,RMSE)在测试集上达到最小,训练结束则得到三相电流预测模型,与残差反馈结构一起组成电流预测器。
本实施例中,极限学习机ELM的原理:
定义输入层与隐含层之间的连接权值ω为:
式中,L为隐含层神经元个数,n为每个样本的特征维数。
定义隐含层与输出层之间的连接权重β为:
定义隐含层神经元偏置b为:
定义隐含层神经元的激活函数为g(x),则含有N个样本的训练集的输出结果T可以表示为:
其中,ωi=[ωi1,ωi2,…,ωin],xj=[x1j,x2j,…,xnj]T;
上式可以表示为:
Hβ=T'
其中,T'为T的转置,H为隐含层输出矩阵,可表示为:
其中,输入层与隐含层之间的连接权值ω与隐含层神经元偏置b为随机生成,该过程等价于将输入样本映射到随机的特征空间。
S4、利用电流预测器对传感器间歇性故障进行诊断,如图3所示,其实现方法如下:
S401、设置残差阈值δ与次数阈值N;
S402、将直流电压传感器信号周期性置零,以模拟传感器间隙性故障,其中,所述直流电压传感器置零时间为一个控制周期;
S403、采样得到当前控制周期中的直流侧电压、转子转速、负载转矩、定子电流频率以及IGBT控制信号;
S404、将采样得到的信号组成一个样本,并对样本进行归一化处理,再使其以非线性自回归结构NARX排列后输入至电流预测器中;
(上式为残差反馈结构)
(上式为电流残差的产生)
h(xt)=[g(ω1xt+b1) g(ω2xt+b2)…g(ωLxt+bL)]1×L
(上式为三相电流预测模型的内部计算)
其中,以上五个公式组成电流预测器,表示电流预测信号,表示三相电流预测模型的输出,iabc(t)为电流传感器信号,rabc(t-1)为上一控制周期的电流残差,xt表示t时刻输入到电流预测器中的样本,h(xt)表示t时刻隐含层神经元的输出;
S409、判断次数n是否大于次数阈值N,若是,则直流侧电压传感器发生间歇性故障,否则,返回步骤S403。
本实施例中,电流预测的实现分为离线训练与在线预测两部分。离线训练是指预先将系统运行的数据下载到数据库中(训练集与测试集),在系统不运行的状态下进行训练或测试,其目的是得到一个满足精度要求的电流预测器,为在线预测提供基础。而在线预测是指在系统实时运行时,电流预测器与系统实时同步的输出电流预测结果。步骤S3离线训练得到的三相电流预测模型与残差反馈结构一起构成电流预测器,并将其嵌入到在线系统中,,此时电流预测器便可以在系统运行的同时实时输出电流的预测结果,并使其参与到后续的故障诊断中,即步骤S4。
本实施例中,建立故障诊断算法,实现直流侧电压传感器间歇性故障的准确辨识,具体为使训练好的三相电流预测模型与残差反馈结构组成电流预测器,将电流预测器嵌入到在线系统中,实时对定子三相电流进行预测,比对电流传感器信号与电流预测信号产生电流残差。当无故障发生时,电流残差小于残差阈值;当直流侧电压传感器发生间歇性故障时,电流残差会在故障发生时超出阈值,而在故障自行消失后回到阈值之内,当电流残差超过残差阈值的次数大于次数阈值后判断直流侧电压传感器发生间歇性故障。
本实施例中,定义故障周期为T,则故障可描述为:
定义故障标签为Flag,当发生间歇性故障时,Flag为1,当无故障时Flag为0,描述为:
定义电流残差为rk,k=a,b,c,电流残差阈值为δ,电流残差超过残差阈值的次数为n,则:
则故障标签Flag可以表示为:
其中,N为电流残差rk,k=a,b,c超过电流残差阈值δ的次数阈值。
下面作对本发明作进一步地说明。
本发明的牵引逆变系统的基本电路拓扑如图4所示。本发明所提出的定子三相电流预测器输入量为:定子三相电流预测信号和直流侧电压Ud,转子转速wr,负载转矩TL,定子电流频率fs以及IGBT控制信号s1,s2,s3,s4,s5,s6;直流侧电压传感器间歇性故障在线诊断算法的输入为:三相电流残差ra,rb,rc、电流残差阈值δ、次数阈值N。
本实施例中,使用Matlab/Simulink版本为2021a,控制周期为4×10-5s,整流侧采用瞬态电流控制,逆变侧采用空间矢量调制与直接磁场定向矢量控制。
第1步:在Matlab/Simulink上搭建牵引逆变系统正常工作模型,交流侧电压Uab为1500V,串联谐振电感Ls为0.603mH,串联谐振电容Cs为4.56mF,直流侧电容为3mF,异步电机参数:定子电阻Rs为0.1065Ω,定子电感Lls为0.00131H,互感Lm为0.0536H,转子电阻Rr为0.0663Ω,转子电感Llr为0.00193H,额定电压Urate为2700V,额定转速wr为4100rpm,额定频率为fsrate138Hz,额定转差率si为0.04,极对数np为2,转动惯量J为100kg·m2;在Simulink中分别搭建牵引传动系统整流侧瞬态电流控制与电机直接磁链定向矢量控制,设置采样周期为4×10-5s。采集系统正常运行时的直流侧电压Ud,定子三相电流ia、ib和ic,转子转速wr,负载转矩TL,定子电流频率fs以及IGBT控制信号s1,s2,s3,s4,s5,s6,生成数据集D。
第2步:在Matlab中处理数据集D;首先对数据集D进行数据归一化,得到数据集D*,NARX结构的目标延时步长设为dr为5,特征延时步长du设为5;再将数据集D*以NARX结构进行排列,得到数据集DN,并在DN上划分训练集与数据集,取第300000条至第325000条样本(仿真时间12s至13s)作为训练集,取第325001条至第350000条样本(仿真时间13s至14s)作为测试集。
第3步:在Matlab中,定义ELM的隐含层神经元个数与激活函数类型,将训练集输入到ELM中进行训练,得到三相电流预测模型。
第4步:;在测试阶段,将三相电流预测模型与残差反馈结构一起组成电流预测器,将测试集与电流残差输入到电流预测器中,得到测试集上的电流预测信号。
第5步:通过测试集上的电流预测信号与电流传感器信号得到RMSE,判断RMSE是否满足精度要求,若满足,则保存三相电流预测模型,并与残差反馈结构一起组成电流预测器,若不满足,则返回第3步。
最终确定隐含层神经元个数为500,激活函数为Sigmod函数,得到电流预测器。
第6步:将电流预测器嵌入到牵引逆变系统仿真模型中,设置残差阈值δ=0.05,设置次数阈值N=20。
第7步:将直流侧电压传感器信号周期性置零以模拟传感器间歇性故障,传感器间歇性故障周期T=10ms,传感器信号置零时间为一个控制周期(4×10-5s)。
第8步:采样得到当前时刻的直流侧电压Ud(t),转子转速wr(t),负载转矩TL(t),定子电流频率fs(t)、IGBT控制信号s1(t),s2(t),s3(t),s4(t),s5(t),s6(t),将以上信号组成一个样本,使其以NARX结构排列后与上一控制周期的电流残差rabc(t-1)一起输入到电流预测器中,得到电流预测信号
第10步:如果n大于次数阈值N,则判断直流侧电压传感器发生间歇性故障,否则返回第8步和第9步进行状态监测。
基于Matlab/Simulink进行上述电流预测与间歇性故障诊断,图5为直流侧电压传感器间歇性故障条件下,直流侧电压、电流残差、诊断变量的结果图,图5中,Ud表示直流侧电压,ra表示a相电流残差,rb表示b相电流残差,rc表示c相电流残差,δ表示残差阈值,n表示任意一相电流残差超过残差阈值的次数,N表示次数阈值,Flag表示故障标签。
Claims (5)
1.一种基于数据驱动的传感器间歇性故障诊断方法,其特征在于,包括以下步骤:
S1、采集牵引传动系统中的传感器信号及控制信号,生成数据集D;
S2、对数据集D进行归一化处理,得到数据集D*,再将数据集D*以非线性自回归结构NARX排列,得到非线性自回归结构NARX的数据集DN,并在数据集DN上划分训练集与测试集;
S3、利用训练集和测试集训练和测试极限学习机,构建电流预测器;
S4、利用电流预测器对传感器间歇性故障进行诊断。
2.根据权利要求1所述的基于数据驱动的传感器间歇性故障诊断方法,其特征在于,所述步骤S2包括以下步骤:
S201、对数据集D中每个特征均除以其绝对值的最大值,将所有数据归一化至[-1,1]区间内,得到数据集D*;
S202、以某一条样本作对象,通过下式,将数据集D*以非线性自回归结构NARX排列,使历史数据与当前数据作为特征,下一时刻的数据作为目标,得到非线性自回归结构NARX的数据集DN;
s=[s1,s2,s3,s4,s5,s6]
其中,作为目标向量,表示t时刻的三相电流预测模型输出,f表示目标向量与特征向量之间的非线性映射关系,dT表示目标向量的延时步长,du表示特征向量的延时步长,表示t时刻的电流预测信号,表示t时刻的a相电流预测信号,表示t时刻的b相电流预测信号,表示t时刻的c相电流预测信号,Ud(t-1)表示t-1时刻的直流侧电压传感器信号,s(t-1)表示t-1时刻的IGBT控制信号,s1至s6分别表示IGBT管1至IGBT管6的控制信号,fs(t-1)表示t-1时刻的定子频率,TL(t-1)表示t-1时刻的负载转矩,k表示a,b,c三相中的任意一相,wr(t-1)表示t-1时刻的转子转速,表示t时刻的三相电流预测模型a相的输出,表示t时刻的三相电流预测模型b相的输出,表示t时刻的三相电流预测模型c相的输出;
S203、在数据集DN上划分训练集与测试集。
3.根据权利要求2所述的基于数据驱动的传感器间歇性故障诊断方法,其特征在于,所述步骤S3包括以下步骤:
S301、定义极限学习机的隐含层神经元个数和隐含层神经元的激活函数,在[-1,1]范围内随机生成输入层与隐含层之间的连接权值以及隐含层神经元偏置,以及将训练集输入至极限学习机进行训练,并计算得到隐含层与输出层之间的连接权重:
其中,表示测试集上三相电流预测模型a相的输出,表示测试集上三相电流预测模型b相的输出,表示测试集上三相电流预测模型c相的输出,Htest表示测试集上隐含层神经元输出矩阵,表示测试集第Ntest个测试样本对应的隐含层神经元输出,ωLxNtest表示第L个隐含层神经元的输入权重与第Ntest个测试样本的乘积,Ntest表示测试集样本数量,表示隐含层与输出层之间的连接权重;
S303、通过下式,根据三相电流预测模型的输出,利用电流残差与三相电流预测模型构建初始电流预测器,并将测试集输入至初始电流预测器中,产生测试集的电流预测信号;
其中,表示测试集t时刻的电流预测信号,rktest(t-1)表示测试集在t-1时刻的第k相电流残差,rktest(t)表示测试集在t时刻的第k相电流残差,iktest(t)表示测试集第k相电流传感器信号,表示测试集t时刻第k相电流预测信号,表示测试集上三相电流预测模型第k相的输出;
S304、通过下式,比较测试集的电流预测信号与测试集中电流传感器信号之间的偏差大小;
其中,RMSE表示均方根误差,tq表示测试样本xq期望的输出,p(xq)表示测试样本xq实际的输出,q表示1至Ntest范围内的某一个正整数;
S305、判断RMSE是否满足要求,若满足,则保存隐含层神经元个数、激活函数类型、输入层与隐含层之间的连接权值、隐含层神经元偏置、隐含层与输出层之间的连接权重以及残差反馈结构,得到满足精度要求的电流预测器,否则,返回步骤S301。
4.根据权利要求3所述的基于数据驱动的传感器间歇性故障诊断方法,其特征在于,所述随机生成的输入层与隐含层之间的连接权值的表达式如下:
其中,ω表示输入层与隐含层之间的连接权值,L表示隐含层神经元个数,n表示每个样本的特征维数;
所述随机生成的隐含层神经元偏置的表达式如下:
其中,b表示隐含层神经元偏置,bL表示第L个隐含层神经元的偏置;
所述隐含层与输出层之间的连接权重的表达式如下:
ωi=[ωi1,ωi2,…,ωin],i=1,2,...,L
xj=[x1j,x2j,…,xnj]T,j=1,2,...,Ntrain
其中,表示隐含层与输出层之间的连接权重,Htrain表示训练集的隐含层神经元输出矩阵,T'train表示训练集期望的输出,表示Htrain的Moore-Penrose广义逆矩阵,xj表示第j个训练样本,Ntrain表示训练样本数量,n表示每个训练样本的特征维数,m表示输出神经元个数,表示第Ntrain个训练样本对应的隐含层神经元输出,g(·)表示激活函数,表示第L个隐含层神经元的输入权重与第Ntrain个训练样本的乘积,bL表示第L个隐含层神经元的偏置,表示第Ntrain个训练样本所对应的第m维输出,ωin表示第i个隐含层神经元与第n个输入层神经元之间的连接权重,xnj表示第j个训练样本的第n维特征。
5.根据权利要求4所述的基于数据驱动的传感器间歇性故障诊断方法,其特征在于,所述步骤S4包括以下步骤:
S401、设置残差阈值δ与次数阈值N;
S402、将直流电压传感器信号周期性置零,以模拟传感器间隙性故障,其中,所述直流电压传感器置零时间为一个控制周期;
S403、采样得到当前控制周期中的直流侧电压、转子转速、负载转矩、定子电流频率以及IGBT控制信号;
S404、将采样得到的信号组成一个样本,并对样本进行归一化处理,再使其以非线性自回归结构NARX排列后输入至电流预测器中;
h(xt)=[g(ω1xt+b1) g(ω2xt+b2) … g(ωLxt+bL)]1×L
其中,表示电流预测信号,表示三相电流预测模型的输出,iabc(t)为电流传感器信号,rabc(t-1)为上一控制周期的电流残差,xt表示t时刻输入到电流预测器中的样本,h(xt)表示t时刻隐含层神经元的输出;
S409、判断次数n是否大于次数阈值N,若是,则直流侧电压传感器发生间歇性故障,否则,返回步骤S403。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210872961.6A CN115114964B (zh) | 2022-07-21 | 2022-07-21 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210872961.6A CN115114964B (zh) | 2022-07-21 | 2022-07-21 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115114964A true CN115114964A (zh) | 2022-09-27 |
CN115114964B CN115114964B (zh) | 2023-04-07 |
Family
ID=83335242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210872961.6A Active CN115114964B (zh) | 2022-07-21 | 2022-07-21 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115114964B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118331780A (zh) * | 2024-06-12 | 2024-07-12 | 西北工业大学 | 基于时序约束动态不确定因果图的间歇性故障诊断方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4347540A (en) * | 1981-04-27 | 1982-08-31 | Westinghouse Electric Corp. | Solid-state load protection system having ground fault sensing |
CN108520301A (zh) * | 2018-04-17 | 2018-09-11 | 重庆大学 | 一种基于深度置信网络的电路间歇故障诊断方法 |
CN109444740A (zh) * | 2018-11-14 | 2019-03-08 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
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 |
CN110488149A (zh) * | 2019-08-05 | 2019-11-22 | 三峡大学 | 基于小波求和极限学习机sw-elm的输电线路短路故障分类与定位方法 |
US20200033831A1 (en) * | 2018-07-30 | 2020-01-30 | Sap Se | Multivariate nonlinear autoregression for outlier detection |
CN111879514A (zh) * | 2020-07-31 | 2020-11-03 | 南京机电职业技术学院 | 基于elm模型的无刷直流电机轴承故障诊断方法 |
CN112068033A (zh) * | 2020-09-02 | 2020-12-11 | 河北工业大学 | 基于1/6周期电流的逆变器功率管开路故障在线辨识方法 |
CN112288001A (zh) * | 2020-10-28 | 2021-01-29 | 北京航空航天大学 | 一种基于gwo过采样的高铁制动系统故障检测svm方法 |
WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
US20220084732A1 (en) * | 2020-09-15 | 2022-03-17 | Hunan University Of Science And Technology | PMSM Demagnetization Fault Diagnosis Method Based on Fuzzy Intelligent Learning of Torque Signals |
CN114297910A (zh) * | 2021-11-26 | 2022-04-08 | 中国民航大学 | 一种基于改进lstm的航空发动机寿命预测方法 |
CN114384413A (zh) * | 2021-10-29 | 2022-04-22 | 西安交通大学 | 一种电机状态感知芯片 |
-
2022
- 2022-07-21 CN CN202210872961.6A patent/CN115114964B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4347540A (en) * | 1981-04-27 | 1982-08-31 | Westinghouse Electric Corp. | Solid-state load protection system having ground fault sensing |
CN108520301A (zh) * | 2018-04-17 | 2018-09-11 | 重庆大学 | 一种基于深度置信网络的电路间歇故障诊断方法 |
US20200033831A1 (en) * | 2018-07-30 | 2020-01-30 | Sap Se | Multivariate nonlinear autoregression for outlier detection |
CN109444740A (zh) * | 2018-11-14 | 2019-03-08 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
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 |
CN110488149A (zh) * | 2019-08-05 | 2019-11-22 | 三峡大学 | 基于小波求和极限学习机sw-elm的输电线路短路故障分类与定位方法 |
WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
CN111879514A (zh) * | 2020-07-31 | 2020-11-03 | 南京机电职业技术学院 | 基于elm模型的无刷直流电机轴承故障诊断方法 |
CN112068033A (zh) * | 2020-09-02 | 2020-12-11 | 河北工业大学 | 基于1/6周期电流的逆变器功率管开路故障在线辨识方法 |
US20220084732A1 (en) * | 2020-09-15 | 2022-03-17 | Hunan University Of Science And Technology | PMSM Demagnetization Fault Diagnosis Method Based on Fuzzy Intelligent Learning of Torque Signals |
CN112288001A (zh) * | 2020-10-28 | 2021-01-29 | 北京航空航天大学 | 一种基于gwo过采样的高铁制动系统故障检测svm方法 |
CN114384413A (zh) * | 2021-10-29 | 2022-04-22 | 西安交通大学 | 一种电机状态感知芯片 |
CN114297910A (zh) * | 2021-11-26 | 2022-04-08 | 中国民航大学 | 一种基于改进lstm的航空发动机寿命预测方法 |
Non-Patent Citations (4)
Title |
---|
BIN GOU: "An online data-driven method for simultaneous diagnosis of IGBT and current sensor fault of tree-phase PWM inverter in induction Motor drives", 《IEEE TRANSACTION ON POWER ELECTRONICS》 * |
朱抗,杨洪明,孟科: "基于极限学习机的短期风力发电预测", 《电力科学与技术学报》 * |
李扬: "《基于混沌理论的滚动轴承故障诊断及故障趋势预测研究》", 《工程科技Ⅱ辑》 * |
苟斌: "电力牵引变流器故障诊断与容错控制技术研究", 《工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118331780A (zh) * | 2024-06-12 | 2024-07-12 | 西北工业大学 | 基于时序约束动态不确定因果图的间歇性故障诊断方法 |
CN118331780B (zh) * | 2024-06-12 | 2024-09-13 | 西北工业大学 | 基于时序约束动态不确定因果图的间歇性故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115114964B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ayhan et al. | Multiple discriminant analysis and neural-network-based monolith and partition fault-detection schemes for broken rotor bar in induction motors | |
Xiao et al. | Fault diagnosis of asynchronous motors based on LSTM neural network | |
Nyanteh et al. | Application of artificial intelligence to stator winding fault diagnosis in Permanent Magnet Synchronous Machines | |
CN114004164A (zh) | 一种用于控制的电机转子温度预测方法及系统 | |
CN112101457A (zh) | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 | |
CN109194225B (zh) | 一种双馈电机参数在线辨识方法 | |
CN113534000B (zh) | 新能源汽车驱动系统逆变器及电流传感器故障的诊断方法 | |
CN115114848B (zh) | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 | |
CN115114964B (zh) | 一种基于数据驱动的传感器间歇性故障诊断方法 | |
Sun et al. | A public data-set for synchronous motor electrical faults diagnosis with CNN and LSTM reference classifiers | |
CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
Parvin et al. | A comprehensive interturn fault severity diagnosis method for permanent magnet synchronous motors based on transformer neural networks | |
CN115828745A (zh) | 基于集成学习算法的机电作动器匝间短路故障诊断方法 | |
CN115392110A (zh) | 基于ppo算法的数据模型混合驱动风电场建模方法 | |
CN113283063B (zh) | 摩擦力识别方法、模组、设备及计算机可读介质 | |
CN112100946B (zh) | 一种基于故障在线模拟的逆变器开路故障诊断方法及装置 | |
Zhao et al. | Fault diagnosis of asynchronous induction motor based on BP neural network | |
CN115825732A (zh) | 特征关联的永磁同步电机驱动系统开路故障智能诊断方法 | |
Li et al. | Data-Driven Diagnosis of PMSM Drive with Self-Sensing Signal Visualization and Deep Transfer Learning | |
CN112886890B (zh) | 一种数据驱动的异步电机动力学模型建模方法 | |
Postoyankova et al. | Research of a genetic algorithm for identification of induction motor parameters | |
Acikgoz et al. | Long short-term memory network-based speed estimation model of an asynchronous motor | |
CN111510041B (zh) | 一种永磁同步电机的运行状态评估方法及系统 | |
CN114330412A (zh) | 一种机电伺服系统故障诊断方法 | |
Xiao et al. | A novel impedance measurement technique for power electronic systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |