CN115586023A - 一种轨道车辆传动系统故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种轨道车辆传动系统故障诊断方法及系统，包括：采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果；其中，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输出故障诊断结果。本发明采用多模态输入特征进行融合，可以充分利用样本信息，提高故障诊断精度。

Description

一种轨道车辆传动系统故障诊断方法及系统

技术领域

本发明涉及轨道车辆传动系统故障诊断技术领域，尤其涉及一种轨道车辆传动系统故障诊断方法及系统。

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。

传动系统是轨道车辆的关键系统，主要包括牵引电机、联轴节、齿轮箱、轮对等部件。牵引电机将电能转化为机械能，通过输出轴旋转输出动力；联轴节连接电机输出轴和齿轮箱输入轴，起到传递动力和补偿位移的作用；齿轮箱输入轴连接联轴节，通过大小齿轮啮合传递动力，大齿轮压装在车轴上，驱动轮对旋转，从而带动车辆运行。轨道车辆传动系统发生故障，会导致轨道车辆动力缺失，严重影响轨道车辆运行安全和运营秩序。

传统的对于传动系统故障诊断的方法，是采集传动系统的牵引电机、齿轮箱等部件的温度、振动等数据，然后判断传动系统测点数据是否超过阈值，来确认传动系统运行状态。但是，由于不同轨道车辆的运行状态不同，季节不同等原因，使得人为设定的阈值很难有广泛的适用性，导致误报率或漏报率太高。此外，联轴节为高速旋转部件，目前没有直接的监测项点，成为轨道车辆监控的盲区，影响行车安全。

发明内容

为了解决上述问题，本发明提出了一种轨道车辆传动系统故障诊断方法及系统，通过传动系统故障机理分析和数据统计分析，在不增加联轴节监测项点的前提下，充分利用联轴节密切相关部件的监测项点，挖掘出各类故障特征，将多模态输入特征进行融合，可以充分利用样本信息，提高故障诊断的精度。

根据本发明实施例的第一个方面，提供了一种轨道车辆传动系统故障诊断方法，包括：

采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；

将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果；

其中，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输出故障诊断结果。

作为进一步地方案，提取轨道车辆运行时的牵引电机电流，具体为：

选取T时间长度内电机电流的有效值I，提取最大值I_max和最小值I_min，计算T时间长度内的电流波动量ΔI＝I_max-I_min。

作为进一步地方案，提取轨道车辆运行时的轮轨间粘着力，具体为：

F_adh＝μ_adh(v_slip)·Q·g

其中，F_adh为轮轨间粘着力，μ_adh为车轮和钢轨之间的粘着系数，μ_adh为车轮和钢轨之间的粘着系数；v_slip为轮对蠕滑速度，Q为动车组轴重，g为重力加速度。

作为进一步地方案，对特征融合多输入卷积神经网络分类模型进行训练时，采用分组重抽样方法对多组样本数据进行数据平衡，具体过程为：

假设共有m组分类的训练样本数据，第j组样本的样本数量为n_j，样本观测值为

每组的抽样数为N；所述m组分类的训练样本数据中，包括至少一组传动系统正常样本数据，以及传动系统每一种故障类型分别对应的至少一组样本数据；

利用计算机生成N个0～1之间的随机数，记为a₁,a₂,…,a_N；将区间[0,1]划分为n_j段，每段区间长度相等：

根据随机数取值进行抽样，若a_k∈C_l，k＝1,2,…,N，l＝1,2,…,n_j，则第k个抽样样本为Z_j,k′＝Z_j,l，得到的抽样样本序列为Z_j,1′,Z_j,2′,…,Z_j,N′；

则抽样总体序列为Z_1,1′,Z_1,2′,…,Z_1,N′…Z_j,1′,Z_j,2′,…,Z_j,N′…Z_m,1′,Z_m,2′,…,Z_m,N′；

重抽样后每一组的训练样本的数量相同。

作为进一步地方案，每个样本包含X个时间序列，每一个时间序列表示某一个特征在设定时间长度内的值；所述特征至少包括：电机电流时间序列、轮轨间粘着力时间序列、电机功率因素时间序列、电机磁链时间序列以及传动系统传动效率时间序列；

X个时间序列作为神经网络的输入，构成X输入网络。

作为进一步地方案，每一个特征分别进行两次独立的卷积池化运算，其中，首层卷积池化运算的卷积核大于第二层卷积池化运算，步长小于第二层卷积池化运算，已通过增加首层感受野大小以及缩短池化步长来抑制过拟合。

作为进一步地方案，将融合之后的数据再进行两层卷积池化，减小该两层卷积池化的卷积核，在加深网络的同时抑制过拟合现象的产生。

根据本发明实施例的第二个方面，提供了一种轨道车辆传动系统故障诊断系统，包括：

数据提取模块，用于采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；

故障诊断模块，用于将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果；

其中，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输出故障诊断结果。

根据本发明实施例的第三个方面，提供了一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的轨道车辆传动系统故障诊断方法。

根据本发明实施例的第四个方面，提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的轨道车辆传动系统故障诊断方法。

与现有技术相比，本发明的有益效果是：

(1)本发明通过传动系统故障机理分析和数据统计分析，挖掘出各类故障特征，包括电机电流、轮轨间粘着力、电机功率因素、电机磁链、传动系统传动效率等；采用多模态输入特征进行融合，可以充分利用样本信息，提高故障诊断精度。

(2)本发明特征融合多输入卷积神经网络分类模型的首层卷积采用宽卷积核、短步长，通过增加首层感受野大小以及缩短池化步长来抑制过拟合；融合层之后的卷积层采用小卷积核，这样的小卷积核有助于在加深网络的情况下同时抑制过拟合现象的产生。

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

图1为本发明实施例中的分组重抽样示意图；

图2为本发明实施例中的特征融合多输入卷积神经网络分类模型示意图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

在一个或多个实施方式中，公开了一种轨道车辆传动系统故障诊断方法，具体包括如下过程：

(1)采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；

本实施例采用传动系统运行数据和车辆运行数据融合建模的方法，构造了各类能够准确反映传动系统故障状态的特征，具体包括：牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据。

相关特征计算如下：

①电机电流：选取T时间长度内电机电流有效值I，提取最大值I_max和最小值I_min，计算T时间长度内的电流波动量ΔI＝I_max-I_min。电流的有效值及最大值、最小值、波动量能够反映电机负载的变化情况，从而反映传动系统的故障情况。

②轮轨间粘着力：轮轨间粘着力由车轮和钢轨之间的粘着系数决定，动车组的牵引力直接来源于动轮与钢轨的粘着力，若传动系统发生故障，轮轨间粘着力则会发生变化。

轮轨间粘着力计算如下：F_adh＝μ_adh(v_slip)·Q·g

式中：F_adh为轮轨间粘着力；μ_adh为车轮和钢轨之间的粘着系数；v_slip为轮对蠕滑速度(轮对线速度v_w与列车速度v间差值)；Q为动车组轴重；g为重力加速度。

③电机功率因素：功率因素是指电机有功功率对视在功率的比值。电机在一定电压和功率下，该值越高效益越好，电机越能充分利用，常用cosΦ表示。功率因素是电机系统的一个重要的技术数据，能够实时反映电机与负载的匹配情况，对传动系统故障较为敏感。

电机功率因素计算如下：cosΦ＝P/S

式中：P为有功功率；S为视在功率。

④电机磁链：将传感器采样得到的定子电压、电流以及电机转速信号作为输入，通过磁链观测模块辨识得到磁链以及转矩信息，作为调节控制量，因此电机磁链能过够反映传动系统的实际状态变化。

电机磁链计算公式如下：

ψ_sαβ＝∫(U_sαβ(t)-I_sαβ(t)R_s)dt

式中：U_sαβ、I_sαβ分别为定子电压与电流矢量；R_s为定子电阻；ψ_sαβ为电机磁链。

⑤传动系统传动效率：传动系统传动效率指传动系统输出的能量与输入能量的比值，对一个传动系统它是最核心的评价指标。当传动系统发生故障时，其传动效率会大幅下降，因此可以通过传动效率反映传动系统工作状态。

传动效率计算公式如下：η＝P_out/P_in

式中：η为传动效率；P_out为传动系统输出功率；P_in为传动系统输入功率。

本实施例中，上述传动系统故障状态特征的选取是通过测点筛选实现的，即分析轨道车辆相关测点中，哪些测点与传动系统故障直接相关，哪些与传动系统间接相关，哪些在故障状态时变化较明显，筛选出的合适的测点，作为分析的目标。

统计连续量测点数据的变化速率和总体范围，包括不同时间段的均值、标准差、最大值、最小值、直方图、密度曲线等。选取随时间统计特征有明显变化的，特别是故障前后统计特征变化的测点。

再根据业务专家对传动系统故障机理的业务分析，将测点的相关性分为：强、较强、是、较弱、无。根据相关性筛选出从“较弱”到“强”的所有测点。

测点选择还需考虑经济性和运行效率。测点最好选择已有传感器数据的相关测点，避免新增加传感器，从而增加轨道车辆改造成本。另外，在能够保证模型准确率和召回率的前提下，选择尽可能少的测点和特征可提高模型运行效率。

本实施例通过各类方法(统计、机理分析、经济性、效率分析等)筛选出与传动系统密切相关的测点，包括：牵引电机电流、轨道车辆速度、车轮和钢轨之间的粘着系数、轮对蠕滑速度、动车组轴重、有功功率、视在功率、定子电压、电流矢量、定子电阻、传动系统输出功率、传动系统输入功率等，故障发生时，测点的特性，如均值，方差等统计量与正常状态时相差较明显，因此可以选取故障/正常差别较明显的特性作为特征；本实施例最终选取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率作为特征数据。

(2)将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果。

本实施例中，结合图2，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输出故障诊断结果。

其中，对于特征融合多输入卷积神经网络分类模型的训练过程具体为：

①对轨道车辆而言，故障样本的数量与正常样本相比小得多，结合图1，本实施例采用分组重抽样方法解决非平衡数据统计问题。假设共有m组要分类的样本，第j组样本的样本数量为n_j，样本观测值为

每组的抽样数为N。

②利用计算机生成N个0～1之间的随机数，记为a₁,a₂,…,a_N；

③将区间[0,1]划分为n_j段，每段区间长度相等：

根据随机数取值进行抽样，若a_k∈C_l，k＝1,2,…,N，l＝1,2,…,n_j，则第k个抽样样本为Z_j,k′＝Z_j,l，得到的抽样样本序列为Z_j,1′,Z_j,2′,…,Z_j,N′；

④抽样总体序列为Z_1,1′,Z_1,2′,…,Z_1,N′…Z_j,1′,Z_j,2′,…,Z_j,N′…Z_m,1′,Z_m,2′,…,Z_m,N′。重抽样后每一组的样本数量相同。

⑤每个样本包含X个时间序列，一个时间序列代表某个特征在固定时间长度内的值，如电机电流1分钟内的时间序列代表1分钟内每个时间点电机电流的值，以采样时间间隔200ms为例，1分钟的电机电流序列为一个300行1列的电机电流值的矩阵；X个时间序列包括并不限于电机电流时间序列、轮轨间粘着力时间序列、电机功率因素时间序列、电机磁链时间序列、传动系统传动效率时间序列等。X个时间序列作为神经网络的输入，构成X输入网络。

⑥每个输入先分别独立输入到网络中，进行2次卷积池化运算。首层卷积采用宽卷积核短步长，第二层卷积采用小卷积核，目的是通过增加首层感受野大小以及缩短池化步长来抑制过拟合。通过concatenate函数将各个独立通道提取出的特征融合。

⑦将融合层之后的数据再进行两层卷积池化，让模型能够在这两层卷积池化计算中提取出轴径向数据融合后共同表达的样本特征。融合层之后的卷积层的卷积核大小为3×1，卷积核数目为64。这样的小卷积核有助于在加深网络的情况下同时抑制过拟合现象的产生。

⑧将提取出的特征送入全连接层，通过softmax函数输出，根据输出结果采用Adam算法更新神经网络参数，直至神经网络训练完成。

实施例二

在一个或多个实施方式中，公开了一种轨道车辆传动系统故障诊断系统，包括：

数据提取模块，用于采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；

故障诊断模块，用于将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果；

其中，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输出故障诊断结果。

本实施例中，数据提取模块主要负责数据的采集和预处理。在传动系统上接入采集牵引电机电流、轨道车辆速度等数据的传感器，实时数据进入前置处理器，进行数据清洗与数模转化，将数字信号传至车辆级数据处理器或列车网络。

采集到的数据可以利用既有列车控制网络进行数据传输，也可通过建立一条专用故障诊断网络实现。数据传输可以通过有线传输(RS232或以太网等)，也可通过无线方式进行传输(无线WIFI等)。

将传输网络或前置处理器处理的数据进行统一存储，可分别设定在车辆级存储器和列车级存储器进行存储，存储的历史数据可被车辆级和列车级的数据处理器调用分析。

故障诊断模块主要包含车辆级和列车级的数据处理器，负责对轨道车辆传感器采集的数据和轨道车辆运行数据进行分析处理，对传动系统进行故障诊断。其中，车辆级数据处理器主要功能是收集本车辆传动系统运行状态信息，并进行数据预处理和数据存储，通过网络将数据发送至列车级数据处理器。列车级数据处理器接收各车辆级数据处理的数据，运行传动系统故障诊断与诊断模型。

需要说明的是，上述各模块的具体实现方式已经在实施例一中进行可详细的说明，此处不再详述。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、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实施例一中的轨道车辆传动系统故障诊断方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例四

在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的轨道车辆传动系统故障诊断方法。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种轨道车辆传动系统故障诊断方法，其特征在于，包括：

采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；

将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果；

其中，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输出故障诊断结果。

2.如权利要求1所述的一种轨道车辆传动系统故障诊断方法，其特征在于，提取轨道车辆运行时的牵引电机电流，具体为：

选取T时间长度内电机电流的有效值I，提取最大值I_max和最小值I_min，计算T时间长度内的电流波动量ΔI＝I_max-I_min。

3.如权利要求1所述的一种轨道车辆传动系统故障诊断方法，其特征在于，提取轨道车辆运行时的轮轨间粘着力，具体为：

F_adh＝μ_adh(v_slip)·Q·g

其中，F_adh为轮轨间粘着力，μ_adh为车轮和钢轨之间的粘着系数，μ_adh为车轮和钢轨之间的粘着系数；v_slip为轮对蠕滑速度，Q为动车组轴重，g为重力加速度。

4.如权利要求1所述的一种轨道车辆传动系统故障诊断方法，其特征在于，对特征融合多输入卷积神经网络分类模型进行训练时，采用分组重抽样方法对多组样本数据进行数据平衡，具体过程为：

假设共有m组分类的训练样本数据，第j组样本的样本数量为n_j，样本观测值为

每组的抽样数为N；所述m组分类的训练样本数据中，包括至少一组传动系统正常样本数据，以及传动系统每一种故障类型分别对应的至少一组样本数据；

利用计算机生成N个0～1之间的随机数，记为a₁,a₂,…,a_N；将区间[0,1]划分为n_j段，每段区间长度相等：

根据随机数取值进行抽样，若a_k∈C_l，k＝1,2,…,N，l＝1,2,…,n_j，则第k个抽样样本为Z_j,k′＝Z_j,l，得到的抽样样本序列为Z_j,1′,Z_j,2′,…,Z_j,N′；

则抽样总体序列为Z_1,1′,Z_1,2′,…,Z_1,N′…Z_j,1′,Z_j,2′,…,Z_j,N′…Z_m,1′,Z_m,2′,…,Z_m,N′；

重抽样后每一组的训练样本的数量相同。

5.如权利要求4所述的一种轨道车辆传动系统故障诊断方法，其特征在于，每个样本包含X个时间序列，每一个时间序列表示某一个特征在设定时间长度内的值；所述特征至少包括：电机电流时间序列、轮轨间粘着力时间序列、电机功率因素时间序列、电机磁链时间序列以及传动系统传动效率时间序列；

X个时间序列作为神经网络的输入，构成X输入网络。

6.如权利要求1所述的一种轨道车辆传动系统故障诊断方法，其特征在于，每一个特征分别进行两次独立的卷积池化运算，其中，首层卷积池化运算的卷积核大于第二层卷积池化运算，步长小于第二层卷积池化运算，已通过增加首层感受野大小以及缩短池化步长来抑制过拟合。

7.如权利要求1所述的一种轨道车辆传动系统故障诊断方法，其特征在于，将融合之后的数据再进行两层卷积池化，减小该两层卷积池化的卷积核，在加深网络的同时抑制过拟合现象的产生。

8.一种轨道车辆传动系统故障诊断系统，其特征在于，包括：

数据提取模块，用于采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；

故障诊断模块，用于将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果；

其中，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输出故障诊断结果。

9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的轨道车辆传动系统故障诊断方法。

10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的轨道车辆传动系统故障诊断方法。

Images