CN116106672B - 一种基于数据驱动与工程知识的车网谐振检测方法及装置 - Google Patents

Abstract

本申请提供一种基于数据驱动与工程知识的车网谐振检测方法及装置，涉及扰动识别技术领域，方法包括获取在目标列车的车网系统上设置的监测设备在同一采集时段内所采集的目标列车的电压时序数据和电流时序数据；将电压时序数据和电流时序数据输入基于车网系统中谐振扰动的时序特征所设置的第一扰动辨识通道，同时将电压时序数据输入基于车网系统中谐振扰动的频段分布特征所设置的第二扰动辨识通道；若第一扰动辨识结果和第二扰动辨识结果均指示谐振扰动辨识成功，则确定采集时段内，目标列车的车网系统发生谐振扰动，以提高车网系统中的谐振的检测的精确度。

Description

一种基于数据驱动与工程知识的车网谐振检测方法及装置

技术领域

本申请涉及扰动识别技术领域，具体而言，涉及一种基于数据驱动与工程知识的车网谐振检测方法及装置。

背景技术

在牵引供电系统中，谐波谐振对车网耦合系统危害较大，准确快速辨识车网耦合谐振是保证列车安全运行的前提。在实际应用中，辨别车网耦合的谐振扰动一方面是依靠人工辨识，要求工作人员依靠专家经验实现扰动辨识，该方法不仅低效，而且对工作人员经验知识要求高。另一方面，随着计算机处理能力的提升，人工智能不断发展成熟，各种深度学习算法在扰动辨识领域具有很好的适用性。可以通过采集设备采集监测点的信息，在收到信息后，利用神经网络对扰动特征进行辨识，从而实现扰动的判断。但无论哪一种辨识方法，对车网系统中的谐振的检测的精确度都有待提高。

发明内容

有鉴于此，本申请的目的在于提供一种基于数据驱动与工程知识的车网谐振检测方法及装置，以提高车网系统中的谐振的检测的精确度。

第一方面，本申请提供了一种基于数据驱动与工程知识的车网谐振检测方法，方法包括：获取在目标列车的车网系统上设置的监测设备在同一采集时段内所采集的目标列车的电压时序数据和电流时序数据；将电压时序数据和电流时序数据输入基于车网系统中谐振扰动的时序特征所设置的第一扰动辨识通道，同时将电压时序数据输入基于车网系统中谐振扰动的频段分布特征所设置的第二扰动辨识通道，以获取第一扰动辨识通道输出的第一扰动辨识结果以及第二扰动辨识通道输出的第二扰动辨识结果，第一扰动辨识结果和第二扰动辨识结果均用于指示谐振扰动是否辨识成功；若第一扰动辨识结果和第二扰动辨识结果均指示谐振扰动辨识成功，则确定采集时段内，目标列车的车网系统发生谐振扰动。

优选的，还包括确定采集时段内，目标列车的车网系统发生谐振扰动后，将该采集时段内所采集的电压时序数据和电流时序数据保存在本地并上传至云端，以用于对车网系统的电气耦合异常进行分析。

优选的，第一扰动辨识通道包括时序卷积神经网络模型，时序卷积神经网络模型包括电压时序数据特征提取通道和电流时序数据特征提取通道和整合通道，时序卷积神经网络模型输出第一扰动辨识结果的步骤，具体包括：将电压时序数据输入电压时序数据特征提取通道，以输出基于电压时序数据提取出的张量，以及将电流时序数据输入电流时序数据特征提取通道，以输出基于电流时序数据提取出的张量；将基于电压时序数据提取出的张量和基于电流时序数据提取出的张量输入到整合通道，以输出基于电压时序数据和电流时序数据，辨识出的目标列车的车网系统发生谐振扰动的概率以及目标列车的车网系统未发生谐振扰动的概率；比较目标列车的车网系统发生谐振扰动的概率以及目标列车的车网系统未发生谐振扰动的概率的大小，以确定第一扰动辨识结果为谐振扰动辨识成功或谐振扰动辨识未成功。

优选的，电压时序数据特征提取通道和电流时序数据特征提取通道均包括依次连接的池化单元、第一残差单元、第二残差单元和第三残差单元，第一残差单元、第二残差单元和第三残差单元中的每个残差单元均包括第一卷积模块、第二卷积模块和第三卷积模块，第一卷积模块的输入和第三卷积模块的输入共同作为残差单元的输入，第一卷积模块的输出与第二卷积模块的输入连接，第二卷积模块的输出与第三卷积模块的输出共同作为残差单元的输出，第一卷积模块与第二卷积模块的卷积核大小不同，第一卷积模块与第二卷积模块中的每个卷积模块均包括依次连接的扩张卷积层、权值归一层、激活层和随机失活层，其中电压时序数据特征提取通道中的激活层和电流时序数据特征提取通道中的激活层所采用的激活函数不同；整合通道包括依次连接的扁平化层、全连接层和分类层。

优选的，还包括按照预设的时间间隔，提取保存在本地的至少一组电压时序数据和电流时序数据，并依次输入第一扰动辨识通道进行再训练，以输出对应的第一扰动辨识结果，并计算出第一扰动辨识通道的损失函数的损失值，以更新第一扰动辨识通道中的网络参数，直到损失值满足优化条件。

优选的，电压时序数据包括多个瞬时电压值与瞬时电压值对应的时刻构成的数据组，第二扰动辨识通道包括谐波分析模型，谐波分析模型输出第二扰动辨识结果的步骤，具体包括：对输入的电压时序数据进行傅里叶变换，以输出预设频率分辨率的复数频域序列，复数频域序列中包括多个频率点以及该频率点对应分解到的谐波构成的数据组；在复数频域序列中，提取出基波以及2至80次谐波所对应的数据组，以形成新的复数频域序列，确定出采样带宽频段，采样带宽频段的初始频率点为新的复数频域序列中的首个频率点，采样带宽频段的带宽为500Hz；确定当前采样带宽频段内的谐波是否满足谐振条件，若满足，则确定谐振扰动辨识成功，若不满足则将新的复数频域序列中的下一个频率点作为采样带宽频段的初始频率点，并返回确定采样带宽频段内的谐波是否满足谐振条件的步骤，直到新的复数频域序列中的所有频率点都遍历完毕，若每个采样带宽频段内的谐波都不满足谐振条件，则确定谐振扰动辨识未成功。

优选的，针对每个采样带宽频段，通过以下方式确定该采样带宽频段内的谐波是否满足谐振条件：确定出新的复数频域序列中各次谐波的幅值；根据采样带宽频段内各次谐波的幅值，计算采样带宽频段内的谐波含有率；确定该采样带宽频段内的谐波含有率是否大于10%；若采样带宽频段内的谐波含有率大于10%，则确定满足谐振条件；若采样带宽频段内的谐波含有率不大于10%，则确定不满足谐振条件。

第二方面，本申请提供了一种基于数据驱动与工程知识的车网谐振检测装置，装置包括：

采集模块，用于获取在目标列车的车网系统上设置的监测设备在同一采集时段内所采集的目标列车的电压时序数据和电流时序数据；

辨识模块，用于将电压时序数据和电流时序数据输入基于车网系统中谐振扰动的时序特征所设置的第一扰动辨识通道，同时将电压时序数据输入基于车网系统中谐振扰动的频段分布特征所设置的第二扰动辨识通道，以获取第一扰动辨识通道输出的第一扰动辨识结果以及第二扰动辨识通道输出的第二扰动辨识结果，第一扰动辨识结果和第二扰动辨识结果均用于指示谐振扰动是否辨识成功；

判断模块，用于若第一扰动辨识结果和第二扰动辨识结果均指示谐振扰动辨识成功，则确定采集时段内，目标列车的车网系统发生谐振扰动。

第三方面，本申请还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的基于数据驱动与工程知识的车网谐振检测方法的步骤。

第四方面，本申请还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的基于数据驱动与工程知识的车网谐振检测方法的步骤。

本申请提供的一种基于数据驱动与工程知识的车网谐振检测方法及装置，通过获取在目标列车的车网系统上设置的监测设备在同一采集时段内所采集的目标列车的电压时序数据和电流时序数据。将电压时序数据和电流时序数据输入基于车网系统中谐振扰动的时序特征所设置的第一扰动辨识通道，同时将电压时序数据输入基于车网系统中谐振扰动的频段分布特征所设置的第二扰动辨识通道，以获取第一扰动辨识通道输出的第一扰动辨识结果以及第二扰动辨识通道输出的第二扰动辨识结果，第一扰动辨识结果和第二扰动辨识结果均用于指示谐振扰动是否辨识成功。若第一扰动辨识结果和第二扰动辨识结果均指示谐振扰动辨识成功，则确定采集时段内，目标列车的车网系统发生谐振扰动，可以结合卷积神经网络的扰动辨识和基于工程知识的谐振扰动辨识分析共同的辨识结果进行谐振扰动的识别，进一步降低了辨识误诊率，提高了扰动辨识的置信度。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例所提供的一种基于数据驱动与工程知识的车网谐振检测方法的流程图；

图2为本申请实施例所提供的一种时序卷积神经网络模型的结构示意图；

图3为本申请实施例所提供的一种输出第二扰动辨识结果的步骤的流程图；

图4为本申请实施例所提供的一种确定是否满足谐振条件的步骤的流程图；

图5为本申请实施例所提供的一种谐波分析序列的频谱图；

图6为本申请实施例所提供的一种车网系统谐振的检测算法的流程图；

图7为本申请实施例所提供的一种基于数据驱动与工程知识的车网谐振检测装置的结构示意图；

图8为本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

首先，对本申请可适用的应用场景进行介绍。本申请可应用于牵引供电系统中，谐振扰动的辨识。

在牵引供电系统中，谐波谐振对车网耦合系统危害较大，准确快速辨识车网耦合谐振是保证列车安全运行的前提。在实际应用中，辨别车网耦合的扰动主要依靠人工辨识，要求工作人员依靠专家经验实现扰动辨识，该方法不仅低效，而且对工作人员经验知识要求高。

随着计算机处理能力的提升，人工智能不断发展成熟。各种深度学习算法在扰动辨识领域具有很好的适用性。深度学习算法能够在保证辨识精度的基础上实现扰动辨识，通过采集设备采集监测点的信息，在收到信息后，利用神经网络对扰动特征进行辨识，从而实现扰动的判断。但基于人工智能的扰动辨识和故障预测技术不断发展，基于CNN的故障诊断方法利用CNN网络即卷积神经网络实现扰动辨识，CNN网络虽然在图像和数据挖掘领域有广泛的应用，但由于其无法考虑数据的时序性，CNN网络结构不适合对具有时序性的电压、电流数据进行处理。

同时，基于工程知识，车网耦合谐波谐振发生时，频段范围较广，在17次至75次谐波谐振均有发生记录，谐振频段带宽基本保持在500Hz以内。

综上，将深度学习扰动辨识模型和工程知识相结合，能够进一步提高扰动辨识精度。

基于此，本申请实施例提供了一种基于数据驱动与工程知识的车网谐振检测方法及装置。

请参阅图1和图6，图1为本申请实施例所提供的一种基于数据驱动与工程知识的车网谐振检测方法的流程图，图6为本申请实施例所提供的一种车网系统谐振的检测算法的流程图。所如图1中所示，本申请实施例提供的一种基于数据驱动与工程知识的车网谐振检测方法，包括：

S101、获取在目标列车的车网系统上设置的监测设备在同一采集时段内所采集的目标列车的电压时序数据和电流时序数据。

该步骤中，监测设备用于对车网系统的电气信息采集，监测设备采样频率未25.5Kz，设定时间窗长度为0.5s，采集到的电压时序数据和电流时序数据的尺寸均为12800×1。具体的，这里的监测设备设置在列车定部主断路器处，用于采集列车受电弓的电压/电流数据（即电压时序数据和电流时序数据）。监测设备每以0.5s的间隔向两个扰动辨识通道输送采集的数据。这里的车网系统（车网耦合系统）为电气化高速铁路车及其牵引供电系统。

S102、将电压时序数据和电流时序数据输入基于车网系统中谐振扰动的时序特征所设置的第一扰动辨识通道，同时将电压时序数据输入基于车网系统中谐振扰动的频段分布特征所设置的第二扰动辨识通道，以获取第一扰动辨识通道输出的第一扰动辨识结果以及第二扰动辨识通道输出的第二扰动辨识结果，第一扰动辨识结果和第二扰动辨识结果均用于指示谐振扰动是否辨识成功。

该步骤中，第一扰动辨识通道采用的是预设好的深度学习模型，具体是一种时序卷积神经网络模型（Temporalconvolutionalnetwork，TCN）。该模型架构包含两个特征提取通道，分别实现对电压、电流的特征提取。电压电流数据在送入特征提取通道之前，通过下采样层减小数据尺度，以增强算法的鲁棒性。每个特征提取通道由三个残差块组成，算法通过Flatten层对提取的电压电流特征进行扁平化和整合处理，并通过全连接层将提取到的特征转换到标签空间以完成扰动辨识。

第二扰动辨识通道采用的是一种基于工程知识的多频段谐波含有率分析算法。第二扰动辨识通道对受电弓的电压数据进行固定带宽的多频段谐波含有率分析，基于谐波谐振定义，对从2到80次谐波以500Hz带宽频段为单位依次进行分析，当某500Hz频段的谐波含有率大于10%，即判定该频段发生谐波谐振。

这样，通过第一扰动辨识通道和第二扰动辨识通道分别第一扰动辨识通道输出的第一扰动辨识结果以及第二扰动辨识通道输出的第二扰动辨识结果。这里的扰动辨识结果（第一扰动辨识结果或第二扰动辨识结果）用于指示谐振扰动是否辨识成功，即当前输入的采集时间内，车网系统是否发生谐振扰动。

S103、若第一扰动辨识结果和第二扰动辨识结果均指示谐振扰动辨识成功，则确定采集时段内，目标列车的车网系统发生谐振扰动。

该步骤中，当两通道结果均为谐振扰动辨识成功时，判定为车网系统出现谐振扰动。否则判定为车网系统未出现谐振扰动。并将判定结果为出现谐振的电压/电流数据送入设置在本地的数据存储模块。数据存储模块将电压/电流数据进行存储并上传至云端。本地存储的数据可以被定期调用，以利用真实运行数据训练深度学习模型以提高谐振扰动辨识的精确度。

本申请实施例提供的基于数据驱动与工程知识的车网谐振检测方法，可以结合卷积神经网络的扰动辨识和基于工程知识的谐振扰动辨识分析共同的辨识结果进行谐振扰动的识别，进一步降低了辨识误诊率，提高了扰动辨识的置信度。

在本申请的一个实施例中，还包括：

S104、确定采集时段内，目标列车的车网系统发生谐振扰动后，将该采集时段内所采集的电压时序数据和电流时序数据保存在本地并上传至云端，以用于对车网系统的电气耦合异常进行分析。

以及按照预设的时间间隔，提取保存在本地的至少一组电压时序数据和电流时序数据，并依次输入第一扰动辨识通道进行再训练，以输出对应的第一扰动辨识结果，并计算出第一扰动辨识通道的损失函数的损失值，以更新第一扰动辨识通道中的网络参数，直到损失值满足优化条件。

牵引供电系统使得区域电网的供电压力、功率交换激增。牵引负荷（即列车组）自身波动剧烈，从而使车网系统间的谐波放大，谐波谐振问题发生频繁，容易引起避雷器爆炸、电容器组的爆炸等，因此对车网系统的电气耦合异常分析十分重要，旨在从源头上避免事故发生。

在本申请的一个实施例中，提供一种第一扰动辨识通道的构建步骤。

步骤一、通过仿真过程获取谐振数据样本与非谐振数据样本或获取真实列车运行过程中产生的谐振数据样本和非谐振数据样本，生成训练数据集和测试数据集。其中训练数据集用于TCN的训练，测试数据集用于测试训练后网络的精度是否满足要求。

这里样本数量可以为1000个，随机选取样本中的80%生成训练数据集,剩余20%用于生成测试数据集。训练数据集中谐振数据和非谐振数据样本的比例为1:1。

步骤二、构建TCN神经网络，包括搭建TCN神经网络模型、初始化网络参数、选取优化算法、构造损失函数。

请参阅图2，图2为本申请实施例所提供的一种时序卷积神经网络模型的结构示意图。这里构建出的时序卷积神经网络模型包括电压时序数据特征提取通道和电流时序数据特征提取通道和整合通道。

电压时序数据特征提取通道和电流时序数据特征提取通道均包括依次连接的池化单元、第一残差单元、第二残差单元和第三残差单元，第一残差单元、第二残差单元和第三残差单元中的每个残差单元均包括第一卷积模块、第二卷积模块和第三卷积模块，第一卷积模块的输入和第三卷积模块的输入共同作为残差单元的输入，第一卷积模块的输出与第二卷积模块的输入连接，第二卷积模块的输出与第三卷积模块的输出共同作为残差单元的输出，第一卷积模块与第二卷积模块的卷积核大小不同，第一卷积模块与第二卷积模块中的每个卷积模块均包括依次连接的扩张卷积层、权值归一层、激活层和随机失活层，其中电压时序数据特征提取通道中的激活层和电流时序数据特征提取通道中的激活层所采用的激活函数不同；整合通道包括依次连接的扁平化层、全连接层和分类层。

其中，除第一残差单元的第一卷积模块为因果卷积模块外，其余特征提取通道中的卷积模块均为扩张卷积模块。第一卷积模块的输入作为残差单元的输入，第一卷积模块的输出与第二卷积模块的输入连接，第一卷积模块的输出经过一个1×1卷积核转换为与第二卷积模块输出维度相同的张量，并与第三卷积核输出相加，作为残差单元的输出。第一卷积模块与第二卷积模块的卷积核大小不同，第一卷积模块与第二卷积模块均包括依次连接的扩张卷积层（Bassiclayer）、权值归一层（WN）、激活层（Relu）和随机失活层（Dropout），其中电压时序数据特征提取通道中的激活层和电流时序数据特征提取通道中的激活层所采用的激活函数不同；整合通道包括依次连接的扁平化层（Flatten）、全连接层（FC）和分类层（Softmax）。

这里的池化单元（Pooling）对输入数据（InputVoltage，电压时序数据以及InputCurrent，电流时序数据）进行池化，减小数据尺度以增强算法的鲁棒性。

每个残差单元（Resblock）由两个扩张卷积模块和残差模块连接组成，通过残差模块连接第一扩张卷积模块的输入和第二个扩张卷积模块的输出以解决梯度弥散问题，提高算法收敛速度。池化后的电压时序数据/电流时序数据依次输入第一残差单元、第二残差单元、第三残差单元。设定第一残差单元的卷积核大小为2×1，通过扩张因子d扩大卷积核的感受野，卷积核移动步长为1，其特征之一是利用padding使卷积不改变序列的长度。第一残差单元中的第一卷积模块（conv）采用因果卷积，即扩张因子d设定为1，其余TCN结构中的卷积层均采用扩张卷积。第i个卷积层的扩张因子d以2的i次幂的形式增加，每个残差单元中均含有两个扩张卷积模块（Dilatedconv）。第一残差单元中的第一扩张卷积模块和第二扩张卷积模块的扩张因子分别为1、2，卷积核的核数为32、64。第二残差单元中的第一扩张卷积模块和第二扩张卷积模块的扩张因子分别为4、8，卷积核的核数为64、32。第三残差单元中的第一扩张卷积模块和第二扩张卷积模块的扩张因子分别为16、32，卷积核的核数为32、8。

可以看出最后一层扩张卷积模块的卷积核将获得极大的感受野，有利于处理具有序列特征的电压、电流数据信息。TCN卷积不改变序列的长度，在同一卷积层中通过多个卷积核增加序列深度以提取不同特征。

步骤三、利用训练数据集对TCN神经网络进行训练，通过损失函数计算损失，利用误差反向传播更新网络参数。直到网络损失满足要求或训练达到最大步数，则执行步骤四，否则循环执行步骤三。

步骤四、利用测试数据集检验TCN网络训练效果。将测试数据集输入TCN网络，对比网络辨识结果与样本标签得到辨识准确率，若准确率满足要求，否则说明网络构建不满足要求，返回步骤二以优化网络结构和参数。

具体的，这里的第一扰动辨识通道包括时序卷积神经网络模型，时序卷积神经网络模型包括电压时序数据特征提取通道和电流时序数据特征提取通道和整合通道，时序卷积神经网络模型输出第一扰动辨识结果的步骤，具体包括：

将电压时序数据输入电压时序数据特征提取通道，以输出基于电压时序数据提取出的张量，以及将电流时序数据输入电流时序数据特征提取通道，以输出基于电流时序数据提取出的张量；

将基于电压时序数据提取出的张量和基于电流时序数据提取出的张量输入到整合通道，以输出基于电压时序数据和电流时序数据，辨识出的目标列车的车网系统发生谐振扰动的概率以及目标列车的车网系统未发生谐振扰动的概率；

比较目标列车的车网系统发生谐振扰动的概率以及目标列车的车网系统未发生谐振扰动的概率的大小，以确定第一扰动辨识结果为谐振扰动辨识成功或谐振扰动辨识未成功。

以电压数据序列为例，该网络训练过程中数据的变化如下：原12800×1尺寸的样本数据在经过Pooling处理后尺寸下降，转化为1600×1的张量，大大减小了网络参数，提高了算法的鲁棒性。经Pooling操作后的数据通过第一残差单元，基于TCN特性，序列长度不变，根据设定残差单元中卷积层包含卷积核的个数，1600×1的张量经过第一个残差块后长度不变，深度为64，即转化为尺寸为1600×64的张量。残差单元对数据的处理过程可以表达为：

其中，x为残差单元输入的数据，F(x)表示残差单元中扩张卷积模块的输出，通过残差连接将x与F(x)相加，o为残差单元的输出。

每个残差单元的结构基本相同，尺寸为1600×64的张量经过后两个残差单元后转化为尺寸为1600×8的张量。

电流序列的处理方式与电压序列基本相同，不同之处在于卷积层选取的激活函数。车网耦合系统中电压波形随扰动发生的波动较小且比较稳定，可以采用Relu函数作为激活函数。而电流波形随扰动发生的波动较大且不对称分量较多，此时采用Relu函数会损失较多特征，因此选取Tanh函数作为激活函数，同时TCN中的WN层（权值归一层）可以缓解Tanh函数可能出现的梯度消失问题。

接着尺寸均为1600×8的电压、电流特征提取所得张量经过Flatten层（扁平化层）变为一维向量。对两向量进行整合，得到长度为1600×8×2的特征向量。通过两层全连接层进行进一步特征提取得到特征向量，全连接层激活函数为Relu激活函数。特征向量长度为200。根据特征向量，利用softmax函数进行分类，最终得到预测结果为二维向量，向量中两个元素分别为识别为谐振的概率和识别为非谐振的概率。基于TCN的谐振扰动辨识模型在训练过程中选取Adam算法作为模型的优化算法，选取交叉熵函数作为模型的损失函数。

在本申请的一个实施例中，提供一种第二扰动辨识通道的构建步骤。

基于工程知识，车网耦合谐波谐振发生时，频段范围较广，在17次至75次谐波谐振均有发生记录，谐振频段带宽基本保持在500Hz以内。因此对受电弓电压数据进行固定带宽的多频段谐波含有率分析，基于谐波谐振定义，对从2到80次谐波以500Hz带宽频段为单位依次进行分析，当某500Hz频段的谐波含有率大于10%，即判定该频段发生谐波谐振。

请参阅图3，图3为本申请实施例所提供的一种输出第二扰动辨识结果的步骤的流程图。具体的，电压时序数据包括多个瞬时电压值与瞬时电压值对应的时刻构成的数据组，第二扰动辨识通道包括谐波分析模型，谐波分析模型输出第二扰动辨识结果的步骤，具体包括：

S201、对输入的电压时序数据进行傅里叶变换，以输出预设频率分辨率的复数频域序列，复数频域序列中包括多个频率点以及该频率点对应分解到的谐波构成的数据组。

S202、在复数频域序列中，提取出基波以及2至80次谐波所对应的数据组，以形成新的复数频域序列，确定出采样带宽频段，采样带宽频段的初始频率点为新的复数频域序列中的首个频率点，采样带宽频段的带宽为500Hz。

S203、确定当前采样带宽频段内的谐波是否满足谐振条件，若满足，则确定谐振扰动辨识成功，若不满足则将新的复数频域序列中的下一个频率点作为采样带宽频段的初始频率点，并返回确定采样带宽频段内的谐波是否满足谐振条件的步骤，直到新的复数频域序列中的所有频率点都遍历完毕，若每个采样带宽频段内的谐波都不满足谐振条件，则确定谐振扰动辨识未成功。

这里设定500Hz带宽的谐波分析窗口，窗口初始位置为0至500Hz的谐波频段。对长度为12800的电压时域序列X（n）进行快速傅里叶变换得到长度为12800的复数频域序列X （n），X（n）中每个点对应一个频率点，该点复数的模值反应对应频率谐波的幅值特性。

快速傅里叶变换属于离散傅里叶变换的一种，序列的频率分辨率与采样频率fs和采样点数N相关，这里的傅里叶变换的公式为：

序列的频率分辨率与采样频率fs和采样点数N相关，分辨率计算公式如下所示，当fs为25600Hz，N为12800，分辨率为2Hz，即频域序列每个频率点之间相隔2Hz。

电压信号序列经FFT变换（快速傅里叶变换）后的频域序列X（k）为分辨率为2Hz，长度为12800的复数序列，提取序列X（k）中基波和2至80次谐波对应频率的元素组成序列X’ （s），X’（s）与X（k）的关系如下：

请参阅图4，图4为本申请实施例所提供的一种确定是否满足谐振条件的步骤的流程图。具体的，针对每个采样带宽频段，通过以下方式确定该采样带宽频段内的谐波是否满足谐振条件：

S301、确定出新的复数频域序列中各次谐波的幅值。

S302、根据采样带宽频段内各次谐波的幅值，计算采样带宽频段内的谐波含有率。

S303、确定该采样带宽频段内的谐波含有率是否大于10%。

S304、若采样带宽频段内的谐波含有率大于10%，则确定满足谐振条件。

S305、若采样带宽频段内的谐波含有率不大于10%，则确定不满足谐振条件。

如图5所示，根据X’（s）中复数元素计算X’（s）中各次谐波幅值，得到谐波分析序列X’’（s），其中横坐标为频率值，纵坐标为幅值。谐波含有率计算公式如下：

依次判断每个频段内谐波的谐波含有率是否满足谐振条件，即谐波含有率大于10%。谐波含有率大于10%，则确定满足谐振条件，不满足则将500Hz带宽的谐波分析窗口左移50Hz，计算对应频段的谐波含有率判断该频段内谐波的谐波含有率是否满足谐振条件，即谐波含有率大于10%，直到谐波分析窗口移动到了3500Hz到4000Hz的谐波频段。

基于同一发明构思，本申请实施例中还提供了与基于数据驱动与工程知识的车网谐振检测方法对应的基于数据驱动与工程知识的车网谐振检测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述基于数据驱动与工程知识的车网谐振检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

请参阅图7，图7为本申请实施例所提供的一种基于数据驱动与工程知识的车网谐振检测装置的结构示意图。如图7中所示，检测装置700包括：

采集模块710，用于获取在目标列车的车网系统上设置的监测设备在同一采集时段内所采集的目标列车的电压时序数据和电流时序数据；

辨识模块720，用于将电压时序数据和电流时序数据输入基于车网系统中谐振扰动的时序特征所设置的第一扰动辨识通道，同时将电压时序数据输入基于车网系统中谐振扰动的频段分布特征所设置的第二扰动辨识通道，以获取第一扰动辨识通道输出的第一扰动辨识结果以及第二扰动辨识通道输出的第二扰动辨识结果，第一扰动辨识结果和第二扰动辨识结果均用于指示谐振扰动是否辨识成功；

判断模块730，用于若第一扰动辨识结果和第二扰动辨识结果均指示谐振扰动辨识成功，则确定采集时段内，目标列车的车网系统发生谐振扰动。

在一优选实施例中，还包括存储模块740（图中未示出），用于确定采集时段内，目标列车的车网系统发生谐振扰动后，将该采集时段内所采集的电压时序数据和电流时序数据保存在本地并上传至云端，以用于对车网系统的电气耦合异常进行分析。

在一优选实施例中，第一扰动辨识通道包括时序卷积神经网络模型，时序卷积神经网络模型包括电压时序数据特征提取通道和电流时序数据特征提取通道和整合通道，辨识模块720，具体用于将电压时序数据输入电压时序数据特征提取通道，以输出基于电压时序数据提取出的张量，以及将电流时序数据输入电流时序数据特征提取通道，以输出基于电流时序数据提取出的张量；将基于电压时序数据提取出的张量和基于电流时序数据提取出的张量输入到整合通道，以输出基于电压时序数据和电流时序数据，辨识出的目标列车的车网系统发生谐振扰动的概率以及目标列车的车网系统未发生谐振扰动的概率；比较目标列车的车网系统发生谐振扰动的概率以及目标列车的车网系统未发生谐振扰动的概率的大小，以确定第一扰动辨识结果为谐振扰动辨识成功或谐振扰动辨识未成功。

在一优选实施例中，电压时序数据特征提取通道和电流时序数据特征提取通道均包括依次连接的池化单元、第一残差单元、第二残差单元和第三残差单元，第一残差单元、第二残差单元和第三残差单元中的每个残差单元均包括第一卷积模块、第二卷积模块和第三卷积模块，第一卷积模块的输入和第三卷积模块的输入共同作为残差单元的输入，第一卷积模块的输出与第二卷积模块的输入连接，第二卷积模块的输出与第三卷积模块的输出共同作为残差单元的输出，第一卷积模块与第二卷积模块的卷积核大小不同，第一卷积模块与第二卷积模块中的每个卷积模块均包括依次连接的扩张卷积层、权值归一层、激活层和随机失活层，其中电压时序数据特征提取通道中的激活层和电流时序数据特征提取通道中的激活层所采用的激活函数不同；整合通道包括依次连接的扁平化层、全连接层和分类层。

在一优选实施例中，还包括优化模块750（图中未示出），用于按照预设的时间间隔，提取保存在本地的至少一组电压时序数据和电流时序数据，并依次输入第一扰动辨识通道进行再训练，以输出对应的第一扰动辨识结果，并计算出第一扰动辨识通道的损失函数的损失值，以更新第一扰动辨识通道中的网络参数，直到损失值满足优化条件。

在一优选实施例中，电压时序数据包括多个瞬时电压值与瞬时电压值对应的时刻构成的数据组，第二扰动辨识通道包括谐波分析模型，辨识模块720，具体用于对输入的电压时序数据进行傅里叶变换，以输出预设频率分辨率的复数频域序列，复数频域序列中包括多个频率点以及该频率点对应分解到的谐波构成的数据组；在复数频域序列中，提取出基波以及2至80次谐波所对应的数据组，以形成新的复数频域序列，确定出采样带宽频段，采样带宽频段的初始频率点为新的复数频域序列中的首个频率点，采样带宽频段的带宽为500Hz；确定当前采样带宽频段内的谐波是否满足谐振条件，若满足，则确定谐振扰动辨识成功，若不满足则将新的复数频域序列中的下一个频率点作为采样带宽频段的初始频率点，并返回确定采样带宽频段内的谐波是否满足谐振条件的步骤，直到新的复数频域序列中的所有频率点都遍历完毕，若每个采样带宽频段内的谐波都不满足谐振条件，则确定谐振扰动辨识未成功。

在一优选实施例中，辨识模块720，具体用于针对每个采样带宽频段，通过以下方式确定该采样带宽频段内的谐波是否满足谐振条件：确定出新的复数频域序列中各次谐波的幅值；根据采样带宽频段内各次谐波的幅值，计算采样带宽频段内的谐波含有率；确定该采样带宽频段内的谐波含有率是否大于10%；若采样带宽频段内的谐波含有率大于10%，则确定满足谐振条件；若采样带宽频段内的谐波含有率不大于10%，则确定不满足谐振条件。

请参阅图8，图8为本申请实施例所提供的一种电子设备的结构示意图。如图8中所示，所述电子设备800包括处理器810、存储器820和总线830。

所述存储器820存储有所述处理器810可执行的机器可读指令，当电子设备800运行时，所述处理器810与所述存储器820之间通过总线830通信，所述机器可读指令被所述处理器810执行时，可以执行如上述图1所示方法实施例中的基于数据驱动与工程知识的车网谐振检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的基于数据驱动与工程知识的车网谐振检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说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，该计算机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机设备（可以是个人计算机，服务器，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（Read-OnlyMemory，ROM）、随机存取存储器（RandomAccessMemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于数据驱动与工程知识的车网谐振检测方法，其特征在于，所述方法包括：

获取在目标列车的车网系统上设置的监测设备在同一采集时段内所采集的目标列车的电压时序数据和电流时序数据；

将所述电压时序数据和所述电流时序数据输入基于车网系统中谐振扰动的时序特征所设置的第一扰动辨识通道，同时将所述电压时序数据输入基于车网系统中谐振扰动的频段分布特征所设置的第二扰动辨识通道，以获取所述第一扰动辨识通道输出的第一扰动辨识结果以及所述第二扰动辨识通道输出的第二扰动辨识结果，所述第一扰动辨识结果和所述第二扰动辨识结果均用于指示谐振扰动是否辨识成功；

若所述第一扰动辨识结果和所述第二扰动辨识结果均指示谐振扰动辨识成功，则确定所述采集时段内，目标列车的车网系统发生谐振扰动；

其中，所述第一扰动辨识通道包括时序卷积神经网络模型，所述时序卷积神经网络模型包括电压时序数据特征提取通道和电流时序数据特征提取通道和整合通道，时序卷积神经网络模型输出第一扰动辨识结果的步骤，具体包括：将所述电压时序数据输入所述电压时序数据特征提取通道，以输出基于电压时序数据提取出的张量，以及将所述电流时序数据输入所述电流时序数据特征提取通道，以输出基于电流时序数据提取出的张量；将基于电压时序数据提取出的张量和基于电流时序数据提取出的张量输入到所述整合通道，以输出基于所述电压时序数据和所述电流时序数据，辨识出的目标列车的车网系统发生谐振扰动的概率以及目标列车的车网系统未发生谐振扰动的概率；比较所述目标列车的车网系统发生谐振扰动的概率以及目标列车的车网系统未发生谐振扰动的概率的大小，以确定所述第一扰动辨识结果为谐振扰动辨识成功或谐振扰动辨识未成功；

以及所述电压时序数据包括多个瞬时电压值与瞬时电压值对应的时刻构成的数据组，所述第二扰动辨识通道包括谐波分析模型，谐波分析模型输出第二扰动辨识结果的步骤，具体包括：对输入的电压时序数据进行傅里叶变换，以输出预设频率分辨率的复数频域序列，所述复数频域序列中包括多个频率点以及该频率点对应分解到的谐波构成的数据组；在所述复数频域序列中，提取出基波以及2至80次谐波所对应的数据组，以形成新的复数频域序列，确定出采样带宽频段，所述采样带宽频段的初始频率点为新的复数频域序列中的首个频率点，所述采样带宽频段的带宽为500Hz；确定当前采样带宽频段内的谐波是否满足谐振条件，若满足，则确定谐振扰动辨识成功，若不满足则将新的复数频域序列中的下一个频率点作为采样带宽频段的初始频率点，并返回确定采样带宽频段内的谐波是否满足谐振条件的步骤，直到新的复数频域序列中的所有频率点都遍历完毕，若每个采样带宽频段内的谐波都不满足谐振条件，则确定谐振扰动辨识未成功；其中，针对每个采样带宽频段，通过对应的复数频域序列中各次谐波的幅值计算该采样带宽频段内的谐波是否满足谐振条件。

2.根据权利要求1所述的方法，其特征在于，还包括：

确定所述采集时段内，目标列车的车网系统发生谐振扰动后，将该采集时段内所采集的所述电压时序数据和所述电流时序数据保存在本地并上传至云端，以用于对车网系统的电气耦合异常进行分析。

3.根据权利要求1所述的方法，其特征在于，所述电压时序数据特征提取通道和电流时序数据特征提取通道均包括依次连接的池化单元、第一残差单元、第二残差单元和第三残差单元，

第一残差单元、第二残差单元和第三残差单元中的每个残差单元均包括第一卷积模块、第二卷积模块和第三卷积模块，第一卷积模块的输入和第三卷积模块的输入共同作为残差单元的输入，第一卷积模块的输出与第二卷积模块的输入连接，第二卷积模块的输出与第三卷积模块的输出共同作为残差单元的输出，第一卷积模块与第二卷积模块的卷积核大小不同，

第一卷积模块与第二卷积模块中的每个卷积模块均包括依次连接的扩张卷积层、权值归一层、激活层和随机失活层，

其中电压时序数据特征提取通道中的激活层和电流时序数据特征提取通道中的激活层所采用的激活函数不同；

所述整合通道包括依次连接的扁平化层、全连接层和分类层。

4.根据权利要求3所述的方法，其特征在于，还包括：

按照预设的时间间隔，提取保存在本地的至少一组电压时序数据和电流时序数据，并依次输入所述第一扰动辨识通道进行再训练，以输出对应的第一扰动辨识结果，并计算出第一扰动辨识通道的损失函数的损失值，以更新第一扰动辨识通道中的网络参数，直到所述损失值满足优化条件。

5.根据权利要求1所述的方法，其特征在于，针对每个采样带宽频段，通过以下方式确定该采样带宽频段内的谐波是否满足谐振条件：

确定出新的复数频域序列中各次谐波的幅值；

根据采样带宽频段内各次谐波的幅值，计算采样带宽频段内的谐波含有率；

确定该采样带宽频段内的谐波含有率是否大于10%；

若采样带宽频段内的谐波含有率大于10%，则确定满足谐振条件；

若采样带宽频段内的谐波含有率不大于10%，则确定不满足谐振条件。

6.一种基于数据驱动与工程知识的车网谐振检测装置，其特征在于，所述装置包括：

采集模块，用于获取在目标列车的车网系统上设置的监测设备在同一采集时段内所采集的目标列车的电压时序数据和电流时序数据；

辨识模块，用于将所述电压时序数据和所述电流时序数据输入基于车网系统中谐振扰动的时序特征所设置的第一扰动辨识通道，同时将所述电压时序数据输入基于车网系统中谐振扰动的频段分布特征所设置的第二扰动辨识通道，以获取所述第一扰动辨识通道输出的第一扰动辨识结果以及所述第二扰动辨识通道输出的第二扰动辨识结果，所述第一扰动辨识结果和所述第二扰动辨识结果均用于指示谐振扰动是否辨识成功；

其中，第一扰动辨识通道包括时序卷积神经网络模型，时序卷积神经网络模型包括电压时序数据特征提取通道和电流时序数据特征提取通道和整合通道，辨识模块具体用于将电压时序数据输入电压时序数据特征提取通道，以输出基于电压时序数据提取出的张量，以及将电流时序数据输入电流时序数据特征提取通道，以输出基于电流时序数据提取出的张量；将基于电压时序数据提取出的张量和基于电流时序数据提取出的张量输入到整合通道，以输出基于电压时序数据和电流时序数据，辨识出的目标列车的车网系统发生谐振扰动的概率以及目标列车的车网系统未发生谐振扰动的概率；比较目标列车的车网系统发生谐振扰动的概率以及目标列车的车网系统未发生谐振扰动的概率的大小，以确定第一扰动辨识结果为谐振扰动辨识成功或谐振扰动辨识未成功；

电压时序数据包括多个瞬时电压值与瞬时电压值对应的时刻构成的数据组，第二扰动辨识通道包括谐波分析模型，辨识模块具体用于对输入的电压时序数据进行傅里叶变换，以输出预设频率分辨率的复数频域序列，复数频域序列中包括多个频率点以及该频率点对应分解到的谐波构成的数据组；在复数频域序列中，提取出基波以及2至80次谐波所对应的数据组，以形成新的复数频域序列，确定出采样带宽频段，采样带宽频段的初始频率点为新的复数频域序列中的首个频率点，采样带宽频段的带宽为500Hz；确定当前采样带宽频段内的谐波是否满足谐振条件，若满足，则确定谐振扰动辨识成功，若不满足则将新的复数频域序列中的下一个频率点作为采样带宽频段的初始频率点，并返回确定采样带宽频段内的谐波是否满足谐振条件的步骤，直到新的复数频域序列中的所有频率点都遍历完毕，若每个采样带宽频段内的谐波都不满足谐振条件，则确定谐振扰动辨识未成功，以及通过对应的复数频域序列中各次谐波的幅值计算该采样带宽频段内的谐波是否满足谐振条件；

判断模块，用于若所述第一扰动辨识结果和所述第二扰动辨识结果均指示谐振扰动辨识成功，则确定所述采集时段内，目标列车的车网系统发生谐振扰动。

7.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至5任一所述基于数据驱动与工程知识的车网谐振检测方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至5任一所述基于数据驱动与工程知识的车网谐振检测方法的步骤。