CN117034111A - 一种牵引传动系统中交流接触器开关状态估计方法 - Google Patents
一种牵引传动系统中交流接触器开关状态估计方法 Download PDFInfo
- Publication number
- CN117034111A CN117034111A CN202311005067.XA CN202311005067A CN117034111A CN 117034111 A CN117034111 A CN 117034111A CN 202311005067 A CN202311005067 A CN 202311005067A CN 117034111 A CN117034111 A CN 117034111A
- Authority
- CN
- China
- Prior art keywords
- contactor
- vector
- current
- data
- estimating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000005540 biological transmission Effects 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 108
- 241000287127 Passeridae Species 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
Abstract
本发明提出一种牵引传动系统中交流接触器开关状态估计方法,涉及交流接触器领域,本发明在离线部分通过由历史数据提取已知工况信息的原始数据,再通过提取原始数据的特征变量,建立基于机器学习的工况识别模型,使用一种基于麻雀搜索优化极限学习机方法优化模型,得到最终的识别模型,在线部分中,系统实时采样数据,提取特征向量,用离线建立的识别模型分析牵引传动系统工况,结合工况与接触器开关状态的对应关系,进而预测交流接触器的开关状态。
Description
技术领域
本发明涉及牵引传动系统领域,更具体地,涉及一种牵引传动系统中交流接触器开关状态估计方法。
背景技术
在现代铁路交通系统中,列车牵引系统扮演着至关重要的角色,它负责提供动力和控制列车运行,而接触器作为列车牵引系统的核心组件之一,起着连接电源和牵引装置的关键作用,然而,接触器故障是导致列车运行中断和延误的常见问题之一,接触器故障可能导致牵引装置无法正常工作或无法与电源正确连接,从而影响列车的起动、制动和速度控制等功能。
在大多数工业环境中,接触器的健康状态是通过研究其动作时间来判断的而实际工业应用时,接触器供电电压和温度大多数情况下是不稳定的,由此将带来接触器线圈电流、吸合力和动作时间等参数的变化,因此,仅仅通过研究接触器动作时间来判断接触器健康状态是远远不够的,而且目前的故障诊断方法往往无法准确定位接触器故障的根本原因,并且过度依赖单一的保护隔离策略,当机车需要停车维修时,会导致维修效率低下和列车延误,从而在不同程度上影响列车的可用性。
目前列车牵引系统接触器故障检测仍针对命令与反馈信号不一致进行故障表征,但实际上因辅助触头接触不良、反馈信号线路断线等故障产生的影响较小,但目前无法对这种故障原因进行精确定位,故通常采用单一的保护隔离策略,对列车的可用性造成了不同程度影响。
相似方案:检索发现,中国专利申请号为:CN202211607445.7,名称为:一种接触器状态识别方法及装置,在该申请案中,基于接触器在第一积分时段的压差积分确定接触器状态阈值,基于接触器在第二积分时段的压差积分确定接触器状态值,基于接触器状态信息,以及接触器状态值与接触器状态阈值的大小关系,得到接触器状态识别结果,该方法依赖于接触器在不同积分时段的压差积分来确定接触器状态阈值和状态值,然而,压差积分本身可能受到噪声、干扰和误差的影响,这可能导致不准确的状态识别结果。
中国专利申请号为:CN202111059777.1,名称为:接触器状态评估方法、设备、存储介质及装置,在该申请案中,通过采集电梯接触器根在预设参数维度下的状态参数信息,根据状态参数信息利用预设状态评估模型对电梯接触器进行状态评估,获得电梯接触器的状态评估结果,该方法使用预设参数维度下的状态参数信息进行状态评估,预设参数的选择可能需要经验或依赖于专业知识,如果预设参数选择不合理或不充分,可能导致状态评估结果的准确性和可靠性降低。
发明内容
本发明为克服上述现有技术依赖于接触器在不同积分时段的压差积分来确定接触器状态阈值和状态值的问题,然而,压差积分本身可能受到噪声、干扰和误差的影响,这可能导致不准确的状态识别结果的问题,提供一种牵引传动系统中交流接触器开关状态估计方法。
为解决上述技术问题,本发明的技术方案如下:
一种牵引传动系统中交流接触器开关状态估计方法,包括以下步骤:
S1:获取离线状态下的原始采样数据,所述原始采样数据包括直流侧电压和交流侧电流;
S2:对原始采样数据进行预处理,在时序窗口的环境下,通过滑窗处理获得特征向量;
S3:对步骤S2获得的特征向量进行预处理,利用预处理的特征向量训练识别模型,使用一种基于麻雀搜索优化极限学习机方法,得到最终的识别模型;
S4:对在线状态下的原始采样数据提取特征向量,对提取到的特征向量进行处理;
S5:利用步骤S3得到的最终的识别模型对步骤S4处理后的特征向量进行识别,得到预测的工况,根据工况预测接触器的开关状态。
进一步,步骤S2中,所述对原始采样数据进行预处理,在时序窗口的环境下,通过滑窗处理获得特征向量,具体为:使用长度为L的窗口对长度为M的附带时间序列的采样数据进行滑动、分割和截取操作。
进一步,所述滑动操作具体为:设置其滑动步长S,使得窗口沿着时间序列方向按设定步长滑动,每次滑动得到一段长度为L的数据段,当滑动到剩余数据少于设定步长时,则停止滑动。
进一步,所述特征向量包括平均直流电压向量、直流电压变化率向量及平均交流侧电流向量,具体为:平均直流电压向量、直流电压变化率向量及平均交流侧电流向量的计算方式为:
其中,Uave(j)为平均直流电压向量的第j个值,Uk(j)为直流电压变化率向量的第j个值,Iave(j)为平均交流侧电流向量的第j个值,L为数据段的长度,Uj(start)和Uj(end)为Uj的第一个数据与Uj的最后一个数据,Ij(i)为第j段数据段的第i个电流,Uj(i)为第j段数据段的第i个电压。
进一步,步骤S3中,对步骤S2获得的特征向量进行预处理,具体为:
所述预处理包括:划分数据集,得出不同类别数据,将各类别数据转置并归一化。
进一步,步骤S3中,所述利用预处理的特征向量训练识别模型,具体为:
设置机器学习输入层参数、隐含层参数,优化隐含层输入权值及节点阈值,使用预处理的特征向量进行识别模型的训练。
进一步,步骤S3,所述使用一种基于麻雀搜索优化极限学习机方法,得到最终的识别模型,所述最终的识别模型得到过程具体为:
S3.1:初始化麻雀搜索算法的参数;
S3.2:获取全局最优适应度值和最优种群;
S3.3:不断更新当前的全局最优适应度值和对应的最优种群;
S3.4:若达到最大迭代次数,则更新终止,输出优化后的极限学习机最优权值,若没达到最大迭代次数,则继续进行下一次迭代,直到达到最大迭代次数;
S3.5:优化后的极限学习机最优权值作为极限学习机模型的初始权值和阈值优化识别模型。
进一步,步骤S4中,对在线状态下的原始采样数据提取特征向量,对提取到的特征向量进行处理,具体为:
从在线系统中获取直流侧直流电压和交流侧电流的实时采样数据,对实时采样数据使用与步骤S2相同的方法提取特征向量。
进一步,所述对提取到的特征向量进行处理,具体为:
对步骤S4处理后的特征向量进行归一化处理,然后输入到训练好的识别模型,获取牵引传动系统的工况。
进一步,根据牵引传动系统的预测工况,结合机理分析得到预测的交流接触器开关状态。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出了一种牵引传动系统中交流接触器开关状态估计方法,以采样信号中的直流侧电压和交流侧电流作为具体对象进行分析研究,关键点在于从采样信号中,通过滑窗处理提取与运行工况相关联的三个新的特征向量,引入时序特征概念,在时序窗口环境下,建立工况识别模型,通过实时数据不断进行在线分析运算,调用完成离线训练的机器学习模型,进行系统运行工况的识别,进而预测接触器的开关状态,提供更高的准确性和可靠性,通过训练模型,机器学习能够适应不同的工况变化,并能够推广到未见过的数据,它能够捕捉工况之间的复杂关系和非线性规律,从而在面对新的或未知的工况时依然保持较高的准确性和鲁棒性。
附图说明
图1为本发明所述的一种牵引传动系统中交流接触器开关状态估计方法流程图;
图2为实施例所述的列车牵引系统整流电路原理图;
图3为实施例所述的交流接触器开关状态估计原理图;
图4为本发明所述的机器学习工况识别流程图;
图5为本发明所述的基于麻雀搜索优化极限学习机方法流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种牵引传动系统中交流接触器开关状态估计方法,如图1所示,包括以下步骤:
S1:获取离线状态下的原始采样数据,所述原始采样数据包括直流侧电压和交流侧电流;
S2:对原始采样数据进行预处理,在时序窗口的环境下,通过滑窗处理获得特征向量;
S3:对步骤S2获得的特征向量进行预处理,利用预处理的特征向量训练识别模型,使用麻雀搜索算法优化识别模型,得到最终的识别模型;
S4:对在线状态下的原始采样数据提取特征向量,对提取到的特征向量进行处理;
S5:利用步骤S3得到的最终的识别模型对步骤S4处理后的特征向量进行识别,得到预测的工况,根据工况预测接触器的开关状态。
本发明根据分析不同工况下直流侧电压和交流测电流的特征,提出一种交流接触器开关状态估计方法,利用历史数据训练识别模型,使用一种基于麻雀搜索优化极限学习机方法优化识别模型,利用实时数据分析工况,进而预测交流接触器的开关状态,优化后的识别模型在面对新的或未知的工况时依然保持较高的准确性和鲁棒性。
实施例2
本实施例在实施例1的基础上,继续公开以下内容:
如图2所示,本发明所研究的列车牵引传动系统相关电路,主要由牵引变压模块,预充电单元,四象限整流模块,中间直流模块组成,在主变压器每个次边绕组和四象限整流模块输入之间都设置了一个线路接触器KM2,用于控制牵引变流器与主变压器的通断,预充电单元以并联方式连接到线路接触器上,预充电单元由一个预充电接触器KM1和一个预充电电阻Rchr组成,VH,LH分别为直流侧电压传感器和交流侧电流传感器,根据预充电接触器KM1和线路接触器KM2的工作状态,可将牵引系统运行状态分为W1~W4四种工况:
在前期预充电工况W1下,主断路器闭合,预充电接触器KM1和线路接触器KM2均断开,牵引变流器未投入运行,此工况下,直流侧电压和交流侧电流可分别表示为:
在预充电工况W2下,当VCB闭合时,牵引变流器投入运行,为了避免将输入电压加载到未充电的支撑电容上产生瞬间峰值电流,TCU先发出闭合指令,通过预充电回路对支撑电容进行充电,在该工况下,直流侧电压和交流侧电流分别表示为:
在短接工况W3下,TCU((Transmission Control Unit,传动控制单元)发出KM2闭合指令,短接预充电电阻Rchr,中间直流电压充电速度加快,KM2闭合后,通过硬件互锁设计或软件实现断开控制KM1;
在四象限脉冲整流工况W4下,当中间直流电压达到其充电理论终值的95%时,四象限整流器开始运行,在该工况下,单相PWM整流器的状态方程为:
其中为了便于建模分析,定义理想开关函Sa和Sb:
通过MATLAB-Simulink进行列车牵引系统正常运行仿真,得到系统正常时四个工况的的原始数据,将每种工况的原始数据直流侧电压和交流侧电流分别提取特征向量,得到属于各工况的特征向量组。
实施例3
本实施例在实施例1和2的基础上,继续公开以下内容:
如图3所示,接触器开关状态估计原理分为两个部分:离线部分和在线部分,所述离线部分:获取历史数据,按工况分类,选择了列车牵引系统的采样信号直流侧电压、交流侧电流用于识别工况,对提取的的直流侧电压、交流侧电流进行滑窗分析计算,得到各工况下每个周期内的特征向量,平均直流电压向量、直流电压变化率向量及平均交流侧电流向量,将获得的特征向量进行机器学习分类识别,最终形成工况识别模型。
在线部分:利用系统中实时采样信号的直流侧电压、交流侧电流信号,进行特征提取,得到采样时间内多个周期内的平均直流电压向量、直流电压变化率向量及平均交流侧电流向量,将获得的特征向量进行归一化处理,调用完成离线训练的机器学习模型,进行工况分析,获取系统的预测工况,进而预测交流接触器的开关状态。
实施例4
本实施例在实施例1、2和3的基础上,继续公开以下内容:
步骤S2中,所述对原始采样数据进行预处理,在时序窗口的环境下,通过滑窗处理获得特征向量,具体为:使用长度为L的窗口对长度为M的附带时间序列的采样数据进行滑动、分割和截取操作。
所述滑动操作具体为:设置其滑动步长S,使得窗口沿着时间序列方向按设定步长滑动,每次滑动得到一段长度为L的数据段,当滑动到剩余数据少于设定步长时,则停止滑动。
步骤S3中,所述对步骤S2获得的特征向量进行预处理,具体为:
将特征变量进行预处理,所述预处理包括:划分数据集,得出不同类别数据,将各类别数据转置并归一化。
步骤S3中,所述利用预处理的特征向量训练识别模型,具体为:
设置机器学习输入层参数、隐含层参数,优化隐含层输入权值及节点阈值,使用预处理的特征向量进行识别模型的训练。
具体实施过程中,分析处理特征向量时,采取滑窗思想处理数据,每组滑动窗口长度设置为200(系统在周期内采集特征向量数据的样本数量),步长设置为10,采集3组,每组样本数量根据工况的数据长度而定,使窗口沿着时间序列方向按设定步长滑动,每次滑动得到一段长度为200的数据段,当滑动到剩余数据少于设定步长10时,则停止滑动,对于原始数据进行滑窗处理后,得到每个周期内的平均直流电压向量、直流电压变化率向量及平均交流侧电流向量。
实施例5
本实施例在实施例1、2、3和4的基础上,继续公开以下内容:
如图4所示,首先对平均直流电压向量、直流电压变化率向量及平均交流侧电流向量进行预处理,采用5折交叉验证方法对数据集进行划分,将原始数据集随机打乱,以消除数据的顺序性和确保随机性,将打乱后的数据集分成5个互斥的子集,每个子集的大小尽量相近,通过5次迭代,每次迭代选择其中一个子集作为测试集(p_test),其余4个子集合并作为训练集,即划分训练集(p_train)和测试集,在每次迭代中,使用训练集进行识别模型的训练,并在对应的测试集上进行性能评估,重复前两个步骤共5次,每次选择不同的子集作为测试集,得到训练后的识别模型,最后将5次的性能评估结果取平均,作为模型的最终性能评估,以提高模型的可信度和泛化能力估计,在此基础上,对各类别数据进行转置和归一化处理,将其映射至区间[0,1],以确保数据具有统一的尺度和范围,使用训练后的识别模型对工况进行识别。
所述特征向量包括平均直流电压向量、直流电压变化率向量及平均交流侧电流向量,平均直流电压向量、直流电压变化率向量及平均交流侧电流向量的计算方式为:
其中,Uave(j)为平均直流电压向量的第j个值,Uk(j)为直流电压变化率向量的第j个值,Iave(j)为平均交流侧电流向量的第j个值,L为数据段的长度,Uj(start)和Uj(end)为Uj的第一个数据与Uj的最后一个数据,Ij(i)为第j段数据段的第i个电流,Uj(i)为第j段数据段的第i个电压。
实施例6
本实施例在实施例1、2、3、4和5的基础上,继续公开以下内容:
步骤S3,所述使用一种基于麻雀搜索优化极限学习机方法,得到最终的识别模型,所述最终的识别模型得到过程具体为:
S3.1:初始化麻雀搜索算法的参数;
S3.2:获取全局最优适应度值和最优种群;
S3.3:不断更新当前的全局最优适应度值和对应的最优种群;
S3.4:若达到最大迭代次数,则更新终止,输出优化后的极限学习机最优权值,若没达到最大迭代次数,则继续进行下一次迭代,直到达到最大迭代次数;
S3.5:优化后的极限学习机最优权值作为极限学习机模型的初始权值和阈值优化识别模型。
具体实施过程中,如图5所示,使用一种基于麻雀搜索优化极限学习机方法优化识别模型流程,在开始阶段基于麻雀搜索优化极限学习机方法会执行以下操作:初始化极限学习机的输入层与隐藏层之间的权值和阈值,初始化麻雀搜索优化算法的参数,如种群大小、最大迭代次数等,根据麻雀搜索优化算法的优化思想,为每个麻雀随机分配一个权重向量,该权重向量将用于优化极限学习机的权值,在基于麻雀搜索优化极限学习机方法的每次迭代中,算法会计算当前种群中所有麻雀的适应度值,并确定全局最优适应度值,同时记录对应的最优种群,在基于麻雀搜索优化极限学习机方法的优化过程中,所有麻雀根据其当前的权重向量,作为输入数据,被用于极限学习机中的前向传播计算,以获得其适应度值,在每次迭代后,基于麻雀搜索优化极限学习机方法会更新当前的全局最优适应度值和对应的最优种群,如果某个麻雀的适应度值超过了当前的全局最优适应度值,那么该麻雀的权重向量和适应度值将成为新的全局最优解,在基于麻雀搜索优化极限学习机方法中,设置了一个结束条件,该算法是达到最大迭代次数,如果满足结束条件,算法将终止并进入下一步;否则,将继续进行下一次迭代,在基于麻雀搜索优化极限学习机方法算法完成所有迭代后,将得到全局最优解,即具有最佳适应度值的麻雀权重向量,这些权重向量将被提取作为优化后的极限学习机最优权值,经过优化的极限学习机权值和阈值将被用于识别任务,这些最优参数使得模型具备更好的泛化能力和识别性能,算法到达结束点,整个基于麻雀搜索优化极限学习机方法的流程完成,此时,就得到了用麻雀搜索优化算法优化过的识别模型,并且该识别模型已经可以用于有效地进行识别任务。
具体设置机器学习输入层参数为3维向量、隐含层节点数为20,采用麻雀搜索算法优化隐含层输入权值及节点阈值,输出层为4维,激活函数为sig,麻雀规模为15,最大迭代次数为100,发现者占种群20%,报警阈值ST为0.8,最后进行模型训练及测试分类。
步骤S4中,对在线状态下的原始采样数据提取特征向量,对提取到的特征向量进行处理,具体为:
从在线系统中获取直流侧直流电压和交流侧电流的实时采样数据,对实时采样数据使用与步骤S2相同的方法提取特征向量。
所述对提取到的特征向量进行处理,具体为:
对步骤S4处理后的特征向量进行归一化处理,然后输入到训练好的识别模型,获取牵引传动系统的工况。
在具体实施过程中,在线工况识别的过程:调用完成离线训练的机器学习模型参数,将获得的特征向量进行归一化处理后输入到工况识别模型,进行工况分析,进而预测接触器的开关状态。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种牵引传动系统中交流接触器开关状态估计方法,其特征在于,包括以下步骤:
S1:获取离线状态下的原始采样数据,所述原始采样数据包括直流侧电压和交流侧电流;
S2:对原始采样数据进行预处理,在时序窗口的环境下,通过滑窗处理获得特征向量;
S3:对步骤S2获得的特征向量进行预处理,利用预处理的特征向量训练识别模型,使用一种基于麻雀搜索优化极限学习机方法,得到最终的识别模型;
S4:对在线状态下的原始采样数据提取特征向量,对提取到的特征向量进行处理;
S5:利用步骤S3得到的最终的识别模型对步骤S4处理后的特征向量进行识别,得到预测的工况,根据工况预测接触器的开关状态。
2.根据权利要求1所述的一种牵引传动系统中交流接触器开关状态估计方法,其特征在于,步骤S2中,所述对原始采样数据进行预处理,在时序窗口的环境下,通过滑窗处理获得特征向量,具体为:使用长度为L的窗口对长度为M的附带时间序列的采样数据进行滑动、分割和截取操作。
3.根据权利要求2所述的一种牵引传动系统中交流接触器开关状态估计方法,其特征在于,所述滑动操作具体为:设置其滑动步长S,使得窗口沿着时间序列方向按设定步长滑动,每次滑动得到一段长度为L的数据段,当滑动到剩余数据少于设定步长时,则停止滑动。
4.根据权利要求1所述的一种牵引传动系统中交流接触器开关状态估计方法,其特征在于,所述特征向量包括平均直流电压向量、直流电压变化率向量及平均交流侧电流向量,具体为:平均直流电压向量、直流电压变化率向量及平均交流侧电流向量的计算方式为:
其中,Uave(j)为平均直流电压向量的第j个值,Uk(j)为直流电压变化率向量的第j个值,Iave(j)为平均交流侧电流向量的第j个值,L为数据段的长度,Uj(start)和Uj(end)为Uj的第一个数据与Uj的最后一个数据,Ij(i)为第j段数据段的第i个电流,Uj(u)为第j段数据段的第i个电压。
5.根据权利要求1所述的一种牵引传动系统中交流接触器开关状态估计方法,其特征在于,步骤S3中,对步骤S2获得的特征向量进行预处理,具体为:
所述预处理包括:划分数据集,得出不同类别数据,将各类别数据转置并归一化。
6.根据权利要求1所述的一种牵引传动系统中交流接触器开关状态估计方法,其特征在于,步骤S3中,所述利用预处理的特征向量训练识别模型,具体为:
设置机器学习输入层参数、隐含层参数,优化隐含层输入权值及节点阈值,使用预处理的特征向量进行识别模型的训练。
7.根据权利要求1所述的一种牵引传动系统中交流接触器开关状态估计方法,其特征在于,步骤S3,所述使用一种基于麻雀搜索优化极限学习机方法,得到最终的识别模型,所述优化极限学习机的过程具体为:
S3.1:初始化麻雀搜索算法的参数;
S3.2:获取全局最优适应度值和最优种群;
S3.3:不断更新当前的全局最优适应度值和对应的最优种群;
S3.4:若达到最大迭代次数,则更新终止,输出优化后的极限学习机最优权值,若没达到最大迭代次数,则继续进行下一次迭代,直到达到最大迭代次数;
S3.5:优化后的极限学习机最优权值作为极限学习机模型的初始权值和阈值优化识别模型。
8.根据权利要求1所述的一种牵引传动系统中交流接触器开关状态估计方法,其特征在于,步骤S4中,对在线状态下的原始采样数据提取特征向量,对提取到的特征向量进行处理,具体为:
从在线系统中获取直流侧直流电压和交流侧电流的实时采样数据,对实时采样数据使用与步骤S2相同的方法提取特征向量。
9.根据权利要求8所述的一种牵引传动系统中交流接触器开关状态估计方法,其特征在于,所述对提取到的特征向量进行处理,具体为:
对步骤S4处理后的特征向量进行归一化处理,然后输入到训练好的识别模型,获取牵引传动系统的工况。
10.根据权利要求9所述的一种牵引传动系统中交流接触器开关状态估计方法,其特征在于,根据牵引传动系统的预测工况,结合机理分析得到预测的交流接触器开关状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311005067.XA CN117034111A (zh) | 2023-08-09 | 2023-08-09 | 一种牵引传动系统中交流接触器开关状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311005067.XA CN117034111A (zh) | 2023-08-09 | 2023-08-09 | 一种牵引传动系统中交流接触器开关状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117034111A true CN117034111A (zh) | 2023-11-10 |
Family
ID=88634869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311005067.XA Pending CN117034111A (zh) | 2023-08-09 | 2023-08-09 | 一种牵引传动系统中交流接触器开关状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034111A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947011A (zh) * | 2021-09-07 | 2022-01-18 | 国网河北省电力有限公司雄安新区供电公司 | 一种低压直流接触器状态评估方法及装置 |
CN114330438A (zh) * | 2021-12-28 | 2022-04-12 | 福州大学 | 基于改进麻雀搜索算法优化kelm的下肢运动识别方法 |
CN116520092A (zh) * | 2023-06-14 | 2023-08-01 | 广东工业大学 | 一种电力机车供电系统接地故障定位识别方法 |
-
2023
- 2023-08-09 CN CN202311005067.XA patent/CN117034111A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947011A (zh) * | 2021-09-07 | 2022-01-18 | 国网河北省电力有限公司雄安新区供电公司 | 一种低压直流接触器状态评估方法及装置 |
CN114330438A (zh) * | 2021-12-28 | 2022-04-12 | 福州大学 | 基于改进麻雀搜索算法优化kelm的下肢运动识别方法 |
CN116520092A (zh) * | 2023-06-14 | 2023-08-01 | 广东工业大学 | 一种电力机车供电系统接地故障定位识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270442B (zh) | 基于dbn-ga神经网络的高压断路器故障检测方法 | |
Ni et al. | An adaptive approach based on KPCA and SVM for real-time fault diagnosis of HVCBs | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
CN106199412B (zh) | 一种永磁机构高压真空断路器故障模式识别方法 | |
CN105759201B (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
CN111060815B (zh) | 基于GA-Bi-RNN的高压断路器故障诊断方法 | |
CN111898669A (zh) | 一种基于机器学习的直流矿热炉异常事件预警系统 | |
CN113159077A (zh) | 一种基于混合卷积神经网络的三相逆变器故障识别方法 | |
CN108828438B (zh) | 断路器状态评价方法 | |
CN104965148A (zh) | 一种电机驱动系统中逆变器功率管开路故障实时检测方法 | |
CN112684329A (zh) | 一种高压断路器机械故障智能诊断方法 | |
CN110516742A (zh) | 一种基于组合神经网络模型的配电终端故障判别方法及系统 | |
CN116243155A (zh) | 断路器故障诊断方法、装置、设备以及存储介质 | |
CN108919104B (zh) | 一种基于Fisher判别分类法的断路器故障诊断方法 | |
Sá et al. | A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators | |
CN106569052A (zh) | 考虑实时健康状态的电力变压器可靠性评估方法 | |
Li et al. | Open circuit fault diagnosis strategy of PMSM drive system based on grey prediction theory for industrial robot | |
CN108593099B (zh) | 一种有载调压变压器用分接开关振动信号提取方法 | |
CN117034111A (zh) | 一种牵引传动系统中交流接触器开关状态估计方法 | |
Morsalin et al. | Induction motor inter-turn fault detection using heuristic noninvasive approach by artificial neural network with Levenberg Marquardt algorithm | |
CN115128442B (zh) | 一种基于全寿命运行信息的断路器电寿命动态评价方法 | |
CN116520092A (zh) | 一种电力机车供电系统接地故障定位识别方法 | |
CN113092907B (zh) | 一种基于分块慢特征分析的系统故障检测方法 | |
CN115728628A (zh) | 一种断路器控制回路故障在线监测预警方法及装置 | |
Jose et al. | Fault diagnosis in induction motor using soft computing techniques |
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 |