一种高速列车牵引系统微小故障诊断方法技术方案

本发明专利技术公开了一种高速列车牵引系统微小故障诊断方法，包括：提取第一数据子集X

A small fault diagnosis method of high speed train traction system

【技术实现步骤摘要】
一种高速列车牵引系统微小故障诊断方法
本专利技术涉及高速列车故障诊断领域，尤其涉及高速列车牵引系统的微小故障诊断问题，能够提高故障诊断准确率。
技术介绍
高速列车因其速度快、载重大、准时的特点，已成为最重要的交通工具之一。牵引系统作为高速列车中的关键部件，其稳定性极大的影响了高速列车运行的安全性与可靠性。对高速列车牵引系统进行故障检测与诊断的技术研究，对保证列车安全运行、乘客的人身安全与财产安全具有十分重要的意义。实际高速列车牵引系统中的牵引变流器在运行过程中发生常会发生电机电流传感器偏置故障、电机速度传感器偏置故障。由于这些故障发生初期的幅值很小，牵引系统的硬件保护装置难以进行有效的隔离保护，因此称之为微小故障。随着时间的推移，这种故障会逐渐衍变成严重故障而对列车的稳定性造成巨大的损害，然而目前并没有非常有效的诊断技术用来进行诊断。因此，需要展开针对高速列车牵引系统的微小故障如电机电流传感器偏置故障、电机速度传感器偏置故障的故障诊断研究。
技术实现思路
本专利技术公开了一种高速列车牵引系统微小故障诊断方法，涉及高速列车故障诊断领域，能够解决高速列车牵引系统的微小故障诊断问题，提高故障诊断准确率。为达到上述目的，本专利技术的实施例采用如下技术方案：(1)提取第一数据子集X1，将所述第一数据子集X1输入至模型集合一，并对所述模型集合一进行第一次训练,得到模型集合二，所述模型集合一包括随机森林、极限随机树、XGBoost和LightGBM；(2)提取第二数据子集X2，将所述第二数据子集X2输入至所述模型集合二，得到第一特征数据；(3)将所述第一特征数据输入逻辑斯蒂回归模型，并对所述逻辑斯蒂回归模型进行第二次训练，得到模型三；(4)将经过预处理的故障Xtest数据输入所述模型集合二，产生第二特征数据，将所述第二特征数据输入所述模型三，得到故障诊断结果。本专利技术将基于堆叠泛化的模型融合技术用于对高速列车牵引系统中牵引变流器的电机电流传感器偏置故障、电机速度传感器偏置故障等微小故障。采用随机森林、极限随机树、XGBoost、LightGBM和逻辑斯蒂回归模型构建得到堆叠泛化模型。针对高速列车牵引系统的故障诊断问题，模型集合二用于从数据预处理后的实验数据中提出新特征，新特征作为被提取的故障信息用于拟合模型三。最终得到的基于堆叠泛化的模型融合技术的微小故障诊断算法，能够提高故障诊断的精度，实现了高速列车牵引系统故障诊断的要求，并且在微小故障诊断上效果良好。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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的附图。图1为本专利技术实施例高速列车牵引系统的结构图；图2为本专利技术实施例高速列车牵引系统的架构示意图；图3为本专利技术实施例提供的堆叠泛化模型的结构图；图4为本专利技术实施例提供的基于堆叠泛化模型的故障诊断模型示意图；图5为本专利技术实施例提供的基于XGBoost的特征提取流程图；图6为本专利技术实施例提供的基于堆叠泛化模型与基于小波包变换模型的特征提取准确率对比图；图7为对实验平台模拟高速列车建立堆叠泛化模型的混合矩阵图；表1为对实验平台模拟高速列车建立堆叠泛化模型的超参数。具体实施方式为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。下文中将详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。如图1所示，本专利技术实施例提供一种用于高速列车牵引系统的微小故障诊断方法，具体实施方式如下：1、提取第一数据子集X1，将所述第一数据子集X1输入至模型集合一，并对所述模型集合一进行第一次训练,得到模型集合二，所述模型集合一包括随机森林、极限随机树、XGBoost和LightGBM。堆叠泛化模型的结构图如图1所示，假设故障诊断问题为S∈{N,IF}，其中N＝-1代表正常状态，IF＝+1代表发生故障的状态，设置模型集合一的模型为Hρ(xi)，定义故障误诊断率ε为：P(y≠S)＝ε，y＝Hρ(xi)其中xi代表训练数据，y为模型集合一Hρ(xi)的预测值，S代表实际值，假设堆叠泛化模型由K个模型集合一和1个模型三组成，其中模型三为投票策略，因此堆叠泛化模型可以表示为：若模型集合一Hρ(xi)互相独立，则它们产生的故障误诊断率也相互独立，根据Hoeffding不等式得到堆叠泛化模型的故障误诊断率为：即当增加堆叠泛化模型中模型集合二K的值，其故障误诊断率P将逐渐降低，甚至趋向于0，但是前提是模型集合二的故障误诊断率ε小，这要求模型集合二具有较强的泛化性能，初期学习器之间的故障误诊断率相互独立，要求模型集合二之间的多样性。因此可以得出结论，在构建堆叠泛化这类集成学习器需要要求其模型集合二具有一定的准确率和多样性的要求，这样构建的堆叠泛化模型才能进一步提升模型的泛化性能。本专利技术选择模型集合二随机森林、极限随机树、XGBoost和LightGBM的泛化性能出众，符合对模型集合二的要求。采集的数据来自高速列车牵引系统的网测电压(变压器的输入电压)传感器信号Unet、四象限整流器的输出电压传感器信号Ud1、逆变器的输入电压传感器信号Ud2、三相交流异步电机的输入电流传感器信号Ia、Ib、Ic、电机转矩传感器信号Toq、电机转速传感器信号Wr、速度传感器信号S，采集的数据可以表示为：Data＝[(x1,y1)…(xi,yi)…(xn,yn)]Txi＝[UnetUd1Ud2IaIbIcToqWrS],xi∈Data采集数据并进过经过预处理后得到数据集合X∈Rn×m，其中n为数据的样本数，m为数据的特征，所述数据集合X∈Rn×m包括第一数据子集X1和第二数据子集X2；通过对数据预处理后得到数据X，用于作为堆叠泛化模型的输入，以XGBoost为例子来详细阐述模型集合二的特征提取技术，基于XGBoost的特征提取技术如图3所示。从实验平台采集的数据并进过预处理后得到的数据X∈Rn×m作为输入，其中n为训练数本文档来自技高网...

【技术保护点】
1.一种高速列车牵引系统微小故障诊断方法，其特征在于，包括：/n(1)获取传感器的历史信号作为第一数据子集X

【技术特征摘要】
1.一种高速列车牵引系统微小故障诊断方法，其特征在于，包括：
(1)获取传感器的历史信号作为第一数据子集X1，将所述第一数据子集X1输入至模型集合一，并对所述模型集合一进行第一次训练,得到模型集合二，所述模型集合一包括随机森林、极限随机树、XGBoost和LightGBM；
(2)通过传感器提取第二数据子集X2，将所述第二数据子集X2输入至所述模型集合二，得到第一特征数据；
(3)将所述第一特征数据输入逻辑斯蒂回归模型，并对所述逻辑斯蒂回归模型进行训练，将模型集合二作为第一层，经过训练后的逻辑斯蒂回归模型为第二层，进行叠加后得到堆叠泛化模型三；
(4)提取传感器运行过程中的数据输入所述模型三，得到故障分类标签，根据所述故障标签，获取故障诊断结果。


2.根据权利要求1所述的方法，其特征在于，所述(1)，具体包括：
通过传感器提取历史信号作为第一数据子集X1，所述第一数据子集X1包括：网侧电压传感器信号Unet、四象限整流器的输出电压传感器信号Ud1、逆变器的输入电压传感器信号Ud2、三相交流异步电机的输入电流传感器信号IaIbIc、电机转矩传感器信号Toq、电机转速传感器信号Wr、速度传感器信号S，所述第一数据子集X1：
Data＝[(x1,y1)…(xi,yi)…(xn,yn)]T
xi＝[UnetUd1Ud2IaIbIcToqWrS]，xi∈Data
其中Data代表实验平台上采集的原始数据集，xi代表数据集中的单个数据样本，且单个数据样本xi由上述的9个变量组成。yi代表xi数据样本的标签，表示该数据样本类型代表数据为健康类型还是某类故障。经过预处理后得到数据集合X∈Rn×m，其中n为数据的样本数，m为数据的特征，所述数据集合X∈Rn×m包括第一数据子集X1和第二数据子集X2；
所述模型集合...

【专利技术属性】
技术研发人员：冒泽慧，辛颖，姜斌，严星刚，吕迅竑，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32