一种基于经验小波希尔伯特变换的电力机车空转识别方法技术

本发明专利技术公开了一种基于经验小波希尔伯特变换的电力机车空转识别方法，通过空转趋势识别系统对机车轮对速度进行经验小波变换和希尔伯特变换得到希尔伯特能量谱，进而通过基于时频‑能量谱的空转趋势识别得到机车当前空转趋势值；同时通过牵引力矩指令得到当前工况信息值；最后结合当前空转趋势值、当前工况信息值以及由差分阈值法判定得到的差分空转判定值对机车空转状态进行综合判定，识别出机车空转状态。与现有技术相比，本发明专利技术的积极效果是：综合利用输入信号的时频信息，空转识别更加准确、快速；对电力机车复杂的运行工况和运行环境的适应性更强；对增益系数等阈值的取值要求并不严苛；能有效滤除噪声信号的干扰、提取包含空转的关键信号；有效避免了列车振动对识别算法的干扰，提高了空转识别精度。

【技术实现步骤摘要】
一种基于经验小波希尔伯特变换的电力机车空转识别方法
本专利技术涉及一种基于经验小波希尔伯特变换的电力机车空转识别方法。
技术介绍
在铁路运输中，电力机车动轮与轮轨之间的粘着力是驱动机车运行的最终动力，因此只有保证轮轨间的有效粘着不被破坏，即避免机车轮对发生空转，才能有效地利用牵引电机的输出功率，使牵引电机功率利用率最大化。但轮轨间粘着性能受到诸多因素的影响，比如树叶、油脂、冰、雪、水等，这些因素会使轮轨间的粘着急剧下降。当机车轮轨间的粘着条件变差或者被破坏时，电力机车轮对会发生空转，空转会造成牵引电机有效功率的下降，并导致轮轨的磨损甚至毁坏，严重威胁到列车的安全运行。因此在电力机车的牵引控制系统中，通常需要防空转控制系统，对轮对的空转趋势进行识别并采取相应措施加以控制，而快速有效地识别空转则是该系统的关键。防止机车空转的关键在于是否能够准确、及时地识别出其空转趋势，现有的机车空转识别方法主要有：1)组合空转识别法该方法首先通过对各轴轮对速度估计出列车参考速度，然后计算出相应的蠕滑速度、加速度、加速度微分，最后结合牵引力矩指令，在牵引工况下根据相应阈值来判定空转状态。这种方法优点是原理简单、便于实现、实时性好，缺点是在空转的判定上有较大滞后，同时识别准确率也不够理想。2)基于模糊熵的空转识别方法该方法首先由原始轮速数据计算车轮转速的模糊熵，具体方式为采用最大重叠方法计算出每个序列的模糊熵值；然后判定运行工况条件；最后与加速度阈值法结合综合判定空转状态。本方法优点在于原理简单，计算速度也较快；但方法中模糊熵的计算易受噪声信号干扰，在环境复杂、噪声较大的情况下无法有效识别空转，同时时间序列长度的选取对模糊熵计算结果的影响也很大。3)基于牵引电机在线监测的电力机车空转识别方法该方法首先把牵引电机三相电压，三相电流等电气量作为在线监测量输入多采样率扩展卡尔曼滤波状态估计模块，获得与空转特征空间相关的辨识量；然后利用上述在线数据，由基于数据驱动的自学习与自适应系统得到空转状态的初步判定；最后综合上述判断信息以及运行工况，对空转状态进行综合判定。本方法优点在于理论完备、识别准确，但没有用到输入信号的时域信息。综上可知，现有的机车空转识别方法均是基于时域信号分析的方法，没有有效利用信号的频域信息，同时现有方法在识别准确性、快速性或抗干扰上均存在缺陷。针对传统空转识别方法的问题，本专利技术提出一种基于经验小波希尔伯特变换的电力机车空转识别方法，从时频域角度出发进行空转识别：首先将机车轮对速度作为空转趋势识别系统的输入，通过经验小波变换、最优特征信号提取以及希尔伯特变换得到希尔伯特能量谱，进而判断得到空转趋势值；同时将牵引力矩指令作为运行工况判断系统的输入，输出当前运行工况信息；最后将空转趋势值、运行工况信息与传统时域方法中的差分阈值法得到的差分空转判定值结合起来，综合判定得到机车空转状态。
技术实现思路
为了克服现有技术的上述缺点，本专利技术提出了一种基于经验小波希尔伯特变换的电力机车空转识别方法。本专利技术解决其技术问题所采用的技术方案是：一种基于经验小波希尔伯特变换的电力机车空转识别方法，通过空转趋势识别系统对机车轮对速度进行经验小波变换、最优特征信号提取和希尔伯特变换得到希尔伯特能量谱，进而通过基于时频-能量谱的空转趋势识别得到空转趋势值；同时通过牵引力矩指令对当前运行工况进行辨识得到当前工况信息值；最后利用空转趋势值、当前工况信息值和通过差分阈值法得到的差分空转判定值对机车空转状态进行综合判定，识别出机车空转状态。与现有技术相比，本专利技术的积极效果是：(1)本专利技术方法采用时频分析中的经验小波希尔伯特变换方法，从时频-能量的角度对空转状态进行辨识，比传统方法更加准确、快速。(2)本专利技术方法得益于经验小波变换良好的自适应性及其优秀的模态分解、特征提取能力，对于复杂的非平稳信号能良好的自适应提取出其特征模态，因此本专利技术方法针对电力机车复杂的运行工况和运行环境的适应性比传统方法更强，而传统空转识别方法在复杂多变工况下的判定条件无法统一，无法做到对各种工况下良好的自适应性。(3)本专利技术方法得益于希尔伯特谱分析良好的空转区分能力，能有效识别出电力机车空转信号与正常信号在能量谱上的差异，从而比传统空转识别方法具有更高的准确率，在识别速度上也更加优秀；并且对增益系数k的取值要求并不严苛，这有效解决了传统空转识别方法如加速度阈值法在阈值选取上的困难。(4)本专利技术方法得益于最优特征信号提取方法的引入，使得本方法相对于传统方法在噪声滤波和特征提取上更有优势，能有效滤除噪声信号的干扰、提取包含空转的关键信号。(5)本专利技术方法得益于差分阈值方法的引入，有效避免了列车振动对识别算法的干扰，提高了空转识别精度。附图说明本专利技术将通过例子并参照附图的方式说明，其中：图1为基于经验小波希尔伯特变换的空转识别方法流程图；图2为经验小波变换流程图；图3为希尔伯特变换及其谱分析流程图；图4为基于时频-能量谱的空转趋势识别流程图；图5为运行工况判断流程图；图6为空转综合判定流程图。具体实施方式本专利技术提出了一种基于经验小波希尔伯特变换的空转识别方法，其输入为机车轮对速度v(t)和牵引力矩指令Tb，输出为空转状态。本专利技术方法流程图如图1所示，包括：经验小波变换模块：将机车轮对速度v(t)进行自适应时频分解得到i个包含不同特征尺度的经验模态vk(t),(k＝1,2,...,i)。最优特征信号提取模块：通过计算方差贡献率对不同特征尺度的经验模态vk(t)进行选择，进而有效地提取出包含空转特征的最优特征信号vopt(t)。希尔伯特变换及其谱分析模块：对最优特征信号vopt(t)进行希尔伯特变换并进行谱分析，进而得到最优特征信号vopt(t)的希尔伯特能量谱IE(t)。基于时频-能量谱的空转趋势识别模块：通过信号的希尔伯特能量谱IE(t)从能量变化的角度对空转趋势进行判定并输出空转趋势值Sh。运行工况判断模块：输入牵引力矩指令Tb，通过Tb对当前运行工况进行辨识并输出当前工况信息值Sta。空转综合判定模块：把前面模块得到的空转趋势值Sh、当前工况信息值Sta与差分阈值法的空转判定结果Sd综合起来进行逻辑判断，进而辨识机车是否空转。1.经验小波变换模块经验小波变换通过对原始信号v(t)的频谱特性进行自适应频谱划分，进而构建正交小波滤波器组提取具有紧支撑频谱特性的调频调幅成分(AM-FM)，得到i个包含不同频率尺度的信号分量vk(t)，如式(1)所示：经验小波变换流程图如图2所示，其输入为机车轮对速度数据v(t)，输出为对v(t)进行经验小波变换后自适应分解得到的i个经验模态vk(t),(k＝1,2,...,i)。经验小波变换步骤如下：1)首先对输入的轮对速度数据v(t)进行快速傅里叶变换，并将傅里叶频率谱限本文档来自技高网...

【技术保护点】
1.一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：首先通过空转趋势识别系统对机车轮对速度进行经验小波变换、最优特征信号提取和希尔伯特变换得到希尔伯特能量谱，进而通过基于时频-能量谱的空转趋势识别得到机车当前空转趋势值；同时通过牵引力矩指令对当前运行工况进行辨识得到当前工况信息值；最后利用空转趋势值、当前工况信息值和通过差分阈值法得到的差分空转判定值对机车空转状态进行综合判定，识别出机车空转状态。/n

【技术特征摘要】
1.一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：首先通过空转趋势识别系统对机车轮对速度进行经验小波变换、最优特征信号提取和希尔伯特变换得到希尔伯特能量谱，进而通过基于时频-能量谱的空转趋势识别得到机车当前空转趋势值；同时通过牵引力矩指令对当前运行工况进行辨识得到当前工况信息值；最后利用空转趋势值、当前工况信息值和通过差分阈值法得到的差分空转判定值对机车空转状态进行综合判定，识别出机车空转状态。


2.根据权利要求1所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：所述经验小波变换的步骤包括：
步骤一、对机车轮对速度v(t)进行快速傅里叶变换，并将傅里叶频率谱限定于ω∈[0,π]；
步骤二、将傅立叶频率谱[0,π]分割成N个连续的片段，每个片段定义为Λn＝[ωn-1,ωn]，其中ωn为片段之间的边界，且有ω0＝0和ωN＝π；
步骤三、基于步骤二划分的频谱Λn＝[ωn-1,ωn]，首先以每个片段边界ωn为中心，定义宽度为Tn＝2τn的过渡段；然后定义τn＝γωn且使最后选择β(x)＝x4(35-84x+70x2-20x3)，按如下公式计算经验尺度函数和经验小波函数






步骤四、对原始信号v(t)进行经验小波变换，按如下公式计算得到在不同频率尺度上的i个经验模态：
v1(t)＝Wv(1,t)*φ1(t)
vk(t)＝Wv(k,t)*ψk(t)
其中，k＝2,3,...,i；Wv(n,t)＝<v,ψn>，Wv(1,t)＝<v,φ1>，分别为经验小波变换系数的细节系数和近似系数；＜·＞表示计算内积。


3.根据权利要求2所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：对傅立叶频率谱[0,π]进行分割的具体方法为：首先检测出傅里叶频谱中M个极大值Mi(i＝1,2,…,M)，将其按递减顺序排序并正则化到[0,1]；然后保留所有大于阈值MM+0.35×(M1-MM)的极大值，其个数即为频谱分割数N；最后，定义ωn为两个连续且大于上述阈值的极大值的中心，完成对频谱的划分。


4.根据权利要求1所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：所述最优特征信号提取的步骤包括：
步骤一、按如下公式计算方差贡献率：



其中：Mk为第k个经验模态vk(t)的方差贡献率，Dk为第k个经验模态vk(t)的方差；Δt为信号的数据采样时间；
步骤二、将各经验模态的方差贡献率值降序排列，然后选择方差贡献率之和大于0.95的前N个经验模态vk(t)作为最优特征信号vopt(t)，即其中1≤N＜i。


5.根据权利要求2所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：所述希尔伯特变换的步...

【专利技术属性】
技术研发人员：黄景春，蒋博雅，冯晓云，宋文胜，张清华，康灿，王涛，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51