本发明专利技术涉及一种轨道交通牵引电机故障识别方法、电子设备、存储介质。其中方法包括：步骤S1.对轨道交通牵引电机的原始检测信号x(t)加入白噪声以获得信号s(t)；步骤S2.用EMD分解算法分解信号s(t)，得到IMF分量；步骤S3.对得到的IMF分量的均值进行Hilbert变换，获得瞬时幅值和瞬时频率，并从中提取扰动信号；步骤S4.利用深度信念网络进行扰动信号识别。本发明专利技术能更好获取扰动的信息，实现快速实时地设备轨道交通牵引电机故障，识别率高，定位精度高。定位精度高。定位精度高。
【技术实现步骤摘要】
轨道交通牵引电机故障识别方法、存储介质、电子设备
[0001]本专利技术涉及轨道交通牵引电机，特别涉及一种基于集合经验模态分解和深度信念网络的轨道交通牵引电机故障识别方法、电子设备、存储介质。
技术介绍
[0002]轨道交通牵引技术已经贯穿我们的生活，无论是出远门的高铁火车，还是城市里畅通无阻的地铁，都在方便我们的日常。然而作为轨道交通的心脏，铁路牵引系统的故障有时会造成灾难性事故，因此，需要定期进行维护以保证铁路车辆的安全。为了提高铁路牵引系统的安全性，对车辆设备状态监视进行了大量的研究。对于一般的电机故障，几乎一半都是由轴承引起的，因此早期的对牵引电机进行轴承故障检测是极为重要的。
[0003]目前国内外对电气化铁路牵引供电系统研究主要集中为信号处理与模式识别相结合的方式，但是这些方法都需要依靠专家经验进行故障诊断，且需要采用信号处理技术提取故障特征，所得到的特征向量具有一定主观性，也大大增加了整个故障诊断过程的时间。
[0004]深度学习是机器学习领域的新方法，通过多层网络深度构建各层神经元之间的抽象模型，计算权值并获取高层、低维、有效的特征表达，实现对大量数据的深层信息的挖掘，解决了高维数据空间的复杂运算问题。近年来，深度学习方法理论与算法的发展尤为迅速，其应用涉及航空、医疗、电力、交通等领域，均取得了较好的效果。
技术实现思路
[0005]为识别轨道交通牵引电机故障类型，本专利技术提供一种速度快、实时性强且定位精度高的轨道交通牵引电机故障识别方法、电子设备、计算机可读存储介质。
[0006]为实现所述目的，依据本专利技术的一个方面，提供一种轨道交通牵引电机故障识别方法，包括：
[0007]步骤S1.对轨道交通牵引电机的原始检测信号x(t)加入白噪声以获得信号s(t)；
[0008]步骤S2.用EMD分解算法分解信号s(t)，得到IMF分量；
[0009]步骤S3.对得到的IMF分量的均值进行Hilbert变换，获得瞬时幅值和瞬时频率，并从中提取扰动信号；
[0010]步骤S4.利用深度信念网络进行扰动信号识别。
[0011]进一步的，所述步骤S2进一步包括：
[0012]设信号s(t)的极值包络函数为式中，u(t)和v(t)分别为信号s(t)的上包络线和下包络线；
[0013]获取极值包络函数f(t)的均值e1，计算信号s(t)与e1的差值c1＝s(t)
‑
e1；
[0014]若c1符合IMF的条件则将其标记为第一个固有模态IMF分量，否则用f(t)替换原来的c1，不断执行c1＝s(t)
‑
e1直至c1符合IMF的条件；
[0015]将第一个IMF分量c1从信号s(t)中分离出来，得到r1＝s(t)
‑
c1；
[0016]将分离得到的r1作为新的分解信号s(t)，重新执行步骤S2，以此类推不断循环，分离得到IMF的各次分量，直至循环至第n个分量r
n
为单调函数时执行完毕。
[0017]进一步的，通过三次样条插值的方法构造信号s(t)的极大值和极小值的包络线。
[0018]进一步的，以标准偏差系数SD作为评判是否满足IMF条件的标准。
[0019]进一步的，标准偏差系数式中，i为分解层数。
[0020]进一步的，当标准偏差系数SD小于＆1时，认为满足IMF条件。
[0021]进一步的，＆1取值在0.2到0.3之间。
[0022]进一步的，所述步骤S4进一步包括：
[0023]子步骤S41.初始化神经元层数n以及神经元数量N，每一次训练送入的数据数量M，训练深度信念网络的迭代次数P，训练深度信念网络中每一个限制波尔兹曼机的迭代次数p
′
，训练深度信念网络的当前迭代次数T，训练深度信念网络中限制波尔兹曼机的当前迭代次数T
′
；
[0024]子步骤S42.获取正常样本和故障样本；
[0025]子步骤S43.训练深度信念网络中第一个限制波尔兹曼机，将训练数据赋给显层v
(0)
，计算它使隐层神经元被开启的概率：
[0026][0027]其中上标用于区分不同向量，下标j代表维度；
[0028]子步骤S44.从计算出的概率分布中抽取一个样本：
[0029][0030]子步骤S45.用h
(0)
重构显层，同时抽取其中的一个样本；
[0031]子步骤S46.计算重构后隐层神经元被开启的概率：
[0032][0033]子步骤S47.更新权重W、b、c，其中：
[0034][0035]b
j
＝b
j
+v
(0)
‑
v
(1)
[0036][0037]子步骤S48.判断是否T
′
＝P
′
，若否，则T
′
＝T
′
+1，返回到子步骤S43；若是，则继续下一步；
[0038]子步骤S49.将第一个限制波尔兹曼机的权重系数和偏移系数固定好，然后使用其最终输出作为第二个限制波尔兹曼机的输入；
[0039]子步骤S410.重复子步骤S43至子步骤S48训练好第二个限制波尔兹曼机；
[0040]子步骤S411.计算第二个限制波尔兹曼机的输出Y
i
；
[0041]子步骤S412.计算输出误差MSE：
[0042][0043]子步骤S413.用梯度下降法对误差函数进行优化，再反向传播回每一层进行参数微调；
[0044]子步骤S414.判断是否T＝P，若否，则T＝T+1，返回到子步骤S411；若是，则继续下一步；
[0045]子步骤S415.将定位后的样本数据送入训练好的模型中进行分类识别。
[0046]依据本专利技术的另一个方面，提供了一种电子设备，其中，该电子设备包括：
[0047]处理器；以及，
[0048]被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行所述的方法。
[0049]依据本专利技术的另一个方面，提供了一种计算机可读存储介质，其中，计算机可读存储介质存储一个或多个程序，一个或多个程序当被处理器执行时，实现所述的方法。
[0050]本专利技术通过对原始检测信号加入白噪声，用EMD分解算法分解得到的优化后的信号得到IMF，对得到的IMF的均值进行Hilbert变换，然后采用深度信念网络进行扰动识别，能更好获取扰动的信息，实现快速实时地设备轨道交通牵引电机故障，识别率高，定位精度高。
[0051]所述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的所述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0052]通过阅读本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.轨道交通牵引电机故障识别方法，其特征在于，包括：步骤S1.对轨道交通牵引电机的原始检测信号x(t)加入白噪声以获得信号s(t)；步骤S2.用EMD分解算法分解信号s(t)，得到IMF分量；步骤S3.对得到的IMF分量的均值进行Hilbert变换，获得瞬时幅值和瞬时频率，并从中提取扰动信号；步骤S4.利用深度信念网络进行扰动信号识别。2.如权利要求1所述的方法，其特征在于，所述步骤S2进一步包括：设信号s(t)的极值包络函数为式中，u(t)和v(t)分别为信号s(t)的上包络线和下包络线；获取极值包络函数f(t)的均值e1，计算信号s(t)与e1的差值c1＝s(t)
‑
e1；若c1符合IMF的条件则将其标记为第一个固有模态IMF分量，否则用f(t)替换原来的c1，不断执行c1＝s(t)
‑
e1直至c1符合IMF的条件；将第一个IMF分量c1从信号s(t)中分离出来，得到r1＝s(t)
‑
c1；将分离得到的r1作为新的分解信号s(t)，重新执行步骤S2，以此类推不断循环，分离得到IMF的各次分量，直至循环至第n个分量r
n
为单调函数时执行完毕。3.如权利要求2所述的方法，其特征在于，通过三次样条插值的方法构造信号s(t)的极大值和极小值的包络线。4.如权利要求2所述的方法，其特征在于，以标准偏差系数SD作为评判是否满足IMF条件的标准。5.如权利要求4所述的方法，其特征在于，标准偏差系数式中，i为分解层数。6.如权利要求5所述的方法，其特征在于，当标准偏差系数SD小于&1时，认为满足IMF条件。7.如权利要求6所述的方法，其特征在于，&1取值在0.2到0.3之间。8.如权利要求1所述的方法，其特征在于，所述步骤S4进一步包括：子步骤S41.初始化神经元层数n以及神经元数量N，每一次训练送入的数据数量M，训练深度信念网络的迭代次数P，训练深度信念网络中每一个限制波尔兹曼机的迭代次数p
′
，训练深度信...
【专利技术属性】
技术研发人员：吴凯，廖晓斌，盛建科，刘湘，詹柏青，曾进辉，兰征，何东，
申请(专利权)人：株洲福德轨道交通研究院有限公司湖南工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。