一种有轨电车电容热管理系统的故障诊断方法及系统技术方案

本申请公开了一种有轨电车电容热管理系统的故障诊断方法及系统，故障诊断方法包括：数据采集步骤：采集有轨电车超级电容热管理系统的运行数据，根据运行数据构建运行数据集；数据预处理步骤：对运行数据集进行处理获得运行数据集的误差总值；BP神经网络优化步骤：根据误差总值计算获得BP神经网络学习速率，根据BP神经网络学习速率与附加动量因子，对BP神经网络进行优化后，根据优化后的BP神经网络的第一层权值与第二层权值，计算获得优化后的BP神经网络输出的故障诊断初步结果；故障类型与故障概率预测结果获得步骤：KNN&P故障诊断与概率预测模型根据所述故障诊断初步结果输出故障类型与故障概率预测结果。障类型与故障概率预测结果。障类型与故障概率预测结果。

【技术实现步骤摘要】
一种有轨电车电容热管理系统的故障诊断方法及系统


[0001]本申请涉及轨道车辆热管理系统检测
，尤其涉及一种有轨电车 电容热管理系统的故障诊断方法及系统。

技术介绍

[0002]有轨电车以接触网供电为主，在无架设接触网条件或超高车辆较 多的路口采用车载储能通过。超级电容模组作为储能主要部件，成为 有轨电车的一个关键组成部分。其保证超级电容正常运行的热管理系 统的稳定性、可靠性和及时故障诊断系统都至关重要，其热管理系统 的日常维护、隐患排查和故障诊断是保证列车运行可靠性的重要手段。
[0003]超级电容热管理系统故障情况以使用现场通知为准，故障处理严 重滞后于故障发生和故障隐患，且故障后对正常行车秩序影响严重。 故障排查手段常依赖于具有丰富经验的技术人员现场登顶根据故障现 象进行经验分析排查，并需要复杂开箱操作，排查时间通常较长，难 度较大，且部分故障现象并不明显，给现场排查人员带来很大困难。针 对传统热管理系统故障诊断模型，存在模型复杂、训练耗时较长、准 确率低、无法计算故障概率等特点。因而，有轨电车超级电容热管理 系统检测过程中，如何实现基于BP
‑
KNN&P型算法模型的故障诊断和故障诊断 模型无法计算出故障概率成为一个亟待解决的问题。

技术实现思路

[0004]本申请实施例提供了一种有轨电车电容热管理系统的故障诊断方法及 系统，以至少通过本专利技术解决了模型复杂、模型训练耗时长、故障诊 断准确率低、无法实现基于BP
‑
KNN&;amp;P型算法模型的故障诊断、故障诊断模 型无法计算出故障概率、故障排查和解决难度高等问题。
[0005]本专利技术提供了一种故障诊断方法，包括：
[0006]数据采集步骤：采集有轨电车超级电容热管理系统的运行数据，根据 所述运行数据构建运行数据集；
[0007]数据预处理步骤：对所述运行数据集进行处理获得所述运行数据 集的误差总值；
[0008]BP神经网络优化步骤：根据所述误差总值计算获得BP神经网络 学习速率，根据所述BP神经网络学习速率与附加动量因子，对BP神 经网络进行优化后，根据优化后的所述BP神经网络的第一层权值与第 二层权值，计算获得优化后的所述BP神经网络输出的故障诊断初步结 果；
[0009]故障类型与故障概率预测结果获得步骤：KNN&P故障诊断与概率 预测模型根据所述故障诊断初步结果输出故障类型与故障概率预测结 果。
[0010]上述的故障诊断方法，其中，所述数据预处理步骤包括：
[0011]对所述运行数据集进行归一化处理后，将归一化处理后的所述运 行数据集与故障标签进行对应获得故障标签，并将归一化处理后的所 述运行数据集分为运行数据训练集与运行数据测试集。
[0012]上述的故障诊断方法，其中，所述预处理步骤还包括：
[0013]对所述BP神经网络的神经网络权值进行Xavier均匀分布初始化， 获得所述BP神经网络的第一层权值与第二层权值；
[0014]根据归一化的所述运行数据集、所述故障标签、初始化后的所述 第一层权值及所述第二层权值通过SoftSign函数形成激活函数；
[0015]根据所述激活函数构建误差函数，通过所述误差函数计算获得所 述运行数据训练集的所述误差总值。
[0016]上述的故障诊断方法，其中，所述BP神经网络优化步骤包括：
[0017]根据所述误差总值计算获得附加动量因子与所述BP神经网络学 习速率；
[0018]根据所述BP神经网络学习速率与所述附加动量因子，对所述BP 网络进行训练，获得优化后的所述BP神经网络的第一层权值变化量与 第二层权值变化量。
[0019]上述的故障诊断方法，其中，所述BP神经网络优化步骤还包括：
[0020]根据所述第一层权值变化量与所述第二层权值变化量，通过反向 传播法计算获得优化后的所述BP神经网络的所述第一层权值与所述 第二层权值；
[0021]根据所述第一层权值与所述第二层权值，计算获得所述故障诊断 初步结果。
[0022]上述的故障诊断方法，其中，所述故障类型与故障概率预测结果 获得步骤包括：
[0023]基于K＝1的最邻近KNN&P算法构建所述KNN&P故障诊断与概率预 测模型，通过所述运行数据测试集对所述KNN&P故障诊断与概率预测 模型进行测试，所述样本集合通过测试后的所述KNN&P故障诊断与概 率预测模型获得所述故障类型与故障概率预测结果。
[0024]上述的故障诊断方法，其中，所述故障类型与故障概率预测结果 获得步骤包括：
[0025]根据所述故障诊断初步结果，通过欧氏距离的距离量度方法获得 所述故障诊断初步结果到所述故障标签的距离；
[0026]根据K＝1的所述最邻近KNN&P算法，取与所述故障诊断初步结果 距离最近的故障标签值。
[0027]本专利技术还提供故障诊断系统，其中，适用于上述所述的故障诊断 方法，所述故障诊断系统包括：
[0028]数据采集单元：通过传感器采集有轨电车超级电容热管理系统的运行 数据，根据所述运行数据构建运行数据集，通过物联网平台将所述运 行数据存储到云服务器；
[0029]数据预处理单元：在数据训练与分析平台中，对所述运行数据集 进行处理获得所述运行数据集的误差总值；
[0030]BP神经网络优化单元：根据所述误差总值计算获得BP神经网络 学习速率，根据所述BP神经网络学习速率与附加动量因子，对BP神 经网络进行优化后，根据优化后的所述BP神经网络的第一层权值与第 二层权值，计算获得优化后的所述BP神经网络输出的故障诊断初步结 果；
[0031]故障类型与故障概率预测结果获得单元：KNN&P故障诊断与概率 预测模型根据所述故障诊断初步结果输出故障类型与故障概率预测 结果，将所述故障类型与所述故障概率预测结果同步到售后服务平台。
[0032]上述的故障诊断系统，其中，所述运行数据集包括热管理系统管 路部分运行数据、热管理系统电气部分运行数据、第三超级电容模组 数据、热管理系统器件运行状态数
据与热管理系统器件工作模式反馈 数据，所述数据采集单元通过热管理系统控制器IO采集所述热管理系 统器件运行状态数据与所述热管理系统器件工作模式反馈数据。
[0033]上述的故障诊断系统，其中，所述数据采集单元还包括：
[0034]温度传感器与压力传感器，通过温度传感器与压力传感器采集所 述热管理系统管路部分运行数据；
[0035]电流传感器与电压传感器，通过电流传感器与电压传感器采集所 述热管理系统电气部分运行数据；
[0036]湿度传感器与所述温度传感器，通过湿度传感器与所述温度传感 器采集第一超级电容模组数据；
[0037]其中，所述数据采集单元通过整车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障诊断方法，其特征在于，应用于有轨电车超级电容热管理系统的故障诊断，所述故障诊断方法包括：数据采集步骤：采集有轨电车超级电容热管理系统的运行数据，根据所述运行数据构建运行数据集；数据预处理步骤：对所述运行数据集进行处理获得所述运行数据集的误差总值；BP神经网络优化步骤：根据所述误差总值计算获得BP神经网络学习速率，根据所述BP神经网络学习速率与附加动量因子，对BP神经网络进行优化后，根据优化后的所述BP神经网络的第一层权值与第二层权值，计算获得优化后的所述BP神经网络输出的故障诊断初步结果；故障类型与故障概率预测结果获得步骤：KNN&P故障诊断与概率预测模型根据所述故障诊断初步结果输出故障类型与故障概率预测结果。2.根据权利要求1所述的故障诊断方法，其特征在于，所述数据预处理步骤包括：对所述运行数据集进行归一化处理后，将归一化处理后的所述运行数据集与故障标签进行处理获得故障标签，并将归一化处理后的所述运行数据集分为运行数据训练集与运行数据测试集。3.根据权利要求2所述的故障诊断方法，其特征在于，所述预处理步骤还包括：对所述BP神经网络的神经网络权值进行Xavier均匀分布初始化，获得所述BP神经网络的第一层权值与第二层权值；根据归一化的所述运行数据集、所述故障标签、初始化后的所述第一层权值及所述第二层权值通过SoftSign函数形成激活函数；根据所述激活函数构建误差函数，通过所述误差函数计算获得所述运行数据训练集的所述误差总值。4.根据权利要求2所述的故障诊断方法，其特征在于，所述BP神经网络优化步骤包括：根据所述误差总值计算获得所述附加动量因子与所述BP神经网络学习速率；根据所述BP神经网络学习速率与所述附加动量因子对所述BP网络进行训练，获得优化后的所述BP神经网络的第一层权值变化量与第二层权值变化量。5.根据权利要求4所述的异常识别方法，其特征在于，所述BP神经网络优化步骤还包括：根据所述第一层权值变化量与所述第二层权值变化量，通过反向传播法计算获得优化后的所述BP神经网络的所述第一层权值与所述第二层权值；根据所述第一层权值与所述第二层权值，计算获得所述故障诊断初步结果。6.根据权利要求5所述的故障诊断方法，其特征在于，所述故障类型与故障概率预测结果获得步骤包括：基于K＝1的最邻近KNN&P算法构建所述KNN&P故障诊断与概率预测模型，通过所述运行数据...

【专利技术属性】
技术研发人员：蒋明鑫，徐杨非，王杰，祁德建，杨吉，李浪，
申请(专利权)人：中车青岛四方车辆研究所有限公司，
类型：发明
国别省市：