一种轨道车辆传动系统故障诊断方法及系统技术方案

本发明专利技术公开了一种轨道车辆传动系统故障诊断方法及系统，包括：采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果；其中，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输出故障诊断结果。本发明专利技术采用多模态输入特征进行融合，可以充分利用样本信息，提高故障诊断精度。精度。精度。

【技术实现步骤摘要】
一种轨道车辆传动系统故障诊断方法及系统


[0001]本专利技术涉及轨道车辆传动系统故障诊断
，尤其涉及一种轨道车辆传动系统故障诊断方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]传动系统是轨道车辆的关键系统，主要包括牵引电机、联轴节、齿轮箱、轮对等部件。牵引电机将电能转化为机械能，通过输出轴旋转输出动力；联轴节连接电机输出轴和齿轮箱输入轴，起到传递动力和补偿位移的作用；齿轮箱输入轴连接联轴节，通过大小齿轮啮合传递动力，大齿轮压装在车轴上，驱动轮对旋转，从而带动车辆运行。轨道车辆传动系统发生故障，会导致轨道车辆动力缺失，严重影响轨道车辆运行安全和运营秩序。
[0004]传统的对于传动系统故障诊断的方法，是采集传动系统的牵引电机、齿轮箱等部件的温度、振动等数据，然后判断传动系统测点数据是否超过阈值，来确认传动系统运行状态。但是，由于不同轨道车辆的运行状态不同，季节不同等原因，使得人为设定的阈值很难有广泛的适用性，导致误报率或漏报率太高。此外，联轴节为高速旋转部件，目前没有直接的监测项点，成为轨道车辆监控的盲区，影响行车安全。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种轨道车辆传动系统故障诊断方法及系统，通过传动系统故障机理分析和数据统计分析，在不增加联轴节监测项点的前提下，充分利用联轴节密切相关部件的监测项点，挖掘出各类故障特征，将多模态输入特征进行融合，可以充分利用样本信息，提高故障诊断的精度。
[0006]根据本专利技术实施例的第一个方面，提供了一种轨道车辆传动系统故障诊断方法，包括：
[0007]采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；
[0008]将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果；
[0009]其中，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输出故障诊断结果。
[0010]作为进一步地方案，提取轨道车辆运行时的牵引电机电流，具体为：
[0011]选取T时间长度内电机电流的有效值I，提取最大值I
max
和最小值I
min
，计算T时间长度内的电流波动量ΔI＝I
max
‑
I
min
。
[0012]作为进一步地方案，提取轨道车辆运行时的轮轨间粘着力，具体为：
[0013]F
adh
＝μ
adh
(v
slip
)
·
Q
·
g
[0014]其中，F
adh
为轮轨间粘着力，μ
adh
为车轮和钢轨之间的粘着系数，μ
adh
为车轮和钢轨之间的粘着系数；v
slip
为轮对蠕滑速度，Q为动车组轴重，g为重力加速度。
[0015]作为进一步地方案，对特征融合多输入卷积神经网络分类模型进行训练时，采用分组重抽样方法对多组样本数据进行数据平衡，具体过程为：
[0016]假设共有m组分类的训练样本数据，第j组样本的样本数量为n
j
，样本观测值为每组的抽样数为N；所述m组分类的训练样本数据中，包括至少一组传动系统正常样本数据，以及传动系统每一种故障类型分别对应的至少一组样本数据；
[0017]利用计算机生成N个0～1之间的随机数，记为a1,a2,
…
,a
N
；将区间[0,1]划分为n
j
段，每段区间长度相等：段，每段区间长度相等：
[0018]根据随机数取值进行抽样，若a
k
∈C
l
，k＝1,2,
…
,N，l＝1,2,
…
,n
j
，则第k个抽样样本为Z
j,k
′
＝Z
j,l
，得到的抽样样本序列为Z
j,1
′
,Z
j,2
′
,
…
,Z
j,N
′
；
[0019]则抽样总体序列为Z
1,1
′
,Z
1,2
′
,
…
,Z
1,N
′…
Z
j,1
′
,Z
j,2
′
,
…
,Z
j,N
′…
Z
m,1
′
,Z
m,2
′
,
…
,Z
m,N
′
；
[0020]重抽样后每一组的训练样本的数量相同。
[0021]作为进一步地方案，每个样本包含X个时间序列，每一个时间序列表示某一个特征在设定时间长度内的值；所述特征至少包括：电机电流时间序列、轮轨间粘着力时间序列、电机功率因素时间序列、电机磁链时间序列以及传动系统传动效率时间序列；
[0022]X个时间序列作为神经网络的输入，构成X输入网络。
[0023]作为进一步地方案，每一个特征分别进行两次独立的卷积池化运算，其中，首层卷积池化运算的卷积核大于第二层卷积池化运算，步长小于第二层卷积池化运算，已通过增加首层感受野大小以及缩短池化步长来抑制过拟合。
[0024]作为进一步地方案，将融合之后的数据再进行两层卷积池化，减小该两层卷积池化的卷积核，在加深网络的同时抑制过拟合现象的产生。
[0025]根据本专利技术实施例的第二个方面，提供了一种轨道车辆传动系统故障诊断系统，包括：
[0026]数据提取模块，用于采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；
[0027]故障诊断模块，用于将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果；
[0028]其中，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输
出故障诊断结果。
[0029]根据本专利技术实施例的第三个方面，提供了一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的轨道车辆传动系统故障诊断方法。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨道车辆传动系统故障诊断方法，其特征在于，包括：采集轨道车辆运行状态数据，提取轨道车辆运行时的牵引电机电流、轮轨间粘着力、电机功率因素、电机磁链和传动系统传动效率特征数据；将提取的特征输入至训练好的特征融合多输入卷积神经网络分类模型，得到传动系统故障诊断结果；其中，特征融合多输入卷积神经网络分类模型对于输入特征的处理过程包括：每一个特征分别进行两次独立的卷积池化运算，然后将各个独立通道提取出的特征融合，将融合之后的数据再进行两层卷积池化，将提取出的特征送入全连接层，通过分类函数后输出故障诊断结果。2.如权利要求1所述的一种轨道车辆传动系统故障诊断方法，其特征在于，提取轨道车辆运行时的牵引电机电流，具体为：选取T时间长度内电机电流的有效值I，提取最大值I
max
和最小值I
min
，计算T时间长度内的电流波动量ΔI＝I
max
‑
I
min
。3.如权利要求1所述的一种轨道车辆传动系统故障诊断方法，其特征在于，提取轨道车辆运行时的轮轨间粘着力，具体为：F
adh
＝μ
adh
(v
slip
)
·
Q
·
g其中，F
adh
为轮轨间粘着力，μ
adh
为车轮和钢轨之间的粘着系数，μ
adh
为车轮和钢轨之间的粘着系数；v
slip
为轮对蠕滑速度，Q为动车组轴重，g为重力加速度。4.如权利要求1所述的一种轨道车辆传动系统故障诊断方法，其特征在于，对特征融合多输入卷积神经网络分类模型进行训练时，采用分组重抽样方法对多组样本数据进行数据平衡，具体过程为：假设共有m组分类的训练样本数据，第j组样本的样本数量为n
j
，样本观测值为每组的抽样数为N；所述m组分类的训练样本数据中，包括至少一组传动系统正常样本数据，以及传动系统每一种故障类型分别对应的至少一组样本数据；利用计算机生成N个0～1之间的随机数，记为a1,a2,
…
,a
N
；将区间[0,1]划分为n
j
段，每段区间长度相等：段区间长度相等：根据随机数取值进行抽样，若a
k
∈C
l
，k＝1,2,
…
,N，l＝1,2,
…
,n
j
，则第k个抽样样本为Z
j,k
′
＝Z
j,l
，得到的抽样样本序列为Z
j,1
′
,Z

【专利技术属性】
技术研发人员：陈大伟，于祥，彭宇阳，尚永涛，高世萍，
申请(专利权)人：中车青岛四方机车车辆股份有限公司，
类型：发明
国别省市：