【技术实现步骤摘要】
本专利技术属于高速列车故障诊断领域，尤其涉及一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法。
技术介绍
1、牵引变流器是高速铁路牵引系统的重要组成部分，它的主要功能是将来自接触网的高压电转化为列车可用的交流、直流电完成电能量的转换，在供电和牵引过程中发挥着重要作用。由于工作环境恶劣，工作强度大，牵引变流器更易发生重大故障，进而影响列车牵引力并对列车运行速度与安全产生影响。为了列车的安全运行，构建高速列车牵引变流器的故障诊断与预测框架变得至关重要。然而，在列车实际工作过程中，由于故障存在退化时间、故障发生缓慢、工况复杂难以采集足够数据等问题，采集到的牵引变流器故障数据量少且不平衡，基于数据驱动的故障诊断与预测系统在面对小样本数据时容易过拟合、鲁棒性低，难以胜任。
2、针对故障诊断问题，目前最可行的方法就是对列车牵引变流器的运行过程进行全程监控，同时对监控数据进行分析和处理，掌握牵引变流器上各个部件的安全状况，采取合理的措施应对牵引变流器故障。目前，时间序列数据预测已经成为研究的热点之一。如果在挖掘牵引变流器传感器时序数据的特征的同时，利用时间序列数据的时间因果特性对传感器数据进行预测，将对高速列车故障诊断工作起到很大的帮助。适用深度学习模型对牵引变流器传感器数据进行时序预测，可以提前观察到各项指标是否存在异常情况，从而根据预测数据及时进行故障诊断和预测，准确判断设备的状况并及时采取措施，避免运行中出现事故和其他安全问题。
3、针对故障数据为小样本的问题，目前可行的方法是采用小样本学习的方法来针对
4、综上，如何利用高速列车状态检测系统的数据及少量故障数据判别列车牵引变流器的运行状态，对列车牵引变流器进行故障诊断和故障预警是现有技术所面临的最大的挑战。现有技术中，虽然深度学习在故障诊断中被广泛使用，但无法适应小样本不均衡的牵引变流器故障诊断与预测问题。
5、专利技术目的
6、本专利技术的目的即是应对现有技术所面临的难题，提供一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，通过提出一种新的故障诊断框架t-siam，使用t-siam框架的分支网络对牵引变流器的特征进行提取，使用t-siam框架的度量网络模块得到两时段牵引变流器状态是否相同，通过验证模块得到牵引变流器的状态。
技术实现思路
1、本专利技术提供了一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，使用孪生网络模型构建t-siam模型，使用时间卷积网络tcn模型与一维卷积网络1d-cnn模型提取多传感器中隐藏的时间特征并进行时序预测，包括以下步骤：g
2、步骤1、从高速列车采集牵引系统上的传感器数据，对传感器数据进行清洗、去噪处理，同时对丢包、有空值的数据进行线性插值操作；
3、步骤2、根据高速列车牵引变流器各个部件的机理，对其故障原因进行分析，筛选出牵引变流器高发的故障类型；
4、步骤3、使用皮尔森相关系数对牵引系统上的传感器进行特征筛选，得到与牵引变流器故障特征最相关的传感器数据；
5、步骤4、构建高速列车牵引变流器样本对，每个样本对包含两个样本及代表是否相同的标签；
6、步骤5、将高速列车牵引变流器数据网络作为输入，使用孪生网络模型的分支网络使用tcn模型进行时序数据预测，使用1d-cnn模型进行空间信息融合和特征提取，孪生网络模型的度量模块使用全局平均池化和sigmoid操作对牵引变流器故障进行分类判断，构建基于孪生网络模型的高速列车转向架故障诊断模型——t-siam模型；
7、步骤6、使用高速列车真实在途运行数据带入t-siam模型，得到高速列车牵引变流器的故障诊断结果。
8、优选地，步骤2中所述牵引变流器高发的故障类型包括牵引内部故障要求切断牵引主断、tcu板卡故障、中间直流电压变化过快、四象限输入电流互感器自检被封锁、牵引记忆故障要求牵引切除五种类型，分别对应故障代码a1、a2、a3、a4、a5，其中故障代码a1、a2和a5所属牵引变流器部分为tcu控制单元，故障代码a3和a4所属牵引变流器部分分别为中间直流电路和四象限整流器。g
9、优选地，所述的高速列车采集牵引系统上的传感器分布在整流器、直流单元、逆变器、tcu控制单元的各个部分，包括采集箱内温度、转速、牵引力、电压电流这些连续数据的传感器及采集牵引状态、主断路器闭合状态这些离散数据的传感器，这些传感器共同反映牵引变流器的健康状态。
10、优选地，步骤3中所述与牵引变流器故障特征最相关的传感器数据包括15个传感器参数，分别为tcu1轴转速、主变压器接地回流、eb紧急制动环路状态、整流器脉冲激活、网络封锁pwmi逆变器、tcu牵引/制动力实际值、牵引变流器箱内冷却液温度、牵引变流器冷却液出口温度、受电弓状态、中间电压保持中、主变压器入口油温、主变压器出口油温、网络tcu供电、牵引变流器状态、网络请求泻放中间电压，所对应的代号分别为f1、f2、f3、f4、f5、…f15；其中，代号f1、f2、f6、f7、f8、f11、f12所对应的变压器类型为连续性，其余代号所对应的变压器类型为离散型。
11、优选地，步骤4具体包括以下子步骤：
12、步骤s41、构建高速列车牵引变流器故障诊断样本数据，对标准化后的牵引变流器传感器网络取时间窗，得到多个特征传感器n*时间窗大小t的样本数，样本标签为t时刻牵引变流器状态标签；
13、步骤s42、构建高速列车牵引变流器故障诊断样本对，首先选定单个样本，之后选择任意该样本同类数据构建同类样本对，选择任意非同类数据构建非同类样本对，使得同类、异类样本对数量相同；
14、步骤s43、赋予样本对标签值，同类样本标签为1，异类样本标签为0；样本对最终由两个样本及其各自的标签、两样本异同标签构成。
15、优选地，步骤5具体包括以下子步骤：
16、步骤s51、构建t-siam模型分支单元，包含时序数据预测和特征向量生成两部分，经过两个部分后得到输入样本的特征向量；其中，时序数据预测部分包含单层tcn网络，在时序数据预测部分，输入样本通过滤波器进行膨胀因果卷积，该过程表示为如式(1)-(2)所示：
17、
18、i∈[0,...,k-1],m∈[j-(k-1)×d,...,j-0×d] (2)，
19、其中，为l层第k个神经元的输出同时是下一层的输入，是l层过滤器的权重，是l-1层部分输出，d为第l层的膨胀系数，是l层第k个神经元输出的偏差，f(﹒)代表非线性激活函数，*代表卷积操作，在每个卷积层后使用relu()激活函数；将卷积加入残差块后，整体定义如式(3)所示：
20、ot＝relu(ot-1+f(ot-1)) (3)，
本文档来自技高网...【技术保护点】
1.一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，使用孪生网络模型构建T-Siam模型，使用时间卷积网络TCN模型与一维卷积网络1D-CNN模型提取多传感器中隐藏的时间特征并进行时序预测，其特征在于，包括以下步骤：i
2.根据权利要求1所述的一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，其特征在于，步骤2中所述牵引变流器高发的故障类型包括牵引内部故障要求切断牵引主断、TCU板卡故障、中间直流电压变化过快、四象限输入电流互感器自检被封锁、牵引记忆故障要求牵引切除五种类型，分别对应故障代码A1、A2、A3、A4、A5，其中故障代码A1、A2和A5所属牵引变流器部分为TCU控制单元，故障代码A3和A4所属牵引变流器部分分别为中间直流电路和四象限整流器。
3.根据权利要求1所述的一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，其特征在于，所述的高速列车采集牵引系统上的传感器分布在整流器、直流单元、逆变器、TCU控制单元的各个部分，包括采集箱内温度、转速、牵引力、电压电流这些连续数据的传感器及采集牵引状态、主断路器闭合状态这些
4.根据权利要求1所述的一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，其特征在于，步骤3中所述与牵引变流器故障特征最相关的传感器数据包括15个传感器参数，分别为TCU1轴转速、主变压器接地回流、EB紧急制动环路状态、整流器脉冲激活、网络封锁PWMI逆变器、TCU牵引/制动力实际值、牵引变流器箱内冷却液温度、牵引变流器冷却液出口温度、受电弓状态、中间电压保持中、主变压器入口油温、主变压器出口油温、网络TCU供电、牵引变流器状态、网络请求泻放中间电压，所对应的代号分别为f1、f2、f3、f4、f5、…f15；其中，代号f1、f2、f6、f7、f8、f11、f12所对应的变压器类型为连续性，其余代号所对应的变压器类型为离散型。
5.根据权利要求1-4任一所述的一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，其特征在于，步骤4具体包括以下子步骤：
6.根据权利要求1所述的一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，其特征在于，步骤5具体包括以下子步骤：
...【技术特征摘要】
1.一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，使用孪生网络模型构建t-siam模型，使用时间卷积网络tcn模型与一维卷积网络1d-cnn模型提取多传感器中隐藏的时间特征并进行时序预测，其特征在于，包括以下步骤：i
2.根据权利要求1所述的一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，其特征在于，步骤2中所述牵引变流器高发的故障类型包括牵引内部故障要求切断牵引主断、tcu板卡故障、中间直流电压变化过快、四象限输入电流互感器自检被封锁、牵引记忆故障要求牵引切除五种类型，分别对应故障代码a1、a2、a3、a4、a5，其中故障代码a1、a2和a5所属牵引变流器部分为tcu控制单元，故障代码a3和a4所属牵引变流器部分分别为中间直流电路和四象限整流器。
3.根据权利要求1所述的一种基于孪生网络模型的高速列车牵引变流器故障诊断与预测方法，其特征在于，所述的高速列车采集牵引系统上的传感器分布在整流器、直流单元、逆变器、tcu控制单元的各个部分，包括采集箱内温度、转速、牵引力、电压电流这些连续数据的传感器及采集牵引状态、主断路器闭合状态这些...
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。