System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力机车的智能运行维修,特别是涉及一种牵引变流器故障诊断方法、设备、介质及产品。
技术介绍
1、hxd1型电力机车具备卓越的牵引力,适用于长途、重载货运列车的牵引任务,其核心动力来源是由两台tga9型牵引变流器构成。牵引变流器长时间持续运行,工作环境复杂多变,导致其故障率较高。现有检测牵引变流器故障方面还存在准确性不足以及诊断速率慢的问题,可能会导致误报和漏报的情况,严重影响机车的运行安全、效率和维修成本;因此,设计先进的智能算法对牵引变流器进行故障诊断对保障列车安全及提高铁路智能发展有着重要意义。
2、目前国内外的故障诊断方法主要分为两大类:基于机理模型的故障诊断和基于数据驱动的智能故障诊断。由于牵引变流器故障数据获取困难,目前针对牵引变流器的故障诊断研究主要还停留在基于机理模型的故障诊断的研究中。然而,牵引变流器是一个复杂的系统,由多个组件协同工作且高度集成化,建立非线性的故障机理模型难度较大。随着深度学习在工程领域的快速崛起,其强大的数据处理能力和自动特征提取功能在故障诊断中发挥强大的作用。但是目前深度学习在牵引变流器故障诊断上的应用较少,因此如何设计一种新的基于数据驱动的牵引变流器故障诊断方法,成为本领域亟需解决的技术问题。
技术实现思路
1、本专利技术的目的是提供一种牵引变流器故障诊断方法、设备、介质及产品,可准确、快速、稳定地识别故障特征。
2、为实现上述目的,本专利技术提供了如下方案:
3、第一方面,本专利技术提供了一
4、获取数据集;所述数据集为中间直流电压数据。
5、基于变分模态分解(variational mode decomposition,vmd)对所述数据集进行分解,得到多通道标准故障特征集。
6、根据变分模态分解特性,确定配套通道加权层(matching channel weightinglayer,mcwl);所述配套通道加权层为pe-spearman秩相关系数。
7、根据所述配套通道加权层,建立配套通道加权层-一维深度可分离卷积神经网络模型(one-dimensional deep separable convolutional neural networks,1dscnn);所述一维深度可分离卷积神经网络为将深度可分离卷积神经网络运用到一维长序列数据中构建的网络。
8、将所述多通道标准故障特征集输入到所述配套通道加权层-一维深度可分离卷积神经网络模型中,得到故障分类。
9、可选地,基于变分模态分解对所述数据集进行分解,得到多通道标准故障特征集,具体包括:
10、基于变分模态分解,将所述数据集分解为若干个本征模态分量。
11、将若干个所述本征模态分量进行合成重构,得到若干个合成重构后的分量。
12、分别计算每个合成重构后的分量的能量百分比(energy storage network,esn)和信噪比(signal-to-noise ratio,snr),得到若干个能量百分比值和信噪比值。
13、根据所述能量百分比值和信噪比值,采用对比验证,确定多通道标准故障特征集。
14、可选地,根据变分模态分解特性,确定配套通道加权层,具体包括:
15、根据所述数据集和所述多通道标准故障特征集,确定相关系数。
16、对所述相关系数进行维度扩展,得到扩展后的相关系数。
17、使用约束函数对所述扩展后的相关系数进行约束,得到配套通道加权层。
18、可选地,所述配套通道加权层的表达式为:
19、;
20、其中,为配套通道加权层的加权函数,为通过排序熵计算出第个信号的秩次差;为输入序列的长度。
21、可选地,所述约束函数的表达式为:
22、;
23、其中,为通道数,为相关系数的指数函数,为相关系数,为通道权重,为约束函数。
24、可选地,所述一维深度可分离卷积神经网络的计算公式为:
25、;
26、;
27、其中,为参数量,为计算量,为一维卷积核的长度,为卷积核输入的通道数,为卷积核输出的通道数,为输入序列的长度。
28、可选地,所述配套通道加权层-一维深度可分离卷积神经网络模型具体包括:
29、输入层,用于输入多通道标准故障特征集。
30、1层配套通道加权层,用于对所述多通道标准故障特征集进行加权,得到加权后的特征集。
31、2层一维深度可分离卷积层,用于对所述加权后的特征集进行特征提取,得到特征提取后的特征集。
32、3层全连接层,用于对所述特征提取后的特征集进行整合,得到故障分类。
33、第二方面,本专利技术提供了一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述中任一项所述的牵引变流器故障诊断方法。
34、第三方面,本专利技术提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述中任一项所述的牵引变流器故障诊断方法。
35、第四方面,本专利技术提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述中任一项所述的牵引变流器故障诊断方法。
36、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
37、本专利技术提供了一种牵引变流器故障诊断方法、设备、介质及产品,通过获取数据集;所述数据集为中间直流电压数据;基于变分模态分解对所述数据集进行分解,得到多通道标准故障特征集;其中,变分模态分解能够提供较高的频域分辨率,即使在含有噪声的情况下,也能较好地分离出信号的不同频率特征;另外,根据变分模态分解特性,确定配套通道加权层;所述配套通道加权层为pe-spearman秩相关系数;根据所述配套通道加权层,建立配套通道加权层-一维深度可分离卷积神经网络模型;通过将配套通道加权层作为变分模态分解和一维深度可分离卷积神经网络模型的“桥梁”,可以使变分模态分解和一维深度可分离卷积神经网络模型更加契合,同时还能够有效增强网络对多通道特征的表征能力;最后,将所述多通道标准故障特征集输入到所述配套通道加权层-一维深度可分离卷积神经网络模型中,即可得到故障分类。与现有技术相比,本专利技术能够准确、快速、稳定地识别故障特征。
本文档来自技高网...【技术保护点】
1.一种牵引变流器故障诊断方法,其特征在于,所述牵引变流器故障诊断方法包括:
2.根据权利要求1所述的牵引变流器故障诊断方法,其特征在于,基于变分模态分解对所述数据集进行分解,得到多通道标准故障特征集,具体包括:
3.根据权利要求1所述的牵引变流器故障诊断方法,其特征在于,根据变分模态分解特性,确定配套通道加权层,具体包括:
4.根据权利要求3所述的牵引变流器故障诊断方法,其特征在于,所述配套通道加权层的表达式为:
5.根据权利要求3所述的牵引变流器故障诊断方法,其特征在于,所述约束函数的表达式为:
6.根据权利要求1所述的牵引变流器故障诊断方法,其特征在于,所述一维深度可分离卷积神经网络的计算公式为:
7.根据权利要求1所述的牵引变流器故障诊断方法,其特征在于,所述配套通道加权层-一维深度可分离卷积神经网络模型具体包括:
8.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的牵引变流器故
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的牵引变流器故障诊断方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的牵引变流器故障诊断方法。
...【技术特征摘要】
1.一种牵引变流器故障诊断方法,其特征在于,所述牵引变流器故障诊断方法包括:
2.根据权利要求1所述的牵引变流器故障诊断方法,其特征在于,基于变分模态分解对所述数据集进行分解,得到多通道标准故障特征集,具体包括:
3.根据权利要求1所述的牵引变流器故障诊断方法,其特征在于,根据变分模态分解特性,确定配套通道加权层,具体包括:
4.根据权利要求3所述的牵引变流器故障诊断方法,其特征在于,所述配套通道加权层的表达式为:
5.根据权利要求3所述的牵引变流器故障诊断方法,其特征在于,所述约束函数的表达式为:
6.根据权利要求1所述的牵引变流器故障诊断方法,其特征在于,所述一维深度可分离卷积神经网络的...
【专利技术属性】
技术研发人员:付雅婷,李庆,杨辉,李中奇,谭畅,周艳丽,
申请(专利权)人:华东交通大学,
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。