用于电气牵引系统的微小故障检测与定位的系统设计方法技术方案

本发明专利技术公开一种用于电气牵引系统的微小故障检测与定位的系统设计方法，步骤是：第一阶段：建立离线数据模型：采集电气牵引系统的传感器稳态运行数据并对离线数据进行预处理；计算预处理后数据不同层子空间的主元成分和残差成分量值以及载荷向量；确定并计算主元分析法的性能指标及其概率密度函数和故障检测阈值；第二阶段：在线故障诊断：对在线数据进行处理；计算不同层子空间的主元成分和残差成分的性能指标；利用获得的故障检测阈值，构造概率矩阵并用贝叶斯推理来进行故障诊断。此种方法可以对电气传动装置在故障发生前的微小信号进行有效的多特征描述，并且在电气传动系统的模型和参数未知情况下，也能有效的进行实时的在线故障诊断。

System design method for small fault detection and location in electrical traction system

The invention discloses a system design method for detecting and locating minor faults in an electric traction system. The steps are as follows: in the first stage, an off-line data model is established, the steady-state operation data of the sensors in the electric traction system is collected and the off-line data is pre-processed, and the principal components in different subspaces of the pre-processed data are calculated. Secondly, on-line fault diagnosis: processing the on-line data; calculating the performance index of principal component analysis and residual component in different subspace; utilizing the obtained fault The detection threshold is constructed, and the probability matrix is constructed, and the Bayesian inference is used for fault diagnosis. This method can effectively describe the micro-signal of the electric drive before the fault occurs, and can also effectively carry out real-time on-line fault diagnosis when the model and parameters of the electric drive system are unknown.

【技术实现步骤摘要】
用于电气牵引系统的微小故障检测与定位的系统设计方法
本专利技术属于故障检测与故障定位领域，特别涉及一种用于电气牵引系统的微小故障检测与定位的系统设计方法。
技术介绍
如今，交流电气传动系统广泛应用于交通运输领域，如高速列车、地铁、电动汽车等。为了提高系统的安全性和可靠性，对交流电气传动系统进行故障检测与诊断(FDD)已经是过去二十年的研究和实践活动的主要问题之一。一般而言，交流电气传动系统有三种主要故障类型：机械故障、电气故障和传感器故障。电气牵引系统一般配备有不同类型的传感器，比如：电压传感器、电流传感器、速度传感器等。电流传感器和速度传感器主要用于闭环控制，电压传感器被视为监测运行状态的指示器。如果在电气传动系统中存在传感器故障，则测量值将偏离其实际值或期望值；这种情况将导致牵引效率的下降，甚至整个运行的恶化。因此，对传感器进行故障检测和故障诊断是保证交流电气传动系统安全性的必要和重要的手段。在现有的研究中很少发现交流电气传动系统中的初始传感器故障。如果能尽早检测和诊断电气传动系统中的初始传感器故障，则可以通过更换故障传感器来有效地避免意外故障或故障。在电力驱动系统中，微小传感器的FDD面临的主要挑战可归类如下：电气传动系统采用闭合控制，削弱了微小故障带来的影响；早期故障所造成的轻微影响很容易被干扰或噪声掩盖；复杂非线性电传动系统的精确数学模型是不可能获得的。电驱动系统中传感器故障的原始解决方案依赖于需要产生系统冗余的硬件冗余，其中原始电气驱动系统的关键部件应该通过使用相同或等效的硬件来重建。对于实际的交流电气传动系统，由于其高复杂性和高成本性，相较于硬件冗余的处理方式，分析软件冗余更切实可行。传统的基于观测器和奇偶空间方法的故障诊断方法的准确率依赖于所建立非线性系统模型的精准性，而一般在采用基于模型的方法对实际交流电气传动系统建模时，会作出一些线性假设，这是造成故障诊断误报和漏报的主要原因。基于以上分析，本案由此产生。
技术实现思路
本专利技术的目的，在于提供一种用于电气牵引系统微小故障检测与定位的系统设计方法，其采用一种实时的深度主元分析算法，可以对电气传动装置在故障发生前的微小信号进行有效的多特征描述，并且在电气传动系统的模型和参数未知情况下，也能有很高的故障诊断能力。为了达成上述目的，本专利技术的解决方案是：一种用于电气牵引系统的微小故障检测与定位的系统设计方法，包括如下步骤：第一阶段：建立离线数据模型步骤1，采集电气牵引系统的传感器稳态运行数据并对离线数据进行预处理；步骤2，计算预处理后数据不同层子空间的主元成分和残差成分量值以及载荷向量；步骤3，确定并计算主元分析法的性能指标及其概率密度函数和故障检测阈值；第二阶段：在线故障诊断步骤4，对在线数据进行处理；步骤5，计算不同层子空间的主元成分和残差成分的性能指标；步骤6，利用获得的故障检测阈值，构造概率矩阵并用贝叶斯推理来进行故障诊断。上述步骤1中，根据采集到的传感器数据，对数据进行归一化处理并重新定义归一化后的数据集。上述对数据进行归一化处理的过程是：定义采集的N个离线样本数据X＝[xk(1)，…，xk(m)]∈RN×m，其中k＝1，…，N，i＝1，…，m，m是测量的变量维数；然后通过下式计算每一列的平均值和方差σ2(i)：根据和σ，利用下式将xk(i)进行归一化：在此基础上，将归一化后的离线数据集重新定义为X。上述步骤2的具体内容是：选择深度主元分析的分解阶数，并计算每层子空间的主元成分和残差成分量值；在此基础上，获得主元成分的载荷向量和特征值。上述步骤2中，选择深度主元分析的分解阶数，并计算每层子空间的主元成分和残差成分量值的具体过程是：对于电气牵引系统中已经实现归一化的离线数据集X，计算其协方差矩阵S如下：对S进行奇异值分解：其中，Λ0，1∈Rm×m＝diag(λ0，1，…，λ0，m)，并对λ0，i(i＝1，…，m)进行降序排列，P1＝[P1，1P1，2]是S的特征向量，其中P1，1∈Rm×l是X的主成分加载方向，而P1，2∈Rm×(m-l)是X的残差成分加载方向，l是保留的主成分个数；于是，将X分解为两个部分：X＝X1，1+X1，2其中，X1，1和X1，2是X在一阶主元分解的主成分子空间和残差成分子空间，分别对X1，1和X1，2进行奇异值分解，得到二阶PCS和RS，于是有：X1，1＝X2，1+X2，2X1，2＝X2，3+X2，4假设P2，1和P2，2分别是X1，1的主成分和残差成分方向，P2，3和P2，4分别是X1，2的主成分和残差成分方向，那么X进一步被表示为：X＝X2，1+X2，2+X2，3+X2，4其中，类似地，X能够被分解为2j个子数据集，其中，j是分解阶数。上述步骤3中，每个子数据集Xj，k的性能指标通过如下方式计算：其中，lj，k和Λj，k分别是Xj，k的PCS的主成分个数和特征值大小，而Xj，k的性能指标SPE通过如下方式计算：通过核密度估计，得到和SPEj，k的概率密度函数如下：其中，b∈[1，n]是采样步长，和分别是和SPEj，k的第b组列向量，h是平滑参数。上述步骤6中，对于故障采样样本xc∈Rm，构造比率向量如下：设rc的第k个元素为利用逻辑函数计算概率值如下：其中，假设故障c有Nc个测量量，构造概率矩阵并利用最大似然估计法计算其均值向量和协方差矩阵其中，Nf是某一类故障的数目，是第j个概率矩阵，xb是第b个采样值；因此，类故障下有个均值向量和协方差矩阵；结合贝叶斯推理过程，任意采样的故障样本xuk分类的后验概率如下：其中，是比例因子，是先验概率，这二者都由故障数据集得到；假设概率矩阵Pc服从高斯分布，即计算似然概率P(xuk|c)如下：那么，采样的故障样本xuk就被分为第d类故障：采用上述方案后，本专利技术首先将多元统计方案引入数据驱动的故障检测与诊断领域，然后提出了一种基于深度主元分析法的有效的微小故障检测与基于贝叶斯的故障定位算法。这种故障检测方法有较高的故障诊断计算效率，能够建立包含电力牵引系统和噪声信息的精确数据模型，并满足高频电力牵引系统的实时性要求。与此同时，这一方案通过多个数据处理层提取比标准主成分分析法弱的故障特征，从而对电气传动装置在故障发生前的微小信号进行有效的早期故障检测，并且在电气传动系统的模型和参数未知情况下，也有很高的故障诊断能力。附图说明图1是深度PCA(DPCA)的算法结构示意图；图2是f1故障下3阶DPCA的性能比对故障检测结果；图3是f2故障下3阶DPCA的性能比对故障检测结果；图4是f3故障下3阶DPCA的性能比对故障检测结果；图5是3阶DPCA在不同故障下的PM均值对比示意图；图6是3阶DPCA在不同故障下的PM协方差对比示意图。具体实施方式以下将结合附图，对本专利技术的技术方案及有益效果进行详细说明。本专利技术提供一种用于电气牵引系统的微小故障检测与定位的系统设计方法，包括如下步骤：第一阶段：建立离线数据模型1)采集电气牵引系统的传感器稳态运行数据并对离线数据进行预处理；2)计算预处理后数据不同层子空间的主元成分和残差成分量值以及载荷向量；3)确定并计算主元分析法的性能指标及其概率密度函数，并基于计算结果确定性能指标的故障检测阈值；第二阶段：在线故障诊断4)对在线数据进行处理；本文档来自技高网...

【技术保护点】
1.一种用于电气牵引系统的微小故障检测与定位的系统设计方法，其特征在于包括如下步骤：第一阶段：建立离线数据模型步骤1，采集电气牵引系统的传感器稳态运行数据并对离线数据进行预处理；步骤2，计算预处理后数据不同层子空间的主元成分和残差成分量值以及载荷向量；步骤3，确定并计算主元分析法的性能指标及其概率密度函数和故障检测阈值；第二阶段：在线故障诊断步骤4，对在线数据进行处理；步骤5，计算不同层子空间的主元成分和残差成分的性能指标；步骤6，利用获得的故障检测阈值，构造概率矩阵并用贝叶斯推理来进行故障诊断。

【技术特征摘要】
1.一种用于电气牵引系统的微小故障检测与定位的系统设计方法，其特征在于包括如下步骤：第一阶段：建立离线数据模型步骤1，采集电气牵引系统的传感器稳态运行数据并对离线数据进行预处理；步骤2，计算预处理后数据不同层子空间的主元成分和残差成分量值以及载荷向量；步骤3，确定并计算主元分析法的性能指标及其概率密度函数和故障检测阈值；第二阶段：在线故障诊断步骤4，对在线数据进行处理；步骤5，计算不同层子空间的主元成分和残差成分的性能指标；步骤6，利用获得的故障检测阈值，构造概率矩阵并用贝叶斯推理来进行故障诊断。2.如权利要求1所述的用于电气牵引系统的微小故障检测与定位的系统设计方法，其特征在于：所述步骤1中，根据采集到的传感器数据，对数据进行归一化处理并重新定义归一化后的数据集。3.如权利要求2所述的用于电气牵引系统的微小故障检测与定位的系统设计方法，其特征在于：所述对数据进行归一化处理的过程是：定义采集的N个离线样本数据X＝[xk(1)，…，xk(m)]∈RN×m，其中k＝1，…，N，i＝1，…，m，m是测量的变量维数；然后通过下式计算每一列的平均值和方差σ2(i)：根据和σ，利用下式将xk(i)进行归一化：在此基础上，将归一化后的离线数据集重新定义为X。4.如权利要求1所述的用于电气牵引系统的微小故障检测与定位的系统设计方法，其特征在于：所述步骤2的具体内容是：选择深度主元分析的分解阶数，并计算每层子空间的主元成分和残差成分量值；在此基础上，获得主元成分的载荷向量和特征值。5.如权利要求4所述的用于电气牵引系统的微小故障检测与定位的系统设计方法，其特征在于：所述步骤2中，选择深度主元分析的分解阶数，并计算每层子空间的主元成分和残差成分量值的具体过程是：对于电气牵引系统中已经实现归一化的离线数据集X，计算其协方差矩阵S如下：对S进行奇异值分解：其中，Λ0，1∈Rm×m＝diag(λ0，1，…，λ0，m)，并对λ0，i(i＝1，…，m)进行降序排列，P1＝...

【专利技术属性】
技术研发人员：陈宏田，姜斌，吴建萍，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32