The invention relates to the field of rail transit, in particular to a fault diagnosis method of traction converter based on gradient lifting decision tree. It includes the following steps: through the recursive classification of traction converter fault data samples, and the gradient lifting decision tree learning model, the fault classification model is constructed in advance; the fault data of traction converter is obtained and brought into the classification model for fault diagnosis. The invention proposes a general framework of recursive binary classification fault diagnosis, in which a fault diagnosis method of traction converter is constructed based on wavelet packet decomposition and gradient lifting decision tree. The fault diagnosis method of the invention has high accuracy and can fully satisfy the actual situation that the traction converter fault has been located with fewer samples, the data dimension of the data samples is high, the sample distribution of different categories is unbalanced, and the module fault is difficult to distinguish, and has wide popularization value.
【技术实现步骤摘要】
基于梯度提升决策树的牵引变流器故障诊断方法
本专利技术涉及轨道交通领域,更具体地,涉及一种基于梯度提升决策树的牵引变流器故障诊断方法。
技术介绍
变流器是电力机车牵引系统的关键部件,变流器故障将会导致列车运行瘫痪,严重的话会影响整个铁路干线。因此变流器一旦发生故障,需要立刻进行故障原因定位,并采取相关措施来解决故障。例如变流器四象限输入过流是变流器故障中一种常见的故障原因,引起变流器四象限输入过流的故障原因有输入异常、元器件异常、检测异常、其他异常等大类,及其网压波动异常、同步信号接反、输入大线接反、四象限模块管故障、电容鼓包、逆变模块故障、中间电压传感器故障、电流传感器故障、网侧板卡异常、脉冲输出通路异常、控制变压异常等小类。其中,网压波动异常、四象限模块故障、逆变模块故障是列车实际运行中最常见的三种故障原因。然而在实际的故障诊断中,存在着以下局限:(1)数据样本少。在电力机车牵引变流器的故障样本中,已通过专家定位的样本数量少。例如某型机车,在实际运行时采集的四象限输入过流故障的数据样本中,已通过专家定位的数据文件总共只有三百多个。(2)数据样本维度高。在单个样本中共有中间电压、输入电流、牵引网瞬时电压等九个关键字段,每个字段对应的记录有几万条。这样九乘以几万的高维度样本不能直接用于基于机器学习的故障诊断模型。(3)不同类别的样本分布不平衡。在总共三百多个已定位的数据样本中,数量排名前三的故障原因占总数的90%以上,排名第四的故障原因不超过十个,甚至无法进行交叉验证。(4)模块类故障难以区分。模块类的故障,例四象限模块与逆变模块故障,两个故障在多个关键字 ...
【技术保护点】
1.基于梯度提升决策树的牵引变流器故障诊断方法,其特征在于,包括以下步骤:通过对牵引变流器故障数据样本进行递归二分类,并采用梯度提升决策树学习模型,预先构建故障分类模型;获取牵引变流器故障数据,带入分类模型进行故障诊断。
【技术特征摘要】
1.基于梯度提升决策树的牵引变流器故障诊断方法,其特征在于,包括以下步骤:通过对牵引变流器故障数据样本进行递归二分类,并采用梯度提升决策树学习模型,预先构建故障分类模型;获取牵引变流器故障数据,带入分类模型进行故障诊断。2.根据权利要求1所述的基于梯度提升决策树的牵引变流器故障诊断方法,其特征在于,具体包括以下步骤:S1.获取牵引变流器故障数据样本,将故障数据样本分为训练数据样本和测试数据样本;S2.将同大类的训练数据样本先合并,与其它大类的样本进行区分,后对大类中的小类进行进一步的区分,通过梯度提升决策树进行训练,得到分类模型;将测试数据样本带入分类模型进行测试,评估故障诊断效果;S3.获取牵引变流器故障数据,带入分类模型进行故障诊断。3.根据权利要求2所述的基于梯度提升决策树的牵引变流器故障诊断方法,其特征在于,所述步骤S1中,将获取的牵引变流器故障数据样本进行梳理、简化、去噪、清洗,得到结构化数据后再进行故障数据样本的划分。4.根据权利要求2或3所述的基于梯度提升决策树的牵引变流器故障诊断方法,其特征在于,所述步骤S2具体包括:S21.在训练样本集L(t)中,将其中标签为的样本集与其他非的样本集分别标记为Label1、Label2代入GBDT模型,进行训练;其中,it为t的函数;S22.输入测试样本,若测试样本被分在Label1,则结果为Label1。否则,若L2(t)样本集中原标签类数为1,输出分类结果为Label2;否则进入步骤S23;...
【专利技术属性】
技术研发人员:戴计生,张慧源,王同辉,刘昕武,李晨,朱文龙,孙木兰,褚金鹏,刘邦繁,刘雨聪,
申请(专利权)人:株洲中车时代电气股份有限公司,
类型:发明
国别省市:湖南,43
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。