一种智能列车外部受电装置的非侵入式实时动态监测方法制造方法及图纸

本发明专利技术公开了一种智能列车外部受电装置的非侵入式实时动态监测方法，包括：获取受电弓的原始电流信号并进行预处理获取多个原始数据向量；对原始数据向量进行小波包分解，从得到的每个子频带提取特征量并构建特征向量；以特征向量和受电弓是否故障的分类标记分别作为输入输出数据，训练故障识别预判模型；以原始数据向量和故障类型分别作为输入输出数据，训练故障识别模型；按前述方法对受电弓的实时电流信号进行处理得到原始数据向量和特征向量，故障识别预判模型根据特征向量对受电弓进行故障预判，若有故障，故障识别模型根据原始数据向量对受电弓的故障类型进行识别。本发明专利技术实现列车运行状态下受电弓的实时在线监测与故障类型识别。

A Non-intrusive Real-time Dynamic Monitoring Method for Intelligent Train External Electricity-receiving Device

【技术实现步骤摘要】
一种智能列车外部受电装置的非侵入式实时动态监测方法
本专利技术涉及故障识别领域，具体是指一种智能列车外部受电装置的非侵入式实时动态监测方法。
技术介绍
伴随着我国城市化进程的加快及经济建设的高速发展，对于出行过程中的舒适性、便捷性与安全性，人们的要求越来越高。在轨道交通领域，智能列车概念的提出对于未来缓解城市间交通压力，增加高速列车乘坐舒适性与可靠性，提升铁路行业服务水平起着极为重要的作用。其中，列车外部受流装备，目前常见的为列车受电弓，其平稳运行与安全诊断对于智能列车的实现，有着重要意义。列车受电弓的故障类型主要分为机械部件故障、电器系统故障、风管系统故障等。现阶段针对受电弓的主要故障诊断方式及所存在的缺陷包括：(1)基于图像识别的受电弓故障诊断，但该方法无法实现列车运行状态下的受电弓裂纹诊断，容易受到遮挡物及安装视角的影响；(2)基于地面设备的故障诊断，但该方法需要在在路网沿线布置各类传感器等硬件设备，成本较高，且只能在相应路段才能实现受电弓故障诊断；(3)基于受电弓震动特性分析的故障诊断，但该方法需要安装外部设备实现故障诊断，且识别精度较低，可识别故障类型较少。
技术实现思路
针对本文档来自技高网...

【技术保护点】
1.一种智能列车外部受电装置的非侵入式实时动态监测方法，其特征在于，包括以下步骤：步骤1，获取原始数据向量；采集受电弓的原始电流信号并进行预处理得到预处理电流信号，从预处理电流信号中提取多个预处理电流信号片段得到受电弓的多个原始数据向量；其中，已知每个原始数据向量所对应的受电弓故障类型；步骤2，构建正负样本子集；步骤2.1，对原始数据向量进行小波包分解重构，提取每个子频带的小波能量信息和小波包奇异值并作为特征量，再利用所有特征量构建特征向量；步骤2.2，将每个原始数据向量所对应的特征向量均作为训练样本，所有训练样本构成训练集；步骤2.3，根据受电弓故障类型是否为“无故障”，对每个训练样本进行0...

【技术特征摘要】
1.一种智能列车外部受电装置的非侵入式实时动态监测方法，其特征在于，包括以下步骤：步骤1，获取原始数据向量；采集受电弓的原始电流信号并进行预处理得到预处理电流信号，从预处理电流信号中提取多个预处理电流信号片段得到受电弓的多个原始数据向量；其中，已知每个原始数据向量所对应的受电弓故障类型；步骤2，构建正负样本子集；步骤2.1，对原始数据向量进行小波包分解重构，提取每个子频带的小波能量信息和小波包奇异值并作为特征量，再利用所有特征量构建特征向量；步骤2.2，将每个原始数据向量所对应的特征向量均作为训练样本，所有训练样本构成训练集；步骤2.3，根据受电弓故障类型是否为“无故障”，对每个训练样本进行0和1分类标记，再按分类标记的不同将训练集划分为正样本子集和负样本子集；步骤3，训练获得故障识别预判模型；以特征向量和相应的分类标记分别作为输入和输出数据，训练SVM模型，得到故障识别预判模型；步骤4，训练获得故障识别模型；以原始数据向量和相应的故障类型分别作为输入和输出数据，训练LSTM网络，得到故障识别模型；步骤5，对受电弓进行实时动态监测；步骤5.1，采集受电弓的实时电流信号，并进行预处理得到原始数据向量，再按步骤2获取特征向量；步骤5.2，将步骤5.1得到的特征向量输入至步骤3得到的故障识别预判断模型，得到受电弓是否故障，若受电弓为有故障，则执行步骤5.3，否则执行步骤5.1；步骤5.3，将步骤5.1得到的原始数据向量输入至步骤4得到的故障识别模型，得到受电弓的故障类型。2.根据权利要求1所述的方法，其特征在于，步骤2.1中，对原始数据向量进行N层小波包分解重构，得到2N个小波能量信息和2N个小波包奇异值，在步骤3之前还包括步骤2.4，基于ReliefF算法选择特征量并构建最终的特征向量，具体过程为：步骤D1，由2N个小波能量信息构建小波能量特征向量由2N个小波包奇异值构建奇异值特征向量再将小波能量特征向量和奇异值特征向量组合得到特征向量步骤D2，初始化权值向量所述权值向量W中的2N个元素分别为特征向量P中的2N个特征量的权值；步骤D3，从训练集中随机抽取一个训练样本R，从分类标记相同的样本子集中选择k个最邻近样本R1，从分类标记不同的样本子集中选择k个最邻近样本R2；步骤D4，遍历k个最邻近样本R1和k个最邻近样本R2，按照以下公式更新权值向量W：其中，diff(a,R1,R2)表示样本R1、R2于第a个特征量处的差，计算方法如下步骤D5，重复步骤D3-D4，重复次数为Nc，最终得到权值向量W，执行步骤D6；步骤D6，对权值向量W按降序排序，得到对应的特征量排列顺序，并选取前面的s维特征量构成最终的特征向量3.根据权利要求2所述的方法，其特征在于，N＝3。4.根据权利要求1所述的方法，其特征在于，子频带的小波能量信息是指子频带在原始数据向量中的能量比重，计算公...

【专利技术属性】
技术研发人员：刘辉，刘泽宇，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43