一种牵引系统故障的在线诊断方法及装置制造方法及图纸

本发明专利技术涉及一种牵引系统故障的在线诊断方法及装置，以及一种计算机可读存储介质。该在线诊断方法包括：监测所述牵引系统的故障特征变量；响应于所述故障特征变量异常而输出对应的故障分类使能标志；根据所述故障分类使能标志采集所述牵引系统的相关时域统计量；从所述相关时域统计量提取相关特征指标以生成观测向量序列；以及将所述观测向量序列载入经过预先训练的相关的故障模型，以确定最大概率值对应的故障模型为所述牵引系统的故障诊断结果。本发明专利技术能够对牵引系统故障进行在线定位，并实现各类故障源的精确分类。并实现各类故障源的精确分类。并实现各类故障源的精确分类。

【技术实现步骤摘要】
一种牵引系统故障的在线诊断方法及装置


[0001]本专利技术涉及轨道交通牵引系统的故障诊断技术，尤其涉及一种牵引系统故障的在线诊断方法，以及一种牵引系统故障的在线诊断装置。

技术介绍

[0002]在机车、动车组等列车运行过程中，任何微小或潜在的故障和隐患若不能被及时诊断和有效，都有可能引发连锁反应造成事故，甚至酿成灾难性后果。牵引系统统作为高速列车的“心脏”，由于其运行环境复杂、腐蚀、温度、湿度、供电浪涌，以及静电等因素都会影响其运行状态，极易发生故障，且不能通过定期维修的方式来消除。如果列车在运行途中发生了故障，最好能实现在线准确故障源定位，以便及时排除故障或执行适当的隔离保护策略。如未能及时诊断出故障原因并排除故障，将会造成行车事故，延误列车的正常运行，影响整个线路及至全路的运输秩序。
[0003]目前列车牵引系统的故障诊断仍主要基于采集传感器信号，采用简单超阈值报警等故障检测方法，例如：牵引系统网侧的过压、过流检测；牵引变流器的输入/输出过流检测、中间直流过压/欠压检测、冷却系统温度、水压力过高/过低等检测与保护功能。然而，此类检测方法都属于故障表征的检测，无法诊断出现此类表征的真实原因，一般需要临时停车由司机或系统维护人员进行排查。
[0004]为了克服现有技术存在的上述缺陷，本领域亟需一种牵引系统的在线故障诊断技术，用于对牵引系统故障进行在线定位，并实现各类故障源的精确分类。

技术实现思路

[0005]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
[0006]为了克服现有技术存在的上述缺陷，本专利技术提供了一种牵引系统故障的在线诊断方法、一种牵引系统故障的在线诊断装置，以及一种计算机可读存储介质，用于对牵引系统故障进行在线定位，并实现各类故障源的精确分类。
[0007]本专利技术提供的上述牵引系统故障的在线诊断方法，包括：监测所述牵引系统的故障特征变量；响应于所述故障特征变量异常而输出对应的故障分类使能标志；根据所述故障分类使能标志采集所述牵引系统的相关时域统计量；从所述相关时域统计量提取相关特征指标以生成观测向量序列；以及将所述观测向量序列载入经过预先训练的相关的故障模型，以确定最大概率值对应的故障模型为所述牵引系统的故障诊断结果。
[0008]可选地，在本专利技术的一些实施例中，所述在线诊断方法还可以包括：判断所述故障特征变量是否超过给定的阈值；以及响应于所述故障特征变量超过所述阈值而判断所述故障特征变量异常。
[0009]可选地，在本专利技术的一些实施例中，根据所述故障分类使能标志采集所述相关时域统计量的步骤可以包括：响应于所述故障分类使能标志而获取所述故障特征变量，并根据所述故障分类使能标志从对应的传感器获取其他相关的时域统计量。
[0010]优选地，在本专利技术的一些实施例中，所述在线诊断方法还可以包括：对所述牵引系统的历史故障数据进行故障特征分析以提取相关特征变量；根据所述相关特征变量计算故障特征指标，以得到所述故障特征指标的观测向量序列的样本库；以及根据所述样本库训练所述牵引系统的各类所述故障模型。
[0011]优选地，在本专利技术的一些实施例中，得到所述观测向量序列的样本库的步骤可以进一步包括：将具有K个所述观测向量序列的样本库定义为O＝{O
(1)
,O
(2)
,
…
,O
(K)
}，其中，为第k个观测向量序列，为O
(k)
的第t时刻的D维观测向量。
[0012]优选地，在本专利技术的一些实施例中，训练各类所述故障模型的步骤可以包括：建立描述所述观测向量序列的统计特征的HMM模型；根据所述HMM模型建立GMM-HMM模型；根据所述GMM-HMM模型确定所述观测向量序列的概率密度函数；以及根据所述历史故障数据的样本库进行参数初始化，并对所述GMM-HMM模型进行参数估计。
[0013]优选地，在本专利技术的一些实施例中，建立所述HMM模型的步骤可以进一步包括：选择N个状态S＝{s1,s2,
…
,s
N
}及M个高斯混合元以建立所述HMM模型，其中，x
nm
为状态s
n
的第m个混合元。
[0014]优选地，在本专利技术的一些实施例中，建立所述GMM-HMM模型的步骤可以进一步包括：将所述GMM-HMM模型描述为λ＝(π,A,C,μ,U)，其中，π为初始状态概率分布，A为状态转移概率分布，C为混合权利重，μ为均值矢量，U为协方差矩阵；将所述初始状态概率分布π定义为π＝[π1,π1,
…
,π
N
]T
，其中，q
t
为t时刻所述观测向量序列的状态，P[
·
]为所述观测向量序列的概率，π
n
＝P[q1＝s
n
]≥0且将所述状态转移概率分布A定义为其中，a
ij
＝P[q
t+1
＝s
j
|q
t
＝s
i
]≥0且所有i满足将所述混合权利重C定义为其中，c
nm
≥0且所有n满足将所述
均值矢量μ定义为其中，代表混合元x
nm
的D维均值向量；以及将所述协方差矩阵U定义为其中，U
nm
代表混合元x
nm
的D
×
D维协方差矩阵。
[0015]优选地，在本专利技术的一些实施例中，确定所述观测向量序列的概率密度函数的步骤可以进一步包括：将状态s
n
的观测向量的概率密度函数描述为其中，为观测向量对应的混合元x
nm
的概率密度函数。
[0016]可选地，在本专利技术的一些实施例中，确定最大概率值对应的故障模型的步骤可以包括：将所述观测向量序列载入一个经过预先训练的相关的GMM-HMM模型λ＝(π,A,C,μ,U)，以计算所述观测向量序列在所述模型下的概率；判断是否还有下一相关的GMM-HMM模型；响应于还有下一相关的GMM-HMM模型，将所述观测向量序列载入下一所述模型，以计算所述观测向量序列在下一所述模型下的概率；以及响应于没有下一相关的GMM-HMM模型，输出最大概率值对应的GMM-HMM模型的序号。
[0017]优选地，在本专利技术的一些实施例中，计算所述观测向量序列在一个GMM-HMM模型下的概率的步骤可以进一步包括：对所述观测向量序列的概率P[O|λ]取对数，以计算所述观测向量序列的似然概率log
10
(P[O|λ
i
])；以及将所述似然概率log
10
(P[O|λ
i
])作为所述观测向量序列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种牵引系统故障的在线诊断方法，其特征在于，包括：监测所述牵引系统的故障特征变量；响应于所述故障特征变量异常而输出对应的故障分类使能标志；根据所述故障分类使能标志采集所述牵引系统的相关时域统计量；从所述相关时域统计量提取相关特征指标以生成观测向量序列；以及将所述观测向量序列载入经过预先训练的相关的故障模型，以确定最大概率值对应的故障模型为所述牵引系统的故障诊断结果。2.如权利要求1所述的在线诊断方法，其特征在于，还包括：判断所述故障特征变量是否超过给定的阈值；以及响应于所述故障特征变量超过所述阈值而判断所述故障特征变量异常。3.如权利要求1所述的在线诊断方法，其特征在于，根据所述故障分类使能标志采集所述相关时域统计量的步骤包括：响应于所述故障分类使能标志而获取所述故障特征变量，并根据所述故障分类使能标志从对应的传感器获取其他相关的时域统计量。4.如权利要求1所述的在线诊断方法，其特征在于，还包括：对所述牵引系统的历史故障数据进行故障特征分析以提取相关特征变量；根据所述相关特征变量计算故障特征指标，以得到所述故障特征指标的观测向量序列的样本库；以及根据所述样本库训练所述牵引系统的各类所述故障模型。5.如权利要求4所述的在线诊断方法，其特征在于，得到所述观测向量序列的样本库的步骤进一步包括：将具有K个所述观测向量序列的样本库定义为O＝{O
(1)
,O
(2)
,
…
,O
(K)
}，其中，为第k个观测向量序列，为O
(k)
的第t时刻的D维观测向量。6.如权利要求5所述的在线诊断方法，其特征在于，训练各类所述故障模型的步骤包括：建立描述所述观测向量序列的统计特征的HMM模型；根据所述HMM模型建立GMM-HMM模型；根据所述GMM-HMM模型确定所述观测向量序列的概率密度函数；以及根据所述历史故障数据的样本库进行参数初始化，并对所述GMM-HMM模型进行参数估计。7.如权利要求6所述的在线诊断方法，其特征在于，建立所述HMM模型的步骤进一步包括：选择N个状态S＝{s1,s2,
…
,s
N
}及M个高斯混合元以建立所述HMM模型，其中，x
nm
为状态s
n
的第m个混合元。8.如权利要求7所述的在线诊断方法，其特征在于，建立所述GMM-HMM模型的步骤进一
步包括：将所述GMM-HMM模型描述为λ＝(π,A,C,μ,U)，其中，π为初始状态概率分布，A为状态转移概率分布，C为混合权利重，μ为均值矢量，U为协方差矩阵；将所述初始状态概率分布π定义为π＝[π1,π1,
…
,π
N
]
T
，其中，q
t
为t时刻所述观测向量序列的状态，P[
·
]为所述观测向量序列的概率，π
n
＝P[q1＝s
n
]≥0且将所述状态转移概率分布A定义为其中，a
ij
＝P[q
t+1
＝s
j
|q
t
＝s
i<...

【专利技术属性】
技术研发人员：李学明，徐绍龙，甘韦韦，郭维，袁靖，彭辉，黄明明，廖亮，谭永光，
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：