一种基于在线学习的高速列车牵引电机温度预测方法技术

本发明专利技术公开一种基于在线学习的高速列车牵引电机温度预测方法。首先根据历史温度数据和列车工况数据建立并训练端到端的神经网络预测模型，然后在在线学习阶段，模型在每个时间步根据实时传感器数据预测目标温度数据，并结合预测误差和输入数据的复杂度动态调整模型参数。通过不断循环此过程，实现对牵引电机测点温度的精准预测，本发明专利技术避免了离线温度预测模型难以适应温度数据分布变化而产生精度下降的情况，可以实现持续的精准的温度预测。可以实现持续的精准的温度预测。可以实现持续的精准的温度预测。

【技术实现步骤摘要】
一种基于在线学习的高速列车牵引电机温度预测方法


[0001]本专利技术涉及车载环境下高速列车状态安全监控
，具体涉及一种基于在线学习的高速列车牵引电机温度预测方法。

技术介绍

[0002]在如今绿色、智能、环保的交通建设环境下，我国的高铁设备也朝着现代化、智能化方向发展。牵引电机作为高速列车的一个核心部件，负责列车动能的输出，其健康管理对于保证动车组行车安全是十分重要的。在我国高速列车牵引电机以及传感器现有的布设方式下，温度信号传感器不仅可以反映电机健康状态，而且具有安装简单、成本低的优势，显然温度信号是一个合适的健康指标。但目前仅实现了对测点温度的实时监控，即当牵引电机测点温度超过所设阈值等级时，列车维护网络发出预警，列车上工作人员从而做出相应的应对措施。
[0003]然而牵引电机温度受多种因素影响，其信号的数据分布也呈现出复杂多变的特性，在这种情况下，现行的固定阈值的监测预警方式不但极易产生误报，且只能监测当前的牵引电机温度和运行状态，导致过热预警报出的时间一般是滞后的，留给列车人员的反应和处理的时间也不够充分，轻微的延迟可能会造成严重安全事故。另一方面，从数据角度来说，现有方式不能有效利用和挖掘海量的车载传感器数据，造成数据资源的开发程度低下，无法预测未来的变化趋势。
[0004]在状态预测方面，以神经网络为代表的传统机器学习以及深度学习技术为应用多维、海量的传感器数据进行预测提供了基础，但这些研究大多是离线方面的应用。由于电机信号多样化，离线学习模型的预测精度往往具有高度的数据依赖性，随着时间推移或迁移到其他电机数据时，模型的预测性能会下降，不适用于牵引电机所处于的车载运行环境下。因此，如何设计出通用的电机温度状态预测模型，并且模型能够根据实时数据在线更新以保持预测能力，是一个亟需解决的问题。

技术实现思路

[0005]本专利技术的要解决的技术问题是，目前基于神经网络的温度状态预测模型依靠历史离线数据建立，具有高度数据依赖性，模型被加载在实际场景后其预测精度随时间会明显下降，不适应于列车进行在途温度状态预测。
[0006]一种基于在线学习的高速列车牵引电机温度预测方法，包括以下步骤：
[0007]步骤1、根据历史传感器数据构建并训练牵引电机温度神经网络预测模型；
[0008]步骤2、在在线学习阶段，获取t时刻下动力车牵引电机定子温度、驱动端温度和非驱动端温度，从时间t
‑
l
s
‑
l
p
到时间t
‑
l
p
之间的温度传感器信号和其他列车运行工况参数；
[0009]步骤3、根据从时间t
‑
l
s
‑
l
p
到时间t之间的传感器数据计算当前时刻训练样本复杂度；
[0010]步骤4、根据t时刻的真实温度值和步骤1所述模型预测温度值计算误差选择系数；
[0011]步骤5、根据步骤3计算的样本复杂度和步骤4计算的误差选择系数估计模型当前样本训练参数；
[0012]步骤6、输入t
‑
l
p
到t的传感器数据的数据预测t+l
p
时刻的目标温度。
[0013]优选地，步骤1构建训练的牵引电机温度神经网络预测模型的基本模型结构为堆叠式全连接层或LSTM或GRU，基于历史数据预先训练，通过提取每个历史时刻u
‑
l
s
‑
l
p
和u
‑
l
p
作为列车牵引电机历史数据电机定子温度、驱动端温度、非驱动端温度以及其他列车运行工况参数作为输入数据，其对应的时刻u下的电机定子温度、驱动端温度、非驱动端温度作为预测参数，基于输入数据和预测值搭建并训练神经网络训练模型，得到预测步长为l
p
的神经网络训练模型。
[0014]其中作为模型训练输入数据的其他列车运行工况参数，具体包括列车运行速度、冷却风机挡位和外部环境温度。
[0015]优选地，步骤3所述的训练样本复杂度是根据时间序列相关性定义的，训练样本是由时间t
‑
l
s
‑
l
p
到时间t之间的多维传感器时间序列数据构成的，某通道信号序列的k阶自相关系数定义：
[0016][0017]基于每个维度特征时间序列的k阶自相关系数，样本的复杂度λ
c
表示如下：
[0018][0019]其中，X
i
是第i个特征的时间序列，v
i
是X
i
的变化范围，v
max
是集合{v
i
}
i＝1:m
的最大值。
[0020]优选地，步骤4所述误差选择系数K
e
定义如下：
[0021][0022]其中，在预测值对应的实际值到来之前的每一步都使用生成预测值集合引入误差向量来反映模型对当前训练样本的渐近适应性，δ1和δ2分别是E前半段和后半段的平均值，是使用持久性算法的预测误差，δ1/δ2表示误差的变化趋势，δ1/δ
per
用来衡量误差是否处于高水平。
[0023]优选地，步骤5所述模型当前样本训练参数具体指模型训练次数epoch
(t)
，在步骤t的epoch
(t)
的估算方法为：
[0024][0025]这里N指epoch取值的上限，函数F(λ)是由历史样本复杂度的经验概率分布获得，可将不同样本对应的复杂度映射到(0，1)。
附图说明
[0026]图1是一种基于在线学习的高速列车牵引电机温度预测方法示意图；
[0027]图2是历史样本复杂度的直方图和累积概率密度分布图；
[0028]图3是固定epoch和动态epoch下的对比图；
[0029]图4是一节动力车四台电机定子温度的预测结果图；
[0030]图5是不同日期下的定子温度预测结果图。
具体实施方式
[0031]为使本专利技术实施的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行更加详细的描述。所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。下面描述的实施例旨在用于解释本专利技术，而不应解释为对本专利技术实施的限制。
[0032]按照图1所示方法，构建预测模型。所采用的数据集共包含某列动车组共43天的传感器数据，包含的信号如表1所示。
[0033]表1模型输入信号变量
[0034][0035]所有信号仅保留了日间列车运行时的数据，采样间隔为1min。一天的数据共包含8节动力车的电机数据，单节动力车数据的平均尺寸以(序列长度
×
信号维度)的形式呈现，数据集如表2所示划分为训练集、验证集和测试集。模型首先在训练集上训练，然后基于验证本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于在线学习的高速列车牵引电机温度预测方法，其特征在于，包括以下步骤：步骤1、根据历史传感器数据构建并训练牵引电机温度神经网络预测模型；步骤2、在在线学习阶段，获取t时刻下动力车牵引电机定子温度、驱动端温度和非驱动端温度，从时间t
‑
l
s
‑
l
p
到时间t
‑
l
p
之间的温度传感器信号和其他列车运行工况参数；步骤3、根据从时间t
‑
l
s
‑
l
p
到时间t之间的传感器数据计算当前时刻训练样本复杂度；步骤4、根据t时刻的真实温度值和步骤1所述模型预测温度值计算误差选择系数；步骤5、根据步骤3计算的样本复杂度和步骤4计算的误差选择系数估计模型当前样本训练参数；步骤6、输入t
‑
l
p
到t的传感器数据的数据预测t+l
p
时刻的目标温度。2.根据权利要求1所述的一种基于在线学习的高速列车牵引电机温度预测方法，其特征在于，步骤1构建训练的牵引电机温度神经网络预测模型的基本模型结构为堆叠式全连接层或LSTM或GRU，基于历史数据预先训练，通过提取每个历史时刻u
‑
l
s
‑
l
p
和u
‑
l
p
作为列车牵引电机历史数据电机定子温度、驱动端温度、非驱动端温度以及其他列车运行工况参数作为输入数据，其对应的时刻u下的电机定子温度、驱动端温度、非驱动端温度作为预测参数，基于输入数据和预测值搭建并训练神经网络训练模型，得到预测步长为l
p
的神经网络训练模型。3.根据...

【专利技术属性】
技术研发人员：董宏辉，马浩，贾利民，秦勇，杨志强，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：