【技术实现步骤摘要】
应用于轨道交通电机健康状态评估的预测方法及系统
[0001]本专利技术涉及轨道交通
,具体涉及应用于轨道交通电机健康状态评估的预测方法及系统。
技术介绍
[0002]电机设备是列车动力系统的主要组成部分,是关乎列车安全最为重要的部件。电机组的牵引功率高达数千KW的功率,单个电机也有数百KW的功率。电力设备的零部件容易磨损,电气设备易受到环境因素的影响而产生潜在的故障源。列车一旦出现故障,所造成的经济损失、人员伤亡难以估量。
[0003]列车的运行状态关乎车辆的安全和人员的生命安全问题,电机设备的健康评估研究对交通风险防范有重要的意义。目前,针对于电机设备的PHM技术手段主要包括:故障诊断、故障隔离、健康评估等。在技术执行阶段又分为人工检修和通过信号处理、数理统计、深度学习等方法进行的异常检测和健康评估。
[0004]现有技术存在以下缺陷:
[0005]大量依赖于专家系统会导致主观经验占为主导,对于快速发展的现代设备来说,故障模式在快速的更迭,基于人工难以实现快速的分析和预判,在产品新旧更迭之时基于专家经验评估健康状态效果并不理想基于实时数据所做的推理和评估不能反映将来的趋势,对于任务执行决策的指导意义十分有限。
[0006]目前针对于列车的状态研究大多集中于实时状态,经过数据预处理、数据测算、异常检测等步骤形成评估结果,在一定程度上具有明显的评估延迟,对于决策人员的参考价值十分有限。
[0007]同时现代设备的层级复杂,系统、部件之间的关联性强,对于单个信号或同级的信号进 ...
【技术保护点】
【技术特征摘要】
1.一种应用于轨道交通电机健康状态评估的预测方法,其特征在于,包括以下步骤:S1获取原始数据并依次对该原始数据进行异常值清洗和数据格式修正;S2数据输入到预测算法网络之中,利用特征学习能力对时序信号中前后连续的局部依赖关系进行提取,并完成序列的预测;S3对预测后的数据,基于多门限阈值划分真实和预测数据中每个评价值的统计概率生成评价集,同时通过层次分析法生成权重集;S4将评价集和权重集输入模糊综合评估,通过自底向上的评估得到最终健康得分。2.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测方法,其特征在于,所述S1中,对原始数据进行修正数据格式,缺失值处理和振动数据的频域变换。3.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测方法,其特征在于,所述S2中,基于VSCODE平台,TensorFlow框架,将电机的转速、振动、电流的多个传感器采样数据输入到预测算法网络之中,通过特征学习能力对时序信号中前后连续的局部依赖关系进行提取,并完成序列的预测。4.根据权利要求3所述的应用于轨道交通电机健康状态评估的预测方法,其特征在于,所述S2中,基于LSTM、WMA、GRU预测方法,通过实际的算法实验得到各类方法对短、长数据的适用性;所述LSTM方法中,遗忘门函数为:f
t
=σ(W
f
·
(h
t
‑1,x
t
)+b
f
)输入门输出:i
t
=σ(W
i
·
(h
t
‑1,x
t
)+b
i
)候选向量为:受候选向量影响状态更新:过滤后输出函数为:o
t
=σ(W
o
·
(h
t
‑1,x
t
)+b
o
)h
t
=o
t
*tanh(c
t
)所述WMA方法中,移动平均算法公式如下表示:其中,Ft为对下一期的预测值;n为移动平均的时期个数;A
t
‑1为前期实际值;A
t
‑2,A
t
‑3和A
t
‑
n
分别表示前两期、前三期直至前n期的实际值;加权移动平均模型如下公式所示w1+w2+
…
+w
n
=1其中w
i
为权重系数,和为1。5.根据权利要求1所述的应用于轨道交通电机健康状态评估的预测方法,其特征在于,所述S3中,评价集生成方法结合电机运行的实际经验,以正常条件下理想的信号状态为基
准;根据专家经验评语集设为:M={优秀,良好,正常,坏,恶化},分别对应各颜色区块;故障条件发生前的信号的平均波形幅度为A,测试数据总采样点为N,基准波形上下界阈值分别设为U
...
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。