一种基于深度学习的铁路电力设备预测性维护方法及系统技术方案

本发明专利技术公开了一种基于深度学习的铁路电力设备预测性维护方法及系统，该方法包括数据获取、数据检测、设备故障类型分类、设备故障严重程度区分和设备预测性维护，本发明专利技术涉及铁路电力设备预测性维护领域，具体是指一种基于深度学习的铁路电力设备预测性维护方法及系统。本方案采用稀疏惩罚项改进自编码器网络的方法，提高了从铁路电力设备数据中检测异常数据的能力，采用小波包分解结合基于自适应权值更新算法的故障类型分类模型，从铁路电力设备数据中提取故障特征，提高了故障类型分类准确性和可靠性，采用基于模糊理论的故障严重程度聚类方法，将相同严重程度的故障类型通过聚类的方式进行划分，提高了预测性维护的效率。提高了预测性维护的效率。提高了预测性维护的效率。

【技术实现步骤摘要】
一种基于深度学习的铁路电力设备预测性维护方法及系统


[0001]本专利技术涉及铁路电力设备预测性维护领域，具体是指一种基于深度学习的铁路电力设备预测性维护方法及系统。

技术介绍

[0002]铁路电力设备预测性维护是指利用先进的传感器技术、数据分析和预测算法来监测设备状态、预测故障发生时间，并采取相关措施提前进行维护；预测性维护可以帮助铁路公司提前预知设备故障，避免设备突发故障导致列车延误或停运；这有助于提高设备的可靠性和可用性，确保铁路运输的顺利进行；但是在已有的铁路电力设备预测维护方法中，存在着随着使用时间的增长，因其性能下降原因进而产生异常数据难以检测的问题；在已有的铁路电力设备预测性维护方法中，存在着难以从铁路电力设备产生的数据中提取故障特征，降低了预测铁路电力设备故障类型准确性的问题；在已有的铁路电力设备预测性维护方法中，存在着缺少一种能够对故障类型进行故障严重程度区分的方法，导致无法准确评估每个故障的紧急程度，从而难以确定故障的处理优先级的问题。

技术实现思路

[0003]针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于深度学习的铁路电力设备预测性维护方法及系统，针对铁路电力设备存在随着使用时间的增长，因其性能下降进而产生异常数据难以检测的问题，本方案创造性地采用稀疏惩罚项改进自编码器网络的方法，提高了从铁路电力设备数据中检测异常数据的能力，进而降低了后续从异常数据中提取故障特征的难度；针对在已有的铁路电力设备预测性维护方法中，存在着难以从铁路电力设备产生的数据中提取故障特征，从而降低预测铁路电力设备故障类型准确性的问题，本方案创造性地采用小波包分解结合基于自适应权值更新算法的故障类型分类模型，从铁路电力设备数据中提取故障特征，提高了故障类型分类准确性和可靠性；针对在已有的铁路电力设备预测性维护方法中，存在着缺少一种能够对故障类型进行故障严重程度区分的方法，导致无法准确评估每个故障的紧急程度，从而难以确定故障的处理优先级的问题，本方案创造性地采用基于模糊理论的故障严重程度聚类方法，将相同严重程度的故障类型通过聚类的方式进行区分，提高了预测性维护的效率，进而优化了维修资源的合理划分。
[0004]本专利技术采取的技术方案如下：本专利技术提供的一种基于深度学习的铁路电力设备预测性维护方法及系统，该方法包括以下步骤：步骤S1：数据获取；
[0005]步骤S2：数据检测；
[0006]步骤S3：设备故障类型分类；
[0007]步骤S4：设备故障严重程度区分；
[0008]步骤S5：设备预测性维护。
[0009]进一步地，在步骤S1中，所述数据获取，具体指从铁路电力设备中获取电力设备数据集，所述电力设备数据集包括历史数据、历史维护记录数据和电力设备实时数据集。
[0010]进一步地，在步骤S2中，所述数据检测包括以下步骤：步骤S21：计算正常数据马氏距离E，具体为从所述历史数据中获取历史前三个月内无维修记录的设备正常数据C，并通过所述设备正常数据C计算得到正常数据均值D和协方差矩阵ξ，通过计算得到正常数据马氏距离E，公式如下：；
[0011]式中，ξ
‑1表示协方差的逆矩阵，C为无维修记录的设备正常数据，D是正常数据的均值，T表示转置；
[0012]步骤S22：计算马氏距离判别阈值上限H
P
，具体为通过所述设备正常数据C计算得到标准差σ，利用计算得到的标准差σ和正常数据均值D计算得到马氏距离判别阈值上限H
P
，公式如下：；
[0013]式中，D为正常数据的均值，σ为正常数据的标准差；
[0014]步骤S23：计算马氏距离判别阈值下限H
W
，公式如下：；
[0015]式中，D为正常数据的均值，σ为正常数据的标准差；
[0016]步骤S24：计算实时数据马氏距离F（A），具体为通过所述电力设备实时数据集获取实时数据A计算得到实时数据均值B和协方差矩阵δ，通过计算得到实时数据马氏距离F（A），公式如下：；
[0017]式中，δ
‑1表示协方差的逆矩阵，A为电力设备的实时数据，B是实时数据的均值，T表示转置；
[0018]步骤S25：数据区隔，具体为将所述实时数据马氏距离F（A）不在（H
P
，H
W
）区间内的数据记为异常数据，并将所述实时数据马氏距离F（A）在（H
P
，H
W
）区间内的数据记为不确定数据J；
[0019]步骤S26：计算KL散度，公式如下：；
[0020]式中，ρ为稀疏常数，表示自编码器网络中神经元的平均激活量；
[0021]步骤S27：改进自编码器网络，具体为将稀疏惩罚项作为约束条件添加到自编码器的代价函数中，公式如下：；
[0022]式中，N（
·
，
·
）为代价函数，β为稀疏惩罚项权重系数，为KL散度，ρ为稀疏常数，表示自编码器网络中神经元的平均激活量，Q为权值参数，e为偏差参数；
[0023]步骤S28：训练自编码器网络，具体为训练步骤S27中改进的自编码器网络，得到最优自编码器网络权值参数Q和偏差参数e，通过最优自编码器网络权值参数Q和偏差参数e，得到优化自编码器网络；
[0024]步骤S29：将超过马氏距离判别阈值的不确定数据J加入到所述优化自编码器网络中，得到无明显异常数据和异常数据。
[0025]进一步地，在步骤S3中，所述设备故障类型分类具体包括以下步骤：步骤S31：数据转换，具体为将步骤S2中的无明显异常数据通过DAC转换器变换为模拟信号；
[0026]步骤S32：数据重构，具体为对所述模拟信号进行小波包分解，得到低频段小波包系数和高频段小波包系数，公式如下：；
[0027]式中，d为小波包分解系数，h为滤波器系数，j为小波包系数的结点号，n为频谱阶数，l和k为分解层数，为j个小波包系数，为低频段小波包系数，为高频段小波包系数；
[0028]步骤S33：利用分解得到的低频带小波包系数和高频带小波包系数重构处理小波包系数，获得重构信号，公式如下：；
[0029]式中，d为小波包分解系数，j为小波包系数的结点号，n为频谱阶数，l和k为分解层数，和是重建系数，为重构后的第j个小波包系数，为低频段小波包系数，为高频段小波包系数；
[0030]步骤S34：计算重构信号传输能力E
hn
，公式如下：；
[0031]式中，E
hn
是重构信号的传输能力，h为滤波器系数，s表示重建数据的数量，P
hnk
表示重构信号的第n阶频谱的第k个点的幅度；
[0032]步骤S35：计算经过小波包变换后从数据中提取到的潜在故障信息X
hj
，公式如下：；
[0033]式中，E
hn
是重构信号的传输能力，h为滤波器系数，j表示小波包系数的结点号，向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的铁路电力设备预测性维护方法，其特征在于：该方法包括以下步骤：步骤S1：数据获取；步骤S2：数据检测；步骤S3：设备故障类型分类；步骤S4：设备故障严重程度区分；步骤S5：设备预测性维护；在步骤S4中，所述设备故障严重程度区分具体包括以下步骤：步骤S41：初始化聚类中心Z，具体为根据故障类型随机选择一定数量的故障类型样本作为聚类中心的初始值；步骤S42：计算样本隶属度；步骤S43：更新聚类中心Z；步骤S44：预测最大迭代次数V，重复步骤S42和步骤S43直到达到最大迭代次数V时输出故障严重程度聚类结果；步骤S45：根据故障严重程度聚类结果将具体的铁路电力设备故障严重程度区分为中高低三个等级。2.根据权利要求1所述的一种基于深度学习的铁路电力设备预测性维护方法，其特征在于：在步骤S42中，所述计算样本隶属度，具体为根据当前的聚类中心和故障类型样本数据计算每个样本对于每个聚类中心Z的隶属度μ
ab
，隶属度公式如下：；式中，μ
ab
为样本对聚类中心的隶属度，M
a
为第a个数据点，N
b
为第b个数据点，N、K和c为数据点编号，r为模糊参数；步骤S43：更新聚类中心Z，根据隶属度公式重新计算聚类中心的位置，公式如下：；式中，Z为聚类中心，M
a
为第a个数据点，N为数据点编号，μ
ab
为聚类中心的隶属度，对于所有给定的故障类型数据点，所有簇的隶属度值总和为1。3.根据权利要求1所述的一种基于深度学习的铁路电力设备预测性维护方法，其特征在于：在步骤S2中，所述数据检测包括以下步骤：步骤S21：计算正常数据马氏距离E，具体为从所述历史数据中获取历史前三个月内无维修记录的设备正常数据C，并通过所述设备正常数据C计算得到正常数据均值D和协方差矩阵ξ，通过计算得到正常数据马氏距离E，公式如下：；式中，ξ
‑1表示协方差的逆矩阵，C为无维修记录的设备正常数据，D是正常数据的均值，T表示转置；步骤S22：计算马氏距离判别阈值上限H
P
，具体为通过所述设备正常数据C计算得到标准差σ，利用计算得到的标准差σ和正常数据均值D计算得到马氏距离判别阈值上限H
P
，公式如
下：；式中，D为正常数据的均值，σ为正常数据的标准差；步骤S23：计算马氏距离判别阈值下限H
W
，公式如下：；式中，D为正常数据的均值，σ为正常数据的标准差；步骤S24：计算实时数据马氏距离F（A），具体为通过所述电力设备实时数据集获取实时数据A计算得到实时数据均值B和协方差矩阵δ，通过计算得到实时数据马氏距离F（A），公式如下：；式中，δ
‑1表示协方差的逆矩阵，A为电力设备的实时数据，B是实时数据的均值，T表示转置；步骤S25：数据区隔，具体为将所述实时数据马氏距离F（A）不在（H
P
，H
W
）区间内的数据记为异常数据，并将所述实时数据马氏距离F（A）在（H
P
，H
W
）区间内的数据记为不确定数据J；步骤S26：计算KL散度，公式如下：；式中，ρ为稀疏常数，表示自编码器网络中神经元的平均激活量；步骤S27：改进自编码器网络，具体为将稀疏惩罚项作为约束条件添加到自编码器的代价函数中，公式如下：；式中，N（
·
，
·
）为代价函数，β为稀疏惩罚项权重系数，为KL散度，ρ为稀疏常数，表示自编码器网络中神经元的平均激活量，Q为权值参数，e为偏差参数；步骤S28：训练自编码器网络，具体为训练步骤S27中改进的自编码器网络，得到最优自编码器网络权值参数Q和偏差参数e，通过最优自编码器网络权值参数Q和偏差参数e，得到优化自编码器网络；步骤S29：将超过马氏距离判别阈值的不确定数据J加入到所述优化自编码器网络中，得到无明显异常数据和异常数据。4.根据权利要求1所述的一种基于深度学习的铁路电力设备预测性维护方法，其特征在于：在步骤S3中，所述设备故障类型分类具体包括以下步骤：步骤S31：数据转换，具体为将步骤S2中的无明显异常数据通过DAC转换器变换为模拟信号；步骤S32：数据重构，具体为对所述模拟信号进行小波包分解，得到低频段小波包系数和高频段小波包系数，公式如下：；式中，d为小波包分解系数，h为滤波器系数，j为小波包系数的结点号，n为频谱阶数，l
和k为分解层数，为j个小波包系数，为低频段小波包系数，为高频段小波包系数；步骤S33：利用分解得到的低频带小波包系数和高频带小波包系数重构处理小波包系数，获得重构信号，公式如下：；式中，d为小波包分解系数，j为小波包系数的结点号，n为频谱阶数，l和k为分解层数，和是重建系数，为j个小波包系数，为低频段小波包系数，为高频段小波包系数；步骤S34：计算重构信号传输能力E
hn
，公式如下：；式中，E
hn
是重构信号的传输能力，h为滤波器系数，s表示重建数据的数量，P
hnk
表示重构信号的第n阶频谱的第k个点的幅度；步骤S35：计算经过小波包变换...

【专利技术属性】
技术研发人员：王宣，
申请(专利权)人：中国铁建电气化局集团北方工程有限公司，
类型：发明
国别省市：