System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及列车故障检测,尤其是一种基于cycflowgan和aem的牵引系统故障诊断方法。
技术介绍
1、高速列车作为现代交通重要组成部分,为人们提供了快速、便捷且舒适的出行方式。高速动车的牵引控制系统(traction control system, tcs)是保证列车正常运行的核心设备之一。这个系统的主要作用是通过控制电机转速和电机输出扭矩实现控制列车的牵引力大小和运行速度。随着技术的发展,高速列车的牵引控制系统也得到了不断的改进和完善。然而,由于复杂的运行环境和各种原因,高速列车在运行过程中仍可能遭遇瞬时故障,其症状很轻微很容易被外部噪音和干扰掩盖,而这些故障可能演变为重大故障,导致紧急停机或其他严重事故。
2、现有技术主要是采用深度学习方法对列车故障进行诊断,基于深度学习方法的故障诊断技术(fault detection ,fd)以其独特的优势在高速列车牵引控制系统安全运行中得到了广泛的应用。但是基于深度学习的故障诊断技术通常需要大量历史数据来建立网络和训练,但是在高速列车实际运行中很难获取。而且针对高速列车牵引控制系统的故障诊断工作中,瞬时故障会引起大多电子设备、传感器等故障,瞬时故障的发生具有偶然性和随机性,瞬时故障引起的信号波动微小,信号特征弱,无法一直表现出来,基于深度学习的故障诊断技术对高速列车运行发生的微弱故障很难检测,对发生的多种微小故障很难进行定位,但是高速列车运行时发生的微小故障是不可忽略的,这也影响着列车的安全运行。
3、为了能够诊断高速列车运行过程中发生的微小故障,并对多
技术实现思路
1、针对现有技术的不足,本专利技术提供一种基于cycflowgan和aem的牵引系统故障诊断方法,以实现对高速列车的多种微小故障进行准确的检测和定位。
2、本专利技术的技术方案为:一种基于cycflowgan和aem的牵引系统故障诊断方法,包括以下步骤:
3、s1)、获取数字仿真平台故障数据集和实际运行数据集,并将故障数据集和实际运行数据集分为故障数据训练集和测试数据集;
4、s2)、搭建基于cycleflow-gan的故障检测模型,通过故障检测模型判定是否有故障发生;
5、s3)、搭建基于adaboost ensemble model的集成故障定位模型,并将测试数据集输入到集成故障定位模型中,从而得到测试的故障定位结果。
6、作为优选的,步骤s1)中,所述的故障数据集和实际运行数据集包括变压器二次侧电压输出及电流输出,直流环节上支撑电容的电压输出,直流环节下支撑电容的电压输出,逆变器三相电流输出,电机速度信号;
7、将数字仿真平台获取的故障数据训练集定义为,其中;
8、将真实获取的测试数据集定义为,其中。
9、作为优选的,步骤s1)中,对故障数据训练集和测试数据集进行在之间进行归一化处理,加快训练网络的收敛性,处理后得到一维实向量:
10、;
11、;
12、式中,为中样本数据的数目;表示第组故障数据训练集;表示信号的维度;
13、为测试数据集中样本数据的数目;表示测试数据集的第个信号,表示信号第维的信号幅值,表示信号的维度。
14、作为优选的,步骤s2)中,所述的故障检测模型包括一个基于cycleflow的生成网络和一个判别网络;
15、其中,设置所述的cycleflow-gan的生成网络的超参数,将数字仿真平台故障数据集预处理后的训练集作为cycleflow-gan的生成网络的输入,学习输入故障数据训练集的特征表示,设计生成网络的损失函数并训练网络;
16、设置所述的判别网络的超参数,将生成网络的输出作为判别网络的输入,学习并提取生成网络的输出信号的特征,设计判别网络的损失函数,训练判别网络;
17、判别网络输出一个二分类矩阵,若二分类矩阵输出为,则表示无故障发生,若二分类矩阵输出为,则表示有故障发生。
18、作为优选的,步骤s2)中,构建基于cycleflow-gan的故障检测模型,具体如下:
19、s21)、设计生成网络;
20、所述的生成网络的目标是在给定训练样本的情况下,学习数字仿真平台故障数据训练集和获取的真实故障数据测试集之间的映射函数关系;并采用先固定判别网络,训练基于cycleflow-gan的生成网络,再固定生成网络,训练判别网络的方式;
21、s22)、设计判别网络;
22、判别网络采用卷积方法设计,所述的判别网络包含多个卷积层、池化层和全连接层,每层网络通过relu激活函数连接,判别网络对生成网络的输出信号进行特征提取处理,最终输出一个二分类矩阵来判断是否有故障发生,其中0代表无故障发生,1代表有故障发生。
23、作为优选的,步骤s21)中,设计生成网络具体如下:
24、s211)、设计生成网络的block模块;
25、所述的生成网络具有两个block模块,前一个block包含了两块三个交替棋盘式掩码耦合层、squeeze模块和splitting模块;第一块三个交替棋盘式掩码耦合层通过squeeze模块和另外三个交替棋盘式掩码耦合层连接,可以执行squeezing操作,最后通过splitting模块将分解后的变量连接起来,得到前一个block的最终输出转换结果;
26、后一个block模块由squeeze模块、四个交替棋盘式掩码耦合层和splitting模块组成;前一个block的变量输出转换结果经过squeezing操作输入四个交替棋盘式掩码耦合层中,然后经过squeezing操作得到生成网络最终的输出转换结果;
27、s212)、设计生成网络的深度滤波模块dff;
28、所述的深度滤波模块dff包含一个二位快速傅里叶变换模块fft、原始滤波模块、卷积层、最大池化、平均池化层以及sigmoid激活模块;
29、所述的深度滤波模块dff将输入进生成网络的数字仿真平台故障数据训练集进行简单的可学习滤波操作,在故障数据集训练期间通过学习一个自适应的空间掩模对变量进行动态的调制;数字仿真平台故障数据训练集经过fft后进行归一化处理并relu激活,处理后的数据集通过平均池化和最大池化模块进行信息聚合,数据分量经过池化压缩,最后通过卷积层将数据分量进行连接,sigmoid模块学习分量的空间掩模,抑制不利于泛化的分量,增强转移分量;
30、所述的深度滤波模块dff的表达式如下:
31、;
32、式中,表示输入故障数据集的全局特征,表示经过深度滤波的故障数据集特征,表示逐元素相乘,表示sigmoid函数操作。
3本文档来自技高网...
【技术保护点】
1.一种基于CycflowGan和AEM的牵引系统故障诊断方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于CycflowGan和AEM的牵引系统故障诊断方法,其特征在于:步骤S1)中,所述的故障数据集和实际运行数据集包括变压器二次侧电压输出及电流输出,直流环节上支撑电容的电压输出,直流环节下支撑电容的电压输出,逆变器三相电流输出,电机速度信号;
3.根据权利要求1所述的一种基于CycflowGan和AEM的牵引系统故障诊断方法,其特征在于:步骤S2)中,所述的故障检测模型包括一个基于cycleflow的生成网络和一个判别网络;
4.根据权利要求3所述的一种基于CycflowGan和AEM的牵引系统故障诊断方法,其特征在于:步骤S2)中,构建基于Cycleflow-Gan的故障检测模型,具体如下:
5.根据权利要求4所述的一种基于CycflowGan和AEM的牵引系统故障诊断方法,其特征在于:步骤S21)中,设计生成网络具体如下:
6.根据权利要求4所述的一种基于CycflowGan和AEM的牵引系统故障
7.根据权利要求1所述的一种基于CycflowGan和AEM的牵引系统故障诊断方法,其特征在于:步骤S3)中,所述的集成故障定位模型由8个弱学习器堆叠而成,每个弱学习器为决策树分类器;将所述的生成网络的输出结果和数字仿真平台获取的故障数据训练集划分子集并打好故障分类标签,每个弱学习器学习生成网络的输出结果和数字仿真平台获取的故障训练数据集的特征,每个弱学习器训练生成对应的弱分类器和弱分类器的权重,每一轮训练都根据前一轮训练输出的弱分类器的分类精度重新分配权重,最后将8个弱分类器集成为一个强分类器,将生成网络的输出结果和数字仿真平台获取的故障数据训练集打好故障标签输入进强分类器中,训练强分类器,训练好的强分类器定义为;
8.根据权利要求7所述的一种基于CycflowGan和AEM的牵引系统故障诊断方法,其特征在于:步骤S3)中,搭建基于AdaBoost Ensemble Model的集成故障定位模型具体包括如下步骤:
9.根据权利要求8所述的一种基于CycflowGan和AEM的牵引系统故障诊断方法,其特征在于:步骤S31)具体包括如下步骤:
10.根据权利要求8所述的一种基于CycflowGan和AEM的牵引系统故障诊断方法,其特征在于:步骤S32)具体包括如下步骤:
...【技术特征摘要】
1.一种基于cycflowgan和aem的牵引系统故障诊断方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于cycflowgan和aem的牵引系统故障诊断方法,其特征在于:步骤s1)中,所述的故障数据集和实际运行数据集包括变压器二次侧电压输出及电流输出,直流环节上支撑电容的电压输出,直流环节下支撑电容的电压输出,逆变器三相电流输出,电机速度信号;
3.根据权利要求1所述的一种基于cycflowgan和aem的牵引系统故障诊断方法,其特征在于:步骤s2)中,所述的故障检测模型包括一个基于cycleflow的生成网络和一个判别网络;
4.根据权利要求3所述的一种基于cycflowgan和aem的牵引系统故障诊断方法,其特征在于:步骤s2)中,构建基于cycleflow-gan的故障检测模型,具体如下:
5.根据权利要求4所述的一种基于cycflowgan和aem的牵引系统故障诊断方法,其特征在于:步骤s21)中,设计生成网络具体如下:
6.根据权利要求4所述的一种基于cycflowgan和aem的牵引系统故障诊断方法,其特征在于:步骤s22)具体包括如下步骤:
7.根据权利要求1所述的一种基...
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。