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】
本专利技术涉及铁路继电器寿命预测,尤其涉及一种基于vmd和cnn-bilstm的铁路继电器寿命预测方法。
技术介绍
1、电力驱动逐渐取替传统驱动方式已成为高铁和地铁等列车的关键技术,电力设备也因此在整个列车系统中得到了普遍应用。其中,低压开关设备因具有结构简单、且不易产生故障使用寿命长等特点,被广泛运用于信号传递、逻辑控制等诸多功能,这些都对整个列车的安全稳定运行起到了极其重要的作用。
2、铁路继电器的长时间使用后,其性能参数会受到很大影响,可能会出现触头发黑、电阻变大、存在异物等问题,这些问题如果不能及时解决都会埋下安全隐患。所以对于继电器的要求极高。继电器的触点系统动作时要做到同步、稳定、精准,继电器也要有符合要求的使用时限以及足够的闭合和断开电路的电气功能等各种严格的性能要求。根据不完全统计,即使在不同的设备和不同的使用情况下,现如今已知的继电器故障及损坏基本都是由触点长期工作而损耗失效造成的其占比超过了百分之九十,远高于其它因素造成的开关电器损坏率,即电寿命是铁路继电器寿命的决定性因素。而触点的损耗以及失效的过程又可以通过接触电阻、燃弧时间等相关的性能退化参数的变化情况间接显示出来,所以在研究过程中可以通过对继电器的一些相关的性能退化参数的变化趋势等反映出继电器的工作情况以及寿命状态。
3、现如今的继电器寿命预测方法主要有基于一定的失效数据,运用数学统计的方法进而判断出整批产品的寿命区间,而这种传统的过程并不是真正意义上的寿命预测过程,而是一种统计结论。随着生产技术的提升,继电器、接触器等电器产品
技术实现思路
1、本专利技术就是针对现有技术存在的缺陷,提供一种基于vmd和cnn-bilstm的铁路继电器寿命预测方法。其通过多特征变量参数,提出了一种基于vmd和cnn-bilstm的铁路继电器寿命预测方法,该模型结合了vmd和cnn-bilstm-attention模型优势,与其他模型相比,具有更强的特征提取能力和记忆能力,预测准确度更高,更适用于对铁路继电器进行剩余电寿命预测。首先搭建铁路继电器电寿命实验平台进行铁路继电器全寿命周期试验,并收集电压电流信号数据完成特征参数提取以及数据清洗过程。随后采用斯皮尔曼相关性分析以及随机森林重要度分析两种方法进行双重特征选择,剔除冗余特征,将剩余的特征参数作为预测模型的输入子集,最后将输入子集输入到预测模型中,完成铁路继电器剩余寿命预测过程。
2、为实现上述目的,本专利技术采用如下技术方案:
3、步骤1,搭建铁路继电器寿命实验平台进行继电器全寿命周期实验,收集线圈、触头的电压电流信号并完成特征参数提取以及数据清洗过程;其中:
4、步骤1.1,搭建铁路继电器寿命实验平台进行继电器全寿命周期实验,收集线圈、触头的电压电流信号。
5、本专利技术所设计的铁路继电器寿命实验平台能够实现对继电器的自动控制以及对实验数据(线圈电压、触头电压、触头电流)的自动采集并以文件的形式完成对数据的保存,为后面的参数提取以及数据分析做足准备。
6、依据gb14048.5-2020国家标准,通过试验电源、调整电路、继电器、电压传感器、电流传感器、ni采集卡等硬件部分以及labview软件部分编程共同完成了实验平台设计搭建。铁路继电器实验条件为dc-12。具体试验参数如下表所示。
7、
8、表中,i是接通电流,ie是额定工作电流,u是外施电压,ue是额定工作电压,ic是分断电流,t0.95是达到95%稳态电流的时间。
9、步骤1.2,完成铁路继电器八类特征参数提取,并进行数据清洗过程为剩余寿命预测提供数据依据。
10、(1)特征参数提取。
11、继电器特征参数在一定程度上可以反应铁路继电器的退化情况,所以本专利技术通过继电器多个特征参数完成寿命预测过程,继电器特征参数提取过程是基于继电器全寿命试验所收集的线圈电压、触头电压、触头电流数据实现的。依据特征参数提取公式,通过python数据处理编程完成了接触电阻、吸合时间、释放时间、弹跳时间、燃弧时间、燃弧能量、释放电压、超程时间这八类继电器特征参数的提取。其具体的特征参数提取过程如下:
12、1)吸合时间提取:
13、tx=t2-t1
14、式中,t1为线圈得电时刻,t2为动、静触头第一次接触时刻。
15、2)弹跳时间提取:
16、tt=t3-t2
17、式中,t3为电压、电流大幅波动结束时刻。
18、3)超程时间提取:
19、tc=t4-t2
20、式中,t4为稳定吸合时刻。
21、4)释放时间提取:
22、ts=t6-t5
23、式中,t5为线圈掉电时刻,t6为起弧时刻。
24、5)接触电阻提取:
25、
26、式中,n是触头稳定闭合导通时候采集的点数,un、in为触点电压、电流。
27、6)燃弧能量提取:
28、
29、式中,t7为熄弧时刻,δt为相邻采样点时间间隔,fs为采样率。
30、7)燃弧时间提取:
31、tarc=t7-t6
32、其中,t7为主回路完全断开,电弧熄灭时刻,t6为起弧时刻。
33、8)释放电压提取:
34、
35、其中,unx为触头断开时不同采集点数的线圈电压,n为采样点数。
36、(2)数据清洗过程。
37、数据清洗过程是通过拉依达原则结合奇异谱数据增强共同实现的,首先通过拉依达原则完成了大误差实验数据清洗,然后通过奇异谱数据增强的方法进行进一步数据清洗。
38、1)拉达原则如下:
39、
40、
41、
42、|δxi|>3*σ
43、为算术平均值、δxi绝对误差、σ为标准误差。
44、2)奇异谱数据增强:
45、含噪信号的时间序列l=(l1,l2,…,ln),选择合适的窗口长度w(2<w≤n/2),d=n-w+1,n为信号长度,hankel矩阵l由奇异值分解(singular value decomposition,svd)得到:
46、l=usvt
47、式中:s=diag(λ1,λ2,…,λw),u、v为正交矩阵,λ1,λ2,…,λw为奇异值。
48、由奇异谱数据增强理论可知,信号中的有用分量对应前f个奇异值,噪声分量对应其后数值较小的奇异值。可利用前f个奇异值进行矩阵重构实现信号降噪,选择的f值过小会导致重构信号中有用信本文档来自技高网...
【技术保护点】
1.一种基于VMD和CNN-BiLSTM的铁路继电器寿命预测方法,其特征在于:
2.根据权利要求1所述的一种基于VMD和CNN-BiLSTM的铁路继电器寿命预测方法,其特征在于:
3.根据权利要求1所述的一种基于VMD和CNN-BiLSTM的铁路继电器寿命预测方法,其特征在于:所述通过斯皮尔曼相关性分析完成首次特征参数筛选包括:
4.根据权利要求1所述的一种基于VMD和CNN-BiLSTM的铁路继电器寿命预测方法,其特征在于:所述通过随机森林重要度分析完成二次特征参数筛选包括:
5.根据权利要求1所述的一种基于VMD和CNN-BiLSTM的铁路继电器寿命预测方法,其特征在于:所述完成变分模态分解过程包括:
6.根据权利要求1所述的一种基于VMD和CNN-BiLSTM的铁路继电器寿命预测方法,其特征在于:
7.根据权利要求1所述的一种基于VMD和CNN-BiLSTM的铁路继电器寿命预测方法,其特征在于:所述完成CNN部分模型搭建包括:
8.根据权利要求1所述的一种基于VMD和CNN-BiLSTM的铁
9.根据权利要求1所述的一种基于VMD和CNN-BiLSTM的铁路继电器寿命预测方法,其特征在于:所述引入注意力机制包括:
10.根据权利要求1所述的一种基于VMD和CNN-BiLSTM的铁路继电器寿命预测方法,其特征在于:所述通过变分模态分解和CNN-BiLSTM-Attention模型完成铁路继电器剩余寿命预测及模型分析包括:
...【技术特征摘要】
1.一种基于vmd和cnn-bilstm的铁路继电器寿命预测方法,其特征在于:
2.根据权利要求1所述的一种基于vmd和cnn-bilstm的铁路继电器寿命预测方法,其特征在于:
3.根据权利要求1所述的一种基于vmd和cnn-bilstm的铁路继电器寿命预测方法,其特征在于:所述通过斯皮尔曼相关性分析完成首次特征参数筛选包括:
4.根据权利要求1所述的一种基于vmd和cnn-bilstm的铁路继电器寿命预测方法,其特征在于:所述通过随机森林重要度分析完成二次特征参数筛选包括:
5.根据权利要求1所述的一种基于vmd和cnn-bilstm的铁路继电器寿命预测方法,其特征在于:所述完成变分模态分解过程包括:
6.根据权利要求1所述的一种基于vm...
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。