【技术实现步骤摘要】
本专利技术公开了一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，属于高速列车电力牵引系统故障诊断。
技术介绍
1、高速列车随着车辆在轨运行时间的增加，发生各种故障的风险也随之增加。因此，高速列车控制系统的故障诊断已成为研究热点。电力牵引系统作为高速列车的核心组成部分，主要由受电弓、牵引变压器、牵引变流器以及牵引电机等部件组成。在高速列车控制系统中，电力牵引系统的故障率最高，占整个故障类型的60％，因此针对高速列车牵引系统进行故障诊断和状态监测至关重要。同时，电力牵引系统早期故障具有发展缓慢、幅值小的特性，刚出现时对系统的影响很难检测到，若任其演变，最终会对整个牵引系统产生严重的后果，导致整个牵引系统的瘫痪甚至引发火灾。因此，通过监测数据诊断高速列车电力牵引系统的早期故障，对提高电力牵引系统的可靠性、降低故障损失具有重要的理论意义和工程价值。
2、目前现有数据驱动技术应用在高速列车电力牵引系统早期故障诊断时，鲜有考虑数据缺失的工况。而往往列车在高寒、湿热、雷暴天气等极端工况下，由于传感器失准造成的数据缺失工况时有发生。同时，高速列车牵引系统在运行时，产生的数据不仅变化快且具有很强的非高斯性，有的信号甚至具有震荡性质。针对早期故障幅值小，容易被噪声掩盖等特点，要求数据填补的方法不仅要能够恢复数据间的快速变化，还要减少突变，防止添加新的故障数据。
3、目前现有的通过贡献率进行故障定位的技术应用在高速列车电力牵引系统早期故障诊断时，会出现“拖尾现象”，导致不正确的故障定位。而基于重构的贡献率(recons
技术实现思路
1、本专利技术的目的是针对现有技术存在的问题和缺陷，提供一种针对数据缺失的高速列车牵引系统早期故障诊断方法，
2、为达到上述目的，本专利技术采用以下技术方案予以实现：
3、一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，包括如下步骤：
4、步骤一、通过核函数将数据投射到多个不同高维空间，在每一个高维空间中用核makima(kernel modified akima)插值方法进行数据填补；
5、步骤二、将填补好的数据恢复到原数据维度，通过加权系数最终确定填补数据；
6、步骤三、使用deep-pca对步骤二填补后的数据集进行分解处理得到多个子数据集，再对子数据集进行非下采样小波变换(uwd)分解处理得到对应的近似组件和细节组件；
7、步骤四、将近似组件和细节组件进行排列得到新的数据集，对其进行pca故障检测，计算数据的统计量，设置故障检测阈值，判断统计量指标是否超过阈值，当超过阈值，则表明有故障发生；
8、步骤五、发现故障后，将步骤三中得到的近似组件和细节组件通过连续小波变换(cwt)，增加故障信息从而提高故障幅值；
9、步骤六、在步骤五的基础上，结合基于重构的贡献率(rbc)在故障幅值一定程度下就能故障定位，找出故障原因。
10、作为本专利技术的进一步优选方案，步骤一中，所述的通过核函数将数据投射到多个不同高维空间，在每一个高维空间中用核makima插值方法进行数据填补的具体内容和方法，包括步骤如下：
11、步骤1.采用如下多项式核函数，将投射后数据恢复到低维空间：
12、k(x,y)d＝(axty+c)d
13、其中x代表传感器数据；y代表低维空间中与x进行内积的标准向量；a是用来对内积进行缩放的常数；c为常数项，可以对内积结构进行加减上的调整；d是多项式次数用来控制投射维度；
14、步骤2.将传感器数据x经过多项式核函数k(x,y)d投射后，得到高维数据随着d∈(d1,d2,...,dn)的不同取值，可以得到多个不同的统称为dn表示不同d的总个数。可将看作函数yi＝f(xi)，其中共有n个点。
15、步骤3.针对具体的使用核makima插值方法进行数据填补得到高维填补后的数据核makima插值多项式如下；
16、
17、其中，x在此处仅表示自变量；n表示函数点的个数；hi(x)如下所示：
18、
19、其中，li(x)为拉格朗日插值基函数，可表述如下：
20、
21、
22、hi(x)可表示为：
23、
24、假如δi＝(yi+1-yi)/(xi+1-xi)是区间[xi,xi+1)上的斜率，则xi处的导数y'i为：
25、
26、其中：
27、
28、
29、作为本专利技术的进一步优选方案，步骤二中，所述的将填补好的数据恢复到原数据维度，通过加权系数最终确定填补数据的具体内容和方法，包括步骤如下：
30、步骤1、将步骤一中的通过多项式核函数k(x,y)d投射到原来的低维空间中，得到一个初步的填补结果
31、步骤2、通过先验数据得到不同维度的精度系数λi：
32、
33、其中，dj表示训练样本得到的填补数据与实际数据间的欧式距离。
34、步骤3、由步骤1中的和步骤2中的λi计算出最终的填补数值xf：
35、
36、作为本专利技术的进一步优选方案，步骤三中所述的使用deep-pca对步骤二填补后的数据集进行分解处理得到多个子数据集，再对子数据集进行非下采样小波变换(uwd)分解处理得到对应的近似组件和细节组件的具体内容和方法，包括步骤如下：
37、步骤1、将步骤二填补完整后的数据集通过deep-pca分解处理后可以得到2j个子数据集，其中j表示分解的层数。
38、步骤2、将2j个子数据集进行非下采样小波变换(uwd)处理，可以获得相对应的近似组件aj和细节组件d1,d2,...,dj(j表示小波变换分解的层数)；uwd是通过滤波器(h,g)对一维信号c0进行处理，获得集合w＝{w1,w2,...,wj,cj},其中wj表示在j尺度上的小波系数，cj表示最粗分辨率上的小波系数，采用多孔算法具体方法如下：
39、
40、
41、当l/2j是整数或者0时，h(j)[l]＝h[l],则
42、h(1)＝(...,h[-2],0,h[-1],0,h[0],0,h[1],0,h[2],...)
43、可以通过下式进行重构：
44、
45、对于滤波器组只需要检验重构条件：
46、
47、作为本专利技术的进一步优选方案，步骤四中所述的将近似组件和细节组件进行排列得到新的数据集，对其进行pca故障检测，计算数据的统计量，设置故障检测阈值，判断统计量指标是否超过阈值，超本文档来自技高网...
【技术保护点】
1.一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，所述步骤一的具体内容和方法，包括如下步骤：
3.如权利要求1所述的一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，所述步骤二的具体内容和方法，包括如下步骤：
4.如权利要求1所述的一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，所述步骤三的具体内容和方法，包括如下步骤：
5.如权利要求1所述的一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，所述步骤四的具体内容和方法，包括如下步骤：
6.如权利要求1所述的一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，所述步骤五的具体内容和方法，包括如下步骤：
7.如权利要求1所述的一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，所述步骤六的具体内容和方法，包括如下步骤：
【技术特征摘要】
1.一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，所述步骤一的具体内容和方法，包括如下步骤：
3.如权利要求1所述的一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，所述步骤二的具体内容和方法，包括如下步骤：
4.如权利要求1所述的一种针对数据缺失的高速列车电力牵引系统早期故障诊断方法，其特征在于，...
【专利技术属性】
技术研发人员：吴云凯，吉天翔，周扬，刘向前，朱志宇，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
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。