[发明专利]一种高速电气化铁路牵引电机多故障建模与诊断方法

说明书

一种高速电气化铁路牵引电机多故障建模与诊断方法，包括如下步骤：(1)通过对牵引电机多故障动态分析，在系统多个工作点附近建立描述多故障特性的最小二乘模型结构，实现机理模型和数据驱动模型的有效融合；(2)构建基于类不平衡学习的多故障分离算法来优化故障特征集合，在牵引电机未知的故障参数空间内可以得到解耦的故障类集合；(3)采用基于多模型的故障参数估计技术来解决多故障时变参数的估计和收敛问题，据此设计二阶段自适应多模型诊断系统来实现多故障诊断的稳定性和报警等级的量化分析。本发明针对多故障的时变、邻接耦合和分布不一致等特性，可以有效提高其辨识精度和诊断效率，避免了传统故障诊断的盲目性。

技术领域

本发明属于故障诊断与容错控制技术领域，具体地说，涉及一种高速电气化铁路牵引电机多故障建模与诊断方法。

背景技术

高速列车是电气化铁路的重要载体，代表着智能交通的最新发展方向。牵引电机作为高速列车的核心动力单元，其故障诊断和自愈能力对保证高速列车可靠运营具有重要意义。由于工作条件恶劣、物理结构互联以及运营时间的累积，牵引电机发生多故障的情况越来越多。这些故障具有时变、邻接耦合和分布不一致等特征，难以被牵引控制单元及时诊断，但随着故障在系统的传播和演化，有可能造成重大的连锁性事故，影响列车的正常运行计划。因此，针对高速列车牵引电机开展多故障建模和诊断的研究具有重要意义。

在牵引电机多故障建模过程中，基于单一模型描述的方法难以表征系统所有可能的故障行为，需要设计一组解耦的多模型集合，研究系统结构辨识和参数自适应调整方法，得到模型库和故障特征库的一一对应关系，实现不同故障的重构。如何确定待设计故障模型的个数是多模型结构辨识的重要内容。常规的基于机理模型的方法采用穷举的方式来遍历系统可能的故障模式，因此故障模型的个数将会很大。另一方面，基于数据驱动的方法借助模式识别和机器学习技术，对故障数据进行聚类分析，得到可能的故障模型个数。不过，该方法在故障模型识别中存在精准度无法保障、难以有效利用先验知识等瓶颈问题。

发明内容

本发明的目的是提出了一种高速电气化铁路牵引电机多故障建模与诊断方法，以解决牵引电机复合故障报警等级难以精确估计，从而可能造成重大的连锁性事故问题；以及基于聚类或分类的故障特征方法，还不能有效处理多故障分离过程中的不平衡分布等问题。

本发明是通过以下技术方案实现的。

本发明首先根据多故障多模态建模过程和多模型系统具有相同的结构，采用基于多模型空间学习的方法来辨识多故障的时变、邻接耦合和分布不一致等特性。本发明首先建立牵引电机最小二乘多模型结构，实现机理模型和数据驱动模型的统一描述，再基于类不平衡学习技术，实现复合故障特征的提取。在此基础上，基于分类算法完成对牵引电机未知参数空间的合理划分。最后，采用两层故障参数估计框架来提高参数收敛性能，并实现多故障报警等级估计的量化分析。

本发明所述的一种高速电气化铁路牵引电机多故障建模与诊断方法，按如下步骤：

(1)通过对牵引电机多故障动态分析，在系统多个工作点附近建立描述多故障特性的最小二乘模型结构，实现机理模型和数据驱动模型的有效融合；

(2)通过收集维修数据，构建基于类不平衡学习的多故障分离方法来优化故障特征集合，在牵引电机未知的故障参数空间内可以得到解耦的故障类集合；

(3)基于多模型故障参数估计技术，设计二阶段自适应多模型诊断系统，实现多故障诊断的稳定性和报警等级的量化分析。如图1所示高速电气化铁路牵引电机多故障诊断原理。

进一步说，结合电机参考系理论和等效磁路分析法，步骤(1)中所述的多故障特性的最小二乘模型可描述如下：