[发明专利]一种基于历史数据的牵引电机温升预测方法

权利要求书

1.一种基于历史数据的牵引电机温升预测方法，其特征在于，包括以下步骤：

获取牵引电机历史数据，所述牵引电机历史数据是按照同一频率对一段时间内的牵引电机历史数据进行采集获得，所述牵引电机历史数据包括：网流、U相电流瞬时值、W相电流瞬时值、U相电流有效值、W相电流有效值、电机速度、电机温度，所述牵引电机历史数据按照一类传感数据为一个字段进行存储；

根据所需要的字段对所述牵引电机历史数据进行处理，得到第一温度特征序列数据；

根据预先设置的时间间隔阈值，对所述第一温度特征序列数据进行时间分段处理，得到第二温度特征序列数据；

按照设定的时间窗口宽度和滑动步长对所述第二温升特征序列数据进行采样，得到多组温度特征数据；

对所述多组温度特征数据进行划分，得到训练样本数据和测试样本数据；

使用所述训练数据和所述测试数据对神经网络模型进行训练测试，生成目标神经网络模型。

2.如权利要求1所述的方法，其特征在于，所述同一频率是10Hz。

3.如权利要求1所述的方法，其特征在于，使用pandas对所述牵引机车历史数据进行处理。

4.如权利要求1所述的方法，其特征在于，所述所需要的字段包括：网流、U相电流瞬时值、W相电流瞬时值、U相电流有效值、W相电流有效值、电机速度、电机温度中至少一种。

5.如权利要求1所述的方法，其特征在于，对所述多组温度特征数据进行变换操作，所述变换操作包括：数据标准化和EMD。

6.根据权利要求1所述的方法，其特征在于，所述神经网络模型为深度神经网络模型，所述深度神经网络模型包括：

依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和第四特征提取模块，用于对所述训练数据依次进行特征提取；其中，

第一特征提取模块、第二特征提取模块、第三特征提取模块，分别由：

全连接单元FC、线性整流线性单元ReLU、批标准化单元BN和部分丢弃神经元单元Dropout组成；

所述第四特征提取模块，由全连接单元FC、批标准化单元BN和部分丢弃神经元单元Dropout组成，所述第四特征提取模块用于输出温度预测数据。