本發(fā)明涉及一種故障診斷的檢測方法，具體涉及和諧型電力機車列車供電系統(tǒng)的故障診斷方法。

背景技術：

和諧型客運列車需要由列車供電系統(tǒng)向客車車廂的眾多車載輔助設備供電，供電系統(tǒng)在大負荷狀態(tài)下易發(fā)生故障?，F(xiàn)階段，多數(shù)供電系統(tǒng)檢測設備僅對電壓、電流功率進行檢測，然而僅通過這些參數(shù)不能完全判斷列車供電裝置的狀態(tài)，當供電系統(tǒng)發(fā)生故障時，檢測設備難以判斷故障類型，更難準確定位故障發(fā)生的位置。目前，針對供電系統(tǒng)故障診斷主要還是靠經(jīng)驗分析，也曾有使用粗糙集理論及RBP神經(jīng)網(wǎng)絡方法進行故障診斷，但是診斷準確性和效率并不理想?；诖?，本發(fā)明提出基于小波分析、主成分分析與最小二乘支持向量機(LSSVM)的列車供電系統(tǒng)故障診斷方法。

技術實現(xiàn)要素：

本發(fā)明提出了一種基于小波分析、主成分分析與最小二乘支持向量機(LSSVM)的列車供電系統(tǒng)故障診斷方法。

本發(fā)明的目標是通過下述方法和步驟實現(xiàn)的：

一種基于小波分析、主成分分析與LSSVM的列車供電系統(tǒng)故障診斷方法，其步驟為：

1、建立列車供電系統(tǒng)的模型，根據(jù)實際的情況，主電路狀態(tài)可分為4大類52小類。

(1)元件沒有故障，供電系統(tǒng)正常運行。

(2)VD1、VD2、VT3、VT4、19C中某一個元件開路，共5種故障。

(3)VD1、VD2、VT3、VT4、13L中某一個元件短路，共5種故障。

(4)單相整流橋兩個元件故障，某一元件開路或短路，另一元件開路或短路，共41種故障。

2、在所有的故障狀態(tài)下，對供電系統(tǒng)主電路進行建模，獲得主電路輸出的電壓信號。選取合適的小波基函數(shù)，對所得的各個輸出電壓信號進行3層小波包分解，在不同分辨率下，進行各頻帶小波包分解子信號重構(gòu)，統(tǒng)計各頻帶內(nèi)重構(gòu)信號的能量值，構(gòu)造特征向量。

3、利用主成分分析法進行特征提取，將提取后的能量特征集樣本歸一化處理，選取90個樣本。

4、選取其中48個樣本數(shù)據(jù)對參數(shù)對LSSVM分類模型進行學習、訓練，剩余的42組數(shù)據(jù)作為測試樣本，基于高斯RBF核函數(shù)，懲罰因子C＝10，建立最小二乘支持向量機分類器，進行故障識別，實現(xiàn)了列車供電系統(tǒng)的故障診斷。

本發(fā)明具有如下有益效果：

1、本發(fā)明所提出的方法將小波分析、主成分分析與LSSVM方法結(jié)合起來，實現(xiàn)了列車供電系統(tǒng)主電路故障的診斷。

2、本發(fā)明方法使用LSSVM的訓練方法，通過與RBP神經(jīng)網(wǎng)絡方法的識別率對比，顯示了其在供電系統(tǒng)主電路故障診斷方面更佳的效果。

附圖說明

圖1為列車供電系統(tǒng)主電路簡圖。

圖2為信號第一頻段E_3，0能量圖。

具體實施方式

下面結(jié)合附圖附表對本發(fā)明做進一步說明。

本發(fā)明的一種和諧型電力機車列車供電系統(tǒng)故障診斷方法實施例，具體實施于HX_D3C型電力機車，包括以下步驟：

(1)列車供電系統(tǒng)主電路簡圖，如圖1所示，主電路狀態(tài)分為4大類52小類。

1)元件沒有故障，供電系統(tǒng)正常運行。

2)只有一個元件開路，共5種故障。

3)只有一個元件短路，共5種故障。

4)單相整流橋兩個元件故障，共41種故障。

(2)建立供電系統(tǒng)主電路模型，選取直流側(cè)電路輸出電壓信號為研究對象，各得到各個故障狀態(tài)下的直流側(cè)輸出電壓時域波形。選取db5小波基函數(shù)，對各輸出電壓信號進行3層小波包分解重構(gòu)，將信號頻率在1000Hz內(nèi)分成8個頻段，每個頻段的寬度為125Hz。

(3)通過對重構(gòu)信號的能量直方圖對比，發(fā)現(xiàn)在主要的故障狀態(tài)下，信號能量都集中在第一頻段信號中，如圖2所示。其余7個頻段的能量經(jīng)過歸一化處理后，組成一組七維特征向量特征集。

(4)利用主成分分析法進行特征提取，將特征提取后的能量特征集樣本歸一化處理，選取90個樣本，其中48個樣本對參數(shù)作訓練集，另外42個樣本為測試集，基于高斯RBF核函數(shù)，懲罰因子C＝10，程序最終識別正確率為92.65％。

結(jié)論

1、通過實例說明本發(fā)明所提出的方法將小波分析、主成分分析與LSSVM方法結(jié)合起來，能夠?qū)崿F(xiàn)列車供電系統(tǒng)主電路故障的診斷，且識別正確率較高。

2、通過與RBP神經(jīng)網(wǎng)絡方法的識別率對比，如表1所示，本發(fā)明方法使用LSSVM的訓練方法識別率(92.65％)要高于RBP神經(jīng)網(wǎng)絡方法(88.24％)，顯示了其在供電系統(tǒng)主電路故障診斷方面更佳的效果。

表1 LSSVM與RBP神經(jīng)網(wǎng)絡故障識別對比