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E3,0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HXD3C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