列车牵引变流器故障诊断方法、系统、设备及存储介质与流程

本发明涉及列车故障诊断领域，特别涉及列车牵引变流器故障诊断方法、系统、设备及存储介质。

背景技术：

列车牵引变流器为列车设置在牵引主电路中的变流器，主要功能是转换直流和交流之间的电能量，并对各种牵引电动机起控制和调节作用，从而控制列车的运行。一旦牵引变流器故障，将严重影响列车的正常运行。因此快速找出故障牵引变流器的原因并快速处理十分关键。

通常，列车牵引变流器故障波形数据采集及后续分析为列车牵引变流器的故障诊断和检修提供了重要参考信息。在列车牵引变流器故障发生时，列车牵引变流器的事件记录模块将被触发并记录故障波形数据。列车牵引变流器故障波形数据需返回数据中心由业务专家进行故障诊断，然后将专家处理结果发送给现场处理人员，这样严重影响了现场工作人员和业务专家的工作效率。

因此，如何快速诊断出牵引变流器的故障，提高现场工作人员的工作效率是本领域技术人员亟待解决的问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种列车牵引变流器故障诊断方法及系统，利用深度学习方法，快速得到列车牵引变流器的故障诊断结果，提高现场工作人员的工作效率。其具体方案如下：

一种列车牵引变流器故障诊断方法，包括：

获取列车牵引变流器已标注的故障数据；其中，所述已标注的故障数据包括故障数据和标注信息；

分别将所述已标注的故障数据输入不同深度神经网络模型进行训练，得到不同分类结果；

将待分析的列车牵引变流器故障数据，输入诊断模型，以得到对应的列车牵引变流器故障的诊断结果；其中，所述诊断模型根据所述不同分类结果，结合所述不同深度神经网络模型得到。

可选的，所述已标注的故障数据包括列车牵引变流器的故障波形数据和/或故障附加信息和/或发生故障时的现场工况数据和所述标注信息。

可选的，所述获取列车牵引变流器已标注的故障数据的过程还包括：

获取所述故障波形数据，并根据所述故障波形数据进行时域和频域上特征的提取，得到所述故障波形数据的时域和频域的统计特征。

可选的，所述分别将所述已标注的故障数据输入不同深度神经网络模型进行训练，得到不同分类结果的过程包括：

将所述故障波形数据输入第一深度神经网络模型进行训练，得到第一分类结果；

将所述第一深度神经网络模型的全连接层输出的数据特征与所述故障附加信息进行组合，输入第二深度神经网络模型进行培训，得到第二分类结果；

将所述第一深度神经网络模型的全连接层输出的数据特征与所述现场工况数据进行组合，输入第三深度神经网络模型进行培训，得到第三分类结果；

将所述第一深度神经网络模型的全连接层输出的数据特征与所述故障波形数据的时域和频域的统计特征进行组合，输入第四深度神经网络模型进行培训，得到第四分类结果；

将所述第一深度神经网络模型的全连接层输出的数据特征与所述故障附加信息、所述现场工况数据、所述故障波形数据的时域和频域的统计特征进行组合，输入第五神经网络模型进行培训，得到第五分类结果。

可选的，所述分别将所述已标注的故障数据输入不同深度神经网络模型进行训练，得到不同分类结果的过程之后还包括：

根据预设的标准结果，分别对所述不同分类结果进行评分，得到评分值最大的分类结果；其中，所述预设的标准结果为根据所述已标注的故障数据经过专家分析得到的准确结果。

可选的，所述根据预设的标准结果，分别对所述不同分类结果进行评分的过程之后还包括：

计算所述不同分类结果各自对应的权重；其中，所述不同分类结果的权重之和为1；

利用所述不同分类结果各自对应的权重，调整所述不同分类结果的评分；其中，所述不同分类结果的权重与所述不同分类结果的评分成正比。

可选的，所述将待分析的列车牵引变流器故障数据，输入诊断模型，以得到对应的列车牵引变流器故障的诊断结果；其中，所述诊断模型根据所述不同分类结果，结合所述不同深度神经网络模型得到的过程包括：

利用所述不同分类结果的权重，结合所述不同深度神经网络模型，得到所述诊断模型；

将待分析的列车牵引变流器故障数据，输入所述诊断模型，以得到对应的列车牵引变流器的故障诊断结果。

相应的，本发明还公开了一种列车牵引变流器故障诊断系统，包括：

数据获取模块，用于获取列车牵引变流器已标注的故障数据；其中，所述已标注的故障数据包括故障数据和标注信息；

模型训练模块，用于分别将所述已标注的故障数据输入不同深度神经网络模型进行训练，得到不同分类结果；

模型应用模块，用于将待分析的列车牵引变流器故障数据，输入诊断模型，以得到对应的列车牵引变流器故障的诊断结果；其中，所述诊断模型根据所述不同分类结果，结合所述不同深度神经网络模型得到。

本发明还公开了一种列车牵引变流器故障诊断设备，所述列车牵引变流器故障诊断设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的列车牵引变流器故障诊断程序，所述列车牵引变流器故障诊断程序配置为实现上述任一项所述的列车牵引变流器故障诊断方法的步骤。

本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有列车牵引变流器故障诊断程序，所述列车牵引变流器故障诊断程序被处理器执行时实现上述任一项所述的列车牵引变流器故障诊断方法的步骤。

可见，本发明公开的一种列车牵引变流器故障诊断方法，利用深度学习方法，得到适于诊断列车牵引变流器故障的诊断模型，然后将待分析的列车牵引变流器的故障数据输入上述诊断模型进行分析，快速得到列车牵引变流器的故障诊断结果，进而提高现场工作人员的工作效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种列车牵引变流器故障诊断方法的流程图；

图2为本发明实施例中深度神经网络模型的结构示意图；

图3为本发明实施例提供的另外一种列车牵引变流器故障诊断方法的流程图；

图4为本发明实施例提供的一种列车牵引变流器故障诊断方法的具体实施过程示意图；

图5为本发明实施例提供的一种列车牵引变流器故障诊断系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种列车牵引变流器故障诊断方法，参见图1所示，包括：

步骤s11：获取列车牵引变流器已标注的故障数据；其中，已标注的故障数据包括故障数据和标注信息。

需要进行说明的是，上述已标注的故障数据包括但不限于列车牵引变流器的故障波形数据、故障附加信息、发生故障时的现场工况数据、标注信息。其中，标注信息可以是将故障数据进过专家分析得到故障数据的特征信息，也可以是标注的故障数据对应的故障原因，当然也可以是专家已分析的标记。可以理解的是，已标注的故障数据为经过专家分析得到准确结果的故障数据。

利用已标注的列车故障数据信息的优点是便于开发者后续根据标准结果，对使用的神经网络模型进行不断的修正，以得到最适合分析列车牵引变流器故障的神经网络模型。

步骤s12：分别将所述已标注的故障数据输入不同深度神经网络模型进行训练，得到不同分类结果。

需要进行详细说明的是，深度神经网络模型的结构示意图如图2所示，包括：卷积层、池化层、dropout、lstm(longshorttermmemory，长短记忆网络)、全连接层和输出层。其中，其中虚线框表示框内类似结构可多次重复并按箭头方向叠加。

步骤s13：将待分析的列车牵引变流器故障数据，输入诊断模型，以得到对应的列车牵引变流器故障的诊断结果；其中，所述诊断模型根据所述不同分类结果，结合所述不同深度神经网络模型得到。

需要进行说明的是，步骤s13是本方法的具体应用过程。待分析的列车故障牵引变流器的故障数据为列车故障采集的数据，包括但不限于列车牵引变流器的故障波形数据、故障附加信息、发生故障时的现场工况数据。可以理解的是，待分析的列车故障牵引变流器的故障数据是没有经过分类处理的原始故障数据。上述发明实施例中的诊断模型为利用步骤s12中的不同分类结果和不同神经网络模型得到的。

可见，本发明公开的一种列车牵引变流器故障诊断方法，利用深度学习方法，得到适于诊断列车牵引变流器故障的诊断模型，然后将待分析的列车牵引变流器的故障数据输入上述诊断模型进行分析，快速得到列车牵引变流器的故障诊断结果，进而提高现场工作人员的工作效率。

本发明实施例还公开了另外一种列车牵引变流器故障诊断方法，参见图3所示，包括：

步骤s11：获取列车牵引变流器已标注的故障数据；其中，已标注的故障数据包括故障数据和标注信息。

需要进行说明的是，上述已标注的故障数据包括但不限于列车牵引变流器的故障波形数据、故障附加信息、发生故障时的现场工况数据、标注信息。其中，标注信息可以是将故障数据进过专家分析得到故障数据的特征信息，也可以是标注的故障数据对应的故障原因，当然也可以是专家已分析的标记信息。

可以理解的是，已标注的故障数据为经过专家分析得到准确结果的故障数据。

本发明实施例中步骤s21还包括根据获取的故障波形数据，进行时域和频域上特征的提取，得到故障波形数据的时域和频域的统计特征，例如故障波形数据的均值、标准差、谐波频率等。

步骤s22：分别将所述已标注的故障数据输入不同深度神经网络模型进行训练，得到不同分类结果。

具体的，步骤s22包括以下子步骤s221至s225，其中：

步骤s221：将故障波形数据输入第一深度神经网络模型进行训练，得到第一分类结果；

步骤s222：将第一深度神经网络模型的全连接层输出的数据特征与所述故障附加信息进行组合，输入第二深度神经网络模型进行培训，得到第二分类结果；

步骤s223：将第一深度神经网络模型的全连接层输出的数据特征与所述现场工况数据进行组合，输入第三深度神经网络模型进行培训，得到第三分类结果；

步骤s224：将第一深度神经网络模型的全连接层输出的数据特征与故障波形数据的时域和频域的统计特征进行组合，输入第四深度神经网络模型进行培训，得到第四分类结果；

步骤s225：将第一深度神经网络模型的全连接层输出的数据特征与故障附加信息、现场工况数据、故障波形数据的时域和频域的统计特征进行组合，输入第五神经网络模型进行培训，得到第五分类结果。

需要进行说明的是，上述第一深度神经网络模型至第五深度神经网络模型的输入数据结构、网络结构和参数均不相同，但各模型的结构类似且满足图2中所描述的模型结构形式示意图。上述不同分类结果包括第一分类结果、第二分类结果、第三分类结果、第四分类结果和第五分类结果。

进一步的，为了得到上述已标注的故障数据对应的列车牵引变流器通过上述深度神经网络模型训练的结果，步骤s22还包括：

步骤s226，根据预设的标准结果，分别对不同分类结果进行评分，得到评分值最大的分类结果；其中，预设的标准结果根据所述已标注的故障数据经过专家分析得到的准确结果。

可以理解的是，上述得到的评分最大的分类结果即为通过深度神经网络模型训练的故障诊断结果，开发者可以通过比较该故障诊断结果与标准结果，得到两者的差别，然后根据两者的差别有针对性的进行修改，不断提高本方法使用的深度神经网络模型的准确性。

为了进一步提高本方法使用深度神经网络模型得到训练的最终诊断结果的准确性，步骤s22还包括：

步骤s227：计算所述不同分类结果各自对应的权重；其中，所述不同分类结果的权重之和为1；利用所述不同分类结果各自对应的权重，调整所述不同分类结果的评分；其中，所述不同分类结果的权重与所述不同分类结果的评分成正比。

步骤s23：利用不同分类结果的权重，结合不同深度神经网络模型，得到诊断模型；将待分析的列车牵引变流器故障数据，输入所述诊断模型，以得到对应的列车牵引变流器的故障诊断结果。

需要进行说明的是，利用所述不同分类结果的权重，结合所述不同深度神经网络模型，利用加权求和的方式得到诊断模型。步骤s23是本发明实施零提供的列车牵引变流器故障诊断方法的具体应用过程。

本发明实施例还公开了一种具体的列车牵引变流器故障诊断方法的具体实施方式，参加图4所示，包括数据处理和特征提取、建立模型并训练和故障诊断三个步骤，具体如下：

数据处理和特征提取的过程为：

a、在专家标注的故障分类数据中，导出原始列车牵引变流器故障类别、故障波形数据、故障附加信息、发生故障时的现场工况等数据，并根据原始列车牵引变流器故障波形数据进行时域和频域上统计特征的提取(如均值、标准差、谐波频率等)；

建立模型并训练的过程为：

b1、根据图4中模型结构建立深度神经网络模型一，并对深度神经网络模型一使用原始列车牵引变流器故障波形数据进行故障分类训练，得到分类结果一；

b2、将深度神经网络模型一中全连接层输出的特征和步骤a中的故障附加信息进行组合，代入根据图4中模型结构建立的深度神经网络模型二进行故障分类训练，得到分类结果二；

b3、将深度神经网络模型一中全连接层输出层的特征和步骤a中的发生故障时的现场工况信息进行组合，代入根据图4中模型结构建立的深度神经网络模型三进行故障分类训练，得到分类结果三；

b4、将深度神经网络模型一中全连接层输出的特征和步骤a中的原始故障波形数据的时域和频域上统计特征信息进行组合，代入根据图4中模型结构建立的深度神经网络模型四进行故障分类训练，得到分类结果四；

b5、将深度神经网络模型一中全连接层层输出的特征和步骤a中得到的故障附加信息、发生故障时的现场工况信息、原始故障波形数据的时域和频域上统计特征信息进行组合，代入根据图4中模型结构建立的深度神经网络模型五进行故障分类训练，得到分类结果五；

b6、计算所述不同分类结果各自对应的权重；其中，所述不同分类结果的权重之和为1；

利用所述不同分类结果各自对应的权重，调整所述不同分类结果的评分；其中，所述不同分类结果的权重与所述不同分类结果的评分成正比；

b7、从步骤b6的分类结果中取最大值对应的故障分类标签作为模型训练的最终故障诊断的结果。

故障诊断的过程为：

c、将需要分析的故障数据输入诊断模型，得到故障诊断结果。

相应的，本发明实施例还公开了一种列车牵引变流器故障诊断系统，包括：

数据获取模块11，用于获取列车牵引变流器已标注的故障数据；其中，所述已标注的故障数据包括故障数据和标注信息；

模型训练模块12，用于分别将所述已标注的故障数据输入不同深度神经网络模型进行训练，得到不同分类结果；

模型应用模块13，用于将待分析的列车牵引变流器故障数据，输入诊断模型，以得到对应的列车牵引变流器故障的诊断结果；其中，所述诊断模型根据所述不同分类结果，结合所述不同深度神经网络模型得到。

本发明实施例还公开了一种列车牵引变流器故障诊断设备，所述列车牵引变流器故障诊断设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的列车牵引变流器故障诊断程序，所述列车牵引变流器故障诊断程序配置为实现上述任一项所述的列车牵引变流器故障诊断方法的步骤。

本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有列车牵引变流器故障诊断程序，所述列车牵引变流器故障诊断程序被处理器执行时实现上述任一项所述的列车牵引变流器故障诊断方法的步骤。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的列车牵引变流器故障诊断方法、系统、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。