一种基于贝叶斯网络的高铁牵引系统故障预测方法与流程

本发明属于设备故障预测技术领域，特别涉及一种基于贝叶斯网络的高铁牵引系统故障预测方法。

背景技术：

故障预测是以当前装备的使用状态为起点，结合已知预测对象的结构特性、参数、环境条件及历史数据，对装备未来的故障进行预测、分析和判断。故障预测具有很大的不确定性，因为对象故障机理本身就是一个随机过程，而且预测过程本身也会产生误差。由于我国高铁运行范围极大，复杂多变的气候条件增加了其工作环境的复杂性，进一步加大了故障预测的不确定性，为故障预测带来极大挑战。

贝叶斯网络是目前处理不确定问题的最有效的模型之一，是人工智能、概率理论、图论和决策分析相结合的产物。它以图形化的方式直观地表达各变量的联合概率分布，并利用条件独立性假设，大大减少了概率推理计算量，为复杂的不确定性推理问题提供了良好的解决办法。键合图模型可以准确清晰的描述各变量间的因果关系，有利于贝叶斯网络拓扑结构的搭建，使贝叶斯网络的预测结果更加准确。目前开环系统的键合图模型已经搭建完毕，但在实际运行过程中牵引系统会受到很多环境因素的干扰，开环系统会变的极不稳定，所以实际系统中闭环控制环节是必不可少的。为使搭建的物理模型和后续的研究结果更与实际相符，本发明在原有的开环模型基础上加入了闭环控制环节，在前人的基础上进一步完善模型。

技术实现要素：

发明目的：针对现有技术的问题，提供一种可建立牵引系统因果关系的闭环系统模型、实现设备故障预测的基于贝叶斯网络的高铁牵引系统故障预测方法。

技术方案：为解决上述技术问题，本发明提供一种基于贝叶斯网络的高铁牵引系统故障预测方法，包括如下步骤：

(1)搭建闭环键合图模型：在原有键合图模型中添加直接转矩控制模块；

(2)搭建贝叶斯网络：由实际高铁牵引系统中测得的物理量确定贝叶斯网络结构的节点，根据闭环键合图模型提供的节点之间的因果关系确定贝叶斯网络的结构，最后打开贝叶斯网络中的闭合环路，避免节点之间的因果关系冲突；其中节点之间的因果关系下文简称因果关系；

(3)数据预处理：先对原始信号进行滤波去噪，再进行特征提取，然后进行单调性筛选并进行深层特征提取，最后对特征进行k-means聚类；

(4)故障预测：将测量值的状态作为贝叶斯网络的输入，将特征对应的三类剩余寿命范围作为贝叶斯网络的输出，用em算法进行有监督学习，再用上述数据预处理方法得到在线测量值的状态，利用贝叶斯网络进行分类，得到设备剩余寿命范围。

进一步的，所述步骤(1)中搭建闭环键合图模型的具体步骤如下：

(1.1)将转速给定值与系统转速的差值进行pi调节，得到转矩指令值t*；真实转矩t由下式计算得到：

其中t为电磁转矩，np为极对数，为转子磁通，ir为转子电流，α、β代表电机在α-β-o坐标系下的两相；定义变量ht，来表示转矩计算值与其给定值的大小关系：

其中εt为允许的转矩控制误差；

(1.2)设置定子磁链幅值的指令值|ψs^*|；真实磁链幅值|ψs|由下式计算得到：

其中|ψsα|和|ψsβ|为电机α、β相的磁链幅值；定义变量hψ，表示磁链幅值计算值与其给定值的大小关系：

其中εψ为允许的磁链幅值控制误差；

(1.3)将平面空间等分为6个扇区s16；对ψsα和ψsβ的符号进行分类讨论，结合arctan函数，求得定子磁链相位θ；根据相位θ将磁链划分至对应扇区；

(1.4)根据最优开关表与步骤(1.1)(1.2)(1.3)求得的ht、hψ和扇区值，对逆变器发出控制指令，导通对应的igbt开关管。

进一步的，所述步骤(2)中搭建贝叶斯网络的具体步骤如下：

(2.1)由实际高铁牵引系统的可测物理量确定贝叶斯网络结构的节点，包括电机电压、转矩、转速、中间电路上电压和下电压，共计5个节点；

(2.2)根据闭环键合图模型的因果划指向，确定贝叶斯网络节点间的因果关系，由此确定贝叶斯网络结构；

(2.3)为避免因果关系冲突，需将贝叶斯网络中的闭合环路打开。

进一步的，所述步骤(3)中数据预处理的具体步骤如下：

(3.1)对原始数据滤波去噪，用小波变换提取频域特征，并计算其时域特征，包括均值、极差、方差、标准差、偏度、峰度，将所提特征标准化，去除量纲影响；

(3.2)将处理后的数据输入受限玻尔兹曼机，进一步提取深层特征；

(3.3)用k-means算法对步骤(2.1)中的5个物理量的特征单独聚类，得到贝叶斯网络中各节点的状态，用作训练时的输入数据；再用k-means对5个物理量的所有特征一起聚类，按照剩余寿命将特征分为长期、中期、短期三类，用作数据的训练标签，为贝叶斯网络的输出数据。

进一步的，所述步骤(4)中故障预测的具体步骤如下：

(4.1)将步骤(3)中的输入数据和输出数据输入贝叶斯网络对应的节点，用em算法进行有监督学习；

(4.2)用步骤(3)处理在线数据，得到当前测量值的状态；将各节点状态输入贝叶斯网络进行分类，得到设备剩余寿命范围。

与现有技术相比，本发明的优点在于：

(1)本发明对键合图模型加入闭环控制模块，更符合高铁牵引系统的实际情况，基于该闭环模型的研究结果具有更高的实用性和可靠性；

(2)本发明由键合图模型提供的因果关系推导贝叶斯网络结构，相比基于数据的推导方法，其结果更准确，不受数据量大小和数据可靠性的影响；

(3)传统的贝叶斯网络多以原始信号作为输入数据，本发明对原始信号提取时频域特征，并进一步用受限玻尔兹曼机提取深层特征，挖掘出数据的深层信息，更加清晰直观的展现出设备的退化过程，极大的改善了贝叶斯网络的学习效果；

(4)本发明将预测的剩余寿命划分为三个范围，为设备维护提供了一定的冗余度，减少了企业的操作难度和维护成本。

附图说明

图1为本发明的方法流程图；

图2为具体实施例中直接转矩控制原理框图；

图3为具体实施例中电压矢量分布及扇区划分示意图；

图4为具体实施例中逆变器等效电路图；

图5为具体实施例中闭环键合图模型结构图；

图6为具体实施例中键合图因果关系示意图；

图7为具体实施例中贝叶斯网络环路化简示意图；

图8为具体实施例中贝叶斯网络结构图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。本发明描述的实施例仅仅是本发明的一部分实施例，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的前提下所得到的其他实施例，都属于本发明所保护的范围。

参照图1所示，本发明的一种基于贝叶斯网络的高铁牵引系统故障预测方法，首先搭建闭环的高铁牵引系统键合图模型，根据键合图模型提供的因果关系搭建贝叶斯网络结构，再对原始信号进行深层特征提取，用k-means将其按照剩余寿命分为长期、中期、短期三类。对在线数据进行类似处理，用贝叶斯网络将其分类，实现设备的剩余寿命预测。整个过程包括如下步骤：

1)闭环键合图模型搭建：

高铁牵引系统的键合图开环模型包括逆变器、电机和齿轮箱，其中逆变器为电机提供动力。本发明根据电机的输出信号和设置的调整参数，使用直接转矩控制算法控制逆变器的igbt开关管，从而实现对电机的闭环控制。图2为直接转矩控制原理框图，具体步骤如下：

11)将转速给定值与系统转速的差值进行pi调节，得到转矩指令值t*；真实转矩t由式(1)计算得到：

其中t为电磁转矩，np为极对数，为转子磁通，ir为转子电流，α、β代表电机在α-β-o坐标系下的两相。定义变量ht，来表示转矩计算值与其给定值的大小关系：

其中εt为允许的转矩控制误差。

12)设置定子磁链幅值的指令值|ψs^*|；真实磁链幅值|ψs|由式(3)计算得到：

其中|ψsα|和|ψsβ|为电机α、β相的磁链幅值。定义变量hψ，来表示磁链幅值计算值与其给定值的大小关系：

其中εψ为允许的磁链幅值控制误差。

13)将平面空间等分为6个扇区s16，对ψsα和ψsβ的符号进行分类讨论，结合arctan函数，求得定子磁链相位θ：

根据相位θ将磁链划分至对应扇区。

14)根据最优开关表与步骤(11)(12)(13)求得的ht、hψ和扇区值，对逆变器发出控制指令，导通对应的igbt开关管。

表1最优开关表

表1中，v16为逆变器输出的6种电压矢量，电压矢量与扇区分布的空间相对位置如图3所示。6个电压矢量对应着逆变器的6种工作状态，每种工作状态中导通的开关管依次为：t1t2t3→t2t3t4→t3t4t5→t4t5t6→t5t6t1→t6t1t2。开关管分布编号如图4所示。图5为带有直接转矩控制模块的高铁牵引系统闭环键合图模型。

2)贝叶斯网络结构搭建：

贝叶斯网络结构属于有向无环图，由节点和带箭头的边组成，箭头其实节点为因，指向节点为果，表示了节点间的因果关系。键合图模型中用因果划表示变量间的因果关系，如图6中，a和b为键合图中的两个元件，两者之间用键连接，因果划用位于键末端并垂直于键的短线表示。因果划表示了势信号的导向方向，对a而言，流是因势是果；对b而言，势是因流是果。由闭环键合图模型推导变量间的因果关系，得到贝叶斯网络结构。最后为避免因果关系冲突，打开贝叶斯网络中的闭合环路。具体步骤如下：

21)由实际高铁牵引系统的可测物理量确定贝叶斯网络结构的节点，包括转矩t、转速w、中间电路上电压ucd1和下电压ucd2，共计4个节点。

22)根据闭环键合图模型的因果划指向确定贝叶斯网络节点间的因果关系，由此确定贝叶斯网络结构。

23)为避免因果关系冲突，需将贝叶斯网络中的闭合环路打开。以图7为例，节点1、2、3为闭环结构，此处打开节点2指向节点3的边，并复制节点2为节点2’，将节点2’指向节点3作为节点3的因，由此解开节点2和节点3互为因果的矛盾。

24)将剩余寿命节点life看做设备退化程度，故节点life为导致其他节点变化的原因，将该节点添加至贝叶斯网络并作为因节点。图8为最终的贝叶斯网络结构图。

3)数据预处理：

用传统的方法对原始信号进行去噪、特征提取、标准化之后，本发明在此基础上又用受限玻尔兹曼机对提取的特征进行进一步的深度提取，将处理后的特征用于贝叶斯网络训练。具体步骤如下：

31)对原始数据滤波去噪，用小波变换提取频域特征，并计算其时域特征，包括均值、极差、方差、标准差、偏度、峰度。选取单调性较好的特征并对其进行标准化，去除量纲影响。

32)将处理后的数据输入受限玻尔兹曼机，进一步提取深层特征。

33)用k-means算法对步骤2中选取的4个物理量的特征单独聚类，得到贝叶斯网络中各节点的3种状态，用作训练时的输入数据。再用k-means对4个物理量的所有特征一起聚类，按照剩余寿命将特征分为长期、中期、短期三类，用作数据的训练标签，为贝叶斯网络的输出数据。

4)故障预测方法：

将在线数据按照步骤3提取特征，并用k-means得到各节点的状态。将节点状态输入训练好的贝叶斯网络，即可预测设备剩余寿命范围(长期、中期、短期)。具体步骤如下：

41)将步骤3中的输入数据和输出数据输入贝叶斯网络对应的节点，用em算法进行有监督学习。

42)用步骤3处理在线数据，得到当前测量值的状态。将各节点状态输入贝叶斯网络进行分类，得到设备剩余寿命范围。