法律状态公告日
法律状态信息
法律状态
2022-12-09
未缴年费专利权终止 IPC(主分类):B60L 3/00 专利号:ZL2016112495184 申请日:20161229 授权公告日:20190709
专利权的终止
2019-07-09
授权
授权
2017-08-11
著录事项变更 IPC(主分类):B60L3/00 变更前: 变更后: 申请日:20161229
著录事项变更
2017-07-07
实质审查的生效 IPC(主分类):B60L3/00 申请日:20161229
实质审查的生效
2017-06-13
公开
公开
技术领域
本发明涉及一种故障预警方法,具体地,特别涉及一种面向动车组牵引电机的故障预警方法。
背景技术
故障预警是一门以近代数学、电子计算机理论与技术、自动控制理论、信号处理技术、仿真技术、可靠性理论等有关学科为基础的、应用型的多学科交叉的边缘学科。
目前,基于振动诊断的故障预警方法,通过监测牵引电机的振动信号来预测故障,当正在运行的牵引电机的振动模式与某种故障相匹配时,便发出预警或报警,比如廖云等人在2014年提出的共振解调预警法,此方法运用在城轨列车上,针对轴承烧毁故障预警有较好的效果。但是由于城轨列车运行环境相对稳定,而动车组在实际运行中的车速变化快,且运行环境复杂,动车组中其他设备的震动以及外界环境的变化会形成干扰,从而产生错误数据造成误警,所以,此方法难以适用于动车组运行环境中。此外,这种基于振动诊断的故障预警分析方法只能对一种或者一类故障进行预警,但难以覆盖其他类型故障的预警。
基于解析模型的故障诊断方法是在明确了诊断对象数学模型的基础上,按一定的数学方法对被测信息进行诊断处理,主要有参数估计方法、状态估计方法、等价空间方法。其中,基于观测器的状态估计方法与等价空间方法是等价的,参数估计方法比状态估计方法更适合于非线性系统,等价空间方法仅适用于线性系统。2014年刘韬等人提出的KPCA(Kernel Principal Component Analysis)和耦合隐马尔科夫模型轴承故障诊断方法,以及2015年张敏和崔海龙等提出将基于IMF(Intrinsic Mode Function)能量矩和HSMM(Hidden Semi-Markov Models)模型的滚动轴承故障诊断方法,通过建立隐半马尔科夫模型,在故障模拟实验台上取得了较好的效果。但是,这种故障预警方法易受外界环境干扰,难以适用于运行环境复杂多变的动车组,且无法根据动车组运行状态对数据进行分类,使该方法的分析结果和理论上有偏差。
发明内容
鉴于以上问题,本发明的目的是提供一种面向动车组牵引电机的故障预警方法,以解决现有故障预警方法易受外界环境干扰,难以适用于动车组运行环境,以及一种预警方法只能针对特定故障进行预警,且没有根据动车组运行状态使结果有偏差的技术问题。
为了实现上述目的,本发明采用以下技术方案:
本发明所述面向动车组牵引电机的故障预警方法,包括以下步骤:
(1)提取一组完整的动车组牵引电机的运行数据,包括车速数据和每个牵引电机的轴承的温度数据;
(2)根据动车组运行状态,对运行数据分类;
(3)对温度数据进行曲线拟合,获取温度数据拟合线;
(4)设置温度警戒线,确定预警范围;
(5)获取动车组新的运行数据,并进行温度变化趋势分析,当温度数据超出警戒线时,发出预警。
优选的,上述步骤(2)包括:
2a)确定动车组运行的最大车速;
2b)以时间变量控制数据分类,分为加速数据、匀速数据和减速数据;
2c)保存三类数据。
优选的,步骤(3)包括:
采用回归算法分析,对同一类别的温度数据进行分组,得到每组的温度数据的平均值,拟合出温度数据拟合线。
优选的,在步骤(2)和步骤(3)之间,还包括去噪步骤:对温度数据进行数据去噪处理。
进一步地,去噪步骤包括:
以时间序列展示动车组运行数据;获取同一类别的多组温度数据;计算一个车速间隔区间的温度平均值作为此车速区间的温度;计算下一个相同车速间隔的车速区间的温度,直至读取此类别的完整温度数据;当整个序列或者单个温度数据偏离整体的温度曲线超过阈值,则剔除所述整个序列或者单个温度数据。
进一步地,优选的,步骤(3)包括:
采用回归算法分析,对经过去噪处理的同一类别的温度数据进行分组,对于温度数据稀疏组的温度数据平均值进行修正,根据修正后的温度数据平均值拟合出温度数据拟合线。
优选的,设置温度警戒线的方法为:
温度警戒线的解析式设为:y=kx+b
式中,x为速度,单位km/h,y为温度,单位℃,k为斜率均值,b为数据中位数。
进一步地,根据每组温度数据平均值之间的最大差值确定b的取值范围,对b赋值,并统计温度警戒线内的温度数据的个数占比,当温度警戒线内的温度数据的个数占比达到95%时,确定b的取值。
与现有技术相比,本发明具有以下优点和有益效果:
一、本发明通过提取一组完整的动车组牵引电机的运行数据,确定预警范围,使此预警方法适用于动车组的运行环境,而不局限于实验环境;
二、在本发明中,以牵引电机的轴承的温度数据作为预警的指标,使预警方法适用于各种故障类型的预警;
三、通过根据动车组的运行状态,对运行数据进行分类,减少分析结果与理论结果的偏差;
四、通过对运行数据进行去噪处理,剔除原始运行数据中掺杂的异常数据,提高温度数据拟合的准确性。
附图说明
图1是本发明所述面向动车组牵引电机的故障预警方法的流程图;
图2是本发明所述面向动车组牵引电机的故障预警方法优选实施例的流程图;
图3是根据动车组运行状态,对运行数据分类的流程图;
图4是提取的动车组牵引电机的一组加速段的温度数据散点图;
图5是对图4中温度数据以时间序列展示结果图;
图6是整个序列的温度数据偏离整体的温度曲线超过阈值示例图;
图7是单个温度数据偏离整体的温度曲线超过阈值示例图;
图8是经过去噪处理的温度数据结果图;
图9是对温度数据进行曲线拟合的拟合结果图;
图10是设置温度警戒线的结果图;
图11是温度数据分析结果显示非故障的一个例子;
图12是温度数据分析结果显示非故障的再一个例子;
图13是温度数据分析结果显示故障的一个例子;
图14是温度数据分析结果显示故障的再一个例子。
具体实施方式
现结合附图,对本发明做进一步详细的说明,以便于本发明更加清楚和易于理解。
图1是本发明所述面向动车组牵引电机的故障预警方法的流程图,如图1所示,面向动车组牵引电机的故障预警方法,包括以下步骤:
步骤S100,提取一组完整的动车组牵引电机的运行数据,包括车速数据和每个牵引电机的轴承的温度数据;其中温度数据,包括牵引电机驱动侧轴承和非驱动侧轴承的温度,由于提取的是动车组的运行数据,并以此作为数据分析的基础数据,使得故障预警方法适用于动车组复杂的运行环境,而不局限于实验环境。
步骤S200,根据动车组运行状态,对运行数据分类;对原始的运行数据分类,以便后期可以针对不同类别的数据分别进行处理,可以减少各类数据之间的相互影响,且动车组处于不同的运行状态,可以采用不同的判断指标,判断是否发生故障,提高结果的可靠性。
步骤S300,对温度数据进行曲线拟合,获取温度数据拟合线;由于绝大多数牵引电机轴承故障都会导致温度的异常,因此以温度数据作为分析指标,可以只根据牵引电机驱动侧轴承和非驱动侧轴承的状态发出预警,而不用具体分析是何种故障类型,即可通过监测温度数据来判断整个牵引电机的工作状况。
具体地,采用回归算法分析,对同一类别的温度数据进行分组,得到每组的温度数据的平均值,拟合出温度数据拟合线。
步骤S400,设置温度警戒线,确定预警范围;
步骤S500,获取动车组新的运行数据,并进行温度变化趋势分析,当温度数据超出警戒线时,发出预警。当牵引电机正常工作时,所获取的运行数据会在温度变化的正常区间范围内,而牵引电机发生故障或者存在潜在风险时,牵引电机的轴承温度会出现异常,所获取的运行数据会持续偏离正常区间范围,直至超出温度警戒线,此时,会发出预警。
在传感器采集数据期间,由于外界环境的变化干扰以及牵引电机轴承自身不断变化的特性,会使采集到的数据并不是纯粹的轴承的温度数据,如图4中提取的温度数据散点图所示,在原始数据中掺杂着许多异常数据,即为噪声数据,噪声数据会影响数据精度,拉低后期对温度数据拟合的准确性,因此,需要对温度数据进行数据去噪处理。
图2是本发明所述面向动车组牵引电机的故障预警方法优选实施例的流程图,如图2所示,面向动车组牵引电机的故障预警方法,包括以下步骤:
步骤S100,提取一组完整的动车组牵引电机的运行数据,包括车速数据和每个牵引电机的轴承的温度数据;
步骤S200,根据动车组运行状态,对运行数据分类;
在步骤S200和步骤S300之间,还包括去噪步骤S300′,对温度数据进行数据去噪处理;
具体地,去噪步骤S300′包括:
由于动车组运行时产生的数据是一系列的时间序列数据,所以,以时间序列展示动车组运行数据,以便更易处理数据,如图5所示,即对图4中的原始数据的散点图进行序列化表示;获取同一类别的多组温度数据;计算一个车速间隔区间的温度平均值作为此车速区间的温度;计算下一个相同车速间隔的车速区间的温度,直至读取此类别的完整温度数据;当整个序列或者单个温度数据偏离整体的温度曲线超过阈值,则剔除所述整个序列或者单个温度数据。
步骤S300,对温度数据进行曲线拟合,获取温度数据拟合线;
具体地,采用回归算法分析,对经过去噪处理的同一类别的温度数据进行分组,由于对温度数据进行去噪处理后,分组的样本数据分布不均匀,所以对于温度数据稀疏组的温度数据平均值进行修正,根据修正后的温度数据平均值拟合出温度数据拟合线。
步骤S400,设置温度警戒线,确定预警范围;
步骤S500,获取动车组新的运行数据,并进行温度变化趋势分析,当温度数据超出警戒线时,发出预警。
具体地,设置温度警戒线的方法为:
温度警戒线的解析式设为:y=kx+b
式中,x为速度,单位km/h,y为温度,单位℃,k为斜率均值,b为数据中位数。
根据每组温度数据平均值之间的最大差值确定b的取值范围,对b赋值,并统计温度警戒线内的温度数据的个数占比,当温度警戒线内的温度数据的个数占比达到95%时,确定b的取值。
图3是根据动车组运行状态,对运行数据进行分类的流程图,如图3所示,步骤S200包括:
步骤S210,确定动车组运行的最大车速;
步骤S220,以时间变量控制数据分类,分为加速数据、匀速数据和减速数据。由于动车组运行状态直观可分为加速状态、匀速状态和减速状态,对于不同的运行状态,温度数据的变化规律有所不同,所以将提取的温度数据分为加速数据、匀速数据和减速数据,使得到的数据集中表示,更加直观的对数据进行判断,便于后续数据的分析;
步骤S230,保存三类数据。
现以CRH380B型动车组牵引电机的运行数据,对本发明做具体说明。
首先,提取一组完整的动车组牵引电机的运行数据,包括车速数据和每个牵引电机的轴承的温度数据。
根据动车组的运行状态,对运行数据进行分类,分为加速数据、匀速数据和减速数据。具体地,确定动车组的最大车速为300km/h,以时间变量控制数据分类,例如,加速阶段必须在6min~9min之内完成,在此时间段内,速度不断上升才可以划分为加速数据,即在提取的所有运行数据中,在6min~9min内,速度从0持续上升至最大车速300km/h的阶段,为加速阶段,此段提取的数据为加速数据,如表1所示;车速一直在最大车速300km/h附近上下波动不超过10km/h的阶段为匀速阶段,此段提取的数据为匀速数据,如表2所示;从最大车速300km/h持续下降到速度0的阶段为减速阶段,此段提取的数据为减速数据,如表3所示。
保存上述三类数据,加以区分,其中,“1”表示加速状态;“0”表示匀速状态;“-1”表示减速状态。
表1:
表2:
表3:
图4是提取的动车组牵引电机的一组加速段的温度数据散点图,如图4所示,在原始数据中存在很多异常数据,需要对温度数据进行数据去噪处理,以便于后续的温度数据拟合线的准确度高。
首先,对图4中的原始数据进行序列化处理,如图5所示,显示了一次加速过程的车速及每个牵引电机驱动侧轴承和非驱动侧轴承温度数据,以时间顺序逐条读取;
计算一个车速间隔区间的温度平均值作为此车速区间的温度;在此实施例中,以速度10km/h以一个车速间隔,计算牵引电机驱动侧轴承和非驱动侧轴承的温度平均值,例如,车速在90km/h~100km/h的车速间隔区间范围内,有3条数据,则计算3条数据的温度平均值作为此车速区间的温度。之后,计算下一个相同车速间隔的车速区间的温度,直至读取加速阶段的完整温度数据。
在提取的温度数据中出现的噪声数据分为两种:序列噪声数据和单点噪声数据。
序列噪声数据,指在多个加速阶段的温度序列数据组成的数据中,出现少量的序列数据异常的情况。在图6中,显示最下方的两个序列数据与整体的温度数据相比偏低的情况,主要是因为当动车组停车时间较长后再次开始运行时,牵引电机的轴承温度较低。而需要用到的数据是动车组短暂停车后再次运行所提取的数据,因此,需要对序列噪声数据剔除。
去除序列噪声数据的方法为:
计算每个序列数据的平均温度,第i个序列的平均温度记为xi;
计算所有平均温度的平均值,记为:
设定阈值,根据需要剔除平均温度xi偏离
单点噪声数据,指在提取的温度数据中,单个数据点偏离整体数据曲线超过阈值的数据。如图7所示,以加速阶段的数据曲线为例,在动车组的速度由0持续上升至300km/h的过程中,正常情况下提取的温度数据是一个缓慢上升的曲线,而在图7中,出现了单个数据点异常的情况。单点噪声数据的成因很多,传感器或者传输过程均有可能出现错误。针对单点噪声数据,根据温度数据曲线的变化趋势,得出当前数据点的预期温度数值,当实际的单点数据值与预期温度数值差异超过阈值时,剔除此单点噪声数据。
经过去噪处理的温度数据结果图,如图8所示,此部分数据是后续对温度数据进行曲线拟合的基础数据,使拟合结果更加准确。
为了实现故障预警功能,需要在大量的已有数据的基础上,分析出动车组运行过程中的温度数据变化趋势,并得出允许的温度数据变化范围。
以加速阶段为例,提取的温度数据表征了随着速度的增加,温度的变化趋势,其中,速度为自变量,温度为因变量。因此,采用回归算法进行曲线拟合。
具体地,将经过去噪处理的数据进行分组,以5km/h车速区间间隔作为标准,得到n组样本数据,每组样本数据中包括m条数据,对每组温度数据取平均值,记为
所以,得到n组样本的温度数据平均值集合为
在对数据进行去噪处理之后,由于剔除了一些异常的噪声数据,使得每组样本中的数据分布不均匀,需要对温度数据稀疏样本组的温度数据平均值进行修正处理。具体地,取所有去噪处理后的每组样本数据中的数据个数平均值为
根据温度数据稀疏样本组所占权重对其温度数据平均值进行修正,
式中,
将所有的样本组的温度数据的平均值进行曲线拟合,得到温度数据拟合线,拟合结果图如图9所示。
当动车组牵引电机在正常运行状态时,牵引电机的轴承温度在一个允许的范围内波动,因此,需要设置温度警戒线,确定预警范围。
具体地,温度警戒线的解析式设为:
y=kx+b,式中,k为斜率均值,b为数据中位数;
对于k和b的计算具体如下:
根据每组温度数据平均值之间的最大差值确定b的取值范围:
其中,为了保证精度的同时减少计算次数,首先,选定上述取值区间的三分之二对b赋值,并统计温度警戒线内的温度数据的个数占比,当温度警戒线内的温度数据的个数占比达到95%时,确定b的取值;
从而,计算出温度警戒线的解析式,结果如图10所示。
在获取上述拟合结果和温度警戒线的结果之后,获取动车组新的运行数据,并进行温度变化趋势分析,当温度数据超出警戒线时,发出预警。
具体地,以加速阶段为例:
获取动车组牵引电机的运行数据,包括运行的车速数据和每个牵引电机的轴承的温度数据;根据动车组运行状态,对运行数据分类,判断出动车组进入加速阶段之后开始分析温度数据;
计算一个车速间隔区间的温度平均值作为此车速区间的温度,以速度10km/h以一个车速间隔,计算牵引电机驱动侧轴承和非驱动侧轴承的温度平均值,例如,车速在90km/h~100km/h的车速间隔区间范围内,有3条数据,则计算3条数据的温度平均值作为此车速区间的温度。之后,计算下一个相同车速间隔的车速区间的温度,直至读取加速阶段的完整温度数据。从而,得到在此加速阶段动车组的温度数据的变化趋势。
将上述温度数据变化曲线与温度数据的拟合结果和温度警戒线的结果对比分析,得到温度数据分析结果如图11、图12、图13和图14所示。
在图11中,温度数据在拟合线附近上下波动,且没有超过温度警戒线,此时,判定动车组牵引电机处于非故障状态;
在图12中,温度数据整体在拟合线附近上下波动,只有单点数据出现异常,超过温度警戒线,且随即回归正常,此时,判定动车组牵引电机处于非故障状态;
在图13中,温度数据曲线呈现持续上升的趋势,整体温度偏高,逐渐超过温度警戒线,此时,判定动车组牵引电机出现故障,发出预警;
在图14中,温度数据持续上升,且温度变化差值较大,有超过温度警戒线的趋势,此时,仍旧判定动车组牵引电机出现故障,发出预警,此种情况,主要是因为环境影响较大,动车组频繁走停,牵引电机轴承的摩擦力过大,导致温度升高过快。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 牵引系统的状态评估与故障预警方法,装置及装置
机译: 无框全悬架230 kW交流牵引电机,适用于标准和宽规格动车组/地铁应用。
机译: 一种设备,包括:鹅颈鹅颈装置,其一端适于组装车辆牵引装置;具有第一端和第二端的支撑点;以及用于设定卡车故障OJ的支撑框架的一部分的末端的尺寸的装置;牵引方法。