[發明專利]軌道交通牽引電機故障識別方法、存儲介質、電子設備

在審

• 申請號: 202110624266.3
• 申請日: 2021-06-04
• 公開（公告）號: CN113392888A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 吳凱;廖曉斌;盛建科;劉湘;詹柏青;曾進輝;蘭征;何東
• 申請（專利權）人: 廣東福德電子有限公司;株洲福德軌道交通研究院有限公司;湖南工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/06;G06N3/08
• 代理公司: 東莞創博知識產權代理事務所(普通合伙) 44803
• 代理人: 陳柏陶

本發明涉及一種軌道交通牽引電機故障識別方法、電子設備、存儲介質。其中方法包括：步驟S1.對軌道交通牽引電機的原始檢測信號x(t)加入白噪聲以獲得信號s(t)；步驟S2.用EMD分解算法分解信號s(t)，得到IMF分量；步驟S3.對得到的IMF分量的均值進行Hilbert變換，獲得瞬時幅值和瞬時頻率，并從中提取擾動信號；步驟S4.利用深度信念網絡進行擾動信號識別。本發明能更好獲取擾動的信息，實現快速實時地設備軌道交通牽引電機故障，識別率高，定位精度高。

技術領域

本發明涉及軌道交通牽引電機，特別涉及一種基于集合經驗模態分解和深度信念網絡的軌道交通牽引電機故障識別方法、電子設備、存儲介質。

背景技術

軌道交通牽引技術已經貫穿我們的生活，無論是出遠門的高鐵火車，還是城市里暢通無阻的地鐵，都在方便我們的日常。然而作為軌道交通的心臟，鐵路牽引系統的故障有時會造成災難性事故，因此，需要定期進行維護以保證鐵路車輛的安全。為了提高鐵路牽引系統的安全性，對車輛設備狀態監視進行了大量的研究。對于一般的電機故障，幾乎一半都是由軸承引起的，因此早期的對牽引電機進行軸承故障檢測是極為重要的。

目前國內外對電氣化鐵路牽引供電系統研究主要集中為信號處理與模式識別相結合的方式，但是這些方法都需要依靠專家經驗進行故障診斷，且需要采用信號處理技術提取故障特征，所得到的特征向量具有一定主觀性，也大大增加了整個故障診斷過程的時間。

深度學習是機器學習領域的新方法，通過多層網絡深度構建各層神經元之間的抽象模型，計算權值并獲取高層、低維、有效的特征表達，實現對大量數據的深層信息的挖掘，解決了高維數據空間的復雜運算問題。近年來，深度學習方法理論與算法的發展尤為迅速，其應用涉及航空、醫療、電力、交通等領域，均取得了較好的效果。

發明內容

為識別軌道交通牽引電機故障類型，本發明提供一種速度快、實時性強且定位精度高的軌道交通牽引電機故障識別方法、電子設備、計算機可讀存儲介質。

為實現所述目的，依據本發明的一個方面，提供一種軌道交通牽引電機故障識別方法，包括：

步驟S1.對軌道交通牽引電機的原始檢測信號x(t)加入白噪聲以獲得信號s(t)；

步驟S2.用EMD分解算法分解信號s(t)，得到IMF分量；

步驟S3.對得到的IMF分量的均值進行Hilbert變換，獲得瞬時幅值和瞬時頻率，并從中提取擾動信號；

步驟S4.利用深度信念網絡進行擾動信號識別。

進一步的，所述步驟S2進一步包括：

設信號s(t)的極值包絡函數為式中，u(t)和v(t)分別為信號s(t)的上包絡線和下包絡線；

獲取極值包絡函數f(t)的均值e₁，計算信號s(t)與e₁的差值c₁＝s(t)-e₁；

若c₁符合IMF的條件則將其標記為第一個固有模態IMF分量，否則用f(t)替換原來的c₁，不斷執行c₁＝s(t)-e₁直至c₁符合IMF的條件；

將第一個IMF分量c₁從信號s(t)中分離出來，得到r₁＝s(t)-c₁；

將分離得到的r₁作為新的分解信號s(t)，重新執行步驟S2，以此類推不斷循環，分離得到IMF的各次分量，直至循環至第n個分量r_n為單調函數時執行完畢。

進一步的，通過三次樣條插值的方法構造信號s(t)的極大值和極小值的包絡線。