[发明专利]一种基于贝叶斯网络的高铁牵引系统故障预测方法

权利要求书

1.一种基于贝叶斯网络的高铁牵引系统故障预测方法，其特征在于，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；

(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；

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，n_p为极对数，为转子磁通，i_r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H_T，来表示转矩计算值与其给定值的大小关系：

其中ε_T为允许的转矩控制误差；

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

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

其中ε_ψ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S_1～6；对ψ_sα和ψ_sβ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H_T、H_ψ和扇区值，对逆变器发出控制指令，导通对应的IGBT开关管。

2.根据权利要求1所述的一种基于贝叶斯网络的高铁牵引系统故障预测方法，其特征在于，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。

3.根据权利要求2所述的一种基于贝叶斯网络的高铁牵引系统故障预测方法，其特征在于，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。

4.根据权利要求3所述的一种基于贝叶斯网络的高铁牵引系统故障预测方法，其特征在于，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。