[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

说明书

本发明公开了一种基于贝叶斯网络的高铁牵引系统故障预测方法，步骤为：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：先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；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：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。本发明可以实现设备故障预测，更具有实用性和可靠性。

技术领域

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。

发明内容

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，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；