CN109754110A - 一种牵引变流器故障的预警方法及*** - Google Patents

Abstract

本申请公开了一种牵引变流器故障的预警方法，包括：从历史数据中提取出整流逆变模块和网络的运行数据，并利用整流逆变模块运行数据构建EOVW能量指数得到数据特征和故障信息；将数据特征和网络运行数据按车型、车号以及时间进行关联，将关联后数据按车型和故障类型执行聚类分析操作，得到故障前数据异常的时间范围，并对异常数据附加故障预警标签；将所有数据引入随机森林分类器进行迭代训练，直至所有随机森林分类器的分类准确率均达到阈值，利用训练后分类器对实际运行数据分类，未通过则通过发送预警信息。提升了牵引变流器的使用寿命、降低了运行维护成本。本申请还同时公开了一种牵引变流器故障的预警***，具有上述有益效果。

Description

一种牵引变流器故障的预警方法及***

技术领域

本申请涉及轨道交通故障预警技术领域，特别涉及一种牵引变流器故障的预警方法及***。

背景技术

火车是现代主要交通工具之一，在旅客及货物运输方面发挥了极大的作用，其安全问题一直受到各界人士的重点关注，其中列车牵引主电路中的牵引变流器作为列车重要组成部分，它的安全问题更是重中之重。

其中，变流器整流逆变模块是牵引变流器的核心部件，在现有技术中，为了监控变流器的工作状态，变流器整流逆变模块中安装有各种传感器(如电压、电流传感器等)，当模块发生故障时，变流器牵引控制单元会将故障信号发送至司机室，提醒司机采取复位、封锁故障变流器、启动备用变流器、甚至停车等措施，以此来确保列车的安全。

但现有技术仅是利用传感器对整流逆变模块的运行状态检测，并在检测到故障信号时进行报警，即只是在故障确确实实发生后才会检测到故障信号并发送至司机室。而一旦发生变流器严重故障(如晶闸管或二极管炸损)，其修复与更新代价成本过高。

所以，如何提供一种针对牵引变流器的能够根据数据进行分析，提前发现故障发生的预兆的故障预警机制是本领域技术人员亟待解决的问题。

发明内容

本申请的目的是提供一种牵引变流器故障的预警方法及***，其通过采用数据驱动的模型预警方法，一方面具有较高的准确度，另一方面能够从大量数据中挖掘出不易察觉到的故障与器件的隐形联系，提升了牵引变流器的使用寿命、降低了运行维护成本，并对提升列车的稳定性、安全性、可靠性起到了促进作用。

为解决上述技术问题，本申请提供一种牵引变流器故障的预警方法，该预警方法包括：

从列车的牵引变流器历史数据和网络历史数据分别提取得到所述列车的整流逆变模块运行数据和网络运行数据，并利用所述整流逆变模块运行数据构建EOVW能量指数得到整流逆变模块的数据特征和故障信息；其中，所述故障信息包括故障类型；

将所述数据特征和所述网络运行数据按列车的不同车型、车号以及时间进行关联，得到关联后数据；

将所述关联后数据按不同的车型和所述故障类型执行聚类分析操作，得到故障前数据异常的时间范围，并对所述时间范围内的异常数据附加故障预警标签；

将附加有所述故障预警标签的异常数据和正常数据引入随机森林分类器进行迭代训练，直至所有随机森林分类器的分类准确率均达到阈值，得到训练后随机森林分类器；其中，所述随机森林分类器根据故障种类和二分法构建得到；

利用所述训练后随机森林分类器对列车实际运行数据进行分析，若未通过所述训练后随机森林分类器，则通过预设路径发送预警信息。

可选的，利用所述整流逆变模块运行数据构建EOVW能量指数得到整流逆变模块的数据特征和故障信息，包括：

将所述整流逆变模块运行数据以秒为单位通过小波变换提取出各传感器信息的EOVW能量指数；

将所述EOVW能量指数作为当前秒的整流逆变模块的数据特征，并得到所述故障信息。

可选的，将所述关联后数据按不同的车型和所述故障类型执行聚类分析操作，得到故障前数据异常的时间范围，包括：

将所述关联后数据按不同的车型和不同的故障类型进行层次聚类处理，得到层次聚类处理后数据；其中，所述层次聚类处理后数据包括簇信息和中心点位置信息；

利用所述簇信息和所述中心点位置信息进行K-means聚类处理，确定故障前数据异常的时间范围。

可选的，在通过预设路径发送预警信息之后，还包括：

判断在预设时间内是否多次接收到相同的预警信息；

若是，则判定所述列车存在异常，并将所述列车存在异常的判定结果发送至列车驾驶员。

可选的，该预警方法还包括；

将所有接收到的预警信息进行记录并保存，生成预警信息日志，以便根据所述预警信息日志进行后续分析和追查。

本申请还提供了一种牵引变流器故障的预警***，该预警***包括：

运行数据获取和分析单元，用于从列车的牵引变流器历史数据和网络历史数据分别提取得到所述列车的整流逆变模块运行数据和网络运行数据，并利用所述整流逆变模块运行数据构建EOVW能量指数得到整流逆变模块的数据特征和故障信息；其中，所述故障信息包括故障类型；

数据关联单元，用于将所述数据特征和所述网络运行数据按列车的不同车型、车号以及时间进行关联，得到关联后数据；

聚类分析操作执行单元，用于将所述关联后数据按不同的车型和所述故障类型执行聚类分析操作，得到故障前数据异常的时间范围，并对所述时间范围内的异常数据附加故障预警标签；

分类器训练单元，用于将附加有所述故障预警标签的异常数据和正常数据引入随机森林分类器进行迭代训练，直至所有随机森林分类器的分类准确率均达到阈值，得到训练后随机森林分类器；其中，所述随机森林分类器根据故障种类和二分法构建得到；

实际故障预测单元，用于利用所述训练后随机森林分类器对列车实际运行数据进行分析，若未通过所述训练后随机森林分类器，则通过预设路径发送预警信息。

可选的，所述运行数据获取和分析单元包括：

小波变换子单元，用于将所述整流逆变模块运行数据以秒为单位通过小波变换提取出各传感器信息的EOVW能量指数；

处理子单元，用于将所述EOVW能量指数作为当前秒的整流逆变模块的数据特征，并得到所述故障信息。

可选的，所述聚类分析操作执行单元包括：

层次聚类处理子单元，用于将所述关联后数据按不同的车型和不同的故障类型进行层次聚类处理，得到层次聚类处理后数据；其中，所述层次聚类处理后数据包括簇信息和中心点位置信息；

K-means聚类处理子单元，用于利用所述簇信息和所述中心点位置信息进行K-means聚类处理，确定故障前数据异常的时间范围。

可选的，所述实际故障预测单元还包括：

专家规则判定子单元，用于判断在预设时间内是否多次接收到相同的预警信息；

专家规则判定通过子单元，用于判定所述列车存在异常，并将所述列车存在异常的判定结果发送至列车驾驶员。

可选的，该预警***还包括：

记录保存单元，用于将所有接收到的预警信息进行记录并保存，生成预警信息日志，以便根据所述预警信息日志进行后续分析和追查。

本申请所提供的一种牵引变流器故障的预警方法，从列车的牵引变流器历史数据和网络历史数据分别提取得到所述列车的整流逆变模块运行数据和网络运行数据，并利用所述整流逆变模块运行数据构建EOVW能量指数得到整流逆变模块的数据特征和故障信息；将所述数据特征和所述网络运行数据按列车的不同车型、车号以及时间进行关联，得到关联后数据；将所述关联后数据按不同的车型和所述故障类型执行聚类分析操作，得到故障前数据异常的时间范围，并对所述时间范围内的异常数据附加故障预警标签；将附加有所述故障预警标签的异常数据和正常数据引入随机森林分类器进行迭代训练，直至所有随机森林分类器的分类准确率均达到阈值，得到训练后随机森林分类器；利用所述训练后随机森林分类器对列车实际运行数据进行分析，若未通过所述训练后随机森林分类器，则通过预设路径发送预警信息。

显然，本申请所提供的技术方案，首先针对整流逆变模块历史数据与网络数据采集频率不一致的情况进行了处理，并经处理后的数据进行关联，紧接着将关联后的数据按车型与故障类型信息划分且依次通过两种层次聚类算法，以获得故障发生前异常数据的时间范围，且为异常数据附加故障预警标签，最后将正常数据和异常数据统一放入故障类型生成的随机森林分类中进行二分判定。该预警方法通过采用数据驱动的模型预警方法，一方面具有较高的准确度，另一方面能够从大量数据中挖掘出不易察觉到的故障与器件的隐形联系，提升了牵引变流器的使用寿命、降低了运行维护成本，并对提升列车的稳定性、安全性、可靠性起到了促进作用。本申请同时还提供了一种牵引变流器故障的预警***，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种牵引变流器故障的预警方法的流程图；

图2为本申请实施例所提供的另一种牵引变流器故障的预警方法的流程图；

图3为本申请实施例所提供的又一种牵引变流器故障的预警方法的流程图；

图4为本申请实施例所提供的一种牵引变流器故障的预警***的结构框图；

图5为本申请实施例所提供的一种牵引变流器故障的预警***的实际流程示意图。

具体实施方式

本申请的核心是提供一种牵引变流器故障的预警方法及***，其通过采用数据驱动的模型预警方法，一方面具有较高的准确度，另一方面能够从大量数据中挖掘出不易察觉到的故障与器件的隐形联系，提升了牵引变流器的使用寿命、降低了运行维护成本，并对提升列车的稳定性、安全性、可靠性起到了促进作用。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

以下结合图1，图1为本申请实施例所提供的一种牵引变流器故障的预警方法的流程图。

其具体包括以下步骤：

S101：从列车的牵引变流器历史数据和网络历史数据分别提取得到列车的整流逆变模块运行数据和网络运行数据，并利用整流逆变模块运行数据构建EOVW能量指数得到整流逆变模块的数据特征和故障信息；其中，故障信息包括故障类型；

本步骤旨在获取到牵引变流器中最重要的整流逆变模块的运行数据以及列车整车的网络运行数据，并利用整流逆变模块的运行数据构建EOVW能量指数得到整流逆变模块的数据特征以及根据安装在整流逆变模块的传感器采集到的故障信息。

在实际操作中，由于传感器获取整流逆变模块相关数据的频率较高，可能达到每秒成千上万次，而网络运行数据的采集频率可能每秒只有一次，若简单的将整流逆变器模块的数据全部与网络运行数据相关联并进行后续分析，显然会耗费大量的处理能力，且由于传感器采集到的数据中并不是所有数据都具有代表性和使用价值，因为整流逆变模块在工作状态下采集到的数据一般具有波动性，故可以通过小波变换来归纳总结出这成千上万个数据的数据特征，并结合定性出的故障信息在后续分析中使用，能够快速有效的得出有代表性的特征数据，并方便与网络运行数据相关联。

其中，EOVW(Energy of Variation Wavelet)能量指数，即调整的小波分解能量值，其主体思想和结构依旧依托小波分析，不过在提取信号特征指标时不再是简单的计算分解系数平方和获得能量值(特征量)，而是计算小波分解系数的调整变异系数作为新的特征量。且调整变异系数的计算不是依托总体信号(含故障)的均值和标准差，而是以正常信号计算调整均值和标准差为标准开展计算。

而小波变换中“小波”就是小的波形，所谓“小”是指它具有衰减性，而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与傅里叶变换相比，小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了傅里叶变换的在此处遇到的困难。

当然，至于本步骤如何从处理得到整流逆变模块的数据特征，可以使用对小波形分析较为到位的小波变换，也可以选择诸如最大值、最小值、均值、方差、分位数等方法来提取得到EOVW能量指数，不同方法最终提取得到的具体EOVW能量指数略有偏差，但是依然具有代表性。且各分析方法的分析时间、计算复杂程度不同，在实际情况中可以根据各使用厂家所配备设备的性能强弱综合考虑，此处并不做具体限定。

S102：将数据特征和网络运行数据按列车的不同车型、车号以及时间进行关联，得到关联后数据；

在S101的基础上，本步骤旨在将分析得到的数据特征和提取到的网络运行数据按照不同列车的车型、车号以时间轴为基准进行关联，因为不同车型的列车上安装的牵引变流器的规格不一定相同、其它可能会对牵引变流器造成影响的设备也不尽相同。同时不同编号但同一车型的列车可能会因为相同规格的设备零件制造时存在的差异性造成不同的影响。

本步骤的目的就是考虑到这些可能存在的差异性因素，将从整流逆变模块运行数据经过分析变换后得到的数据特征和网络运行数据在时间轴上进行关联，得到便于后续处理的关联后数据。

当然，可能存在的差异性因素不仅仅包括车型、车号，在实际情况下还可能存在其它影响因素，为更加精确的得到关联结果以便在最终二分判定时得到误差最小的判定结果，可以根据各使用厂商的要求结合车载处理设备的性能进行综合考虑和选择，此处并不做具体限定。

S103：将关联后数据按不同的车型和故障类型执行聚类分析操作，得到故障前数据异常的时间范围，并对时间范围内的异常数据附加故障预警标签；

在S102的基础上，本步骤旨在将关联后数据按不同的车型和故障类型进行聚类分析，以通过聚类分析操作从关联后数据中寻找到包含的异常数据，并在时间轴上定位出该异常数据所处的时间范围，同时为异常数据附加故障预警标签。

其中，聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，是一种依据研究对象(样品或指标)的特征，对其进行分类的方法，旨在减少研究对象的数目。聚类分析的目的是将性质相近事物归入一类，而依靠的方式则是各指标之间多多少少具有的相关关系。

其中，牵扯到聚类的概念，聚类是将数据分类到不同的类或者簇这样的一个过程，故同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括***聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-means等算法的聚类分析工具已被添进许多著名的统计分析软件包中，如SPSS、SAS等。

从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，即聚类是观察式学习，而不是示例式的学习。

即聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。

从实际应用的角度看，聚类分析是数据挖掘的主要任务之一，而且聚类能够作为一个独立的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析，聚类分析还可以作为其他算法(如分类和定性归纳算法)的预处理步骤。

本申请旨在通过使用聚类分析来从关联后数据中分析得到异常的数据，并通过数据之间的相关性，寻找到从何时就出现最终导致出现故障的征兆数据，归纳出异常数据集，即通过该异常数据集在时间轴上的时间范围进行故障预警。如上面所述的聚类分析方法有很多，可以根据实际情况选择最合适的算法，因为不同的聚类算法对相同数据可能会得出不同的结论，可能需要进行试验寻找出最合适的聚类算法，此处并不做具体限定，只需能够根据该聚类算法得到该异常数据的时间范围即可。

S104：将附加有故障预警标签的异常数据和正常数据引入随机森林分类器进行迭代训练，直至所有随机森林分类器的分类准确率均达到阈值，得到训练后随机森林分类器；其中，随机森林分类器根据故障种类和二分法构建得到；

在S103的基础上，本步骤旨在将经过聚类分析处理得到的附加有故障预警标签的异常数据集连带正常数据一并引入随机森林分类器，该随机森林分类器是利用历史数据分析得到的所有可能出现的故障类型结合二分法建立得到的，目的在于利用该随机森林分类器将异常数据和正常数据依次经过所有故障类型进行一一判定，通过学习异常数据判定那些数据为哪种故障类型，学习正常数据判定那些数据为正常数据，最终使所有随机森林分类器的分类准确率均达到阈值，即能够精确判定出列车实际运行数据中哪些为异常数据，并给出该异常数据具体的故障类型。

随机森林是一种比较新的机器学***衡的数据比较稳健，可以很好地预测多达几千个解释变量的作用。

随机森林顾名思义，是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类(对于分类算法)，然后看看哪一类被选择最多，就预测这个样本为那一类。

S105：利用训练后随机森林分类器对列车实际运行数据进行分析，若未通过训练后随机森林分类器，则通过预设路径发送预警信息。

在S104的基础上，本步骤旨在利用训练好的随机森林分类器对列车实际运行中得到的牵引变流器相关数据和网络数据进行分类判定，若未通过所有分类器的判定，则通过预设路径发送预警信息。因为随机森林分类器每一种故障类型都建立了一颗决策树，只要一颗决策树未通过就代表肯定存在异常，而只有所有决策树均通过才能认为设备均处于正常状态。

该预设路径的表现方式多种多样，可以通过列车内容连通的网络按照预设网络通道进行传输，也可以利用无线通信模块同时发送至司机室的显示屏作为备份，以防哪条线路出现故障而接收不到报警信息等等，可以根据实际情况进行综合考虑和选择，此处并不做具体限定。

进一步的，除采用随机森林分类器作为训练模型，也可以使用GBDT，Xgboost等效果类似的分类器，同样，确定异常数据时间范围选用的是层次聚类与K-means聚类相结合的方法，也可以使用其他聚类算法或利用相关系数进行分析达到目的，此处并不做具体限定。

进一步的，由于可能存在的传感器短时间故障，导致收集来的数据出现诸如“毛刺”“尖峰”等异常，进而使得相关决策树报警，针对这种可能出现的问题，若将每个报警信号都直接发至司机室，可能会大大增加误判的可能性，此时可以采取是否在预定时间内连续收到相同且为预定数量的报警信号来判定是否真正出现了异常，而非误判。当然，该预定时间可以自行设定，因为不同故障类型出现误判的几率可能不同，具体的预定数量也可以自行设定，以满足不同使用厂商的特殊要求和标准，此处并不做具体限定。

更进一步的，还可以将所有接收到的预警信息进行记录和保存，将所有相关信息都记录并生成详细的预警信息日志，以便于根据该预警信息日志进行后续的分析和追查使用。

基于上述技术方案，本申请实施例提供的一种牵引变流器故障的预警方法，首先针对整流逆变模块历史数据与网络数据采集频率不一致的情况进行了处理，并经处理后的数据进行关联，紧接着将关联后的数据按车型与故障类型信息划分且依次通过两种聚类算法，以获得故障发生前异常数据的时间范围，且为异常数据附加故障预警标签，最后将正常数据和异常数据统一放入故障类型生成的随机森林分类中进行二分判定。该预警方法通过采用数据驱动的模型预警方法，一方面具有较高的准确度，另一方面能够从大量数据中挖掘出不易察觉到的故障与器件的隐形联系，提升了牵引变流器的使用寿命、降低了运行维护成本，并对提升列车的稳定性、安全性、可靠性起到了促进作用。

以下结合图2，图2为本申请实施例所提供的另一种牵引变流器故障的预警方法的流程图。

本实施例是针对上一实施例中S101中怎样构建EOVW能量指数得到整流逆变模块的数据特征和故障信息、以及S103怎样进行层次聚类操作所做出的一个具体限定，其它步骤与上一实施例大体相同，相同部分可参见上一实施例相关部分，在此不再赘述。

其具体包括以下步骤：

S201：将整流逆变模块运行数据以秒为单位通过小波变换提取出各传感器信息的EOVW能量指数；

S202：将EOVW能量指数作为当前秒的整流逆变模块的数据特征，并得到故障信息；

本实施例的S201和S202旨在利用对小波动的波形分析结果较好的小波变换对整流逆变模块运行数据以秒为单位提取得到各传感器信息的EOVW能量指数，并将该EOVW能量指数作为当前秒的整流逆变模块的数据特征，并从各传感器得到包含定性出的故障类型的故障信息。

S203：将数据特征和网络运行数据按列车的不同车型、车号以及时间进行关联，得到关联后数据；

本步骤与S102相同，相关内容可以参见S102的描述内容，在此不再赘述。

S204：将关联后数据按不同的车型和不同的故障类型进行层次聚类处理，得到层次聚类处理后数据；其中，层次聚类处理后数据包括簇信息和中心点位置信息；

S205：利用簇信息和中心点位置信息进行K-means聚类处理，确定故障前数据异常的时间范围。

本实施例的S204和S205，首先利用层次聚类将关联后数据按不同的车型和不同的故障类型进行处理，得到包含包括簇信息和中心点位置信息的处理后数据，接着利用簇信息和中心点位置信息进行K-means聚类处理，确定故障前数据异常的时间范围。

层次聚类方法(Hierarchical Clustering)就是通过对数据集按照某种方法进行层次分解，直到满足某种条件为止。按照分类原理的不同，可以分为凝聚和***两种方法。

其中，凝聚的层次聚类是一种自底向上的策略，首先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有的对象都在一个簇中，或者某个终结条件被满足，绝大多数层次聚类方法属于这一类，它们只是在簇间相似度的定义上有所不同；***的层次聚类与凝聚的层次聚类相反，采用自顶向下的策略，它首先将所有对象置于同一个簇中，然后逐渐细分为越来越小的簇，直到每个对象自成一簇，或者达到了某个终止条件。

K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量最优分类，使得评价指标最小，该算法采用误差平方和准则函数作为聚类准则函数。

K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。k个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇。当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。如果在一次迭代前后，的值没有发生变化，说明算法已经收敛。

即首先通过层次聚类进行初步的聚类分析处理，得到便于后续K-means算法使用的簇信息和中心点位置信息，最终利用该K-means算法归纳出本申请想要的异常数据集。

以下结合图3，图3为本申请实施例所提供的又一种牵引变流器故障的预警方法的流程图。

本实施例是在上述实施例的基础上，增加的一部分内容，其它步骤与上一实施例大体相同，相同部分可参见上一实施例相关部分，在此不再赘述。

其具体包括以下步骤：

S301：利用训练后随机森林分类器对列车实际运行数据进行分析，若未通过训练后随机森林分类器，则通过预设路径发送预警信息；

S302：判断在预设时间内是否多次接收到相同的预警信息；

S303：判定列车存在异常，并将列车存在异常的判定结果发送至列车驾驶员；

S304：判定列车不存在异常，不执行任何操作；

S305：将所有接收到的预警信息进行记录并保存，生成预警信息日志，以便根据预警信息日志进行后续分析和追查。

基于上述技术方案，本申请实施例提供的一种牵引变流器故障的预警方法，利用小波变换得到具有代表性的EOVW能量指数所形成的数据特征以解决信息采集频率不一致的情况，并将关联后的数据依次通过层次聚类和K-means两种聚类算法，以利用两种聚类算法的优点较为精确的获得故障发生前异常数据的时间范围，最后将正常数据和异常数据统一放入以故障类型生成的随机森林分类中进行二分判定。该预警方法通过采用数据驱动的模型预警方法，一方面具有较高的准确度，另一方面能够从大量数据中挖掘出不易察觉到的故障与器件的隐形联系，提升了牵引变流器的使用寿命、降低了运行维护成本，并对提升列车的稳定性、安全性、可靠性起到了促进作用。

因为情况复杂，无法一一列举进行阐述，本领域技术人员应能意识到更具本申请提供的基本方法原理结合实际情况可以存在很多的例子，在不付出足够的创造性劳动下，应均在本申请的保护范围内。

下面请参见图4，图4为本申请实施例所提供的一种牵引变流器故障的预警***的结构框图。

该预警***可以包括：

运行数据获取和分析单元100，用于从列车的牵引变流器历史数据和网络历史数据分别提取得到列车的整流逆变模块运行数据和网络运行数据，并利用整流逆变模块运行数据构建EOVW能量指数得到整流逆变模块的数据特征和故障信息；其中，故障信息包括故障类型；

数据关联单元200，用于将数据特征和网络运行数据按列车的不同车型、车号以及时间进行关联，得到关联后数据；

聚类分析操作执行单元300，用于将关联后数据按不同的车型和故障类型执行聚类分析操作，得到故障前数据异常的时间范围，并对时间范围内的异常数据附加故障预警标签；

分类器训练单元400，用于将附加有故障预警标签的异常数据和正常数据引入随机森林分类器进行迭代训练，直至所有随机森林分类器的分类准确率均达到阈值，得到训练后随机森林分类器；其中，随机森林分类器根据故障种类和二分法构建得到；

实际故障预测单元500，用于利用训练后随机森林分类器对列车实际运行数据进行分析，若未通过训练后随机森林分类器，则通过预设路径发送预警信息。

其中，运行数据获取和分析单元100包括：

小波变换子单元，用于将整流逆变模块运行数据以秒为单位通过小波变换提取出各传感器信息的EOVW能量指数；

处理子单元，用于将EOVW能量指数作为当前秒的整流逆变模块的数据特征，并得到故障信息。

其中，聚类分析操作执行单元300包括：

层次聚类处理子单元，用于将关联后数据按不同的车型和不同的故障类型进行层次聚类处理，得到层次聚类处理后数据；其中，层次聚类处理后数据包括簇信息和中心点位置信息；

K-means聚类处理子单元，用于利用簇信息和中心点位置信息进行K-means聚类处理，确定故障前数据异常的时间范围。

其中，实际故障预测单元500还可以包括：

专家规则判定子单元，用于判断在预设时间内是否多次接收到相同的预警信息；

专家规则判定通过子单元，用于判定列车存在异常，并将列车存在异常的判定结果发送至列车驾驶员。

进一步的，该预警***还可以包括：

记录保存单元，用于将所有接收到的预警信息进行记录并保存，生成预警信息日志，以便根据预警信息日志进行后续分析和追查。

以上各单元可以应用于以下的一个具体的实际例子中，可以参见下图5，图5为本申请所提供的一种牵引变流器故障的预警***的实际流程示意图：

首先分别从列车牵引变流器模块历史数据与列车网络历史数据中提取出列车运行时的数据。由于两边数据的采样频率不一致，为了关联两边数据，在数据提取后需要对变流器模块数据进行特征提取操作，选用的是小波变换提取各个传感器信号在一秒内的EOVW能量指数。完成特征提取后将列车网络数据与变流器模块特征数据按车型、车号以及时间关联起来。然后按车型与故障类型信息划分数据并通过使用层次聚类与K-means聚类算法两次聚类获得故障前异常数据的时间范围。最后按故障类型给对应的异常数据打上故障预警标签后，按车型将所有正常与异常数据合并后放入随机森林分类器进行异常数据与正常数据的二分类判定，并通过标签进行迭代训练直至准确率达到要求为止。

由于列车牵引变流器相关传感器采样频率要远高于列车网络数据采样频率，考虑到预警需要有充足的时间让司机做决定，本发明将牵引变流器数据以“秒”为单位通过小波变换提取各个传感器信号的EOVW能量指数后发送给列车网络端，与网络端数据关联后输入训练好的车载随机森林二分类器进行数据分类判断。由于针对每一种故障都有一个随机森林二分类模型，因此每一条预测数据需要通过所有的二分类模型进行预测判断。若其中所有分类器结果均显示正常，则认为当前牵引变流器工作正常，反之，若其中有一或多个分类器预测出故障，则需通过专家规则进一步确定。由于输入模型的数据值异常可能是因为传感器问题导致数据出现毛刺、尖峰等，因此专家一般采取“相同故障连续报出多次”的方式进行异常确诊。

通过以上方式，可以拥有如下优点：

(1)使牵引变流器模块异常判断阈值更加科学合理。基于数据驱动，通过对历史数据进行分析建模，得到故障及设备异常的判断规则，对比目前靠经验知识设定阈值的判断方式更加科学合理；

(2)解决了由于牵引变流器模块数据采样频率过高，数据波形变化过快，故障时刻及故障前异常时刻数据难以进行有效的分析确诊等问题。本发明采用关联牵引变流器模块数据与列车网络数据的方法，模型会综合考虑两边数据对故障的影响。当变流器模块数据异常特征不明显时，模型会主要分析考虑采样频率较低的网络数据对故障的影响；反之，模型则会主要考虑牵引变流器模块数据特征；

(3)在建模方面，采用聚类算法来确定故障前异常数据的时间分布(e.g.故障前几秒至几分数据出现异常波动)，相比传统的靠经验知识决定异常数据范围更加准确可靠。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种牵引变流器故障的预警方法，其特征在于，包括：

从列车的牵引变流器历史数据和网络历史数据分别提取得到所述列车的整流逆变模块运行数据和网络运行数据，并利用所述整流逆变模块运行数据构建EOVW能量指数得到整流逆变模块的数据特征和故障信息；其中，所述故障信息包括故障类型；

将所述数据特征和所述网络运行数据按列车的不同车型、车号以及时间进行关联，得到关联后数据；

将所述关联后数据按不同的车型和所述故障类型执行聚类分析操作，得到故障前数据异常的时间范围，并对所述时间范围内的异常数据附加故障预警标签；

将附加有所述故障预警标签的异常数据和正常数据引入随机森林分类器进行迭代训练，直至所有随机森林分类器的分类准确率均达到阈值，得到训练后随机森林分类器；其中，所述随机森林分类器根据故障种类和二分法构建得到；

利用所述训练后随机森林分类器对列车实际运行数据进行分析，若未通过所述训练后随机森林分类器，则通过预设路径发送预警信息。

2.根据权利要求1所述的预警方法，其特征在于，利用所述整流逆变模块运行数据构建EOVW能量指数得到整流逆变模块的数据特征和故障信息，包括：

将所述整流逆变模块运行数据以秒为单位通过小波变换提取出各传感器信息的EOVW能量指数；

将所述EOVW能量指数作为当前秒的整流逆变模块的数据特征，并得到所述故障信息。

3.根据权利要求1或2所述的预警方法，其特征在于，将所述关联后数据按不同的车型和所述故障类型执行聚类分析操作，得到故障前数据异常的时间范围，包括：

将所述关联后数据按不同的车型和不同的故障类型进行层次聚类处理，得到层次聚类处理后数据；其中，所述层次聚类处理后数据包括簇信息和中心点位置信息；

利用所述簇信息和所述中心点位置信息进行K-means聚类处理，确定故障前数据异常的时间范围。

4.根据权利要求3所述的预警方法，其特征在于，在通过预设路径发送预警信息之后，还包括：

判断在预设时间内是否多次接收到相同的预警信息；

若是，则判定所述列车存在异常，并将所述列车存在异常的判定结果发送至列车驾驶员。

5.根据权利要求4所述的预警方法，其特征在于，还包括；

将所有接收到的预警信息进行记录并保存，生成预警信息日志，以便根据所述预警信息日志进行后续分析和追查。

6.一种牵引变流器故障的预警***，其特征在于，包括：

运行数据获取和分析单元，用于从列车的牵引变流器历史数据和网络历史数据分别提取得到所述列车的整流逆变模块运行数据和网络运行数据，并利用所述整流逆变模块运行数据构建EOVW能量指数得到整流逆变模块的数据特征和故障信息；其中，所述故障信息包括故障类型；

数据关联单元，用于将所述数据特征和所述网络运行数据按列车的不同车型、车号以及时间进行关联，得到关联后数据；

聚类分析操作执行单元，用于将所述关联后数据按不同的车型和所述故障类型执行聚类分析操作，得到故障前数据异常的时间范围，并对所述时间范围内的异常数据附加故障预警标签；

分类器训练单元，用于将附加有所述故障预警标签的异常数据和正常数据引入随机森林分类器进行迭代训练，直至所有随机森林分类器的分类准确率均达到阈值，得到训练后随机森林分类器；其中，所述随机森林分类器根据故障种类和二分法构建得到；

实际故障预测单元，用于利用所述训练后随机森林分类器对列车实际运行数据进行分析，若未通过所述训练后随机森林分类器，则通过预设路径发送预警信息。

7.根据权利要求6所述的预警***，其特征在于，所述运行数据获取和分析单元包括：

小波变换子单元，用于将所述整流逆变模块运行数据以秒为单位通过小波变换提取出各传感器信息的EOVW能量指数；

处理子单元，用于将所述EOVW能量指数作为当前秒的整流逆变模块的数据特征，并得到所述故障信息。

8.根据权利要求6或7所述的预警***，其特征在于，所述聚类分析操作执行单元包括：

层次聚类处理子单元，用于将所述关联后数据按不同的车型和不同的故障类型进行层次聚类处理，得到层次聚类处理后数据；其中，所述层次聚类处理后数据包括簇信息和中心点位置信息；

K-means聚类处理子单元，用于利用所述簇信息和所述中心点位置信息进行K-means聚类处理，确定故障前数据异常的时间范围。

9.根据权利要求8所述的预警***，其特征在于，所述实际故障预测单元还包括：

专家规则判定子单元，用于判断在预设时间内是否多次接收到相同的预警信息；

专家规则判定通过子单元，用于判定所述列车存在异常，并将所述列车存在异常的判定结果发送至列车驾驶员。

10.根据权利要求9所述的预警***，其特征在于，还包括：

记录保存单元，用于将所有接收到的预警信息进行记录并保存，生成预警信息日志，以便根据所述预警信息日志进行后续分析和追查。