CN112285557A - 列车牵引电机的故障诊断***和方法 - Google Patents

Abstract

本发明公开了一种列车牵引电机的故障诊断***和牵引电机的故障诊断方法。其中，该***包括：数据采集单元，用于采集与列车牵引电机故障相关的多维数据；故障诊断单元，用于将采集的多维数据进行联合处理，诊断出列车牵引电机的故障。本发明解决了列车牵引电机的故障难以准确检测的技术问题。

Description

列车牵引电机的故障诊断***和方法

技术领域

本发明涉及牵引电机领域，具体而言，涉及一种列车牵引电机的故障诊断***和牵引电机的故障诊断方法。

背景技术

目前高速列车的牵引电机故障诊断***较为简单，采集信号单一，判断过程简单，例如，仅采集牵引电机温度信号，通过设定温度阈值，判断牵引电机是否发生故障。由于高速列车运行环境复杂，仅依靠温度数据和专家经验进行故障诊断的准确率不高，并且无法进行故障定位。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种列车牵引电机的故障诊断***和牵引电机的故障诊断方法，以至少解决列车牵引电机的故障难以准确检测的技术问题。

根据本发明实施例的一个方面，提供了一种列车牵引电机的故障诊断***，包括：数据采集单元，用于采集与列车牵引电机故障相关的多维数据；故障诊断单元，用于将采集的所述多维数据进行联合处理，诊断出所述列车牵引电机的故障。

可选地，所述故障诊断***还包括：传感器通道故障诊断单元，用于分别对采集所述多维数据的多个传感器通道进行故障诊断。

可选地，所述故障诊断***还包括：数据处理单元，用于对所述数据采集单元采集的所述多维数据进行处理，得到处理后的多维数据，其中，所述数据处理单元包括：数据预处理模块，用于清除所述数据采集单元采集的所述多维数据中的干扰数据，得到预处理后的数据；数据聚合模块，用于将所述多维数据分别对应的不同采样频率的各通道数据进行整合，整合成同频数据；特征处理模块，用于对整合后的同频数据进行特征处理，得到所述同频数据的特征值；其中，所述传感器通道故障诊断单元，用于根据所述数据处理单元处理后得到的多维数据，对所述多个传感器通道进行故障诊断。

可选地，所述故障诊断***还包括：增量学习单元，用于将所述有效数据作为样本数据，进行预定模型的训练，其中，所述预定模型包括以下至少之一：对牵引电机驱动端轴承进行故障诊断的驱动端轴承故障诊断模型；对牵引电机非驱动端轴承进行故障诊断的非驱动端轴承故障诊断模型；对牵引电机本体进行故障诊断的牵引电机本体故障诊断模型；对牵引电机冷却风机滤网脏堵进行故障诊断的牵引电机冷却风机滤网脏堵故障诊断模型。

可选地，所述传感器通道故障诊断单元包括：温度跳变检测模块，用于根据在第一时间段内温度发生跳变的次数是否超过第一预定阈值，来检测通道是否异常；温度稳定性检测模块，用于根据在第二时间段内温度非重复值的次数是否小于第二预定阈值，来检测通道是否异常；温度漂移性检测模块，用于根据通道间存在温差的时间是否达到第三预定阈值，来检测通道是否异常。

可选地，所述故障诊断***还包括：牵引电机冷却风机故障检测单元，用于通过将所述数据采集单元采集的所述多维数据输入牵引电机冷却风机故障诊断模型，得到牵引电机冷却风机是否故障的检测结果。

可选地，所述多维数据包括以下至少两个：牵引电机驱动端温度，牵引电机非驱动端温度、牵引电机定子温度、牵引电机转速、列车空簧压力、列车速度、牵引变流器四象限输入电流、齿轮箱多侧温度、轴箱温度、转向架电流、电机设定力、电机实际力、牵引电机风机低速/高速输出指令、牵引/电制动力百分比、中间直流电压、牵引变压器原边电流、车外温度。

根据本发明实施例的另一个方面，提供了一种列车牵引电机的故障诊断方法，包括：获取与列车牵引电机故障相关的多维数据；将所述多维数据进行联合处理，诊断出所述列车牵引电机的故障。

可选地，所述多维数据包括以下至少两个：牵引电机驱动端温度，牵引电机非驱动端温度、牵引电机定子温度、牵引电机转速、列车空簧压力、列车速度、牵引变流器四象限输入电流、齿轮箱多侧温度、轴箱温度、转向架电流、电机设定力、电机实际力、牵引电机风机低速/高速输出指令、牵引/电制动力百分比、中间直流电压、牵引变压器原边电流、车外温度。

可选地，将所述多维数据进行联合处理，诊断出所述列车牵引电机的故障包括：获取所述多维数据的采集值；将所述多维数据的采集值输入预定故障诊断模型，确定所述列车牵引电机的故障，其中，所述预定故障诊断模型包括以下至少之一：非驱动端轴承故障诊断模型，驱动端轴承故障诊断模型，牵引电机本体故障诊断模型，牵引电机冷却风机滤网脏堵故障诊断模型。

可选地，包括以下至少之一：所述非驱动端轴承故障诊断模型采用多组第一类特征数据训练得到，其中，所述多组第一类特征数据中的每组特征数据均包括：同车的牵引电机非驱动端轴承温度差构建的多维特征数据组和标识对应位置的牵引电机的非驱动端轴承是否故障的诊断结果；驱动端轴承故障诊断模型采用多组第二类特征数据训练得到，其中，所述多组第二类特征数据中的每组特征数据均包括：对驱动端轴承温度与多个预定位置的温差进行处理后得到的处理温差和用于标识牵引电机的驱动端轴承是否故障的诊断结果；牵引电机本体故障诊断模型采用多组第三类特征数据训练得到，其中，所述多组第三类特征数据中的每组特征数据均包括：对牵引电机本体的定子温度，速度，电流及负载分别进行处理后得到的处理数据，和用于标识牵引电机本体是否故障的诊断结果；牵引电机冷却风机滤网脏堵故障诊断模型采用多组第四类特征数据训练得到，其中，所述多组第四类特征数据中的每组特征数据均包括：对牵引电机定子温度与驱动端轴承温度分别进行处理后得到的处理数据，和用于标识牵引电机冷却风机滤网脏堵是否故障的诊断结果。

可选地，所述多组第一类特征数据为在列车匀速时获取的数据；所述多组第二类特征数据和所述多组第三类特征数据均为在列车运动时获取的数据；所述多组第四类特征数据为在列车停止时获取的数据。

在本发明实施例中，采用数据采集单元和故障诊断单元，通过联合处理采集到的多维数据，达到了诊断出列车牵引电机的故障的目的，从而实现了对列车牵引电机的故障进行诊断的技术效果，进而解决了列车牵引电机的故障难以准确检测技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例提供的牵引机故障诊断***的结构示意图；

图2是根据本发明实施例提供的列车牵引电机的故障诊断***的单元模块示意图；

图3是根据本发明可选实施方式提供的列车牵引电机故障诊断***工作流程图；

图4是根据本发明实施例的列车牵引电机的故障诊断方法的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种故障诊断***。

图1是根据本发明实施例的列车牵引电机的故障诊断***的结构示意图，如图1所示，该***包括数据采集单元12和故障诊断单元14。下面对***的各个部分进行说明：

数据采集单元12，用于采集与列车牵引电机故障相关的多维数据；

故障诊断单元14，连接于数据采集单元12，用于将采集的多维数据进行联合处理，诊断出列车牵引电机的故障。

通过上述故障诊断***10，采用数据采集单元12和故障诊断单元14，通过联合处理采集到的多维数据，达到了诊断出列车牵引电机的故障的目的，从而实现了对列车牵引电机的故障进行诊断的技术效果，进而解决了列车牵引电机的故障难以检测的技术问题。

图2是根据本发明实施例提供的列车牵引电机的故障诊断***的单元模块示意图。如图2所示，列车牵引电机的故障诊断***10包括：数据采集单元12，故障诊断单元14，数据处理单元16，传感器通道故障诊断单元18，数据分析判断单元20，增量学习单元22和故障定位单元24，其中数据处理单元16包括数据预处理模块161，数据聚合模块162和特征处理模块163。

作为一种可选的实施例，故障诊断***还包括传感器通道故障诊断单元18，用于分别对采集多维数据的多个传感器通道进行故障诊断。当传感器通道出现故障的时候，从故障传感器通道得到的数据也会存在问题，这样的数据要么不可用，要么存在很大的误差甚至是错误。需要说明的是，在传感器通道故障诊断单元18对多个传感器通道进行故障诊断时，可以采用多种参数，例如，可以采用温度是否异常来实现检测。根据本可选的实施例，可以使用传感器通道故障诊断单元18对传感器通道进行故障诊断，增强数据的可靠性、稳定性和有效性。

作为一种可选的实施例，故障诊断***还包括数据处理单元16，用于对数据采集单元12采集的多维数据进行处理，得到处理后的多维数据，其中，数据处理单元16包括数据预处理模块161，用于清除数据采集单元12采集的多维数据中的干扰数据，得到预处理后的数据；数据聚合模块162，用于将多维数据分别对应的不同采样频率的各通道数据进行整合，整合成同频数据；特征处理模块163，用于对整合后的同频数据进行特征处理，得到同频数据的特征值；其中，传感器通道故障诊断单元18，用于根据同频数据的特征值，对多个传感器通道进行故障诊断。数据预处理模块161，数据聚合模块162和特征处理模块163都可以对传感器采集到的数据进行不同类型的处理，使得***得到更加精简的数据，且得到的数据更有分析与预测的价值，便于后续的故障预测和模型训练。其中，特征处理模块163例如可以计算各维度数据最大值、最小值、均值或者方差等特征，处理得到数据特征具有更好的统计意义。传感器通道故障诊断单元18，用于根据特征处理模块163得到的同频数据的特征值，对多个传感器通道进行故障诊断。数据采集单元12采集的多维数据庞大繁杂，直接进行处理并不方便，且反馈结果太慢，缺乏时效性。根据本可选的实施例的数据处理单元16可以对采集到的数据进行处理，使得处理后的多维数据简洁有效，便于后续处理。例如，故障诊断单元14和传感器通道故障诊断单元18都可以根据处理后得到的同频数据的特征值进行动作，分别对列车的牵引电机或者传感器通道进行故障诊断。

作为一种可选的实施例，传感器通道故障诊断单元18可以包括温度跳变检测模块，用于根据在第一时间段内温度发生跳变的次数是否超过第一预定阈值，来检测通道是否异常；温度稳定性检测模块，用于根据在第二时间段内温度非重复值的次数是否小于第二预定阈值，来检测通道是否异常；温度漂移性检测模块，用于根据通道间存在温差的时间是否达到第三预定阈值，来检测通道是否异常。

针对传感器通道故障经常发生的故障类型，可以在传感器通道故障诊断单元18内设置与之对应的检测模块，提高检测的针对性。例如，传感器通道的数据可能发生温度跳变(spike)故障，温度稳定性(stuck)故障或者温度漂移(drift)故障。下面对集中传感器通道经常发生的故障以及如何检测进行简单说明。

当检测spike故障时，以分钟为检测频率，检测每分钟内连续2秒发生跳变的情况(例如，跳变量大于10摄氏度)，且在当天数据中发生超过3次，则判定为发生Spike故障。同时，为了避免跳变发生在检测周期边界，采用以30s为区间的滑动窗口进行检测，确保对Spike故障的检出率。

当检测stuck故障时，以小时为检测频率，检查该区间内的温度非重复值的个数是否小于3，当非重复值的个数小于3的时候，判定发生了stuck故障。为了避免停车的时候和平稳运行的时候牵引电机的温度本身就较为稳定的情况，要求该被检测的小时时间段内牵引电机的最大转速与最小转速之差要大于2500r/min，避免发生误报。

当检测drift故障时，实时检测牵引电机的温度，若列车速度大于30km/h，对应温度传感器通道1温度和通道2温度相差10℃以上，且持续10s以上时，判定为传感器通道发生异常，发生了drift故障。

作为一种可选的实施例，故障诊断***还包括增量学习单元22，用于将有效数据作为样本数据，进行预定模型的训练，其中，预定模型包括以下至少之一：对牵引电机驱动端轴承进行故障诊断的驱动端轴承故障诊断模型；对牵引电机非驱动端轴承进行故障诊断的非驱动端轴承故障诊断模型；对牵引电机本体进行故障诊断的牵引电机本体故障诊断模型；对牵引电机冷却风机滤网脏堵进行故障诊断的牵引电机冷却风机滤网脏堵故障诊断模型。上述预定模型均为机器学习模型，各个机器训练模型通过增量学习单元22实现模型的优化和更新。故障诊断***还可以包括数据分析判断单元20，用于根据列车牵引电机的历史数据，对数据处理单元16整合的数据的新颖性进行判断，并去除不存在新颖性的数据，得到用于对列车牵引电机进行故障诊断的有效数据。增量学习单元22可以基于有效数据分别进行牵引电机传感器通道故障诊断模型、牵引电机驱动端轴承故障诊断模型、非驱动端轴承故障诊断模型、牵引电机本体故障诊断模型和牵引电机冷却风机滤网脏堵故障诊断模型的学习训练，并将训练后的模型传递到故障诊断单元，实现模型的迭代优化。

作为一种可选的实施例，故障诊断***还包括牵引电机冷却风机故障检测单元，用于通过将数据采集单元12采集的多维数据输入牵引电机冷却风机故障诊断模型，得到牵引电机冷却风机是否故障的检测结果。根据牵引电机冷却风机故障诊断模型对牵引电机的冷却风机进行故障诊断可以首先选择滤网未发生堵塞的列车数据，抽取每日多次停车后，牵引电机在低速风机开启状态下的冷却过程数据；然后计算牵引电机本体温度与驱动端轴承温度下降过程中的分布特征，包括方差、标准差、下降速率等数据作为输入特征，然后使用特征数据进行模型训练，再用训练好的模型预测牵引电机的冷却风机的故障情况。其中，训练模型的过程可以使用孤立森林模型，根据数据的分布调整孤立森林的参数，获得更佳的训练效果。

作为一种可选的实施例，多维数据包括以下至少两个：牵引电机驱动端温度，牵引电机非驱动端温度、牵引电机定子温度、牵引电机转速、列车空簧压力、列车速度、牵引变流器四象限输入电流、齿轮箱多侧温度、轴箱温度、转向架电流、电机设定力、电机实际力、牵引电机风机低速/高速输出指令、牵引/电制动力百分比、中间直流电压、牵引变压器原边电流、车外温度。

以上采集的数据均是与牵引电机的故障相关的数据，可以处理后输入故障诊断模型进行模型训练。例如，若牵引电机可以安装三个温度传感器，分别测量牵引电机驱动端温度、牵引电机非驱动端温度和牵引电机定子温度。这三个温度传感器分别安装在电机驱动端轴承、定子、非驱动端轴承附近，目的是以最贴近的位置采集温度信号。当驱动端轴承发生故障，会导致驱动端温度首先升高，那么驱动端轴承温度传感器会最先探测到温度变化。因此，在故障诊断模型中会选择合适的采集到的数据去诊断对应位置的故障。

综上所述，所有采集的数据都是与被诊断对象息息相关，都能够在一定程度上反映被诊断对象的状态。因此，综合多维数据，提取相应特征，是能够比单一数据更能反映出被诊断对象的状态。并且各个维度的数据之间还存在一定的关联。

图3是根据本发明可选实施方式的列车牵引电机故障诊断***工作流程图。如图3所示，列车牵引电机故障诊断***工作流程可以包括如下步骤：

S1，基于数据筛选结果进行相关数据的采集；

S2，对采集的数据进行数据预处理；

S3，将预处理后的数据进行聚合，得到聚合后的数据；

S4，将聚合后的数据进行特征处理，得到特征数据；

S5，对传感器通道进行故障诊断；

S6，判断传感器通道传输的数据是否正确，若正确，进入S7，若错误，结束任务；

S7，判断是否进行增量学习，若是，进入S12，若否，根据任务目的，进入S8，S9或者S10；

S8，对牵引电机的本体进行故障诊断；

S9，对牵引电机的驱动端/非驱动端轴承进行故障诊断；

S10，对牵引电机冷却风机滤网脏堵进行故障诊断；

S11，故障定位；

S12，模型学习，根据具备新颖性的数据训练模型。

在本发明实施例中，还提供了一种列车牵引电机的故障诊断方法，可以应用于上述列车的故障诊断***。图4是根据本发明实施例的列车牵引电机的故障诊断方法的流程图。如图4所示，该流程包括如下步骤：

S402，获取与列车牵引电机故障相关的多维数据；

S404，将多维数据进行联合处理，诊断出列车牵引电机的故障。

在本发明实施例中，通过获取与列车牵引电机故障相关的多维数据并将多维数据进行联合处理，达到了对列车牵引电机故障进行诊断的目的，从而实现了对列车牵引电机的故障进行诊断的技术效果，进而解决了列车牵引电机的故障难以检测技术问题。

作为一种可选的实施例，将所述多维数据进行联合处理，诊断出所述列车牵引电机的故障时，可以采用多种方式，例如，可以采用以下人工智能模型的方式进行故障诊断，从而得到牵引电机是否发生故障。包括：获取所述多维数据的采集值；将所述多维数据的采集值输入预定故障诊断模型，确定所述列车牵引电机的故障，其中，所述预定故障诊断模型包括以下至少之一：非驱动端轴承故障诊断模型，驱动端轴承故障诊断模型，牵引电机本体故障诊断模型，牵引电机冷却风机滤网脏堵故障诊断模型。

针对上述所列举的非驱动端轴承故障诊断模型，驱动端轴承故障诊断模型，牵引电机本体故障诊断模型，牵引电机冷却风机滤网脏堵故障诊断模型，下面分别说明。

所述非驱动端轴承故障诊断模型采用多组第一类特征数据训练得到，其中，所述多组第一类特征数据中的每组特征数据均包括：同车的牵引电机非驱动端轴承温度差构建的多维特征数据组和标识对应位置的牵引电机的非驱动端轴承是否故障的诊断结果；需要说明的是，上述所述多组第一类特征数据可以为在列车匀速时获取的数据，由于在列车匀速运行时，产热较为均匀，因此，在列车匀速运行时采集的非驱动端轴承温度也较为稳定，从而使得模型训练较为优化，进而采用模型进行故障诊断时得到的牵引电机非驱动端轴承是否故障的诊断结果也较为准确。

举例来说，针对短编组列车而言，每列车可以采集4组特征：

特征组1：2车牵引电机1与牵引电机2非驱动端轴承温度差、2车牵引电机3与牵引电机4非驱动端轴承温度差；

特征组2：4车牵引电机1与牵引电机2非驱动端轴承温度差、4车牵引电机3与牵引电机4非驱动端轴承温度差；

特征组3：5车牵引电机1与牵引电机2非驱动端轴承温度差、5车牵引电机3与牵引电机4非驱动端轴承温度差；

特征组4：7车牵引电机1与牵引电机2非驱动端轴承温度差、7车牵引电机3与牵引电机4非驱动端轴承温度差。

该模型将通过统计相应位置两个特征中，每个特征超出通过历史数据计算得到的正态分布的三倍标准差之外的数据点数量。一旦某个特征中出现三倍标准差之外的数据点比例大于50％，则判定该车下对应位置牵引电机的非驱动端轴承温度存在异常。由于正态分布符合对称、双尾的分布特性，因此均值加减三倍标准差构成的分位区间即为正常非驱动端轴承温度差的分布范围。

驱动端轴承故障诊断模型采用多组第二类特征数据训练得到，其中，所述多组第二类特征数据中的每组特征数据均包括：对驱动端轴承温度与多个预定位置的温差进行处理后得到的处理温差和用于标识牵引电机的驱动端轴承是否故障的诊断结果；需要说明的是，上述多组第二类特征数据可以为在列车运动时获取的数据。上述对驱动端轴承温度与多个预定位置的温差可以是，每台牵引电机自身驱动端轴承温度与其他温度测点作差运算，得到测点间温度差距的多维特征，例如，可以为6维特征。

以5车牵引电机3为例，对应6维特征分别为：

5车牵引电机3驱动端轴承温度–5车牵引电机1驱动端轴承温度；

5车牵引电机3驱动端轴承温度–5车牵引电机2驱动端轴承温度；

5车牵引电机3驱动端轴承温度–5车牵引电机4驱动端轴承温度；

5车牵引电机3驱动端轴承温度–5车3轴1位传感器通道1温度；

5车牵引电机3驱动端轴承温度–5车3轴齿轮箱GM侧传感器通道1温度；

5车牵引电机3驱动端轴承温度–5车3轴齿轮箱PM侧传感器通道1温度。

其中，每次牵引-制动过程中采样的每50行数据，6维特征分别提取每维特征的均值、标准差、最大值、最小值、25％分位数、50％分位数(中位数)、75％分位数共7个统计结果，最终形成6*7＝42维特征，用于构建该模型。其中，上述的7个统计结果即是对驱动端轴承温度与多个预定位置的温差进行处理后得到的处理温差。

牵引电机本体故障诊断模型采用多组第三类特征数据训练得到，其中，所述多组第三类特征数据中的每组特征数据均包括：对牵引电机本体的定子温度，速度，电流及负载分别进行处理后得到的处理数据，和用于标识牵引电机本体是否故障的诊断结果；需要说明的是，上述多组第三类特征数据也可以为在列车运动时获取的数据。上述所指的速度可以是列车速度，牵引电机的转速，以及综合速度等。上述的电流可以是，一架电机电流，二架电机电流，一架四象限输入电流，二架四象限输入电流等。上述负载可以是，一架空簧压力，二架空簧压力等。对上述牵引电机本体的定子温度，速度，电流及负载分别进行处理后得到的处理数据时，其中的处理可以包括多种，例如，可以是，取最大值、最小值、平均值、标准差、众数、单位积分值等。

牵引电机冷却风机滤网脏堵故障诊断模型采用多组第四类特征数据训练得到，其中，所述多组第四类特征数据中的每组特征数据均包括：对牵引电机定子温度与驱动端轴承温度分别进行处理后得到的处理数据，和用于标识牵引电机冷却风机滤网脏堵是否故障的诊断结果。其中，上述多组第四类特征数据可以为在列车停止时获取的数据。对牵引电机定子温度与驱动端轴承温度分别进行处理后得到的处理数据时，其中所涉及的处理可以包括：取方差、标准差、峰度、偏度、变动次数、最大值、最小值、平均值等。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种列车牵引电机的故障诊断***，其特征在于，包括：

数据采集单元，用于采集与列车牵引电机故障相关的多维数据；

故障诊断单元，用于将采集的所述多维数据进行联合处理，诊断出所述列车牵引电机的故障。

2.根据权利要求1所述的故障诊断***，其特征在于，还包括：

传感器通道故障诊断单元，用于分别对采集所述多维数据的多个传感器通道进行故障诊断。

3.根据权利要求2所述的故障诊断***，其特征在于，还包括：

数据处理单元，用于对所述数据采集单元采集的所述多维数据进行处理，得到处理后的多维数据，其中，所述数据处理单元包括：

数据预处理模块，用于清除所述数据采集单元采集的所述多维数据中的干扰数据，得到预处理后的数据；

数据聚合模块，用于将所述多维数据分别对应的不同采样频率的各通道数据进行整合，整合成同频数据；

特征处理模块，用于对整合后的同频数据进行特征处理，得到所述同频数据的特征值；

其中，所述传感器通道故障诊断单元，用于根据所述同频数据的特征值，对所述多个传感器通道进行故障诊断。

4.根据权利要求3所述的故障诊断***，其特征在于，还包括：

增量学习单元，用于将列车牵引电机的历史数据作为样本数据，进行预定模型的训练，其中，所述预定模型包括以下至少之一：

对牵引电机驱动端轴承进行故障诊断的驱动端轴承故障诊断模型；

对牵引电机非驱动端轴承进行故障诊断的非驱动端轴承故障诊断模型；

对牵引电机本体进行故障诊断的牵引电机本体故障诊断模型；

对牵引电机冷却风机滤网脏堵进行故障诊断的牵引电机冷却风机滤网脏堵故障诊断模型；

其中，所述故障诊断单元，用于根据所述增量学习单元训练的所述预定模型，将采集的所述多维数据进行联合处理，诊断出所述列车牵引电机的故障。

5.根据权利要求2所述的故障诊断***，其特征在于，所述传感器通道故障诊断单元包括：

温度跳变检测模块，用于根据在第一时间段内温度发生跳变的次数是否超过第一预定阈值，来检测通道是否异常；

温度稳定性检测模块，用于根据在第二时间段内温度非重复值的次数是否小于第二预定阈值，来检测通道是否异常；

温度漂移性检测模块，用于根据通道间存在温差的时间是否达到第三预定阈值，来检测通道是否异常。

6.根据权利要求1至5中任一项所述的故障诊断***，其特征在于，还包括：

牵引电机冷却风机故障检测单元，用于通过将所述数据采集单元采集的所述多维数据输入牵引电机冷却风机故障诊断模型，得到牵引电机冷却风机是否故障的检测结果。

7.根据权利要求6所述的故障诊断***，其特征在于，所述多维数据包括以下至少两个：

牵引电机驱动端温度，牵引电机非驱动端温度、牵引电机定子温度、牵引电机转速、列车空簧压力、列车速度、牵引变流器四象限输入电流、齿轮箱多侧温度、轴箱温度、转向架电流、电机设定力、电机实际力、牵引电机风机低速/高速输出指令、牵引/电制动力百分比、中间直流电压、牵引变压器原边电流、车外温度。

8.一种列车牵引电机的故障诊断方法，其特征在于，包括：

获取与列车牵引电机故障相关的多维数据；

将所述多维数据进行联合处理，诊断出所述列车牵引电机的故障。

9.根据权利要求8所述的方法，其特征在于，所述多维数据包括以下至少两个：

牵引电机驱动端温度，牵引电机非驱动端温度、牵引电机定子温度、牵引电机转速、列车空簧压力、列车速度、牵引变流器四象限输入电流、齿轮箱多侧温度、轴箱温度、转向架电流、电机设定力、电机实际力、牵引电机风机低速/高速输出指令、牵引/电制动力百分比、中间直流电压、牵引变压器原边电流、车外温度。

10.根据权利要求9所述的方法，其特征在于，将所述多维数据进行联合处理，诊断出所述列车牵引电机的故障包括：

获取所述多维数据的采集值；

将所述多维数据的采集值输入预定故障诊断模型，确定所述列车牵引电机的故障，其中，所述预定故障诊断模型包括以下至少之一：非驱动端轴承故障诊断模型，驱动端轴承故障诊断模型，牵引电机本体故障诊断模型，牵引电机冷却风机滤网脏堵故障诊断模型。

11.根据权利要求10所述的方法，其特征在于，包括以下至少之一：

所述非驱动端轴承故障诊断模型采用多组第一类特征数据训练得到，其中，所述多组第一类特征数据中的每组特征数据均包括：同车的牵引电机非驱动端轴承温度差构建的多维特征数据组和标识对应位置的牵引电机的非驱动端轴承是否故障的诊断结果；

驱动端轴承故障诊断模型采用多组第二类特征数据训练得到，其中，所述多组第二类特征数据中的每组特征数据均包括：对驱动端轴承温度与多个预定位置的温差进行处理后得到的处理温差和用于标识牵引电机的驱动端轴承是否故障的诊断结果；

牵引电机本体故障诊断模型采用多组第三类特征数据训练得到，其中，所述多组第三类特征数据中的每组特征数据均包括：对牵引电机本体的定子温度，速度，电流及负载分别进行处理后得到的处理数据，和用于标识牵引电机本体是否故障的诊断结果；

牵引电机冷却风机滤网脏堵故障诊断模型采用多组第四类特征数据训练得到，其中，所述多组第四类特征数据中的每组特征数据均包括：对牵引电机定子温度与驱动端轴承温度分别进行处理后得到的处理数据，和用于标识牵引电机冷却风机滤网脏堵是否故障的诊断结果。

12.根据权利要求11所述的方法，其特征在于，

所述多组第一类特征数据为在列车匀速时获取的数据；

所述多组第二类特征数据和所述多组第三类特征数据均为在列车运动时获取的数据；

所述多组第四类特征数据为在列车停止时获取的数据。

Images