1.一种高速电气化铁路牵引电机多故障建模与诊断方法,其特征是按如下步骤:(1)通过对牵引电机多故障动态分析,在系统多个工作点附近建立描述多故障特性的最小二乘模型结构,实现机理模型和数据驱动模型的有效融合;
(2)通过收集维修数据,构建基于类不平衡学习的多故障分离方法来优化故障特征集合,在牵引电机未知的故障参数空间内得到解耦的故障类集合;
(3)基于多模型故障参数估计技术,设计二阶段自适应多模型诊断系统,实现多故障诊断的稳定性和报警等级的量化分析;
步骤(1)中所述的多故障特性的最小二乘模型描述如下:式中,isa和isb为电机定子侧a相和b相电流,ψra和ψrb为电机转子侧a相和b相磁通;Nsa和Nsb为牵引电机多故障下的相对平衡因子,Usa和Usb为电机定子侧a相和b相电压,w为电机转速,np代表电机极对数;Rs和Rr分别为定子和转子电阻,Ls,Lr和M分别为定子自感,转子自感和互感;
在系统多个工作点附近,对上式进行求导和相关变换,得描述多故障特性的最小二乘模型结构:式中, 考
虑牵引电机数字化故障诊断的要求,上述连续模型离散化为:T
y(k)=Φ(k)θ+ν(k) (3)式中,ν(k)为电气化铁路的电磁干扰;
步骤(2)所述的基于类不平衡学习的多故障分离方法,具体如下:①收集维修数据集,基于类不平衡学习进行多故障特征提取,得到故障特征集合;
②收集维修数据,结合故障特征集合,采用类不平衡学习进行故障分离决策,得到类别隶属度函数;
③类别隶属度函数作为多故障特征提取的输入;
④根据故障特征集合和类别隶属度函数,进行多故障分离,得到解耦的故障类集合;
步骤(3)所述的基于多模型故障参数估计技术,设计二阶段自适应多模型诊断系统,得到不同故障类集合对应的残差信号ri(k):式中yi(k)是实际的速度故障信号, 代表对应的故障估计值。