1.一种牵引变流器故障诊断方法,其特征在于,所述牵引变流器故障诊断方法包括:获取数据集;所述数据集为中间直流电压数据;
基于变分模态分解对所述数据集进行分解,得到多通道标准故障特征集;
根据变分模态分解特性,确定配套通道加权层;所述配套通道加权层为PE-Spearman秩相关系数;
根据所述配套通道加权层,建立配套通道加权层-一维深度可分离卷积神经网络模型;所述一维深度可分离卷积神经网络为将深度可分离卷积神经网络运用到一维长序列数据中构建的网络;
将所述多通道标准故障特征集输入到所述配套通道加权层-一维深度可分离卷积神经网络模型中,得到故障分类;
根据变分模态分解特性,确定配套通道加权层,具体包括:根据所述数据集和所述多通道标准故障特征集,确定相关系数;
对所述相关系数进行维度扩展,得到扩展后的相关系数;
使用约束函数对所述扩展后的相关系数进行约束,得到配套通道加权层;
所述配套通道加权层的表达式为:
;
其中,为配套通道加权层的加权函数,为通过排序熵计算出第个信号的秩次差;为输入序列的长度;
所述配套通道加权层-一维深度可分离卷积神经网络模型具体包括:输入层,用于输入多通道标准故障特征集;
1层配套通道加权层,用于对所述多通道标准故障特征集进行加权,得到加权后的特征集;
2层一维深度可分离卷积层,用于对所述加权后的特征集进行特征提取,得到特征提取后的特征集;
3层全连接层,用于对所述特征提取后的特征集进行整合,得到故障分类。
2.根据权利要求1所述的牵引变流器故障诊断方法,其特征在于,基于变分模态分解对所述数据集进行分解,得到多通道标准故障特征集,具体包括:基于变分模态分解,将所述数据集分解为若干个本征模态分量;
将若干个所述本征模态分量进行合成重构,得到若干个合成重构后的分量;
分别计算每个合成重构后的分量的能量百分比和信噪比,得到若干个能量百分比值和信噪比值;
根据所述能量百分比值和信噪比值,采用对比验证,确定多通道标准故障特征集。
3.根据权利要求1所述的牵引变流器故障诊断方法,其特征在于,所述约束函数的表达式为:;
其中,为通道数,为相关系数的指数函数,为相关系数,为通道权重,为约束函数。
4.根据权利要求1所述的牵引变流器故障诊断方法,其特征在于,所述一维深度可分离卷积神经网络的计算公式为:;
;
其中,为参数量,为计算量,为一维卷积核的长度,为卷积核输入的通道数,为卷积核输出的通道数,为输入序列的长度。
5.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-4中任一项所述的牵引变流器故障诊断方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-4中任一项所述的牵引变流器故障诊断方法。
7.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-4中任一项所述的牵引变流器故障诊断方法。