基于递归二分类法的电力机车四象限输入过流故障诊断研究

王建华

doi:10.13890/j.issn.1000-128x.2019.02.016

您当前的位置：

首页 >

文章列表页 >

基于递归二分类法的电力机车四象限输入过流故障诊断研究

研究开发 | 更新时间：2021-12-13

- 基于递归二分类法的电力机车四象限输入过流故障诊断研究
- Research on Four-Quadrant Input Over-current Fault Diagnosis of Electric Locomotive Based on Recursive 2-Classification Method
- 机车电传动 2019年第2期页码：74-79,138
- 作者机构：
  
  1.朔黄铁路发展有限责任公司　机辆分公司，河北　肃宁　062350
- 作者简介：
  
  王建华（1982—），男，工程师，长期从事电力机车运用检修和技术管理工作。
- 基金信息：
- DOI：10.13890/j.issn.1000-128x.2019.02.016
  中图分类号：
扫描看全文
王建华. 基于递归二分类法的电力机车四象限输入过流故障诊断研究[J]. 机车电传动, 2019,(2):74-79,138.

Jianhua WANG. Research on Four-Quadrant Input Over-current Fault Diagnosis of Electric Locomotive Based on Recursive 2-Classification Method[J]. Electric Drive for Locomotives, 2019,(2):74-79,138.
王建华. 基于递归二分类法的电力机车四象限输入过流故障诊断研究[J]. 机车电传动, 2019,(2):74-79,138. DOI： 10.13890/j.issn.1000-128x.2019.02.016.

Jianhua WANG. Research on Four-Quadrant Input Over-current Fault Diagnosis of Electric Locomotive Based on Recursive 2-Classification Method[J]. Electric Drive for Locomotives, 2019,(2):74-79,138. DOI： 10.13890/j.issn.1000-128x.2019.02.016.

摘要

四象限输入过流故障是HX,D,1型机车牵引变流器的主要故障之一，由于引发该故障的原因较多且故障样本分布不均，导致该故障难以诊断与定位，为此提出了一种基于递归二分类的故障诊断方法。基于K-Means与小波包分解对数据相关关键字段进行特征提取，用基于集成学习的梯度提升决策树（GBDT）构造可靠的分类模型以及用递归二分类法对多标签数据进行递归分类与诊断。对HX,D,1型机车四象限输入过流故障样本文件进行相关试验，结果表明该方法对于故障样本分类及故障诊断定位有显著提升效果。

Abstract

Four-quadrant over-current fault is one of the main faults of the HX,D,1 locomotive traction converter. Due to the class distribution of fault cause is unbalanced and there are a lot of over-current fault causes, four-quadromt over-current fault is difficult to distinguish and diagnose. A fault diagnosis method based on recursive 2-Classification was proposed. Based on K-Means and wavelet packet decomposition, feature extraction of data-related key fields was carried out. Reliable classification model was constructed by gradient boosting decision tree (GBDT) based on ensemble learning, and multi-label data was classified and diagnosed recursively by recursive 2-classification. Experiments on four-quadrant input over-current fault data files showed that this method could improve the classification and diagnosis of fault samples.

关键词

递归二分类电力机车四象限输入过流小波包分解梯度提升决策树机器学习故障诊断

Keywords

recursive 2-classificationelectric locomotivefour-quadrant input over-currentwavelet packet decompositiongradient boosting decision treemachine learningfault diagnosis

references

吴勇忠. 浅析HXD1型电力机车牵引变流器突出故障与处理[J]. 科技展望, 2016, 26(33): 28.

戴晨曦, 刘志刚, 胡轲珽. 关于高铁CRH2型动车组逆变器故障诊断研究[J]. 计算机仿真, 2016, 33(4): 217-222.

张雅琴, 滕青芳, 李国飞, 等. 基于电流残差的逆变器开路故障诊断方法[J]. 兰州交通大学学报, 2016, 35(3): 112-118.

陈怡恬, 陈特放, 成庶, 等. 基于输入电流的牵引变流器开关管开路故障诊断方法[J]. 电气工程学报, 2016, 11(5): 11-20.

陈特放, 钟艳科. 基于小波分析和SVM的主变流器故障诊断[J]. 机车电传动, 2009 (1): 57-59.

李玉超, 田永洙, 高沁翔. 基于BP神经网络的200 km/h牵引变流器故障诊断技术的研究[J]. 铁道机车车辆, 2007, 27(2): 4-7.

李全林, 何忠韬. SOM神经网络在电力机车主变流器故障诊断中的应用[J]. 铁道机车车辆, 2009, 29(2): 13-16.

魏志磊, 苏宏升. 基于遗传神经网络的电力机车主变流器故障诊断[J]. 电子质量, 2009 (12): 39-42.

岳生吉, 王焕民, 牛彩云. 基于粗糙集的机车牵引变流器故障诊断方法[J]. 铁路计算机应用, 2012, 21(3): 62-65.

朱琴跃, 叶双挺, 谭喜堂, 等. 基于改进蚁群神经网络的牵引逆变器故障诊断[J]. 机电一体化, 2014, 20(11): 52-57.

MALLAT S, HWANG W L. Singularity detection and processing with wavelets[J]. IEEE Transactions on Informotion Theory, 1992, 38(2): 617-643.

FRIEDMAN J H. Greedy function approximation: a gradient boosting machine[J]. Annals of Statistics, 2001, 29(5): 1189-1232.

浏览量

下载量

CSCD

CNKI被引量

文章被引用时，请邮件提醒。

提交

工具集

关联资源

电力机车故障预测与健康管理系统总体方案研究

基于电信号的高速列车动力链诊断技术研究

基于随机森林的DC 600 V供电系统接地故障诊断方法研究

基于复合基尼指数和最大相关峭度特征模态分解的轴承故障诊断算法

电力机车受电弓碳滑板在线适应性试用研究