本發(fā)明屬于高速列車故障診斷領(lǐng)域，具體涉及一種基于遷移隨機森林的高速列車牽引電機故障診斷方法。

背景技術(shù)：

1、高速列車的牽引電機是驅(qū)動列車前進(jìn)的核心部件，是高速列車的動力源。牽引電機在長期惡劣和復(fù)雜環(huán)境下運行，受到高溫、振動和電磁干擾等多種因素影響，故障的發(fā)生在所難免。牽引電機通常會發(fā)生軸承磨損、齒輪故障、轉(zhuǎn)子不平衡等機械故障，繞組短路、絕緣老化、過載等電氣故障，過熱導(dǎo)致的性能下降或損壞的熱故障，以及變頻器故障、傳感器失效等控制系統(tǒng)故障。牽引電機故障一旦發(fā)生，可能導(dǎo)致列車動力下降甚至完全喪失，進(jìn)而引發(fā)重大安全事故。因此，對牽引電機實行有效的故障診斷至關(guān)重要。

2、目前高速列車牽引電機的故障診斷方法包括：解析模型的方法、基于知識的方法和數(shù)據(jù)驅(qū)動的方法。前兩者過度依賴于精確的解析模型和專家知識，但實際高速列車牽引電機結(jié)構(gòu)復(fù)雜，精確模型和充分的專家知識難以得到。數(shù)據(jù)驅(qū)動的故障診斷方法需要充分的高速列車運行歷史數(shù)據(jù)，即需要能夠獲取涵蓋牽引電機多工況的運行數(shù)據(jù)，進(jìn)而建立精準(zhǔn)的輸出數(shù)據(jù)與故障的映射關(guān)系。然而，高速列車運行過程中采集到的大多為健康運行狀態(tài)數(shù)據(jù)，半實物試驗僅能獲取特定工況下的數(shù)據(jù)，難以滿足面向復(fù)雜服役工況的牽引傳動系統(tǒng)運行狀態(tài)監(jiān)測方法訓(xùn)練、測試和驗證的需求，同時新工況數(shù)據(jù)的獲得和標(biāo)注又非常困難。此情況下，新工況下就會出現(xiàn)小樣本問題，會導(dǎo)致基于機器學(xué)習(xí)的故障診斷模型出現(xiàn)過擬合進(jìn)而故障診斷性能降低。由于多工況導(dǎo)致的數(shù)據(jù)分布差異，數(shù)據(jù)驅(qū)動故障診斷模型往往難以直接在相似的新工況中取得良好的效果。因此，需要一種能夠有效解決多工況導(dǎo)致的故障診斷算法性能下降的問題，同時克服數(shù)據(jù)分布差異、提升故障診斷算法性能的方法。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種基于遷移隨機森林的高速列車牽引電機故障診斷方法，用于對高速列車牽引電機進(jìn)行故障診斷。本發(fā)明通過構(gòu)建移隨機森林故障診斷模型，可以克服多工況導(dǎo)致的訓(xùn)練數(shù)據(jù)分布差異，從而提升故障診斷算法針對樣本匱乏的目標(biāo)工況的故障診斷準(zhǔn)確率。

2、本發(fā)明采用的技術(shù)方案如下：

3、一種基于遷移隨機森林的高速列車牽引電機故障診斷方法，對牽引電機進(jìn)行故障診斷，具體包括如下步驟：

4、步驟1、采集多工況下高速列車牽引電機在多種狀態(tài)下的原始信號，從原始信號中提取時域特征和頻域特征并整合形成特征數(shù)據(jù)集；

5、步驟2、設(shè)計基于平衡分布自適應(yīng)的數(shù)據(jù)非線性變換方法，進(jìn)行源工況數(shù)據(jù)和目標(biāo)工況數(shù)據(jù)的分布對齊，消除工況變化導(dǎo)致的分布差異；

6、步驟3、利用分布對齊后的源工況數(shù)據(jù)集，構(gòu)建初始隨機森林故障診斷模型；

7、步驟4、保持初始隨機森林故障診斷模型結(jié)構(gòu)，利用分布對齊后的目標(biāo)工況數(shù)據(jù)集更新模型參數(shù)，構(gòu)建遷移隨機森林故障診斷模型；

8、步驟5、采集當(dāng)前工況的樣本，采用轉(zhuǎn)換矩陣對當(dāng)前工況的樣本進(jìn)行轉(zhuǎn)換，將轉(zhuǎn)換后的樣本輸入遷移隨機森林故障診斷模型，得到樣本的故障類別，實現(xiàn)在線的故障診斷。

9、進(jìn)一步地，所述步驟1的具體過程為：

10、步驟1.1、基于現(xiàn)有的高鐵牽引控制系統(tǒng)仿真平臺，采用多傳感器融合的模式，采集高速列車不同時速不同工況下牽引電機在正常、轉(zhuǎn)子斷條故障、匝間短路故障和氣隙偏心故障四種狀態(tài)類型下的傳感器信號作為原始信號；

11、步驟1.2、原始信號由若干個片段組成，根據(jù)經(jīng)驗公式從每個原始信號片段中提取時域特征；時域特征包括最大值、最小值、峰值、峰峰值、平均值、絕對平均值、均方根、方根幅值、標(biāo)準(zhǔn)差、脈沖因子、峰值因子、裕度因子；

12、步驟1.3、對每個原始信號片段進(jìn)行快速傅里葉變換得到頻域信號，從頻域信號中提取頻域特征；頻域特征包括頻譜能量均值、頻譜能量方差、重心頻率、頻率標(biāo)準(zhǔn)差、均方頻率、頻譜峰度；

13、步驟1.4、整合同一原始信號片段提取的時域特征和頻域特征形成特征樣本，根據(jù)狀態(tài)類型確定樣本標(biāo)簽，綜合所有的特征樣本得到特征數(shù)據(jù)集；

14、步驟1.5、根據(jù)每個工況之間的遷移情況，確定源工況數(shù)據(jù)集和目標(biāo)工況數(shù)據(jù)集；定義包含個樣本的源工況數(shù)據(jù)集為，包含個樣本的目標(biāo)工況數(shù)據(jù)集為；中每個源工況數(shù)據(jù)，，為源工況樣本個數(shù)；為第個源工況樣本；源工況樣本的特征個數(shù)和目標(biāo)工況樣本的特征個數(shù)相同，均定義為；為第個源工況樣本的第個特征；中每個目標(biāo)工況數(shù)據(jù)，，為目標(biāo)工況樣本個數(shù)；為第個目標(biāo)工況樣本；為第個目標(biāo)工況樣本的第個特征。

15、進(jìn)一步地，所述步驟2的具體過程為：

16、步驟2.1、計算源工況數(shù)據(jù)和目標(biāo)工況數(shù)據(jù)的邊緣分布差異與條件分布差異，公式如下：

17、；

18、；

19、其中，和分別為源工況和目標(biāo)工況樣本的標(biāo)號；為第個源工況樣本；為第個目標(biāo)工況樣本；表示希爾伯特空間；是映射函數(shù)，把原始樣本映射到再生希爾伯特空間；為故障樣本的類別；為故障樣本類別的個數(shù)?；表示包含個類故障樣本的源工況數(shù)據(jù)集；表示包含個類故障樣本的目標(biāo)工況數(shù)據(jù)集；

20、步驟2.2、根據(jù)與確定平衡因子，計算源工況數(shù)據(jù)和目標(biāo)工況數(shù)據(jù)的分布距離：

21、；

22、其中，為與的分布距離；

23、步驟2.3、通過核函數(shù)方法將分布距離的最小化問題轉(zhuǎn)化為求轉(zhuǎn)換矩陣的跡最小的優(yōu)化問題，具體公式如下：

24、；

25、其中，表示轉(zhuǎn)換矩陣的跡；是的轉(zhuǎn)置；表示由和組成的輸入矩陣；表示矩陣的轉(zhuǎn)置；是正則化參數(shù)；表示范數(shù)的平方；和是由樣本數(shù)量決定的不同參數(shù)矩陣；是單位矩陣；是中心矩陣，為1矩陣，即所有元素都為1的矩陣；

26、求解需要構(gòu)造拉格朗日函數(shù)，如下：

27、；

28、其中，為拉格朗日乘子；

29、令，即可求出轉(zhuǎn)換矩陣；

30、步驟2.4、基于轉(zhuǎn)換矩陣，得到分布對齊后的源工況數(shù)據(jù)和目標(biāo)工況數(shù)據(jù)：

31、；

32、；

33、其中，為分布對齊后的源工況數(shù)據(jù)；為分布對齊后的目標(biāo)工況數(shù)據(jù)；為分布對齊后的特征個數(shù)；

34、所有分布對齊后的源工況數(shù)據(jù)構(gòu)成分布對齊后的源工況數(shù)據(jù)集，所有分布對齊后的目標(biāo)工況數(shù)據(jù)構(gòu)成分布對齊后的目標(biāo)工況數(shù)據(jù)集。

35、進(jìn)一步地，所述步驟3的具體過程為：

36、步驟3.1、在分布對齊后的源工況數(shù)據(jù)基礎(chǔ)上，通過bootstrap重抽樣方法構(gòu)建源工況樣本子集；bootstrap重抽樣方法的具體過程為：對經(jīng)過次有放回抽樣，得到一個由個樣本構(gòu)成的源工況樣本子集；的抽樣過程中從未被抽到的樣本構(gòu)成源工況袋外數(shù)據(jù)集；

37、步驟3.2、在分布對齊后的個特征組成的特征集上，通過隨機抽樣的方式抽取個特征形成特征子集；

38、步驟3.3、在由源工況樣本子集和特征子集構(gòu)成的子集對上完成決策樹的生長，從根節(jié)點開始逐漸完成節(jié)點的分裂，直至所有子節(jié)點中只含有一類樣本；節(jié)點分裂過程中每個非葉子節(jié)點的分裂特征和分裂點的選擇由最小基尼指數(shù)確定，具體如下：

39、；

40、其中，為基尼指數(shù)；、為左子節(jié)點和右子節(jié)點中源工況數(shù)據(jù)的集合；、分別為、的樣本數(shù)；為父葉子節(jié)點處的總樣本數(shù)；

41、在由源工況樣本子集和特征子集構(gòu)成的數(shù)據(jù)子集對上，按照步驟3.3決策樹生長的方式完成決策樹的生長；

42、步驟3.4、將源工況袋外數(shù)據(jù)輸入構(gòu)建完成的初始隨機森林故障診斷模型，得到隨機森林的輸出結(jié)果，與源工況袋外數(shù)據(jù)的真實標(biāo)簽對比，得到源工況袋外估計結(jié)果；源工況袋外樣本從根節(jié)點進(jìn)入，其特征值會與節(jié)點處的節(jié)點分裂閾值作比較，劃分到子節(jié)點中，按照此方式該樣本最終落入葉子節(jié)點，根據(jù)此葉子節(jié)點對應(yīng)的故障類型確定該樣本的故障類型；每棵決策樹都會對樣本進(jìn)行故障分類，通過對所有決策樹的故障分類結(jié)果進(jìn)行投票，選擇得票最多的故障類別作為隨機森林的最終故障分類結(jié)果；具體為：

43、；

44、其中，為隨機森林的故障分類結(jié)果；為輸入的源工況袋外數(shù)據(jù)；為第棵決策樹的分類結(jié)果；為滿足括號中表達(dá)式的決策樹棵數(shù)；為決策樹的總棵數(shù)；

45、步驟3.5、根據(jù)源工況袋外估計結(jié)果確定隨機森林的最優(yōu)決策樹棵數(shù)，尋找最優(yōu)決策樹棵數(shù)的過程實質(zhì)相當(dāng)于對初始隨機森林故障診斷模型參數(shù)的優(yōu)化過程，通過源工況袋外數(shù)據(jù)對模型進(jìn)行測試，模型分類準(zhǔn)確率會隨著決策樹數(shù)量的增加而逐漸提升并收斂；當(dāng)準(zhǔn)確率收斂時，決策樹數(shù)量的最小值即為最優(yōu)的決策樹棵數(shù)，進(jìn)而得到初始隨機森林故障診斷模型。

46、進(jìn)一步地，所述步驟4的具體過程為：

47、步驟4.1、在分布對齊后的目標(biāo)工況數(shù)據(jù)上，通過bootstrap方法產(chǎn)生與初始隨機森林模型中決策樹棵數(shù)相同的分布對齊后的目標(biāo)工況樣本子集，的抽樣過程中從未被抽到的樣本構(gòu)成目標(biāo)工況袋外數(shù)據(jù)集；

48、步驟4.2、保持初始隨機森林故障診斷模型結(jié)構(gòu)，利用分布對齊后的目標(biāo)工況樣本子集完成決策樹節(jié)點分裂閾值的更新，新的節(jié)點分裂閾值由散度增益和基尼指數(shù)共同決定，具體公式如下：

49、；

50、?；

51、其中，為初始隨機森林故障診斷模型中決策樹節(jié)點的分裂閾值；為散度增益；為節(jié)點閾值更新后的隨機森林故障診斷模型中決策樹節(jié)點的分裂閾值；為分布差異函數(shù)，即最大均值差異的平方；和分別為左子節(jié)點和右子節(jié)點中目標(biāo)工況數(shù)據(jù)的集合；和分別為左子節(jié)點和右子節(jié)點中源工況數(shù)據(jù)的集合；為鄰域內(nèi)的節(jié)點分裂閾值的可取值；是一個任意小的正數(shù)；

52、子節(jié)點中源工況數(shù)據(jù)和目標(biāo)工況數(shù)據(jù)的分布差異由下式衡量：

53、；

54、；

55、其中，和分別為左子節(jié)點和右子節(jié)點中目標(biāo)工況樣本的數(shù)量；

56、步驟4.3、按照步驟4.2的規(guī)則從根節(jié)點開始，逐漸更新所有非葉子節(jié)點的節(jié)點分裂閾值；

57、步驟4.4、利用步驟4.1中形成的目標(biāo)工況樣本子集，按照步驟4.2至步驟4.3節(jié)點分裂閾值的更新方式更新所有決策樹的節(jié)點分裂閾值；

58、步驟4.5、子節(jié)點中數(shù)據(jù)為空的父節(jié)點，維持原有的分裂特征和節(jié)點分裂閾值，不對決策樹進(jìn)行剪枝；葉子結(jié)點中目標(biāo)工況樣本類別不一致的，按照基尼指數(shù)最小化的原則繼續(xù)完成節(jié)點分裂，直到達(dá)到?jīng)Q策樹停止生長條件為止；更新結(jié)束后，得到遷移隨機森林故障診斷模型；

59、步驟4.6、利用步驟4.1中的目標(biāo)工況袋外數(shù)據(jù)完成構(gòu)建遷移隨機森林故障診斷模型的測試。

60、進(jìn)一步地，所述步驟5中，?轉(zhuǎn)換公式為：

61、；

62、其中，為當(dāng)前工況的樣本；為轉(zhuǎn)換后的樣本。

63、本發(fā)明所帶來的有益技術(shù)效果：本發(fā)明設(shè)計了一種非線性特征變換方法完成源工況數(shù)據(jù)和目標(biāo)工況數(shù)據(jù)的分布對齊，緩解二者的分布差異；在變換后的源工況數(shù)據(jù)上完成初始隨機森林故障診斷模型的構(gòu)建；提出了一種綜合散度增益和基尼指數(shù)的節(jié)點分裂閾值的更新方法，得到遷移隨機森林故障診斷模型；充分利用源工況數(shù)據(jù)中的先驗知識，克服源工況和目標(biāo)工況的分布差異，提升遷移隨機森林故障診斷模型在目標(biāo)工況中的故障診斷準(zhǔn)確率。