车辆传动控制系统的故障预测与健康管理装置和故障预测方法与流程

1.本发明涉及城市轨道交通传动控制系统故障预警技术，具体涉及一种对城市轨道车辆传动控制系统关键部件实施车载故障预警与健康管理的装置。


背景技术：

2.随着城市轨道交通的快速发展，各地铁公司对轨交车辆的在线故障预警、状态数据的实时性和后期维护维修的指导性越来越迫切。尤其是城轨车辆传动控制系统作为列车控制的核心，对其关键部件的监控、诊断与健康管理是城市轨道交通安全与稳定运行的重要保障，在城市轨道车辆运营、管理、维护及安全保障中起着关键性的作用。
3.然而目前城轨车辆传动控制系统缺乏对关键部件，如高速断路器、牵引变压器、牵引变流器、牵引电机、齿轮箱、轴箱等的综合监测和故障预警产品，尚不能对这些关键部件故障进行全面有效地诊断与预警提示。


技术实现要素：

4.以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
5.本发明的目的在于解决上述问题，提供了一种车辆传动控制系统的故障预测与健康管理(phm，prognostic and health management)装置和基于该装置的故障预测方法，通过对传动控制系统关键部件相关运行参数进行及时、准确的采集、监测、分析、诊断与预警，实现传动控制系统关键部件的状态监测与健康管理。
6.本发明的技术方案为：本发明揭示了一种车辆传动控制系统的故障预测与健康管理装置，装置包括传输单元、传感器采集单元、实时监控与报警单元、故障特征提取单元、故障诊断与预警单元和显示单元，其中：
7.传输单元用于获取车辆的传动控制系统和网络控制系统中的原有业务数据，并将故障预测与健康管理装置的诊断与预警结果传输给网络控制系统；
8.传感器采集单元用于获取新增传感器采集的车辆传动控制系统的关键部件的信息；
9.实时监控与报警单元用于根据来自传输单元和传感器采集单元的实时监测数据，计算车辆传动控制系统的关键部件的运行状态指标，如果关键部件的运行状态指标超过设定阈值则触发报警，并将报警信息发送给显示单元；
10.故障特征提取单元用于融合原有业务数据和新增传感器采集的实时监测数据，进行特征提取并计算关键部件的多种故障特征指标向量；
11.故障诊断与预警单元用于基于故障特征提取单元计算获得的故障特征指标，采用
故障诊断模型对传动控制系统关键部件进行故障模式识别，诊断出关键部件的故障模式，将诊断与预警结果发送给显示单元；
12.显示单元用于将故障报警、诊断与预警信息进行显示。
13.根据本发明的车辆传动控制系统的故障预测与健康管理装置的一实施例，传输单元获取到的数据包括但不限于：传动控制系统的实时信号和网络控制系统的网络数据，其中传输单元通过光纤接收传动控制系统的实时信号，并通过以太网接收网络控制系统的网络数据。
14.根据本发明的车辆传动控制系统的故障预测与健康管理装置的一实施例，传感器采集单元采集到的模拟信号包括但不限于：多路电流信号、电压信号、振动信号和温度信号。
15.根据本发明的车辆传动控制系统的故障预测与健康管理装置的一实施例，车辆传动控制系统的关键部件包括但不限于：电抗器、牵引变压器、高速断路器、牵引变流器、牵引电机、齿轮箱、轴箱，其中牵引变流器包括但不限于电容器、冷却风机、igbt模块、接触器。
16.根据本发明的车辆传动控制系统的故障预测与健康管理装置的一实施例，故障特征提取单元的特征提取方法包括但不限于：时域特征指标分析、fft频谱分析、快速峭度谱分析、功率谱分析、加速度包络谱法、小波分解法、转速追踪法。
17.根据本发明的车辆传动控制系统的故障预测与健康管理装置的一实施例，故障特征指标向量包括但不限于：牵引电机轴承故障特征频率及其幅值、齿轮箱轴承故障特征频率及其幅值、轴箱轴承故障特征频率及其幅值、牵引电机负序电流。
18.根据本发明的车辆传动控制系统的故障预测与健康管理装置的一实施例，故障诊断模型包括但不限于：人工智能故障诊断模型、机理模型、专家规则模型，其中人工智能故障诊断模型包括但不限于梯度提升树、随机森林、支持向量机、神经网络、深度学习，机理模型包括但不限于故障观测器模型、参数辨识模型、残差诊断模型，专家规则模型包括但不限于横向对比法、纵向对比法。
19.根据本发明的车辆传动控制系统的故障预测与健康管理装置的一实施例，故障预测与健康管理装置还包括：
20.存储单元，用于当触发故障报警时对故障日志、故障前后设定时间段内的运行数据进行存储，其中所存储的运行数据包括但不限于：电流、电压、振动、温度、速度和牵引力的实时波形数据。
21.本发明还揭示了一种基于上述的车辆传动控制系统的故障预测与健康管理装置的故障预测方法，故障预测方法包括：
22.传输单元获取传动控制系统和网络控制系统中的原有业务数据，且传感器采集单元获取新增传感器采集的实时监测数据；
23.实时监控与报警单元根据实时监测数据，计算车辆传动控制系统的关键部件运行状态指标，如果关键部件运行状态指标超过设定阈值则触发报警，并将报警信息发送给显示单元；
24.故障特征提取单元融合原有业务数据和新增传感器采集的实时监测数据，进行特征提取，进而计算车辆传动控制系统中的关键部件的故障特征指标向量；
25.故障诊断与预警单元基于故障特征提取单元计算获得的故障特征指标，采用故障
诊断模型对传动控制系统的关键部件进行故障模式识别，诊断出关键部件的故障模式，最后将诊断与预警结果发送给显示单元；
26.显示单元将故障报警、诊断与预警信息进行显示。
27.根据本发明的基于车辆传动控制系统的故障预测与健康管理装置的故障预测方法的一实施例，故障预测方法还包括：
28.当触发故障报警时对故障日志、故障前后设定时间段内的运行数据进行存储。
29.本发明对比现有技术有如下的有益效果：本发明的phm装置采集城轨车辆传动控制系统关键部件的相关状态信号，对其运行状态进行实时监控，并通过在线数据分析、特征提取、故障诊断与预警算法模块，实现城轨车辆传动控制系统状态监测、故障检测、诊断及预警功能。相较于现有技术，本发明能够：
30.(1)通过传输单元和新增传感器数据采集单元，有效地对传动控制系统、网络控制系统的已有数据，以及新增传感器采集的数据进行数据融合，实现了多元异构数据的同步采集及融合，为传动控制系统故障诊断与预警提供了数据基础；
31.(2)能够独立于牵引控制单元运行，能够根据监测数据实时自动地进行故障特征指标提取，能够全面有效地对城轨传动控制系统关键部件进行故障诊断与预警提示，实现传动控制系统关键部件的在线故障诊断和预警，为城轨车辆传动控制系统安全稳定运行提供平台支撑。
附图说明
32.在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
33.图1示出了本发明的车辆传动控制系统的phm装置与外部对象的关联关系的示意图。
34.图2示出了本发明的车辆传动控制系统的phm装置的一实施例的内部原理图。
35.图3示出了本发明的基于车辆传动控制系统的phm装置的故障预测方法的一实施例的流程图。
具体实施方式
36.以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
37.图1示出了本发明的车辆传动控制系统的phm装置与外部对象的关联关系。请参加图1，硬件方面，车辆传动控制系统的phm装置与安装在传动控制系统中各个关键部件上的传感器连线，接收传感器采集到的模拟信号，对所有传感器输出的数据进行采集、处理与分析功能，实现传动控制系统关键部件的状态监测、故障诊断与预警功能。
38.这些传感器用于采集传动控制系统中的关键部件的数据，这些关键部件包括但不限于：电抗器、高速断路器、牵引变流器(电容器、冷却风机、igbt模块、接触器)、牵引电机、齿轮箱、轴箱。传感器包括但不限于：温度传感器、电流传感器、电压传感器、温振传感器。
39.电抗器采用温度传感器采集温度信号；高压断路器采用电流传感器采集线圈电流
传感器；电容器采用电流传感器采集电容器输入电流信号；冷却风机采用电流传感器采集三相电流信号，采用电压传感器采集电压信号；接触器采用电流传感器采集线圈电流信号；igbt采用温度信号采集模块冷却板温度信号；牵引电机采用电流信号采集电机三相电流信号；齿轮箱采用温振传感器采集齿轮箱温度和振动信号；轴箱采用温振传感器采集轴箱温度和振动信号。
40.本实施例中的车辆传动控制系统的phm装置通过以太网与外部的车辆的网络控制系统建立通讯连接，网络控制系统又通过以太网和车地传输系统建立通讯连接。车辆传动控制系统的phm装置将诊断结果和运行状态信息通过以太网传输给网络控制系统，并能接收网络控制系统的控制指令。车辆传动控制系统的phm装置还通过光纤口与外部的车辆的传动控制系统进行通信传输，传动控制系统接收牵引变流器的信息。传动控制系统的phm装置通过光纤接收传动控制系统的实时信号，并能上传数据数据采集盒信号至传动控制系统。
41.图2示出了本发明的车辆传动控制系统的phm装置的一实施例的内部原理。请参见图2，本实施例的phm装置包括：传输单元、传感器采集单元、实时监控与报警单元、故障特征提取单元、故障诊断与预警单元、显示单元。较佳的，phm装置还可以包括存储单元。
42.传输单元的输出端分别连接实时监控与报警单元以及故障特征提取单元的输入端。传感器采集单元的输出端分别连接实时监控与报警单元以及故障特征提取单元的输入端。实时监控与报警单元的输出端分别连接存储单元和显示单元的输入端。故障特征提取单元的输出端连接故障诊断与预警单元的输入端。故障诊断与预警单元的输出端连接存储单元和显示单元的输入端。
43.传输单元用于获取传动控制系统和网络控制系统中的原有业务数据(包括传动控制系统的实时信号和网络控制系统的网络数据)，并将传动控制系统phm装置的诊断与预警结果通过以太网传输给网络控制系统。其中，传输单元通过光纤接收传动控制系统的实时信号，并通过以太网接收网络控制系统的网络数据。
44.传感器采集单元用于获取新增传感器采集的车辆传动控制系统的关键部件上的模拟信号，包括多路电流信号、电压信号、振动信号和温度信号。
45.传输单元和传感器采集单元均分别输出至实时监控与报警单元以及故障特征提取单元。
46.实时监控与报警单元用于根据来自传输单元和传感器采集单元的实时监测数据，计算车辆传动控制系统的关键部件运行状态指标，如果关键部件运行状态指标超过设定阈值，则触发报警，并将报警信息发送给显示单元。
47.故障特征提取单元用于融合原有业务数据和新增传感器采集的实时监测数据，采用时域和频域分析等特征提取方法，计算关键部件的多种故障特征指标向量，这些故障特征指标向量包括但不限于：牵引电机轴承故障特征频率及其幅值、齿轮箱轴承故障特征频率及其幅值、轴箱轴承故障特征频率及其幅值、牵引电机负序电流。特征提取方法包括但不限于：时域特征指标分析(有效值、最大值、最小值、偏度、峰度、峭度等)、fft频谱分析、快速峭度谱分析、功率谱分析、加速度包络谱法、小波分解法、转速追踪法等。
48.故障诊断与预警单元用于基于故障特征提取单元计算获得的故障特征指标，采用故障诊断模型对传动控制系统关键部件进行故障模式识别，诊断出关键部件的故障模式，
最后将诊断与预警结果发送给显示单元。故障诊断模型包括但不限于：人工智能故障诊断模型(梯度提升树、随机森林、支持向量机、神经网络、深度学习等)、机理模型(故障观测器模型、参数辨识模型、残差诊断模型)或专家规则模型(横向对比法、纵向对比法等)。上述模型都是现有的模型，例如梯度提升树模型是一种机器学习算法，也是集成学习boosting家族的成员，是利用前一轮迭代弱学习器的误差率来更新训练集的权重。
49.显示单元用于将故障报警、诊断与预警信息进行显示。
50.存储单元用于当触发故障报警时对故障日志、故障前后设定时间段内的运行数据进行存储，其中，所存储的运行数据包括但不限于：电流、电压、振动、温度、速度和牵引力的实时波形数据。
51.在一个示例中，关键部件的故障模式和关联信号见下表(传动控制系统phm装置的项点)：
52.53.[0054][0055]
本实施例的车辆传动控制系统的phm装置由外部提供电能(例如dc 110v电源)，用于本装置供电，并预留数据传输接口(例如lan/串口接口)，进行数据文件/程序下载与更新。
[0056]
基于上述实施例的车辆传动控制系统的phm装置，本发明还揭示了故障预测方法，请见图3所示，下面是对该方法的实施步骤的详细描述。
[0057]
步骤1：phm装置中的传输单元获取传动控制系统和网络控制系统中的原有业务数据，且传感器采集单元获取新增传感器采集的实时监测数据。
[0058]
传输单元通过光纤接收传动控制系统的实时信号，并通过以太网接收网络控制系统的网络数据。
[0059]
实时监测数据是传感器采集到的模拟信号，包括多路电流信号、电压信号、振动信号和温度信号。
[0060]
步骤2：phm装置中的实时监控与报警单元根据实时监测数据，计算车辆传动控制系统的关键部件运行状态指标，如果关键部件运行状态指标超过设定阈值，则触发报警，并将报警信息发送给显示单元。
[0061]
步骤3：phm装置中的故障特征提取单元融合原有业务数据和新增传感器采集的实时监测数据，进行特征提取，进而计算车辆传动控制系统中的关键部件的故障特征指标向量。
[0062]
这些故障特征指标向量包括但不限于：牵引电机轴承故障特征频率及其幅值、齿轮箱轴承故障特征频率及其幅值、轴箱轴承故障特征频率及其幅值、牵引电机负序电流。
[0063]
特征提取方法包括但不限于：时域特征指标分析(有效值、最大值、最小值、偏度、峰度、峭度等)、fft频谱分析、快速峭度谱分析、功率谱分析、加速度包络谱法、小波分解法、转速追踪法等。
[0064]
步骤4：phm装置中的故障诊断与预警单元基于故障特征提取单元计算获得的故障特征指标，采用故障诊断模型对传动控制系统的关键部件进行故障模式识别，诊断出关键部件的故障模式，最后将诊断与预警结果发送给显示单元。
[0065]
故障诊断模型包括但不限于：人工智能故障诊断模型(梯度提升树、随机森林、支
持向量机、神经网络、深度学习等)、机理模型(故障观测器模型、参数辨识模型、残差诊断模型)或专家规则模型(横向对比法、纵向对比法等)。上述模型都是现有的模型，例如梯度提升树模型是一种机器学习算法，也是集成学习boosting家族的成员，是利用前一轮迭代弱学习器的误差率来更新训练集的权重。
[0066]
步骤5：显示单元将故障报警、诊断与预警信息进行显示。
[0067]
此外，还可以通过存储单元当触发故障报警时对故障日志、故障前后设定时间段内的运行数据进行存储。
[0068]
所存储的运行数据包括但不限于：电流、电压、振动、温度、速度和牵引力的实时波形数据。
[0069]
以下以车辆传动控制系统的关键部件之一的轴箱轴承故障预警为例，进行说明。此部件的故障预警方法如下。
[0070]
步骤一：phm装置的传输单元从网络系统读取本轴轮径，并从牵引控制单元读取本轴转速信号，同时phm装置的新增传感器的采集单元采集轴箱的振动加速度、温度信号。
[0071]
步骤二：phm装置的实时监控与报警单元计算振动加速度有效值、平均温度值等状态量，并与预设值报警值进行比较，如果超过报警值则触发报警，并将报警信息发送给网络控制系统，与此同时显示单元弹屏显示，存储单元存储报警信息。
[0072]
报警信息包括故障时间、报警名称、振动加速度有效值等状态量，并进入步骤三进行故障定位及原因分析。否则进入步骤三进行潜在故障预警分析。
[0073]
步骤三：phm装置的故障特征提取单元根据本轴转速信号、本轴轮径，结合大小齿轮齿数、轴承外形设计参数，计算轴承故障特征频率，同时采用快速峭度谱分析法计算振动信号滤波频带，再采用加速度包络谱法和频谱分析法计算振动信号包络谱，获得轴承故障特征频率处的幅值，然后将轴承故障特征频率处的幅值作为故障特征指标，最后进入步骤四。
[0074]
步骤四：phm装置的故障诊断与预警单元基于步骤三计算的故障特征指标，采用梯度提升树模式识别模型(梯度提升树模式识别模型是一种现有的人工智能故障诊断模型)对轴箱轴承故障模式进行识别，即对步骤二已报警的故障进行故障定位，对步骤二未报警的数据进行分析，排查轴箱轴承是否有潜在故障。
[0075]
此处轴箱轴承故障模式包括外圈、内圈、滚动体和保持架四种故障模式。如果诊断或预警出故障，则将诊断与预警信息发送给网络控制系统，与此同时显示单元弹屏显示，存储单元存储诊断与预警信息，诊断与预警信息包括故障时间、故障名称、故障特征指标，以及故障时间前后预设时间段(例如10s)的原始波形信号，原始波形信号包括振动加速度信号、温度信号、本轴转速信号等。
[0076]
步骤五：循环步骤一至步骤四。
[0077]
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
[0078]
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清
楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
[0079]
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
[0080]
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
[0081]
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
[0082]
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。