一种地铁牵引电机滤网堵塞的检测方法及其检测装置

技术领域

本发明属于电机滤网检测技术领域，具体涉及一种地铁牵引电机滤网堵塞的检测方法及其检测装置。

背景技术

地铁的开通运营，为广大市民群众提供了便利，加速了城市发展，其安全稳定运行具有重要的社会意义。作为地铁牵引系统最重要的核心部件之一，它的散热系统和原理一直是一个重要的研究点。实际工作过程中，牵引电机需要有一个良好的散热设计，以便及时将热量散发出去，保证地铁正常工作。风冷是最重要的散热方式之一，而关乎风冷效果好坏的最重要部件是牵引电机滤网。因此，定期的滤网清洗成为了保证地铁安全运行的关键。然而，现阶段滤网清洗的规则往往比较单一，根据清洗间隔时间来决定是否清洗，没有提前观察或诊断滤网堵塞程度再决定，有时会进行不必要的清洗，有时又会错过清洗的最佳时机。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种地铁牵引电机滤网堵塞的检测方法及其检测装置。

为实现上述技术目的，本发明采取的技术方案为：

一种地铁牵引电机滤网堵塞的检测方法，包括如下步骤：

获取地铁运行数据集，所述地铁运行数据集为地铁每天运行时间集内对应的地铁运行数据，所述地铁每天运行时间集内对应的地铁运行数据时间跨度至少一年；

从地铁运行数据集中选择相关数据集；

选择地铁运行相关参数，所述地铁运行相关参数包括工况参数和温度参数，并构造工况参数与温度参数下降趋势之间的非线性分布关系；

建立异常检测模型，对工况参数、非线性分布关系进行检测，判断电机滤网是否处于堵塞状态，并对检测结果进行二次修正；

将电机滤网的不同异常数据进行比较，设定异常数据比例，根据异常数据比例判断电机滤网是否堵塞。

为优化上述技术方案，采取的具体措施还包括：

进一步地，地铁运行数据的处理过程为：

将地铁数据集的原始二进制地铁数据利用MVB解析协议进行解析，并转换为十进制结构化数据；并从地铁数据集中筛选出地铁运行数据集。

进一步地，选择所述相关数据集的具体过程为：

对地铁运行数据集按照地铁运行速度进行筛选，分为多个工况数据，选择制动后地铁车速为零的工况数据作为相关数据集；

该相关数据集牵引电机处于冷却风机低速挡开启状态。

进一步地，非线性分布关系构造的具体过程为：

对所述地铁车速为零的工况数据集，从相关数据集中选择牵引电机的工况参数和牵引电机不同部位的温度参数作为地铁运行相关参数，并进行温度参数下降趋势分析，筛选出影响温度下降的工况参数；建立该工况参数与牵引电机温度参数之间的非线性分布关系。

所述工况参数包括电机转速、电机电流和电机网压，所述非线性分布关系包括均值、标准差、峰度、偏度、均方根、裕度因子、波形因子、脉冲因子、峰值因子。

进一步地，异常检测模型建立过程为：选择工况参数、非线性分布关系，构建LOF异常检测模型，通过比较每个温度数据点与其邻域点的密度来判断该温度数据点是否为异常点，若为异常点，则判断此时电机滤网处于堵塞状态；每个温度数据点与其邻域点的密度通过该温度数据点的第k邻域来计算。

进一步地，检测结果进行二次修正的具体过程为：

根据全部停车过程中温度下降速率的分布，从起始温度开始，将温度划分为以10℃为单位的区间，对于区间内小于25％分位数的异常值，判定为滤网可能存在堵塞问题，25％分位数以上的异常点，修正为正常数据。

进一步地，滤网堵塞检测的具体过程为：

以车厢为单元，对每个单元的电机滤网进行异常数据检测；

对每个单元内的异常数据进行对比分析，对其中电机滤网的异常数据超过其他电机滤网的异常数据比例阈值的，判断该电机滤网堵塞。

进一步地，滤网堵塞检测的过程还包括，根据所述地铁运行相关参数，结合所述地铁异常检测模型，分析当前地铁电机滤网的滤网堵塞状态。

进一步地，滤网堵塞状态分析过程为：将滤网堵塞状态按照等级划分，建立Ordered Logit回归模型，利用异常检测模型检测出的滤网数据，结合所述地铁运行相关参数，计算出当前滤网堵塞等级，根据当前滤网堵塞等级进行智能预警。

一种地铁牵引电机滤网堵塞的检测装置，包括：

数据收集模块，用于收集车联网所采集的地铁运行数据集，并进行解析转换，发送给数据处理模块；

数据处理模块，用于对地铁运行数据集进行筛选和构造，构造工况数据集和地铁运行特征；

数据分析模块，将地铁运行特征划分为：工况参数和温度参数，分析工况参数与温度参数之间下降趋势的分布特征；

建模模块，用于构建LOF异常检测模型，并对温度下降速率的非线性分布关系进行检测，并判断电机滤网是否处于堵塞状态；

结果修正模块，以起始温度进行温度区间划分，设定异常值，利用异常值对检测结果进行二次修正。

检测模块，按照车厢为单元，对牵引电机进行滤网数据异常检测。

本发明的有益效果：

本发明一种地铁牵引电机滤网堵塞的检测方法，选择特定工况下的数据以及相关参数进行对比分析，对于滤网堵塞的数据而言，可能存在部分异常点，虽然没有触发温度机理模型的预警，但与正常的温升曲线已有所区别，这些异常点可能分布较为集中，但与数据的中心值差距较远，本方案利用LOF算法建立异常检测模型来分析异常数据，并对异常数据进行二次修正，大大提高了检测的精度。同时利用Ordered Logit回归模型对滤网堵塞状态进一步分析，进行智能预警分析。

附图说明

图1是本发明的检测流程示意图；

图2是本发明的检测装置连接关系图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

具体实施例一

本发明提供一种地铁牵引电机滤网堵塞的检测方法，包括如下步骤：

步骤S1：获取地铁运行数据集；步骤S2：从地铁运行数据集中选择相关数据集；步骤S3：选择地铁运行相关参数，并构造工况参数与温度参数下降趋势之间的非线性分布关系；步骤S4：建立异常检测模型，对工况参数、非线性分布关系进行检测，判断电机滤网是否处于堵塞状态，并对检测结果进行修正；步骤S5：进行模型检测，并进行电机滤网堵塞状态分析。

步骤S1中，地铁运行数据集为地铁每天运行时间集内对应的地铁运行数据，其中所采用的地铁每天运行时间集内对应的地铁运行数据时间跨度至少一年；步骤S2中，对列车运行数据集按照列车运行速度进行筛选，分为多个工况数据，选择制动后地铁车速为零的工况数据(即，地铁制动后的停车过程数据，具体为：车速为零，且牵引电机冷却风机的低速挡开启状态下)作为相关数据集。步骤S3中，地铁运行相关参数包括工况参数和温度参数，其中工况参数为对温度参数产生影响的因素，非线性分布关系为工况参数与温度参数之间的关系表示。步骤S4中，根据全部停车过程数据中温度下降速率的分布，将起始温度划分为以10为单位的区间，只保留区间内小于25％分位数的异常值，并判定为滤网可能存在堵塞问题，25％分位数以上的异常点，修正为正常数据。步骤S5中，对当前检测的滤网数据，分析滤网堵塞状态等级，等级越高，越趋近于堵塞。

获取地铁运行数据集，采用人工智能机器学习算法，对数据集进行总结和分析，筛选出影响温度下降速率的地铁运行相关参数，并利用异常检测模型进行异常检测，并对检测结果进行二次修正，从而判断该电机滤网是否堵塞。相比现有技术根据清洗时间间隔而言，本方案更加贴近实际考虑了地铁运行工况与牵引电机的工作状况之间的关系，可以更加准确、及时、有效的分析出滤网的实际状况，同时减小了误报或者漏报的风险，便于本领域工作人员根据堵塞情况及时改变地铁变流器滤网的清洗状态，使得地铁牵引电机滤网的清洗贴合地铁牵引电机滤网本身的堵塞状况，避免出现不必要的清洗和清洗不及时的状况。

下面对本实施方式的一种地铁牵引电机滤网堵塞的检测方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，本实施方式的具体流程如图1所示。

步骤S1：获取地铁运行数据集。

具体而言，与地铁通信网TCN建立通信链接，多功能车辆总载MVB为地铁通信网TCN的一部分。地铁通信网上设置有多个信息采集点，这些信息采集点将所采集的信息上传给地铁通信网TCN，随后由本步骤S1接收。由于与地铁通信网之间的信息通信是通过MVB进行的，故所接收到的原始数据(即，原先信息采集点所采集到的信息)均为符合MVB协议的数据。所以步骤S1中获取TCN所发送的原始数据后，还会对原始数据进行数据处理，具体为：S11，接收TCN所发送的原始数据；S12，使用专用的解析软件，导入对应的MVB解析协议，对原始的二进制数据进行解析，得到可供分析的地铁运行的十进制结构化数据；S13，将十进制结构化数据按照地铁运行时间进行划分，筛选出每天运行时间集内对应的地铁运行数据集。

由于TCN中MVB采集的测点通常涵盖地铁运行的外部环境、控制信号、各关键部件等测点，这些测点对地铁历史和即时的运行状况做了客观真实的记录，可以用于追溯历史、检测异常等情况，地铁运行相关参数包括温度参数和工况参数，为细致分类，将工况参数划分为牵引电机转速、牵引电机电流和电机网压等；将温度参数划分为两类：A类车外温度、B类电机温度，其中B类电机温度包括电机定子温度、电机驱动端温度、电机非驱动端温度等。

S13中，筛选出每天运行时间集为时间跨度为不少于一年的连续时间段。因为时间跨度选择包含了四季环境的影响因素，不同季节对电机滤网的运行情况会产生较大变化，可以最大程度保证了数据的检测可靠性。

步骤S2：从地铁运行数据集中选择相关数据集。

具体为：获取预设车速，从地铁运行数据集中，按照地铁车速与预设车速的大小对比，筛选出多个工况数据，将符合预设车速的工况数据作为相关数据集。

具体而言：本方案中，预设车速为零，因此将工况数据划分成运行状态和制动后停车状态两个工况数据，选择制动后的停车数据，该停车数据为地铁车速为零，且牵引电机冷却风机低速挡开启状态下的数据。

因为该段时间内地铁速度为零，除牵引电机冷却风机低速档风冷和外界温度较低导致的自然冷却外，牵引电机的温度几乎不受到其他外界因素的影响。利用该段数据进行分析可以大大减少其他可能的因素影响，同时由于牵引电机风机低速档出力一致，因此温度下降的速率可最大程度上反映滤网的堵塞程度。

在一个示例中，对筛选后的工况数据集还会进行以下操作：处理工况数据集中的缺失值和异常值，并更新工况数据集。对制动后停车的工况数据集中的数据进行清洗与整理，利用常规方法处理缺失值处理和异常值处理，尽可能地使数据呈现出一段又一段完整运行的过程，并保持所选数据具有稳定的采样率。

步骤S3：筛选地铁运行的工况参数，列车运行相关特征包括工况参数和温度参数，并构造工况参数与温度参数下降趋势之间的非线性分布关系。

具体而言，需要对牵引电机温度参数下降趋势进行分析的时候，结合制动后的停车数据所组成的工况数据集来分析，此时需要考虑牵引电机不同零部件的温度，以及可能影响牵引电机温度变化的各个因素，通过对比各个因素与牵引电机温度变化关系，来筛选出工况参数。

具体地，步骤S31：选择不同的温度参数，筛选出影响温度下降趋势的工况参数。

其中，温度参数包括车外温度、牵引电机定子温度、牵引电机驱动端温度、牵引电机非驱动端温度；工况参数包括牵引电机转速、牵引电机电流、电机网压。

步骤S32：构造地铁运行的工况参数与温度参数下降趋势之间的非线性分布关系。

其中，非线性分布关系包括均值、标准差、峰度、偏度、均方根、裕度因子、波形因子、脉冲因子、峰值因子等其中的至少一种。理由是：在构造非线性分布关系与牵引电机温度之前的关系时，单纯的线性关系不能满足需求，需要多种非线性关系的组合来共同刻画，因为这些相关特征对电机温度的影响是综合的，所以需要多种表述方式，可以使得刻画结构更加准确。

步骤S4：建立异常检测模型，对异常的非线性分布关系进行检测，并对检测结果进行二次修正。

具体而言，所述异常检测模型建立过程为：利用LOF算法进行建立，通过比较每个温度数据点与其邻域点的密度来判断该温度数据点是否为异常点，每个温度数据点与其邻域点的密度通过该温度数据点的第k邻域来计算。

其中，异常检测模型具体建立过程包括：

S41：利用从工况数据集中筛选出影响温度下降趋势的工况参数，提取工况参数的时域特征组成测点数据集；

S42：利用LOF算法建立测点数据集与温度下降趋势的非线性分布关系，得到LOF算法异常检测模型。

具体地，S43的原理为：利用LOF算法通过比较每个温度数据点与其邻域点的密度来判断该数据点是否为异常点，并且是通过该异常点的第k邻域来计算，并不是全局，因此可对局部数据进行较好的处理，避免因为数据密度分散情况不同而错误的将正常点判定为异常点；对于用于判断滤网是否堵塞的数据而言，可能存在部分异常点，虽然这些数据没有触发温度机理模型的预警，但从局部来看，与正常的温升曲线已有所区别，并且这些异常点的局部分布可能较为集中，但与数据的中心值差距较远，因此利用LOF算法异常检测模型可有效检测。

S43：对检测结果进行修正，并更新LOF检测模型。

具体为：根据全部停车过程中温度下降速率的分布，将起始温度划分为以10℃为单位的区间，只保留区间内小于25％分位数的异常值，并判定为滤网可能存在堵塞问题，25％分位数以上的异常点，修正为正常数据。

其原理为：由于LOF算法异常检测模型在具体判断过程中，会将一些温升下降速率过快的数据点判定为异常点，但是每个数据点的下降速率与起始温度相关，所以会存在误判的情况，因此建立温度数据分布关系，其中横轴为停车过程中牵引电机的起始温度，纵轴为计算出的温度下降斜率，根据全部停车过程中温度下降速率的分布，将起始温度划分为以10为单位的区间，只保留区间内小于25％分位数的异常值，并判定为滤网可能存在堵塞问题，25％分位数以上的异常点，修正为正常数据。

步骤S5：将不同电机滤网的异常数据进行比较，设定异常数据比例，根据异常数据比例判断电机滤网是否堵塞。

具体而言，将不同电机滤网的异常数据进行比较，设定异常数据比例，根据异常数据比例判断电机滤网是否堵塞，以及根据地铁运行相关参数，结合地铁异常检测模型，分析当前地铁电机滤网的滤网堵塞状态。

S51：以车厢为单元，对每个单元的电机滤网进行异常特征检测；

S52：对每个单元内的异常数据进行对比分析，对其中电机滤网的异常数据超过其他电机滤网的异常数据比例阈值的，判断该电机滤网堵塞。

此步骤中可以判断出电机滤网堵塞或不堵塞两种状态，对于电机滤网判断处于堵塞状态，则进行更换清洗，当电机滤网判断处于不堵塞状态，此时表明电机滤网还可继续使用，无需立即清洗，但是不能表明电机滤网无堵塞。因此需要对滤网的堵塞状态进一步分析。

S53：滤网堵塞状态分析过程为：将滤网堵塞状态按照等级划分，建立OrderedLogit回归模型，利用异常检测模型检测出的滤网数据，结合所述地铁运行相关参数，计算出当前滤网堵塞等级，根据当前滤网堵塞等级进行智能预警。

在实际检测过程中，由于一节动车车厢具有两个转向架，每个转向架下悬挂有两个牵引电机，每个牵引电机有一个滤网；因此可对每节车厢的所有牵引电机滤网进行异常检测模型，通过对模型预测的每个牵引电机滤网的异常数据比例进行横向比较，确定某个电机滤网发生堵塞，即如果某个牵引电机滤网异常数据比例超过其它几个牵引电机滤网异常数据比例的20％，则可认为该牵引电机滤网发生堵塞。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

第二实施例：

如图2所示，本发明的第二实施方式提供了一种牵引变流器滤网堵塞的诊断装置，包括：

数据收集模块，用于收集车联网所采集的地铁运行数据集，并进行解析转换，发送给数据处理模块；

数据处理模块，用于对地铁运行数据集进行筛选和构造，构造相关数据集和地铁运行特征；

其中数据处理模块包括分类存储单元、特征提取单元；分类存储单元，利用设定的速度作为第一阈值标准，将地铁运行数据集划分为多个工况数据集，将车速为零，牵引电机风机位于低速挡，且风机冷却挡开启状态下的工况数据集作为相关数据集；

特征提取单元，从相关数据集中提取表征牵引电机堵塞状态的地铁运行特征；

数据分析模块，将地铁运行特征划分为：工况参数和温度参数，分析工况参数与温度参数之间下降趋势的分布特征；

建模模块，用于构建LOF异常检测模型，并对温度下降速率的非线性分布关系进行检测，并判断电机滤网是否处于堵塞状态；

结果修正模块，以起始温度进行温度区间划分，设定异常值，利用异常值对检测结果进行二次修正。

检测模块，按照车厢为单元，对牵引电机进行滤网数据异常检测。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以做出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。