本发明公开了一种基于振动信号和领域知识的牵引变压器故障诊断方法，包括以下步骤：采集列车牵引变压器在正常运行和各种故障状态下的振动信号和运行数据，构建故障诊断模型数据集，构建基于残差神经网络的故障诊断模型，包括输入层、卷积层、残差块、批归一化层、全连接层和Softmax层，使用训练集训练故障诊断模型并通过测试集检验模型性能，得到训练好的故障诊断模型，将实时采集的列车牵引变压器振动信号和运行数据输入故障诊断模型中，输出对牵引变压器的故障诊断结果。本发明的有益效果在于提出了一种结合振动信号和领域知识的牵引变压器故障诊断方法，能够快速准确地实现列(56)对比文件Lei Guo.et al.A Fault Diagnosis Basedon Multiscale Texture Features of CableTerminal on EMU of High-Speed Railway.《IEEE》.2020,全文.Hongtian Chen.et al.A Review of FaultDetection and Diagnosis for the TractionSystem in High-Speed Trains《.IEEE》.2019,第21卷(第02期),全文.
1.一种基于振动信号和领域知识的牵引变压器故障诊断方法，其特征在于，结合牵引变压器的振动信号与故障诊断领域知识对牵引变压器进行故障诊断，包括以下步骤：
1)通过牵引变压器中的加速度传感器采集正常状态以及N种故障状态下的变压器振动信号，单组振动信号记为f，f＝{f1(t),f2(t),…,fK(t)}，fk(t)为第k个传感器采集获得的振动信号，fk(t)＝[xk(1),xk(2),…,xk(T)]，k表示传感器编号，k＝1,2,…,K，K为总的传感器数量，t表示振动信号的时间序列，t＝1,2,…,T，T表示信号采样的数量，xk(t)为第k个传感器在t时刻测量得到的具体幅值；对采集到的信号f进行归一化处理，归一化范围为(0，
式中，xk(t)′为xk(t)归一化后的值，xkmax、xkmin分别为fk(t)中的最大值和最小值，round()为round函数；归一化后的振动信号记为 使用长度为w、步长为w的滑动窗口在振动信号 上滑动取值，由 可以得到k个(w，w)的2维向量，则单组振动信号可表示成大小为(k，w，w)的向量，记为
2)牵引变压器故障诊断领域知识包括振动信号产生机理、变压器设备健康信息以及设备历史监测数据等，结合领域知识和牵引变压器运行数据构建变压器振动信号的领域信息图G，并对G进行归一化处理得到 G中各个位置的值可由下式计算得到：其中Gij为G中坐标(i，j)处的灰度值，i，j为领域信息图中的坐标位置，0≤i,j＜w，v为振动信号fk采集时间段内的列车平均运行速度，Af为牵引变压器正常情况下的基频振动幅值，p为牵引变压器负载率，HI为设备健康指数，具体计算方式为 其中B表示老化系数，HI0为设备初始健康指数，T1与T0分别表示当前时刻与设备初始投运时刻；
由归一化后的振动信号和领域信息图可得到单个数据样本Dr ， 表示
牵引变压器第n种运行状态下的第r个数据样本，大小为(k+1，w，w)，其中r＝1,2,…,R，R为第n种运行状态下的数据样本总数，n＝1,2,…,N，当n＝0时表示正常状态，n≥1时表示不同的故障状态，所有数据样本构成故障诊断模型数据集，并将数据集按照4：1的比例随机划分为训练集与测试集；
3)构建基于神经网络的故障诊断模型，神经网络以残差网络为基础，包括输入层、卷积层、残差块、批归一化层、全连接层和Softmax层，由2)建立的训练集作为训练数据输入故障诊断模型，经过卷积层和残差块提取特征后输入至全连接层，再由Softmax层进行分类，输出预测的牵引变压器故障状态；故障诊断网络中优化模型使用的目标函数为交叉熵损失函数，交叉熵损失的计算公式如下：其中H(p，q)为交叉熵损失，p(xi)代表样本xi的真实概率分布，q(xi)代表模型对xi预测的概率分布；模型训练优化器为Adam优化器，初始学习率为0.001，模型训练中droprate＝
0.5，激活函数为Relu，在每一个训练回合结束后将测试集数据输入模型进行测试并得到模型在测试集上的准确率acc，当acc<σ时模型继续训练，σ为设定的准确率阈值，acc≥σ时则结束训练并保存此时的模型参数，得到训练好的牵引变压器故障诊断模型；
4)将实时采集的列车牵引变压器振动信号数据和运行数据通过前述1)、2)步骤处理后输入3)中训练好的变压器故障诊断模型中，得到牵引变压器故障诊断结果。
一种基于振动信号和领域知识的牵引变压器故障诊断方法
技术领域
[0001] 本发明属于电气设备在线监测与故障诊断领域，具体涉及一种基于振动信号和领域知识的牵引变压器故障诊断方法。
背景技术
[0002] 随着我国综合实力提升，高速铁路也在快速发展，铁路作为最重要的交通方式之一，在人民生活和社会生产方面有着至关重要的影响。牵引变压器是动车组的核心设备，具有工作环境复杂的特点，列车频繁启停导致牵引变压器用电负荷波动较大，并且长期遭受机械冲击，使得牵引变压器容易发生故障。对牵引变压器实现快速准确的故障诊断，及时排除风险，能够保障高速铁路安全稳定运行。
[0003] 领域知识是特定专业学科或领域的知识，在牵引变压器故障诊断领域，领域知识包括振动信号产生机理、变压器设备健康信息以及设备历史监测数据等。基于深度学习的故障诊断方法可以对采集的原始测量数据进行特征提取并识别故障类型，相比传统故障检测方法，深度学习方法可以避免人工特征选择造成的特征丢失。对于纯数据驱动的模型来说，领域知识能够有效提高模型的性能并降低模型的训练难度，特别是在数据量不足或网络较深的情况下。目前基于振动信号的牵引变压器故障诊断方法中，还没有提出具体的手段将领域知识集成到振动信号中，因此急需提出一种基于振动信号和领域知识的牵引变压器故障诊断方法，能够快速准确地实现车载牵引变压器的在线故障诊断。
发明内容
[0004] 本发明的目的是提供一种基于振动信号和领域知识的牵引变压器故障诊断方法，能够快速准确地实现车载牵引变压器的在故障诊断，并通过如下技术手段实现：
[0005] 1.一种基于振动信号和领域知识的牵引变压器故障诊断方法，其特征在于，结合牵引变压器的振动信号与故障诊断领域知识对牵引变压器进行故障诊断，包括以下步骤：
[0006] 1)通过牵引变压器中的加速度传感器采集正常状态以及N种故障状态下的变压器振动信号，单组振动信号记为f，f＝{f1(t),f2(t),…,fK(t)}，fk(t)为第k个传感器采集获得的振动信号，fk(t)＝[xk(1),xk(2),…,xk(T)]，k表示传感器编号，k＝1,2,…,K，K为总的传感器数量，t表示振动信号的时间序列，t＝1,2,…,T，T表示信号采样的数量，xk(t)为第k个传感器在t时刻测量得到的具体幅值；对采集到的信号f进行归一化处理，归一化范围为(0，255)，归一化公式如下所示：
[0007]
[0008] 式中，xk(t)′为xk(t)归一化后的值，xkmax、xkmin分别为fk(t)中的最大值和最小值，round()为round函数；归一化后的振动信号记为 使用长度为w、步长为w的滑动窗口在振动信号 上滑动取值，由 可以得到k个(w，w)的2维向量，则单组振动信号可表示成大小为(k，w，w)的向量，记为
[0009] 2)牵引变压器故障诊断领域知识包括振动信号产生机理、变压器设备健康信息以及设备历史监测数据等，结合领域知识和牵引变压器运行数据构建变压器振动信号的领域信息图G，并对G进行归一化处理得到 G中各个位置的值可由下式计算得到：
[0010]
[0011] 其中Gij为G中坐标(i，j)处的灰度值，i，j为领域信息图中的坐标位置，0≤i,j＜w，v为振动信号fk采集时间段内的列车平均运行速度，Af为牵引变压器正常情况下的基频振动幅值，p为牵引变压器负载率，HI为设备健康指数，具体计算方式为 其中B表示老化系数，HI0为设备初始健康指数，T1与T0分别表示当前时刻与设备初始投运时刻；
[0012] 由归一化后的振动信号和领域信息图可得到单个数据样本表示牵引变压器第n种运行状态下的第r个数据样本，大小为(k+1，w，w)，其中r＝1,
2,…,R，R为第n种运行状态下的数据样本总数，n＝1,2,…,N，当n＝0时表示正常状态，n≥1时表示不同的故障状态，所有数据样本构成故障诊断模型数据集，并将数据集按照4：1的比例随机划分为训练集与测试集；
[0013] 3)构建基于神经网络的故障诊断模型，神经网络以残差网络为基础，包括输入层、卷积层、残差块、批归一化层、全连接层和Softmax层，由2)建立的训练集作为训练数据输入故障诊断模型，经过卷积层和残差块提取特征后输入至全连接层，再由Softmax层进行分类，输出预测的牵引变压器故障状态；故障诊断网络中优化模型使用的目标函数为交叉熵损失函数，交叉熵损失的计算公式如下：
[0014]
[0015] 其中H(p，q)为交叉熵损失，p(xi)代表样本xi的真实概率分布，q(xi)代表模型对xi预测的概率分布；模型训练优化器为Adam优化器，初始学习率为0.001，模型训练中droprate＝0.5，激活函数为Relu，在每一个训练回合结束后将测试集数据输入模型进行测试并得到模型在测试集上的准确率acc，当acc<σ时模型继续训练，σ为设定的准确率阈值，acc≥σ时则结束训练并保存此时的模型参数，得到训练好的牵引变压器故障诊断模型；
[0016] 4)将实时采集的列车牵引变压器振动信号数据和运行数据通过前述1)、2)步骤处理后输入3)中训练好的变压器故障诊断模型中，得到牵引变压器故障诊断结果。
[0017] 本发明的有益效果在于提出了一种基于振动信号和领域知识的牵引变压器故障诊断方法，能够快速准确地实现列车牵引变压器的在线故障诊断，为高速列车的安全稳定运行提供有力保障。
附图说明
[0018] 图1为本发明中所述故障诊断方法的流程图。
具体实施方式
[0019] 下面结合附图对本发明的实施流程作进一步的详述。如图1流程图，本发明所述的一种基于振动信号和领域知识的牵引变压器故障诊断方法，包括以下步骤：
[0020] 1)通过牵引变压器中的加速度传感器采集正常状态以及N种故障状态下的变压器振动信号，单组振动信号记为f，f＝{f1(t),f2(t),…,fK(t)}，fk(t)为第k个传感器采集获得的振动信号，fk(t)＝[xk(1),xk(2),…,xk(T)]，k表示传感器编号，k＝1,2,…,K，K为总的传感器数量，t表示振动信号的时间序列，t＝1,2,…,T，T表示信号采样的数量，xk(t)为第k个传感器在t时刻测量得到的具体幅值；对采集到的信号f进行归一化处理，归一化范围为(0，255)，归一化公式如下所示：
[0021]
[0022] 式中，xk(t)′为xk(t)归一化后的值，xkmax、xkmin分别为fk(t)中的最大值和最小值，round()为round函数；归一化后的振动信号记为 使用长度为w、步长为w的滑动窗口在振动信号 上滑动取值，由 可以得到k个(w，w)的2维向量，则单组振动信号可表示成大小为(k，w，w)的向量，记为
[0023] 2)牵引变压器故障诊断领域知识包括振动信号产生机理、变压器设备健康信息以及设备历史监测数据等，结合领域知识和牵引变压器运行数据构建变压器振动信号的领域信息图G，并对G进行归一化处理得到 G中各个位置的值可由下式计算得到：
[0024]
[0025] 其中Gij为G中坐标(i，j)处的灰度值，i，j为领域信息图中的坐标位置，0≤i,j＜w，v为振动信号fk采集时间段内的列车平均运行速度，Af为牵引变压器正常情况下的基频振动幅值，p为牵引变压器负载率，HI为设备健康指数，具体计算方式为 其中B表示老化系数，HI0为设备初始健康指数，T1与T0分别表示当前时刻与设备初始投运时刻；
[0026] 由归一化后的振动信号和领域信息图可得到单个数据样本表示牵引变压器第n种运行状态下的第r个数据样本，大小为(k+1，w，w)，其中r＝1,
2,…,R，R为第n种运行状态下的数据样本总数，n＝1,2,…,N，当n＝0时表示正常状态，n≥1时表示不同的故障状态，所有数据样本构成故障诊断模型数据集，并将数据集按照4：1的比例随机划分为训练集与测试集；
[0027] 3)构建基于神经网络的故障诊断模型，神经网络以残差网络为基础，包括输入层、卷积层、残差块、批归一化层、全连接层和Softmax层，由2)建立的训练集作为训练数据输入故障诊断模型，经过卷积层和残差块提取特征后输入至全连接层，再由Softmax层进行分类，输出预测的牵引变压器故障状态；故障诊断网络中优化模型使用的目标函数为交叉熵损失函数，交叉熵损失的计算公式如下：
[0028]
[0029] 其中H(p，q)为交叉熵损失，p(xi)代表样本xi的真实概率分布，q(xi)代表模型对xi预测的概率分布；模型训练优化器为Adam优化器，初始学习率为0.001，模型训练中droprate＝0.5，激活函数为Relu，在每一个训练回合结束后将测试集数据输入模型进行测试并得到模型在测试集上的准确率acc，当acc<σ时模型继续训练，σ为设定的准确率阈值，acc≥σ时则结束训练并保存此时的模型参数，得到训练好的牵引变压器故障诊断模型；
[0030] 4)将实时采集的列车牵引变压器振动信号数据和运行数据通过前述1)、2)步骤处理后输入3)中训练好的变压器故障诊断模型中，得到牵引变压器故障诊断结果。
[0031] 本发明的有益效果在于提出了一种基于振动信号和领域知识的牵引变压器故障诊断方法，能够快速准确地实现列车牵引变压器的在线故障诊断，为高速列车的安全稳定运行提供有力保障。
