摘要
伴随着中国高速铁路里程的增加与高速铁路网的逐渐完善，针对列车安全监测与故障诊断的智能化、精确化研究更应被重视。牵引变流器是高速铁路牵引系统的重要组成部分，在供电和牵引过程中发挥着重要作用。由于工作环境恶劣，工作强度大，牵引变流器更易发生重大故障，并对列车运行速度与安全产生影响。为了列车的安全运行，构建高速列车牵引变流器的故障诊断与预测框架变得至关重要。然而，在列车实际工作过程中，由于故障存在退化时间、故障发生缓慢、工况复杂难以采集足够数据等问题，采集到的牵引变流器故障数据量少且不平衡，基于数据驱动的故障诊断与预测系统难以胜任。因此本文主要进行了高速列车的牵引变流器在小样本数据下的故障诊断和预测研究，主要内容包括: (1)对基于小样本学习算法的故障诊断问题进行国内外研究现状进行综述，重点分析了牵引变流器故障诊断与预测面临的主要问题，梳理出研究思路。接着说明了既有高速列车传感器采集与传输网络，采用相关性方法与工作机理筛选了对牵引变流器健康状态影响较大的十五个特征数据，为后续实验做好数据准备。 (2)传统的高速列车故障诊断方法几乎都是基于数据驱动的深度学习模型，在小样本数据量下训练容易过拟合，并且传统方法忽略了传感器与故障数据的时序特征。针对这些问题，本文提出了一种基于小样本学习的高速列车牵引变流器的故障诊断与预测模型——LSTM-PN模型。模型由LSTM与注意力机制的特征提取部分与原形网络的框架共同构成，适应小样本数据的同时在时序数据特征提取上表现更佳;由采用元学习的思路训练模型，将大的分类问题分为多个K类N样本的小样本学习子任务。实验证明该方法在故障诊断及预测上的精度表现优异。 (3)提出了一种牵引变流器的故障诊断与预测模型——T-Siam。对孪生网络的分支模块进行针对性改进，利用TCN对时间序列数据进行预测，同时采用1D-CNN代替传统的CNN提取时序数据的特征，最大限度保留了输入数据的附带信息;孪生网络的关系层用于输出分类结果。采用预训练与微调结合的方法训练模型。T-Siam模型对牵引变流器的关键故障进行端到端的精确诊断和早期预测，适用于多传感器和多故障问题，在提高分类精度和故障预测预警方面具有优势。 (4)将文章提出的两种模型与多种经典智能诊断方法在多个方面进行深入对比，同时探究LSTM-PN模型与T-Siam的最佳使用场景。实验证明两种模型在故障诊断与预测上均有优异表现，且LSTM-PN模型更适合进行故障的长期预测。
NETL