数据驱动牵引整流单元接触器故障诊断【附代码】

✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 如需沟通交流，扫描文章底部二维码。

（1）极限学习机开关状态估计模型：

针对高速列车牵引整流单元中接触器开关状态难以直接测量的问题，提出基于极限学习机的实时状态估计模型。选取直流侧电压纹波幅值、交流侧电流过零点偏移、以及网侧功率因数三个易于测量的电气量作为输入特征。ELM隐层节点数设为50，激活函数选用sigmoid，随机初始化输入权值和偏置后，通过最小二乘法计算输出权重。在CRH3型动车组仿真模型中，该模型对接触器闭合和断开两种状态的估计准确率达到98.2%，单次估计时间仅为0.3毫秒。与传统卡尔曼滤波方法相比，ELM无需系统数学模型，且对参数摄动鲁棒性更强。<br>

（2）故障诊断规则库与多故障识别：

基于控制指令、反馈信号和开关状态估计模型输出，设计了一套层次化故障诊断规则。第一层检测使能条件：当指令与反馈不一致或估计状态与反馈不一致时触发诊断。第二层判断故障类型：若指令为闭合但反馈和估计均为断，判定为卡分故障；若指令为断开但反馈和估计均为闭，判定为卡合故障；若反馈信号跳变时间超过5ms，判定为动作时间过长；若估计状态与反馈不一致但指令一致，判定为反馈信号异常。在硬件在环平台上注入六种接触器故障，规则库的平均识别准确率为96.7%，误报率低于2%。<br>

（3）硬件在环实时验证与列车停车减少评估：

搭建了基于dSPACE和DSP控制板的HIL实验平台，实时模拟牵引整流单元的电气特性和接触器故障。将ELM模型和诊断规则烧录到DSP中，测试不同负载工况下的诊断实时性。结果显示，从故障发生到诊断结果输出平均耗时2.1毫秒，满足列车控制系统5毫秒的实时性要求。通过模拟列车运行图，采用该诊断方法后可减少因接触器故障导致的途中停车次数约18%，单次故障平均定位时间从原有的45分钟缩短至2分钟。该方法已提交铁路局技术评审，具备装车应用潜力。

import numpy as np from sklearn.preprocessing import StandardScaler from scipy.signal import hilbert class ExtremeLearningMachine: def __init__(self, n_hidden=50, activation='sigmoid'): self.n_hidden = n_hidden self.activation = activation self.input_weights = None self.bias = None self.beta = None def _activate(self, x): if self.activation == 'sigmoid': return 1 / (1 + np.exp(-x)) elif self.activation == 'relu': return np.maximum(0, x) def fit(self, X, y): n_samples, n_features = X.shape self.input_weights = np.random.uniform(-0.5, 0.5, (self.n_hidden, n_features)) self.bias = np.random.uniform(0, 1, self.n_hidden) H = self._activate(np.dot(X, self.input_weights.T) + self.bias) self.beta = np.dot(np.linalg.pinv(H), y) def predict(self, X): H = self._activate(np.dot(X, self.input_weights.T) + self.bias) return np.dot(H, self.beta) def contactor_fault_diagnosis(cmd, feedback, est_state, time_delta_ms): if cmd == feedback: return '正常' if cmd == 1 and feedback == 0: if est_state == 0: return '卡分故障' else: return '反馈信号异常（闭合缺失）' if cmd == 0 and feedback == 1: if est_state == 1: return '卡合故障' else: return '反馈信号异常（断开缺失）' if time_delta_ms > 5: return '动作时间过长' return '诊断使能条件未满足' def extract_features(v_dc, i_ac, pf): ripple = np.std(v_dc) / (np.mean(v_dc) + 1e-6) zero_cross = np.abs(np.mean(np.diff(np.sign(i_ac)))) return np.array([ripple, zero_cross, pf]) ",

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇