融合能量熵编码和分类模型的牵引电机故障诊断

作     者：张坤鹏 李昊 安春兰 杨辉 张志超 ZHANG Kunpeng;LI Hao;AN Chunlan;YANG Hui;ZHANG Zhichao

作者机构：华东交通大学电气与自动化工程学院江西南昌330013 江西省先进控制与优化重点实验室江西南昌330013 轨道交通基础设施性能监测与保障国家重点实验室江西南昌330013 北京全路通信信号研究设计院集团有限公司北京100070 中国铁道科学研究院集团有限公司机车车辆研究所北京100081 

出 版 物：《铁道学报》 (Journal of the China Railway Society)

年 卷 期：2023年第45卷第9期

页      面：64-73页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 1002[医学-临床医学] 08[工学] 082304[工学-载运工具运用工程] 080204[工学-车辆工程] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金(U2034211,62063007) 江西省重点研发计划(20192BBEL50034) 江西省自然科学基金(20224BAB212021,20232BAB202029) 江西省教育厅项目(GJJ200610) 江西省研究生创新专项资金(YC2022-s527) 中国国家铁路集团有限公司科技研究开发计划(N2022J028) 

主　　题：高速列车牵引电机 电磁转矩能量熵编码 改进的灰狼优化算法 分类优化模型 多类故障准确识别率 

摘      要：针对牵引电机故障特征不明显、识别定位困难等问题,提出一种融合能量熵编码与分类模型的故障特征量化诊断方法。结合故障机理特性,对故障严重程度进行建模,用微弱电流信号重构对故障敏感的电磁转矩信号,建立基于经验模态分解能量熵和故障属性知识编码的故障特征矩阵;为消除牵引电机故障样本少、非线性模式识别对精确诊断的影响,提出一种改进的灰狼优化算法(IGWO)对支持向量机分类SVM模型参数进行辨识,通过对多类故障准确识别率寻优实现对牵引电机状态预测。在高速列车牵引系统半实物仿真平台进行优化模型对比试验,通过对故障诊断指标分析可知,能量熵编码与IGWO-SVM融合方案可以很好地识别牵引电机故障。