非线性有源自回归(Nonlinear Auto Regressive eXogenous,NARX)模型在辨识过程中要求以随机激励作为输入信号,由于转子系统无法产生该信号,因此传统辨识方法不适用于此类系统。针对该问题,提出一种频域模型结构及对应的扫频辨识方法。首...非线性有源自回归(Nonlinear Auto Regressive eXogenous,NARX)模型在辨识过程中要求以随机激励作为输入信号,由于转子系统无法产生该信号,因此传统辨识方法不适用于此类系统。针对该问题,提出一种频域模型结构及对应的扫频辨识方法。首先,通过快速傅里叶变换(Fast Fourier Transform,FFT)得到系统扫频过程中全部时域响应的频谱,提取关键频率成分对应的频域数据,并组建频域模型结构下的候选模型项库。其次,引入基于预测残差平方和的正交向前回归算法(the Orthogonal Forward Regression algorithm,based on the Predictive Residual Sum of Squares,PRESS-based OFR)完成模型项选取。最后,通过简单转子系统数学模型得到的仿真数据及转子实验台得到的真实数据验证所提出建模方法的有效性和适用性,同时,也通过上述两种数据探讨了扫频过程中引入不同的频率成分信息对预测精度的影响。结果表明,采用频域数据得到的模型结构和对应的系数能准确预测系统时域响应。在仿真数据上,模型预测的归一化均方误差(Normalized Mean Square Error,NMSE)不超过0.3%,而实验数据的NMSE进一步降低至0.2%。此外,通过对比不同模型结构,包含二倍频对应数据的模型(模型二)在预测系统二倍频处对应的幅值时的精度比仅使用基频数据建立的模型(模型一)更准确,NMSE在转速为339.3 rad/s工况下提升了95.58%;因此,丰富的频域数据信息有利于得到更准确的模型,提出的方法为谐波激励系统的辨识提供了新思路。展开更多
In the field of railway traction drive systems,voltage sensor intermittent faults can significantly impact the reliability and safety of the entire system.This paper proposes an online diagnosis method for detecting s...In the field of railway traction drive systems,voltage sensor intermittent faults can significantly impact the reliability and safety of the entire system.This paper proposes an online diagnosis method for detecting such faults using an Artificial Intelligence(AI)predictor based on a Nonlinear Autoregressive with eXogenous inputs(NARX)data structure.The model is trained efficiently using the Extreme Learning Machine(ELM)algorithm.The NARX model captures the dynamic characteristics of the voltage sensor data,enabling the AI predictor to learn complex nonlinear relationships.The ELM training method ensures rapid convergence and high accuracy.Through extensive experimental validation,the proposed method demonstrates high sensitivity to voltage sensor intermittent faults and robust performance under varying operating conditions.This approach offers a promising solution for enhancing the diagnostic capabilities of railway traction systems,ensuring timely fault detection and improving overall system reliability.展开更多
基于台架采集数据,采用外部输入非线性自回归(nonlinear autoregressive model with exogenous input,NARX)神经网络建立了具备瞬态特性的柴油机排气温度计算模型作为虚拟传感器,并采用并发式训练方法对模型进行训练。将结果与前馈神经...基于台架采集数据,采用外部输入非线性自回归(nonlinear autoregressive model with exogenous input,NARX)神经网络建立了具备瞬态特性的柴油机排气温度计算模型作为虚拟传感器,并采用并发式训练方法对模型进行训练。将结果与前馈神经网络、长短期记忆网络(long short term memory,LSTM)神经网络及量产发动机的排温传感器采集结果进行对比。经验证,稳态工况下,两种神经网络均能达到较高精度;欧洲瞬态循环(European transient cycle,ETC)工况下,NARX神经网络计算温度的最大偏差为6.6℃,量产发动机排温传感器测得温度最大偏差为45.9℃。NARX神经网络所需的计算时间约为现有电控单元排温模型的2.5倍。展开更多
文摘非线性有源自回归(Nonlinear Auto Regressive eXogenous,NARX)模型在辨识过程中要求以随机激励作为输入信号,由于转子系统无法产生该信号,因此传统辨识方法不适用于此类系统。针对该问题,提出一种频域模型结构及对应的扫频辨识方法。首先,通过快速傅里叶变换(Fast Fourier Transform,FFT)得到系统扫频过程中全部时域响应的频谱,提取关键频率成分对应的频域数据,并组建频域模型结构下的候选模型项库。其次,引入基于预测残差平方和的正交向前回归算法(the Orthogonal Forward Regression algorithm,based on the Predictive Residual Sum of Squares,PRESS-based OFR)完成模型项选取。最后,通过简单转子系统数学模型得到的仿真数据及转子实验台得到的真实数据验证所提出建模方法的有效性和适用性,同时,也通过上述两种数据探讨了扫频过程中引入不同的频率成分信息对预测精度的影响。结果表明,采用频域数据得到的模型结构和对应的系数能准确预测系统时域响应。在仿真数据上,模型预测的归一化均方误差(Normalized Mean Square Error,NMSE)不超过0.3%,而实验数据的NMSE进一步降低至0.2%。此外,通过对比不同模型结构,包含二倍频对应数据的模型(模型二)在预测系统二倍频处对应的幅值时的精度比仅使用基频数据建立的模型(模型一)更准确,NMSE在转速为339.3 rad/s工况下提升了95.58%;因此,丰富的频域数据信息有利于得到更准确的模型,提出的方法为谐波激励系统的辨识提供了新思路。
文摘In the field of railway traction drive systems,voltage sensor intermittent faults can significantly impact the reliability and safety of the entire system.This paper proposes an online diagnosis method for detecting such faults using an Artificial Intelligence(AI)predictor based on a Nonlinear Autoregressive with eXogenous inputs(NARX)data structure.The model is trained efficiently using the Extreme Learning Machine(ELM)algorithm.The NARX model captures the dynamic characteristics of the voltage sensor data,enabling the AI predictor to learn complex nonlinear relationships.The ELM training method ensures rapid convergence and high accuracy.Through extensive experimental validation,the proposed method demonstrates high sensitivity to voltage sensor intermittent faults and robust performance under varying operating conditions.This approach offers a promising solution for enhancing the diagnostic capabilities of railway traction systems,ensuring timely fault detection and improving overall system reliability.
文摘基于台架采集数据,采用外部输入非线性自回归(nonlinear autoregressive model with exogenous input,NARX)神经网络建立了具备瞬态特性的柴油机排气温度计算模型作为虚拟传感器,并采用并发式训练方法对模型进行训练。将结果与前馈神经网络、长短期记忆网络(long short term memory,LSTM)神经网络及量产发动机的排温传感器采集结果进行对比。经验证,稳态工况下,两种神经网络均能达到较高精度;欧洲瞬态循环(European transient cycle,ETC)工况下,NARX神经网络计算温度的最大偏差为6.6℃,量产发动机排温传感器测得温度最大偏差为45.9℃。NARX神经网络所需的计算时间约为现有电控单元排温模型的2.5倍。
