李嵐

摘要：動車組的機(jī)車主變流器檢測參數(shù)多、結(jié)構(gòu)復(fù)雜、參數(shù)之間關(guān)系復(fù)雜；故障現(xiàn)象多、同一故障現(xiàn)象的產(chǎn)生原因可能又不同；工作電壓、電流很大，直接人工診斷對人的生命安全構(gòu)成嚴(yán)重危險。該文利用現(xiàn)代故障診斷技術(shù)，對動車組的機(jī)車主變流器故障進(jìn)行非人工的智能診斷，可有效地對機(jī)車主變流器的故障進(jìn)行準(zhǔn)確診斷；提高主變流器的診斷效率，同時，對鐵路現(xiàn)場的故障診斷技術(shù)、設(shè)備故障診斷學(xué)科的發(fā)展，都具有積極的促進(jìn)作用。

關(guān)鍵詞：動車組；機(jī)車主變流器；參數(shù)檢測；故障診斷。

中圖分類號：TP334 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2015）33-0144-02

Research of EMU Main Converter Fault Diagnosis Technology

LI Lan

（Hunan Railway Professional Technology College， Zhuzhou 412001， China）

Abstract： EMU locomotive converter complex structure， test parameters and more complex relationship between the parameters； fault phenomenon more， causes the same fault phenomenon may yet different； working voltage， current large， direct labor diagnosis of human life and safety pose a serious danger. In this paper， fault diagnosis using modern technology， the EMU locomotive converter non-artificial intelligent fault diagnosis， can effectively locomotive converter for accurate fault diagnosis； improve primary converter diagnostic efficiency while， the development of railway site fault diagnosis， fault diagnosis disciplines， have a positive role in promoting.

Key words： EMU； locomotive converter； parameter detection； fault diagnosis.

動車組的機(jī)車主變流器檢測參數(shù)多、結(jié)構(gòu)復(fù)雜、參數(shù)之間關(guān)系復(fù)雜；故障現(xiàn)象多、同一故障現(xiàn)象的產(chǎn)生原因可能又不同；工作電壓、電流很大，直接人工診斷對人的生命安全構(gòu)成嚴(yán)重危險。

本文利用現(xiàn)代故障診斷技術(shù)，對動車組的機(jī)車主變流器故障進(jìn)行非人工的智能診斷，可有效地對機(jī)車主變流器的故障進(jìn)行準(zhǔn)確診斷；提高主變流器的診斷效率，有望節(jié)省大量勞動力。同時，對鐵路現(xiàn)場的故障診斷技術(shù)、設(shè)備故障診斷學(xué)科的發(fā)展，都具有積極的促進(jìn)作用。

1 測試系統(tǒng)中高精度恒溫的實(shí)現(xiàn)

1.1 機(jī)車故障研究現(xiàn)狀

在現(xiàn)代診斷技術(shù)的迅猛發(fā)展?fàn)顟B(tài)下，機(jī)車故障診斷技術(shù)在國外相應(yīng)的診斷設(shè)備中已經(jīng)應(yīng)用在了機(jī)車中。我國機(jī)車故障診斷技術(shù)起步比較晚，經(jīng)過多年的努力取得一定進(jìn)步，但真正能投入現(xiàn)場使用的診斷設(shè)備不多，目前仍處于理論研究階段。從當(dāng)前的發(fā)展趨勢來看，機(jī)車故障診斷技術(shù)將向信息診斷、智能診斷有機(jī)融合、集成的方向發(fā)展。

1.2 支持向量機(jī)在設(shè)備故障診斷中的研究現(xiàn)狀

當(dāng)前，當(dāng)機(jī)器設(shè)備出現(xiàn)各種故障后，一般有兩種比較常見的診斷方法：

1）傳統(tǒng)方法。主要以時間序列方法為主。

2）人工智能方法。主要以神經(jīng)網(wǎng)絡(luò)法為主。

而新興的一種方法--支持向量機(jī)、簡稱SVM，正在得到越來越多的關(guān)注。該方法可以實(shí)現(xiàn)實(shí)際風(fēng)險最小化，在尋求結(jié)構(gòu)風(fēng)險最小化的前提下，可以在少量樣本量較少的分析情況下，學(xué)習(xí)效果也會較好。此外，SVM可以歸結(jié)為一個二次優(yōu)化問題，其解是全局最優(yōu)解，在處理非線性分類、回歸等實(shí)際問題時非常實(shí)用并且有效。

2 故障處理流程分析

首先利用電壓互感器構(gòu)成信號采集電路取樣輸出電壓，通過小波分析法對輸出電壓進(jìn)行處理，提取主變流器的故障信息；進(jìn)而，構(gòu)造故障特征向量以表征主變流器的各種故障；最后，利用支持向量機(jī)（或神經(jīng)網(wǎng)絡(luò)）實(shí)現(xiàn)對故障類別的智能判別。大致的流程圖如圖1所示。

3 主變流器故障的分布、故障原因

1）主變流器電路原理

電路如下圖2。

第一部分由1V1（2V1）到1V6 （2V6） 6個橋臂組成，其中1V1（2V1）和1V2 （2V2）為整流臂，它們分別與1V3 （2V3），1V4 （2V4）及1V5 （2V5），1V6 （2V6）可控臂組成兩個控橋。

第二部分由1V7 （2V7）到1V2 （2V12） 6個橋臂組成，它只有一個半控橋，由整流臂1V7 （2V7） ， 1V8 （2V8）和可控臂1V10 （2V10） ， 1V11（2V11）組成，在機(jī)車牽引時作相控整流，制動時提供勵磁電流。

2）主變流器各功率元件處于各牽引工況時的工作情況分析

為了便于分析我們把主變流器的電路結(jié)構(gòu)進(jìn)行簡化如圖3。

1）啟動初期階段

此階段僅由UD3， VD4， VTS，VT6處于半控橋移相導(dǎo)通工況；VT6組成的大段橋提供相控電源。VD3， UD4， VT5。VD1， VD2續(xù)流；UT1， VT2， VT3， VT4未導(dǎo)通

2）啟動中期階段

此階段由VD3， VD4， VTS， VT6組成的大段橋以及VD1， VD2， VTl， VT2組成的小段橋提供相控電源。VD3， VD4， VTS， VT6導(dǎo)通半個周期；UD1} VD2， UTl， VT2

處于半控橋移相導(dǎo)通工況；VT3， VT4未導(dǎo)通。

3）啟動末期及額定運(yùn)行階段

此階段由整個不等分三段半控橋提供相控電源，UDl， UD2， VD3， VD4， VTS，

VT6導(dǎo)通半個周期，VTl， VT2， VT3， VT4處于移相導(dǎo)通工況。

4）制動階段

此階段電力機(jī)車主電路通過兩位置開關(guān)的轉(zhuǎn)換，電路連接形式己變化。VD3、VD4， VTS， VT6僅給電機(jī)提供勵磁電流，但VD1， VD2始終流過電機(jī)的制動電流。假設(shè)電機(jī)總制動電流為IZ，在a，x1段橋進(jìn)入加饋制動前，VD1， VD2始終為續(xù)流工況。

4主變流器故障分析與總結(jié)

本文在分析變流器的工作情況時，重點(diǎn)考慮了變流器的輸出參數(shù)。由于電感和牽引電機(jī)的作用，電流的輸出滯后且為脈動狀態(tài)，且諧波含量很大，不易進(jìn)行信號處理。而輸出電壓波形基本不隨負(fù)載的變化而改變，只有當(dāng)整流元件出現(xiàn)故障時，其輸出電壓波形才會有明顯的畸變，通過實(shí)驗(yàn)分析，可以及時發(fā)現(xiàn)故障并進(jìn)行準(zhǔn)確定位。

參考文獻(xiàn)：

[1] 黃采倫，樊曉平，陳特放.列車故障在線診斷技術(shù)及應(yīng)用[M].北京.國防工業(yè)出版社，2006.

[2] 王道平，張義忠.故障智能診斷系統(tǒng)的理論與方法[M].北京：冶金工業(yè)出版社，2001.

[3] 丁福錫，杜永平.機(jī)車車輛故障診斷技術(shù)的發(fā)展[J].鐵道機(jī)車車輛，2004，24（4）：24-30.

[4] 王兆安，黃俊.電力電子技術(shù)[M].機(jī)械工業(yè)出版社，2003.

[5] 謝步明.韶山：型電力機(jī)車[M].中國鐵道出版社，1998.

[6] 武森，高學(xué)東，M.巴斯蒂安.數(shù)據(jù)倉庫與數(shù)據(jù)挖掘[M].北京：冶金工業(yè)出版社，2003.

[7] 章成志.數(shù)據(jù)挖掘研究現(xiàn)狀及最新進(jìn)展[J]..南京工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報，2003（6）：15.

[8] 袁勝發(fā)，褚福磊.SVM多分類算法及其在故障診斷中的應(yīng)用[J].振動工程學(xué)報，2004，17（5）：420-422.