魯其東，楊 瑞

(山東科技大學(xué) 電氣與自動(dòng)化工程學(xué)院，山東 青島 266590)

四種電力機(jī)車(chē)主變流器的故障診斷方法及仿真對(duì)比

魯其東，楊 瑞

(山東科技大學(xué) 電氣與自動(dòng)化工程學(xué)院，山東 青島 266590)

我國(guó)鐵路運(yùn)輸事業(yè)正在高速發(fā)展，機(jī)車(chē)的可靠安全運(yùn)行對(duì)于鐵路安全生產(chǎn)運(yùn)輸至關(guān)重要。對(duì)電力機(jī)車(chē)主變流器進(jìn)行及時(shí)故障診斷可有效預(yù)防和減少鐵路運(yùn)輸事故的發(fā)生。選取韶山8型(SS8)電力機(jī)車(chē)的主變流器作為研究對(duì)象，在MATLAB軟件的Simulink環(huán)境下構(gòu)建SS8型電力機(jī)車(chē)主變流器的仿真系統(tǒng)，模擬不同故障類(lèi)型的運(yùn)行模式，仿真得到相應(yīng)的輸出電壓波形；分別利用小波變換、壓縮感知方法處理輸出電壓數(shù)據(jù)，提取故障特征，構(gòu)建故障特征向量；最后分別利用BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)故障特征向量進(jìn)行類(lèi)別劃分和利用支持向量機(jī)(SVM)工具箱構(gòu)建多故障分類(lèi)器，進(jìn)行主變流器故障分類(lèi)，從而實(shí)現(xiàn)故障診斷。

小波變換；壓縮感知；BP神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)；故障診斷

故障診斷包含兩方面內(nèi)容[1]：一是對(duì)設(shè)備的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)；二是發(fā)現(xiàn)異常后對(duì)設(shè)備的故障進(jìn)行分析、診斷。在故障診斷四五十年的發(fā)展史中，形成了多種理論和方法，概括來(lái)說(shuō)可分為三類(lèi)：基于解析模型的方法、基于信號(hào)處理的方法和基于知識(shí)的方法。如：

1) 模糊診斷方法[2]：根據(jù)模糊集合論征兆空間與故障狀態(tài)空間的某種關(guān)系，由征兆來(lái)診斷故障。由于模糊集合論理論尚未成熟，該方法還存在未解決的問(wèn)題以及使用局限性。

2) 故障診斷專(zhuān)家系統(tǒng)理論和方法[3]：內(nèi)容包括診斷知識(shí)的表達(dá)、診斷推理方法、不確定性推理以及診斷知識(shí)的獲取等。目前該理論還存在諸多問(wèn)題：缺乏有效的診斷知識(shí)表達(dá)方式和不確定性推理的方法，知識(shí)獲取和在線故障診斷困難等。

3) 故障模式識(shí)別方法[4]：是一種靜態(tài)故障診斷方法，關(guān)鍵技術(shù)是故障特征向量的提取以及運(yùn)用模式分類(lèi)器對(duì)故障進(jìn)行分類(lèi)?，F(xiàn)有的分類(lèi)器有Bayes分類(lèi)器、線性分類(lèi)器等。

4) 基于信號(hào)處理及特征提取的方法[5]：主要有頻譜分析及頻譜特征再分析法、信息特征法、域特征參數(shù)及波形特征診斷法、幅值域特征法、時(shí)間序列特征提取法等。

在我國(guó)鐵路運(yùn)輸事業(yè)高速發(fā)展的今天，機(jī)車(chē)的可靠安全性是鐵路運(yùn)輸事業(yè)安全性的基本保障。而電力機(jī)車(chē)主變流器是機(jī)車(chē)能量轉(zhuǎn)換過(guò)程中的重要部分，若主變流器出現(xiàn)短路或斷路等故障，將直接導(dǎo)致火車(chē)停工，甚至?xí)?dǎo)致嚴(yán)重的鐵路運(yùn)輸事故，造成人員傷亡和經(jīng)濟(jì)損失。因此，加強(qiáng)對(duì)電力機(jī)車(chē)主變流器的故障診斷研究具有重要意義。

SS8電力機(jī)車(chē)是中國(guó)干線鐵路牽引提速旅客列車(chē)的主型機(jī)車(chē)，其主電路由高壓(25 kV)網(wǎng)側(cè)部分、低壓側(cè)整流調(diào)壓電路、牽引電動(dòng)機(jī)和制動(dòng)電路、保護(hù)電路等構(gòu)成。牽引變電所[6]將外部網(wǎng)電轉(zhuǎn)化為25 kV/50 Hz的單相工頻交流電送到接觸網(wǎng)上，接著電流從接觸網(wǎng)開(kāi)始經(jīng)過(guò)受電弓、主斷路器、互感器、進(jìn)入主變壓器，最后高壓繞組的電流通過(guò)若干根導(dǎo)線和炭刷流入輪軌，通過(guò)車(chē)輪接觸到鋼軌從而流回變電所。

目前針對(duì)各類(lèi)變流器的故障診斷，已經(jīng)有許多嘗試。例如：支持向量機(jī)在牽引變流器故障模式分類(lèi)中的應(yīng)用研究[7]，基于小波和支持向量機(jī)的雙饋風(fēng)電變流器開(kāi)路故障診斷[8]，動(dòng)車(chē)組主變流器的狀態(tài)數(shù)據(jù)仿真研究[9]利用隱馬爾科夫模型(hidden markov model,HMM)實(shí)現(xiàn)狀態(tài)分類(lèi)。

本文運(yùn)用MATLAB的Simulink工具，模擬SS8電力機(jī)車(chē)主變流器在正常和元件斷路情況下的工作狀態(tài)，并對(duì)其進(jìn)行故障診斷。首先，在Simulink工作環(huán)境中搭建好主變流器的模型并調(diào)節(jié)各元件參數(shù)使其處于啟動(dòng)完畢正常工作狀態(tài)，通過(guò)改變電路導(dǎo)通角度(分別為40°、41°……78°、79°)，獲得40個(gè)正常工作電壓波形繼而進(jìn)行數(shù)據(jù)采樣。分別設(shè)置10類(lèi)故障，即各元器件單獨(dú)故障或兩個(gè)元器件同時(shí)故障的情況，對(duì)這10類(lèi)故障同樣地分別改變導(dǎo)通角最終獲得10×40個(gè)有故障的電壓波形，對(duì)輸出電壓進(jìn)行數(shù)據(jù)采樣并采用分類(lèi)方法將這些數(shù)據(jù)進(jìn)行分離。解決該故障診斷問(wèn)題的關(guān)鍵在于：如何全面精確地對(duì)變流器工作信號(hào)進(jìn)行數(shù)據(jù)采樣；如何將采樣得到的故障和正常的工作數(shù)據(jù)進(jìn)行有效分離。

圖1 變流器半控橋主電路原理圖Fig.1 Schematic diagram of main circuit of half-controlled bridge of converter

為體現(xiàn)采樣信息精簡(jiǎn)和數(shù)據(jù)分類(lèi)有效的特點(diǎn)，文中以小波變換方法為對(duì)照，嘗試采用壓縮感知方法，對(duì)電壓信號(hào)進(jìn)行數(shù)據(jù)采樣；在實(shí)現(xiàn)數(shù)據(jù)分類(lèi)時(shí)，分別利用BP(反向傳播，back propagation)神經(jīng)網(wǎng)絡(luò)方法，對(duì)故障特征向量進(jìn)行數(shù)據(jù)劃分，利用SVM(支持向量機(jī)，support vector machine)工具箱構(gòu)建多故障分類(lèi)器，并進(jìn)行主變流器的故障分類(lèi)。

1 問(wèn)題描述

1.1 電路分析及故障類(lèi)型確定

SS8主電路是不等分三段半控橋相控整流調(diào)壓電路[10]，如圖1所示。

在工作過(guò)程中，晶閘管VT5、VT6二極管VD1、VD2的使用時(shí)間較長(zhǎng)，相對(duì)易損壞，而VT1—VT4和VD3、VD4使用程度則較輕。

主變流器自身故障有元件短路和斷路兩種情況，從電力機(jī)車(chē)所面臨的自然環(huán)境以及從主變流器不同工況之間頻繁的狀態(tài)轉(zhuǎn)換角度來(lái)看，斷路故障是一種比較常見(jiàn)的故障種類(lèi)，而一旦主變流器發(fā)生斷路故障其輸出電壓波形將可能產(chǎn)生突變，而與正常波形相去甚遠(yuǎn)。目前許多機(jī)車(chē)變流器故障診斷的研究都以斷路故障作為研究對(duì)象：文獻(xiàn)[1]將機(jī)車(chē)主變流器的斷路故障診斷與小波變換理論方法以及神經(jīng)網(wǎng)絡(luò)的理論方法進(jìn)行了結(jié)合；文獻(xiàn)[10]則是將機(jī)車(chē)主變流器的斷路故障診斷與小波變換理論方法以及SVM數(shù)據(jù)分類(lèi)方法進(jìn)行了結(jié)合。因此，本文設(shè)置了VD1—VD4、VT1—VT4的單一元件斷路故障、工況最?lèi)毫拥腣D1、VD2以及工況比較惡劣的VD3、VD4分別同時(shí)斷路等10類(lèi)故障。

1.2 模型的建立

對(duì)于電子電路的模型建立若采用數(shù)學(xué)方法，一般需要利用現(xiàn)代控制理論建立狀態(tài)空間進(jìn)行抽象解釋。這種方法不但要反復(fù)進(jìn)行常微分方程組的求解，而且建立的高級(jí)語(yǔ)言代碼不易維護(hù)，增加了解決問(wèn)題的難度。例如文獻(xiàn)[11]的數(shù)學(xué)模型建立：首先構(gòu)建一個(gè)與所研究系統(tǒng)等價(jià)的電路，然后根據(jù)基爾霍夫定律，列出各個(gè)回路的微分方程，從而建立該電路的等價(jià)狀態(tài)空間，最后利用輸入、輸出及狀態(tài)之間的關(guān)系求解所需的模擬值。而MATLAB的Simulink模塊庫(kù)為電子電路模型的建立提供了快捷路徑，它包含了用戶(hù)所需要的豐富的電子元件模型，可對(duì)各類(lèi)復(fù)雜電路的工作狀態(tài)進(jìn)行準(zhǔn)確、高效地模擬[12]。

依照SS8電力機(jī)車(chē)主變流器的結(jié)構(gòu)和工作原理建立電路仿真模型如圖2所示。

圖2 SS8電力機(jī)車(chē)主變流器電路仿真圖Fig.2 Simulation diagram of main converter of SS8 electric locomotive

1.3 數(shù)據(jù)采樣對(duì)象的確立

運(yùn)行電力機(jī)車(chē)主變流器仿真模型，從輸出信號(hào)的波形可發(fā)現(xiàn)：電路正常時(shí)的電壓輸出波形和某功率元件斷路時(shí)的電壓輸出波形稍有不同；而在電流輸出波形方面，由于變流器輸出端帶有大電感，電流趨近于一條直線，所以故障時(shí)的電流波形與正常時(shí)相比也只會(huì)出現(xiàn)不易察覺(jué)的細(xì)微變化。當(dāng)斷路故障出現(xiàn)時(shí)，相對(duì)于電流波形，電壓所出現(xiàn)的快速畸變更易于被人為提取，因此本文選定輸出電壓作為故障診斷的依據(jù)。

2 方法

2.1 小波變換

小波變換[13]的主要特點(diǎn)是通過(guò)變換，能對(duì)時(shí)間、頻率兩方面進(jìn)行局部化分析。

定義Ψ(t)是一個(gè)基本小波或母小波，對(duì)小波函數(shù)Ψ(t)∈L2(t)(L2(t)表示平方可積的實(shí)散空間)進(jìn)行傅立葉變換得：

(1)

其中，Ψ(ω)滿足條件:

(2)

Ψ(t)通過(guò)伸縮、平移將會(huì)生成的一族函數(shù)：

(3)

其中，t代表時(shí)間，s；ω代表頻率，Hz。

周期信號(hào)的寬度與頻率成反比，為使信號(hào)采集具有較好的精度，并能得到較完全的信息，對(duì)于頻譜中不同頻段的信號(hào)，應(yīng)使小波函數(shù)在高頻率時(shí)變窄在低頻率時(shí)變寬。這樣，對(duì)原信號(hào)進(jìn)行小波變換后再利用傅里葉變換，可以較為完全和準(zhǔn)確地對(duì)信號(hào)進(jìn)行還原。本文對(duì)輸出電壓信號(hào)采用db3小波基進(jìn)行6層小波分解，從中提取一個(gè)7維的特征向量。

對(duì)電壓信號(hào)進(jìn)行采樣的代碼編寫(xiě)步驟為：①利用sim函數(shù)進(jìn)行變流器的Simulink仿真，將仿真電壓輸出到workspace空間；②利用MATLAB小波變換工具箱中的信號(hào)分解函數(shù)，對(duì)電壓信號(hào)進(jìn)行6層小波分解；③對(duì)小波分解得到的信號(hào)進(jìn)行加工得到7維故障特征向量。

2.2 壓縮感知

壓縮感知理論的核心思想[14]為：“當(dāng)信號(hào)本身是稀疏的或者在某種基或者某個(gè)字典上可以進(jìn)行稀疏表示，那么就可以通過(guò)設(shè)計(jì)一種測(cè)量矩陣將原始信號(hào)的高維信號(hào)投影到一個(gè)低維的空間上，然后對(duì)投影到低維空間上得到的少量測(cè)量值求解一個(gè)非線性?xún)?yōu)化問(wèn)題，就可以高概率或者精確地重構(gòu)原始信號(hào)”。

將壓縮感知理論表述為以下過(guò)程：定義矩陣的大小，y為M×1的向量，Φ為M×N的矩陣Ψ為N×N的方陣(M

y=Φx。

(4)

如果存在Ψ使得x在Ψ上可壓縮，即有x=Ψα，則把y表示為如下形式：

y=ΦΨα。

(5)

由于α是稀疏信號(hào)，這使得對(duì)x的重構(gòu)存在可能，即先求出α然后通過(guò)測(cè)量Φ矩陣求解x。常用的測(cè)量矩陣有：隨機(jī)高斯測(cè)量矩陣、隨機(jī)伯努利測(cè)量矩陣和稀疏隨機(jī)測(cè)量矩陣等。

Candes等[15]指出，為了保證觀測(cè)值包含所需的信息量，從M個(gè)測(cè)量值精確地獲得待求向量x，需要滿足有限等距性質(zhì)(restricted isometry property,RIP)成立，即若存在某個(gè)常數(shù)0<δK<1滿足下式：

(6)

則稱(chēng)矩陣ΦΨ具有K-有限等距性質(zhì)(K-RIP),其中AK是ΦΨ的子矩陣，大小為M×K。

該方法在MATLAB中的代碼為：①利用sim函數(shù)進(jìn)行變流器的Simulink仿真，將仿真電壓輸出到workspace空間；②構(gòu)建隨機(jī)高斯測(cè)量矩陣；③對(duì)輸出數(shù)據(jù)進(jìn)行壓縮從而構(gòu)建特征向量。

2.3 支持向量機(jī)

支持向量機(jī)[16]的優(yōu)點(diǎn)是能夠解決非線性及高維模式識(shí)別問(wèn)題，并能夠推廣到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中。

對(duì)于線性可分樣本集，假設(shè)形式為:(xi,yi)，其中i=1,2…n，x∈Rd，y=±1用于類(lèi)別區(qū)分。構(gòu)造n維空間中的分類(lèi)超平面，函數(shù)表達(dá)式為：

f(x)=<ω·x>+b=0。

(7)

其中ω∈Rd，b∈R，ω為分類(lèi)超平面的法向量，b表示偏置。

把上述樣本集作為訓(xùn)練樣本，若它滿足對(duì)于任意i，有：

yi(<ω·xi>+b)>0。

(8)

這時(shí)訓(xùn)練樣本就可以被超平面區(qū)分。分類(lèi)的最終目的是找到一個(gè)最優(yōu)分類(lèi)超平面用于數(shù)據(jù)劃分。在圖3所示的最優(yōu)分類(lèi)超平面中，實(shí)心點(diǎn)和空心點(diǎn)代表不同樣本，中間實(shí)線代表分類(lèi)超平面，虛線表示平行于分類(lèi)超平面的面。最優(yōu)分類(lèi)面要求分類(lèi)面將兩類(lèi)樣本分開(kāi)的同時(shí)使得分類(lèi)間隔最大。

圖3 最優(yōu)分類(lèi)超平面示意圖Fig.3 Schematic diagram of the optimal classification hyperplane

本文通過(guò)構(gòu)造一個(gè)分類(lèi)間隔最大的超平面使問(wèn)題得到解決。利用MATLAB程序?qū)⒉蓸訑?shù)據(jù)進(jìn)行分類(lèi)的過(guò)程：①選取20組故障特征向量作為訓(xùn)練組，訓(xùn)練出最優(yōu)分類(lèi)超平面；②用已得到的最優(yōu)超平面作為標(biāo)準(zhǔn)把另20組測(cè)試數(shù)據(jù)進(jìn)行類(lèi)別劃分；③運(yùn)行程序得到分類(lèi)結(jié)果圖。

2.4 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[17]是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)(neural network[18])模型之一。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般是多輸入、多神經(jīng)元、多輸出的結(jié)構(gòu)，下圖4僅給出一個(gè)2層、n輸入、n輸出的神經(jīng)元模型，更復(fù)雜網(wǎng)絡(luò)模型原理類(lèi)似。該網(wǎng)絡(luò)具有n個(gè)輸入，每個(gè)輸入都通過(guò)一個(gè)權(quán)值W和下一層相連，網(wǎng)絡(luò)輸出表達(dá)式可表示為a=f(Wp+b)。其中：f是表示輸入、輸出關(guān)系的傳遞函數(shù)，其形式通常是sigmoid函數(shù)或某些線性函數(shù)。b為隨機(jī)生成的調(diào)節(jié)參數(shù)。

圖4 BP神經(jīng)網(wǎng)絡(luò)模型圖Fig.4 BP neuron model diagram

在確定了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后,通過(guò)樣本對(duì)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行修正和學(xué)習(xí)，即對(duì)W、b進(jìn)行修正得到最適合的模型參數(shù)。然后以此模型為標(biāo)準(zhǔn)，對(duì)測(cè)試樣本進(jìn)行類(lèi)別判斷得到最終結(jié)果。

本文關(guān)于BP神經(jīng)網(wǎng)絡(luò)的MATLAB代碼為：①根據(jù)已提取到的電壓采樣數(shù)據(jù)的特征，構(gòu)建合適的網(wǎng)絡(luò)結(jié)構(gòu)；②選取20組采樣數(shù)據(jù)作為訓(xùn)練組，得到最合適的網(wǎng)絡(luò)模型；③利用得到的網(wǎng)絡(luò)模型對(duì)另20組采樣數(shù)據(jù)進(jìn)行類(lèi)型判別并計(jì)算判別的正確率。

3 四種理論方法效果及比較

將本文的幾種理論方法用于電力機(jī)車(chē)主變流器的故障診斷后，進(jìn)行效果對(duì)比，建立表格1?？梢钥闯觯?/p>

表1 四種理論方法用于故障診斷的效果對(duì)比表Tab.1 Comparison of four theoretical methods for fault diagnosis

1) 將SVM用于機(jī)車(chē)主變流器的故障診斷，據(jù)有較高的診斷準(zhǔn)確率，并且各類(lèi)故障分類(lèi)明顯，能準(zhǔn)確查找出故障所在位置；而將BP神經(jīng)網(wǎng)絡(luò)的方法用于故障診斷，其準(zhǔn)確率較低甚至無(wú)法達(dá)到50%，但是該方法適用于信息量較大的數(shù)據(jù)分類(lèi)；

2) 從時(shí)間角度講，BP神經(jīng)網(wǎng)絡(luò)的方法具有診斷速度快的優(yōu)點(diǎn)，其診斷速度約為SVM方法的3倍，當(dāng)數(shù)據(jù)成倍增加時(shí)這種快速效果可能更明顯；

3) 采用小波變換或者壓縮感知的方法進(jìn)行信號(hào)的數(shù)據(jù)采樣對(duì)診斷效果影響不大，但在能達(dá)到本文診斷效果的前提下，因?yàn)楣收咸卣飨蛄繕?gòu)建過(guò)程中兩種方法所構(gòu)建的向量分別是7維和4維，所以從采樣數(shù)據(jù)是否簡(jiǎn)練方面考慮，壓縮感知的方法具有較大優(yōu)勢(shì)；

4) 事實(shí)上，從代碼編寫(xiě)角度看，BP神經(jīng)網(wǎng)絡(luò)的方法程序復(fù)雜不易維護(hù)，而另外3種方法代碼精簡(jiǎn)容易理解。

為了與當(dāng)前已有的成果相對(duì)比，列出效果較好的若干文獻(xiàn)中的故障診斷結(jié)果，建立表格2。

表2 文獻(xiàn)中的故障診斷效果表Tab.2 Fault diagnosis results in literatures

相比表1，表2中的SVM故障分類(lèi)方法與兩種數(shù)據(jù)采樣方法結(jié)合后，診斷準(zhǔn)確率高、診斷時(shí)間更短。但考慮到其診斷數(shù)據(jù)相對(duì)較少的事實(shí)，可以說(shuō)本文的診斷效果更為理想一些。另一方面表1的BP神經(jīng)網(wǎng)絡(luò)與小波變換結(jié)合的方法增加了診斷數(shù)據(jù)量，雖然診斷時(shí)間延長(zhǎng)了許多但在準(zhǔn)確率方面有可借鑒之處。用于故障診斷的很多理論方法如文獻(xiàn)[20]的方法能得到較高的準(zhǔn)確率，但是每種方法的診斷對(duì)象都有局限性，應(yīng)區(qū)別應(yīng)用。

4 結(jié)論

目前我國(guó)的電力機(jī)車(chē)故障診斷很大程度上依賴(lài)于計(jì)劃維修，難以在機(jī)車(chē)工作過(guò)程中判斷是否存在隱患，進(jìn)而采取積極防范措施，這種依賴(lài)維修人員實(shí)際經(jīng)驗(yàn)的診斷方式效率低下、無(wú)法實(shí)時(shí)診斷。因此，對(duì)機(jī)車(chē)主變流器進(jìn)行實(shí)時(shí)的狀態(tài)監(jiān)測(cè)，及時(shí)察覺(jué)異常工作信號(hào)，實(shí)現(xiàn)故障預(yù)測(cè)，可以提高機(jī)車(chē)的維護(hù)效率和診斷準(zhǔn)確率，會(huì)大大避免各類(lèi)事故的發(fā)生。

SVM方法在較大程度上實(shí)現(xiàn)了SS8電力機(jī)車(chē)主變流器的故障診斷，并能在一定程度上判定故障位置，同時(shí)由于診斷時(shí)間較短還可實(shí)現(xiàn)對(duì)機(jī)車(chē)工作情況的實(shí)時(shí)監(jiān)測(cè)。另外，壓縮感知理論方法的運(yùn)用在為電力機(jī)車(chē)主變流器的故障診斷提供新思路的同時(shí)，也豐富了電子電路的故障診斷方法。另一方面，采取BP神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)采樣方法相結(jié)合，在機(jī)車(chē)主變流器故障診斷中，除了診斷時(shí)間較短以外，效果不是很理想，有待于進(jìn)一步研究。

關(guān)于電力機(jī)車(chē)主變流器的故障診斷方法，還有待進(jìn)一步提升和完善。以下幾點(diǎn)可在以后工作中深入探討：①加大樣本訓(xùn)練，且在訓(xùn)練樣本中加入合適高斯噪聲，提高故障診斷的抗干擾能力，提高診斷準(zhǔn)確度；②采用其他測(cè)量矩陣進(jìn)行數(shù)據(jù)感知壓縮，仿真比較診斷結(jié)果；③結(jié)合各個(gè)元件的使用工況進(jìn)行有優(yōu)先權(quán)的故障診斷；④在SVM多故障分類(lèi)器中采用其他核函數(shù)進(jìn)行故障分類(lèi)，比較其分類(lèi)結(jié)果等；⑤選擇更適合的輸入輸出傳遞函數(shù)用于BP神經(jīng)網(wǎng)絡(luò)，以求得到更高的故障診斷正確率。

[1]劉松柏.SS8 電力機(jī)車(chē)主變流器故障智能診斷系統(tǒng)的研究[D].長(zhǎng)沙：中南大學(xué),2003.

[2]魏秀琨，秦勇,賈利民.魯棒故障檢測(cè)與故障估計(jì)理論及應(yīng)用[M].北京：科學(xué)出版社，2012：1-20.

[3]周東華,葉銀忠.現(xiàn)代故障診斷與容錯(cuò)控制[M].北京：清華大學(xué)出版社,2000.

[4]BORUTZKY W.Bond graph model-based system mode indentification and mode-dependent fault thresholds for hybrid systems[J].Mathematical and Computer Modelling of Dynamical Ssystems,2014,20(6):584-615.

[5]石明江,羅仁澤,付元華.小波和能量特征提取的旋轉(zhuǎn)機(jī)械故障診斷方法[J].電子測(cè)量與儀器學(xué)報(bào),2015,29(8):1114-1120. SHI Mingjiang,LUO Renze,FU Yuanhua.Fault diagnosis of rotating machinery based on wavelet and energy feature extraction[J].Journal of Electronic Measurement and Instrument,2015,29(8):1114-1120.

[6]賈秀芳,馬益鋒,黃俊,等.牽引變電所地返回電流及接地網(wǎng)電位抬升研究[J].電力系統(tǒng)保護(hù)與控制,2012,40(10):116-119. JIA Xiufang,MA Yifeng,Huang Jun,et al.Research on earth current and grounding grid potential rise in traction substation[J].Power System Protection & Control,2012,40(10):116-119.

[7]吳超蓉.支持向量機(jī)在牽引變流器故障模式分類(lèi)中的應(yīng)用研究[D].武漢：華中科技大學(xué),2013.

[8]何珊.基于小波和支持向量機(jī)的雙饋風(fēng)電變流器開(kāi)路故障診斷[D].長(zhǎng)沙：中南大學(xué),2014.

[9]趙強(qiáng),郭育華,田永洙,等.動(dòng)車(chē)組主變流器的狀態(tài)數(shù)據(jù)仿真研究[J].機(jī)車(chē)電傳動(dòng),2016(2):5-8. ZHAO Qiang,GUO Yuhua,TIAN Yongzhu,et al.State data simulation of traction converter for EMUs[J].Electric Drive for Locomotives,2016(2):5-8.

[10]鐘燕科.基于 SVM 的機(jī)車(chē)主變流器故障診斷[D].長(zhǎng)沙：中南大學(xué),2009.

[11]WEN J,ZHANG C.Research on modeling and control of regenerative braking for brushless DC machines driven electric vehicles[J].Mathematical Problems in Engineering,2015(1):1-6.

[12]SHARIF S A,HARB A,HU H B,et al.An experimental simulation of a design three-port DC-DC converter[J].Circuits and Systems,2014,5(10):238.

[13]馬倫,康建設(shè),盂妍,等.基于Morlet小波變換的滾動(dòng)軸承早期故障特征提取研究[J].儀器儀表學(xué)報(bào),2013,34(4):920-926. MA Lun,KANG Jianshe,YU Yan,et al.Research on feature extraction of rolling bearing incipient fault based on Morlet wavelet transform[J].Chinese Journal of Scientific Instrument,2013,34(4):920-926.

[14]李博.壓縮感知理論的重構(gòu)算法研究[D].長(zhǎng)春：吉林大學(xué),2013.

[15]CANDES E J,TAO T.Decoding by linear programming[J].IEEE Transactions on Information Theory,2005,51(12):4203-4215.

[16]李國(guó)正,王猛,曾華軍,譯.支持向量機(jī)導(dǎo)論[M].北京：電子工業(yè)出版社,2004.

)

[17]聞新，李新，張興旺，等.應(yīng)用MATLAB實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)[M].北京：國(guó)防工業(yè)出版社，2015：95-118.

[18]YU S,ZHAO D,CHEN W,et al.Oil-immersed power transformer internal fault diagnosis research based on probabilistic neural network[J].Procedia Computer Science,2016,83:1327-1331.

[19]張龍,陳宸,韓寧,等.壓縮感知理論中的建筑電氣系統(tǒng)故障診斷[J].智能系統(tǒng)學(xué)報(bào),2014,9(2):204-209. ZHANG Long,CHEN Cheng,HAN Ning,et al.Fault diagnosis of electrical system in buildings based on compressed sensing[J].CAAI Transaction on Intelligent System,2014,9(2):204-209.

[20]王鑫，于洪亮，段樹(shù)林，等.貝葉斯與遺傳神經(jīng)網(wǎng)絡(luò)相融合的柴油機(jī)故障診斷研究[J].船舶工程.2012,34(1):32-35. WANG Xin,YU Hongliang,DUAN Shulin,et al.Study on diesel engine fault diagnosis based on integration of Bayesian and genetic netword method[J].Ship Engineering,2012,34(1):32-35.

(責(zé)任編輯：高麗華)

Comparison of Fault Diagnosis Method and Simulation ofFour Main Converter of Electric Locomotive

LU Qidong,YANG Rui

(College of Electrical Engineering and Automation,Shandong University ofScience and Technology,Qingdao,Shandong 266590,China)

With the rapid development of China’s railway transportation, the safe and reliable operation of locomotives is becoming particularly important for railway safety. The timely fault diagnosis of the main converter of electric locomotives can effectively prevent or reduce the occurrence of railway accidents. In this paper, the main converter of SS8 electric locomotive was investigated and the operation with different fault types were simulated by establishing the simulation system of SS8 electric locomotive in Simulink of MATLAB. The output voltage data obtained from the simulation were processed by wavelet transform and compression sensing respectively to extract the fault features and construct the fault eigenvector. The fault diagnosis was finally achieved by categorizing the fault eigenvector with back propagation (BP) neural network and by building a multi-fault categorizer to classify the faults of main electric converter with support vector machine (SVM).

wavelet transform;compression sensing;BP neural network;support vector machine;fault diagnosis

2017-04-05

魯其東(1992—)，男，山東煙臺(tái)人，碩士研究生，主要從事故障診斷與容錯(cuò)控制的研究.E-mail: lqd19922012@163.com楊 瑞(1985—)，男，山東濟(jì)南人，講師，從事故障診斷及機(jī)電自動(dòng)化研究，本文通信作者.E-mail: eleyang@sdust.edu.cn

TP206

A

1672-3767(2017)04-0073-07

10.16452/j.cnki.sdkjzk.2017.04.011