蔡鵬飛,2，鄭樹(shù)彬，彭樂(lè)樂(lè)

(1.上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院，上海 201620; 2.上海地鐵電子科技有限公司，上海 200233)

0 引言

據(jù)統(tǒng)計(jì)，在地鐵列車運(yùn)營(yíng)過(guò)程中，輔助逆變器的故障概率較高，較為嚴(yán)重的輔助逆變器故障可能導(dǎo)致設(shè)備無(wú)法工作，使車輛無(wú)法正常行駛，需要在到達(dá)終點(diǎn)站后退出運(yùn)營(yíng)甚至清客，這將嚴(yán)重阻礙地鐵列車的正常、安全運(yùn)營(yíng)[1]。

而地鐵輔助逆變器的故障類型大致可以劃分為二極管短路故障，直流母線接地故障，電容故障，開(kāi)關(guān)設(shè)備故障等，其中在這些故障中，開(kāi)關(guān)設(shè)備故障是最頻繁的[2]。針對(duì)地鐵列車輔助逆變器的故障診斷方法已有很多，文獻(xiàn)[3]和文獻(xiàn)[4]分別提出了基于小波包和神經(jīng)網(wǎng)絡(luò)的故障診斷方法、基于經(jīng)驗(yàn)?zāi)B(tài)分解方法和徑向基神經(jīng)網(wǎng)絡(luò)的故障診斷方法，但都只針對(duì)地鐵列車輔助逆變器的電壓波動(dòng)、脈沖暫態(tài)、頻率變化等故障進(jìn)行了研究；文獻(xiàn)[2]提出了基于離散小波變換和歸一化電流實(shí)現(xiàn)對(duì)IGBT的故障診斷方法，但該方法僅對(duì)單個(gè)IGBT開(kāi)路故障進(jìn)行診斷；文獻(xiàn)[5]提出了通過(guò)檢測(cè)各相電流正、負(fù)半波部分對(duì)應(yīng)的功率進(jìn)而反應(yīng)各IGBT的輸出功率和工作狀況的方法，但該方法在輔助逆變器空載情況下故障特征不明顯，需要在帶有負(fù)載的情況下發(fā)生故障才能進(jìn)行診斷。

本文提出了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)法和GA-BP神經(jīng)網(wǎng)絡(luò)的地鐵列車輔助逆變器開(kāi)路故障診斷方法。該方法以輔助逆變器輸出的三相半波電壓值為測(cè)量信號(hào)，采用EEMD算法提取故障特征向量，以此作為故障樣本對(duì)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)故障智能化診斷。

1 輔助逆變器開(kāi)路故障分析

1.1 輔助逆變器模型建立

以上海地鐵03A01車型輔助逆變器為研究對(duì)象，在MATLAB/SIMULINK軟件中搭建一個(gè)地鐵列車輔助逆變器的故障仿真模型，該模型分為逆變輸出模塊和逆變控制模塊兩部分。逆變輸出模塊仿真模型如圖1所示。

圖1 逆變輸出模塊仿真模型

構(gòu)成逆變輸出模塊的元器件主要有直流電源、線路濾波電感LFL、線路濾波電容LFC、放電電阻DZ、IGBT逆變橋、三相濾波電感IOFL、三相濾波電容IOFC、變壓器模塊IOT以及三相負(fù)載，電路仿真參數(shù)設(shè)置與實(shí)際電路基本一致，基本技術(shù)參數(shù)如表1所示。

表1 仿真電路主要技術(shù)參數(shù)

逆變控制模塊仿真模型如圖2所示，通過(guò)將三相正弦波和三角載波進(jìn)行比較運(yùn)算，調(diào)制出所需的SPWM波形，實(shí)現(xiàn)對(duì)逆變模塊的控制。逆變器IGBT開(kāi)路故障通過(guò)將正常脈沖控制信號(hào)和低電平脈沖信號(hào)進(jìn)行“與”運(yùn)算進(jìn)行模擬，其中開(kāi)關(guān)S1-S6用于控制信號(hào)是否正常。

圖2 逆變控制模塊仿真模型

調(diào)制波Sin_U、Sin_V、Sin_W為相位依次相差120度的正弦波，頻率為50 Hz。載波Carrier為等腰三角波，載波比N通常為3的整數(shù)倍以使三相輸出波形嚴(yán)格對(duì)稱，設(shè)載波比N=12，即載波頻率為600 Hz。調(diào)制比m與輸入直流電源電壓UIN、輸出線電壓的基波幅值uUV的關(guān)系為：

(1)

其中：輸入直流電源電壓為1 500 V，輸出線電壓的基波幅值為715 V，計(jì)算出調(diào)制比m為0.55。

對(duì)所建立的輔助逆變器故障仿真模型進(jìn)行仿真驗(yàn)證，得到仿真電路的輸出波形，如圖3所示。

圖3 逆變器輸出三相電壓和線電壓

輔助逆變器啟動(dòng)后在0.06 s達(dá)到穩(wěn)定狀態(tài)，仿真得到的輔助逆變器輸出波形與實(shí)際相符，因此本文所建立的輔助逆變器故障仿真模型是有效的。

1.2 輔助逆變器開(kāi)路故障仿真

輔助逆變器逆變電路由6個(gè)IGBT組成，一般情況只有一個(gè)IGBT故障，最多同時(shí)有兩個(gè)IGBT發(fā)生故障。因此將輔助逆變器開(kāi)關(guān)器件開(kāi)路故障分為以下四大類。

1)單個(gè)IGBT發(fā)生故障，共6種情況；

2)同一橋臂兩個(gè)IGBT同時(shí)發(fā)生故障，共3種情況；

3)不同橋臂同一位置兩個(gè)IGBT同時(shí)發(fā)生故障，共6種情況；

4)不同橋臂不同位置兩個(gè)IGBT同時(shí)發(fā)生故障，共6種情況。

通過(guò)建立的輔助逆變器故障仿真模型對(duì)4種輔助逆變器開(kāi)路故障類型進(jìn)行仿真分析，考慮到仿真模型全部為理想元器件，因此在采樣信號(hào)中添加均值為0，方差為1的標(biāo)準(zhǔn)正態(tài)高斯白噪聲，以使仿真更趨于真實(shí)。

以輔助逆變器輸出三相電的正半波電壓信號(hào)及其電壓值作為測(cè)量信號(hào)，設(shè)置仿真時(shí)間為0.4 s，IGBT開(kāi)路故障發(fā)生在0.3 s時(shí)刻，采樣頻率為10 kHz。故障仿真所得到的三相半波電壓信號(hào)如表2所示。

可以看出，當(dāng)發(fā)生輔助逆變器IGBT開(kāi)路故障時(shí)，逆變器輸出的三相半波電壓值會(huì)出現(xiàn)明顯的異常波動(dòng)，當(dāng)發(fā)生不同種類的故障情況時(shí)逆變器輸出的三相半波電壓值波動(dòng)特征不完全相同。當(dāng)發(fā)生IGBT故障時(shí)三相半波電壓信號(hào)表現(xiàn)為非線性非平穩(wěn)特性，測(cè)量輔助逆變器輸出的三相半波電壓值能很好的反應(yīng)出各IGBT的工作狀況。

2 基于EEMD的特征提取

2.1 經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)法

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)法是N.E.Huang等人在Hilbert-Huang變換的基礎(chǔ)上，提出的一種非常重要的信號(hào)處理的方法[6]。該方法從根本上擺脫了傅立葉變換的約束，它是一種新型的自適應(yīng)信號(hào)時(shí)頻處理方法，是一種非常適用于非平穩(wěn)、非線性數(shù)據(jù)序列的復(fù)雜信號(hào)處理方法。

表2 IGBT開(kāi)路故障的三相半波電壓信號(hào)

EMD篩選的過(guò)程實(shí)際上就是將原始信號(hào)分解為不同特征波形的疊加，將復(fù)雜信號(hào)分解為有限個(gè)具有不同特征尺度的數(shù)據(jù)序列，即本征模態(tài)函數(shù)(Intrinsic Mode Function)分量，IMF反映了原始信號(hào)的本質(zhì)和真實(shí)信息。

基于上述思想，EMD算法分解得到IMF的具體步驟如下：

(1)找出原始信號(hào)x(t)所有的局部極大值點(diǎn)和極小值點(diǎn)，采用三次樣條函數(shù)擬合出信號(hào)的上包絡(luò)線Un和下包絡(luò)線Ln。

(2)上、下包絡(luò)線的均值為：

m1=(Un+Ln)/2

(2)

信號(hào)x(t)與m1的差值為：

h1=x(t)-m1

(3)

如果h1滿足IMF的條件，則h1是原始信號(hào)的第一個(gè)IMF分量，記為c1=h1；

(3)如果h1不滿足IMF的條件，則將h1作為原始信號(hào)，進(jìn)行步驟(1)、(2)，得到：

h11=h1-m11

(4)

式中，m11是h1的上、下包絡(luò)線的均值。

反復(fù)篩選k次，如果h1k滿足IMF的條件，則h1k就是原始信號(hào)的第一個(gè)IMF分量，為：

c1=h1k=h1(k-1)-m1k

(5)

(4)從信號(hào)x(t)中分離出c1，得到：

r1=x(t)-c1

(6)

r1作為原始信號(hào)重復(fù)上述步驟，得到第二個(gè)IMF分量c2；

(5)重復(fù)n次，就得到n個(gè)IMF分量：

rn=rn-1-cn

(7)

當(dāng)rn為單調(diào)函數(shù)或是一個(gè)極小的常量時(shí)，停止分解過(guò)程，得到如下式子：

(8)

式中，ci為從高頻到低頻不同頻率的各IMF分量的集合；rn為最終殘余分量，是原始信號(hào)x(t)的集中趨勢(shì)。

一般認(rèn)為，一個(gè)本征模函數(shù)IMF必須滿足以下兩個(gè)條件[7]：

(1)在整個(gè)信號(hào)上，極值點(diǎn)的個(gè)數(shù)和過(guò)零點(diǎn)的個(gè)數(shù)相等或至多相差一個(gè)；

(2)在任意時(shí)刻，由局部極大值點(diǎn)和局部極小值點(diǎn)分別形成的上、下包絡(luò)線的均值m1為零，即上、下包絡(luò)線相對(duì)于時(shí)間軸是局部對(duì)稱的。

在實(shí)際情況中，上下包絡(luò)的均值無(wú)法為零，通常當(dāng)滿足下面式子(標(biāo)準(zhǔn)偏差系數(shù))時(shí)，就認(rèn)為包絡(luò)的均值滿足IMF的均值為零的條件：

(9)

式中,ε稱為篩分門限，一般取值在0.2～0.3之間。

2.2 集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)法

對(duì)于本征模態(tài)函數(shù)，僅僅只能通過(guò)窄帶信號(hào)的過(guò)零點(diǎn)與過(guò)極值點(diǎn)的關(guān)系以及非常有限的可用例子的經(jīng)驗(yàn)中獲得IMF定義，其效果很難令人滿意。盡管大部分的例子都表明了EMD結(jié)果的直觀合理性，但是其理論框尚待改善。

針對(duì)EMD中出現(xiàn)的模態(tài)混疊問(wèn)題，吳朝華和黃鍔等人提出了集合經(jīng)驗(yàn)?zāi)B(tài)分解[8](Ensemble Empirical Mode Decomposition，EEMD)，EEMD的基本思路是對(duì)原始信號(hào)多次加入不同的白噪聲進(jìn)行EMD分解，將多次分解的結(jié)果進(jìn)行平均即得到最終的IMF。

EEMD算法的具體步驟如下：

1)通過(guò)給原始信號(hào)x(t)添加白噪聲信號(hào)ω(t)獲得目標(biāo)信號(hào)X(t)；

2)對(duì)X(t)進(jìn)行EMD分解，得到各階IMF分量；

3)給原始信號(hào)添加不同的白噪聲ωi(t)，重復(fù)以上步驟得到：

(10)

式中，cij為加入白噪聲ωi(t)后的第j個(gè)IMF分量；

4)將上述分解結(jié)果進(jìn)行總體平均運(yùn)算，消除多次加入白噪聲對(duì)真的IMF的影響，即得到分解結(jié)果：

(11)

EEMD添加噪聲后總體個(gè)數(shù)滿足以下統(tǒng)計(jì)公式：

(12)

式中，n是總體個(gè)數(shù)，ε是加入白噪聲的百分比，εn是最終誤差的標(biāo)準(zhǔn)差。當(dāng)總體個(gè)數(shù)固定，誤差隨著添加噪聲百分比增加而增加。經(jīng)過(guò)分析對(duì)比，n在幾百次時(shí)效果較好，推薦添加噪聲比例滿足最終誤差的標(biāo)準(zhǔn)差εn=0.2。

為了將添加白噪聲后所分解的IMF平均，使得相同數(shù)據(jù)長(zhǎng)度的資料每次運(yùn)算產(chǎn)生的IMF具有相近的頻率性質(zhì)，且數(shù)目一致利于平均，EEMD算法固定了篩選的數(shù)目。

2.3 特征提取

當(dāng)?shù)罔F列車輔助逆變器發(fā)生故障時(shí)，針對(duì)故障信號(hào)非平穩(wěn)非線性特性，采用EEMD方法分解故障原始信號(hào)得到個(gè)IMF分量，計(jì)算每個(gè)包含故障特征信息的IMF分量能量，采用能量矩的方法提取故障特征向量，其步驟如下：

(1)采樣信號(hào)為輔助逆變器隔離變壓器輸出端三相半波電壓值，針對(duì)每一相電壓信號(hào)采用EEMD方法分解得到若干IMF分量，每一相選取前m個(gè)包含有故障信號(hào)的IMF分量；

(2)計(jì)算每一相各IMF分量的能量Eui、Evi、Ewi，其中：

(13)

式中，N為采樣點(diǎn)總數(shù)，duik為U相IMF分量的振幅重建信號(hào)；

(3)計(jì)算每相各IMF分量能量之和Eu、Ev、Ew，其中：

(14)

(4)計(jì)算三相IMF分量能量之和E：

E=Eu+Ev+Ew

(15)

(5)計(jì)算特征向量T：

T=[Eui/E,Evi/E,Ewi/E],(i=1,2,…,m)

(16)

3 GA-BP神經(jīng)網(wǎng)絡(luò)及其算法

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋人工神經(jīng)網(wǎng)絡(luò)，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層，如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)圖

由于BP神經(jīng)網(wǎng)絡(luò)采用的算法是基于誤差函數(shù)梯度下降的方法，該算法實(shí)質(zhì)上是單點(diǎn)搜索算法，不具有全局搜索能力。因此存在學(xué)習(xí)過(guò)程收斂速度慢、容易陷入局部極小點(diǎn)、魯棒性不好以及網(wǎng)絡(luò)性能差等缺點(diǎn)[9]。針對(duì)如何加速網(wǎng)絡(luò)的收斂速度和避免陷入局部極小值的問(wèn)題，許多智能算法應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化。

遺傳算法(Genetic Algorithms，GA)[10]是由密歇根大學(xué)J. Holland教授在1975年首先提出的，是一種模擬生物進(jìn)化論的自然選擇和遺傳學(xué)理論來(lái)搜索問(wèn)題最優(yōu)解的自適應(yīng)全局優(yōu)化算法。它不依賴于問(wèn)題的具體模型，具有隨機(jī)優(yōu)化和自適應(yīng)全局搜索的特點(diǎn)。

GA-BP神經(jīng)網(wǎng)絡(luò)模型將遺傳算法引入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程，以網(wǎng)絡(luò)權(quán)值和閾值作為種群個(gè)體仿照基因編碼，使用樣本預(yù)測(cè)值和觀測(cè)值的絕對(duì)誤差值之和作為個(gè)體適應(yīng)度函數(shù)，通過(guò)選擇、交叉、變異操作不斷迭代進(jìn)化，最終得到種群最優(yōu)個(gè)體，解碼后得到BP神經(jīng)網(wǎng)絡(luò)全局最優(yōu)權(quán)值和閾值，從而建立遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型[12]。

遺傳算法計(jì)算過(guò)程基本流程如圖5所示。

圖5 遺傳算法計(jì)算流程

遺傳算法具體步驟如下：

(1)編碼。根據(jù)所需解決問(wèn)題選擇合適的編碼方式，二進(jìn)制編碼是最常使用的編碼算法。

(2)初始化。隨機(jī)生成N個(gè)個(gè)體的初始種群，設(shè)置相應(yīng)的最大進(jìn)化代數(shù)，遺傳算法從初始種群開(kāi)始迭代進(jìn)化。

(3)計(jì)算適應(yīng)度。適應(yīng)度函數(shù)是用來(lái)判斷群體中個(gè)體的優(yōu)劣程度的指標(biāo)，即個(gè)體接近最優(yōu)解的程度，一般選取測(cè)試集數(shù)據(jù)誤差平方和的倒數(shù)作為適應(yīng)度函數(shù)，計(jì)算公式如下：

(17)

(4)選擇運(yùn)算。選擇運(yùn)算是按照進(jìn)化論“適者生存”的原則實(shí)現(xiàn)個(gè)體篩選的過(guò)程，從當(dāng)前群體中選擇適應(yīng)度值較高的優(yōu)良個(gè)體，淘汰適應(yīng)度值低的劣質(zhì)個(gè)體，選擇運(yùn)算采用模擬輪盤賭法選擇遺傳到下一代的個(gè)體。

模擬輪盤賭法個(gè)體相對(duì)適應(yīng)度計(jì)算公式如下：

(18)

(19)

(5)交叉運(yùn)算。交叉運(yùn)算是模擬生物基因重組，選擇同一種群中的兩個(gè)個(gè)體，隨機(jī)交換部分基因，形成兩個(gè)新的個(gè)體的過(guò)程。若交叉運(yùn)算采用實(shí)數(shù)交叉法，第k個(gè)染色體ak和第l個(gè)染色體al在j位的交叉運(yùn)算方法如下：

(20)

式中，b為[0, 1]區(qū)間內(nèi)的隨機(jī)數(shù)。

(6)變異運(yùn)算。變異運(yùn)算是模擬基因突變，隨機(jī)選擇種群個(gè)體，按照一定的變異概率，改變個(gè)體一個(gè)或多個(gè)基因值，以產(chǎn)生新個(gè)體的過(guò)程。變異運(yùn)算可維持生物個(gè)體的多樣性，防止未成熟收斂。選取第i個(gè)個(gè)體的第j個(gè)基因aij進(jìn)行變異，變異運(yùn)算方法如下：

(21)

f(g)=r2(1-g/Gmax)2

(22)

式中，amax和amin分別為基因aij的上界和下界；式(5-19)中，r2為隨機(jī)數(shù)，g為當(dāng)前迭代次數(shù)，Gmax為最大進(jìn)化次數(shù)，r為[0, 1]間隨機(jī)數(shù)。

(7)停止條件判斷。若滿足停止條件，則將進(jìn)化過(guò)程中所得最優(yōu)個(gè)體作為最優(yōu)解輸出，終止計(jì)算。若不滿足停止條件，則重復(fù)步驟(3)～(6)。

4 試驗(yàn)與分析

通過(guò)MATLAB環(huán)境對(duì)地鐵列車輔助逆變器開(kāi)路故障診斷進(jìn)行仿真試驗(yàn)，故障診斷流程圖如圖6所示。

圖6 故障診斷流程圖

通過(guò)仿真實(shí)驗(yàn)得到的輔助逆變器IGBT開(kāi)路故障原始信號(hào)，應(yīng)用EEMD算法進(jìn)行信號(hào)分析，取0.2s～0.4s之間輔助逆變器輸出的三相半波電壓信號(hào)作為原始信號(hào)。其中EEMD算法的高斯白噪聲的標(biāo)準(zhǔn)差為0.2，添加噪聲的次數(shù)為100，IMF分量的個(gè)數(shù)為8。以IGBT1故障為例，故障信號(hào)的EEMD分解結(jié)果如圖7所示。

圖7 IGBT1故障信號(hào)的EEMD分解結(jié)果

由圖7可以看出，在分解得到的各IMF分量中，故障信號(hào)主要集中在前5個(gè)IMF分量中。選取前5個(gè)IMF分量，采用能量矩的方法提取故障特征向量。如表3所示列出部分故障特征向量。

為了方便對(duì)21種輔助逆變器IGBT開(kāi)路故障進(jìn)行識(shí)別，需對(duì)所有故障進(jìn)行編碼。本文擬采用6位二進(jìn)制編碼方式：G1G2G3G4G5G6，每一位編碼對(duì)應(yīng)一個(gè)IGBT的狀態(tài)，編碼為0表示該IGBT正常，編碼為1表示該IGBT故障，即000000表示無(wú)故障，001000表示IGBT3故障，010010表示IGBT2、IGBT5同時(shí)故障。

為了更好的提取出輔助逆變器的故障特征，本文通過(guò)改變輔助逆變器故障仿真模型的輸入電壓，以及改變發(fā)生開(kāi)路故障的時(shí)間點(diǎn)，共得到10組數(shù)據(jù)，每組數(shù)據(jù)包含21種故障數(shù)據(jù)和1種正常數(shù)據(jù)。將得到的10組數(shù)據(jù)選擇前8組

表3 部分故障特征向量

數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，后2組數(shù)據(jù)作為測(cè)試樣本。經(jīng)過(guò)多次試驗(yàn)，當(dāng)隱含層神經(jīng)元個(gè)數(shù)為12時(shí)，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果最為理想，平均誤差為0.0427，得到的訓(xùn)練結(jié)果如圖8所示。

圖8 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖

將遺傳算法引入BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，取遺傳算法初始種群大小為20，最大遺傳代數(shù)為100。圖9為GA-BP神經(jīng)網(wǎng)絡(luò)適應(yīng)度曲線，從圖中可以看出，遺傳算法在迭代了約30次后，適應(yīng)度達(dá)到0.004并保持穩(wěn)定。

圖9 GA-BP神經(jīng)網(wǎng)絡(luò)適應(yīng)度曲線

選擇剩下的2組數(shù)據(jù)作為測(cè)試樣本對(duì)訓(xùn)練的GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，測(cè)試結(jié)果如表4所示。根據(jù)測(cè)試結(jié)果可知，經(jīng)GA-BP神經(jīng)網(wǎng)絡(luò)算法模型的診斷精度達(dá)到95.5%，算法診斷結(jié)果如表5所示。

5 結(jié)論

針對(duì)地鐵列車輔助逆變器發(fā)生故障時(shí)，故障信號(hào)非平穩(wěn)非線性的特性，本文提出了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(GA-BP)的故障診斷方法，該方法以輔助逆變器的輸出三相半波電壓值為監(jiān)測(cè)信號(hào)，通過(guò)EEMD分解每一相電壓信號(hào)得到若干個(gè)本征模函數(shù)(IMF)分量，采用能量矩方法提取故障特征向量，基于GA-BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障智能診斷。通過(guò)建立輔助逆變器仿真模型，針對(duì)輔助逆變器中常見(jiàn)的開(kāi)路故障進(jìn)行模擬仿真，結(jié)果表明，該方法可有效識(shí)別出地鐵輔助逆變器開(kāi)路故障，對(duì)于提高故障排除效率，具有重要的研究意義和實(shí)用價(jià)值。

表4 GA-BP神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果

表5 GA-BP算法診斷結(jié)果