程海鵬 李志超 劉佳朋 張全國
摘 要:在機(jī)車牽引變壓器故障診斷中,傳統(tǒng)診斷模型建模復(fù)雜,難以滿足復(fù)雜故障識(shí)別的問題。針對(duì)這些問題,引入多核支持向量機(jī)(MKSVM),建立基于多核支持向量機(jī)(MKSVM)故障識(shí)別模型。最后通過仿真分析,給出了不同診斷模型方法下的故障識(shí)別率, 結(jié)果表明,所提出方法能夠準(zhǔn)確地識(shí)別牽引變壓器的故障類型,提高了牽引變壓器的故障診斷精度。
關(guān)鍵詞:牽引變壓器;故障診斷;多核支持向量機(jī)
牽引變壓器作為電力機(jī)車牽引系統(tǒng)的重要部件,直接影響機(jī)車的安全行駛。研究機(jī)車牽引變壓器故障診斷具有十分重要的意義。趙峰采用改進(jìn)的灰關(guān)聯(lián)度分析法,基于變壓器油中溶解氣體,準(zhǔn)確地診斷出牽引變壓器故障類型[1]。秦晨利用模糊RBF神經(jīng)網(wǎng)絡(luò),建立了改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)牽引變壓器故障診斷模型,提高了故障的辨識(shí)度[2]。但神經(jīng)網(wǎng)絡(luò)由于自身局限性,易陷入局部最優(yōu)情況,文獻(xiàn)[3]采用支持向量機(jī)實(shí)現(xiàn)了牽引變壓器故障的可靠識(shí)別。本文以電力機(jī)車的牽引變壓器為研究對(duì)象,采用多核支持向量機(jī)對(duì)牽引變壓器故障進(jìn)行識(shí)別分析。
一、建模分析
(一)牽引變壓器故障分析
牽引變壓器主要故障表現(xiàn)為放電故障和過熱故障。牽引變壓器故障類別可分為中低溫過熱,高溫過熱,局部放電,低能放電,低能放電兼過熱,高能放電,高能放電兼過熱及無故障8類組成。研究發(fā)現(xiàn)變壓器油中氣體含量是故障的特征,當(dāng)變壓器發(fā)生放電故障時(shí),氫氣和乙炔變化明顯,其次是甲烷、乙烷和乙烯[4]。發(fā)生過熱故障時(shí),甲烷和乙烯變化明顯,其次是為氫氣和乙炔。因此,分析牽引變壓器油中溶解氣體生成原理及其含量特征對(duì)于牽引變壓器故障診斷有重要作用。
(二)支持向量機(jī)原理和算法
支持向量機(jī)(supportvectormachine,SVM)是由Vanpik提出的智能學(xué)習(xí)方法[6]。傳統(tǒng)單核支持向量由于單核的局限性,難以適應(yīng)復(fù)雜故障診斷問題。多核支持向量機(jī)是兩個(gè)及以上的單核函數(shù)通過線性組合,得到支持向量機(jī)的核函數(shù)[7]。
(三)故障診斷步驟
二、仿真分析
選擇某路段電力機(jī)車牽引變壓器故障資料為樣本。選取300組數(shù)據(jù)作為樣本數(shù)據(jù),200組數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù),100組數(shù)據(jù)作為網(wǎng)絡(luò)測(cè)試樣本數(shù)據(jù)。用F1、F2、F3、F4、F5、F6、F7及F8分別表示中低溫過熱,高溫過熱,局部放電,低能放電,低能放電兼過熱,高能放電,高能放電兼過熱及無故障8類故障模式。
為了進(jìn)一步說明本文所提方法的有效性,選取共60組為訓(xùn)練樣本,剩余的樣本為測(cè)試數(shù)據(jù)樣本,與直接使用支持向量機(jī)(SVM)故障診斷方法進(jìn)行比較分析,故障診斷結(jié)果對(duì)比如表1所示。
從表1中可以看出,基于MKSVM故障診斷模型對(duì)牽引變壓器的故障識(shí)別準(zhǔn)確率明顯高于BP神經(jīng)網(wǎng)絡(luò)、SVM故障診斷模型。
三、結(jié)論
本文研究了基于多核支持向量機(jī)的牽引變壓器故障診斷方法,建立了高性能的牽引變壓器故障診斷模型。以電力機(jī)車的牽引變壓器為研究對(duì)象,仿真結(jié)果表明:多核支持向量機(jī)的故障診斷方法應(yīng)用于電力機(jī)車牽引變壓器的故障診斷中,故障識(shí)別準(zhǔn)確率高。該方法為電力機(jī)車牽引變壓器的故障診斷提供借鑒參考。
參考文獻(xiàn):
[1]趙峰,李碩.基于DGA和改進(jìn)型灰關(guān)聯(lián)度模型的牽引變壓器故障診斷[J].高壓電器,2015,51(1):41-45.
[2]秦景,王玥,秦波,吳慶朝.改進(jìn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)的牽引變壓器故障診斷研究[J].組合機(jī)床與自動(dòng)化加工技術(shù),2016(7):78-81.
[3]方科,黃元亮,劉新東.基于自適應(yīng)PSO算法的LS-SVM牽引變壓器絕緣故障診斷模型[J].電力自動(dòng)化設(shè)備,2011,31(3):85-89.
[4]李霞.SS_4改進(jìn)型電力機(jī)車牽引變壓器故障的跟蹤分析[J].機(jī)車電傳動(dòng),2016,57(2):95-98.[5]蔣波濤,張博,黃新波.基于支持向量機(jī)的電機(jī)故障診斷方法綜述[J].微電機(jī),2018,51(7):58-61.
[6]杜偉,房立清,齊子元,張前圖.基于LFOA優(yōu)化多核支持向量機(jī)的液壓泵故障診斷[J].機(jī)械設(shè)計(jì)與研究,2018,34(01):137-140.