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.