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)雜故障識別的問題。針對這些問題，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別率， 結(jié)果表明，所提出方法能夠準(zhǔn)確地識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別。本文以電力機(jī)車的牽引變壓器為研究對象，采用多核支持向量機(jī)對牽引變壓器故障進(jìn)行識別分析。

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，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，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)果對比如表1所示。

從表1中可以看出，基于MKSVM故障診斷模型對牽引變壓器的故障識別準(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，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.