孟建軍,徐妍琰,李德倉,王鑫健

(1. 蘭州交通大學(xué)機(jī)電技術(shù)研究所,甘肅 蘭州730070;2. 甘肅省物流及運(yùn)輸裝備信息化工程技術(shù)研究中心,甘肅 蘭州 730070;3. 甘肅省物流與運(yùn)輸裝備行業(yè)技術(shù)中心,甘肅 蘭州 730070;4. 上海鐵路局上海動(dòng)車段,上海 201200)

1 引言

輔助逆變器是CRH3型動(dòng)車組輔助供電系統(tǒng)的重要組成部分。輔助供電系統(tǒng)既要為牽引電機(jī)提供強(qiáng)迫風(fēng)冷,為動(dòng)車制動(dòng)用提供壓縮機(jī)的維持動(dòng)車安全運(yùn)行的所需負(fù)載又要提供照明、制冷制熱、動(dòng)車組內(nèi)日常電器的穩(wěn)定和安全使用的電力,保障其能正常使用[1]。在動(dòng)車組作為客運(yùn)主導(dǎo)的今天,動(dòng)車組的運(yùn)行不僅僅呈現(xiàn)于動(dòng)車運(yùn)行的快速和平穩(wěn)上,動(dòng)車組內(nèi)日常生活電器的安全使用得到有效保障更加展現(xiàn)了一個(gè)國家工業(yè)的高度發(fā)達(dá)[2]。由此觀之,輔助逆變器的供電質(zhì)量與可靠性是影響到動(dòng)車運(yùn)行安全和旅客乘坐舒適度的最直接因素[3]。因此對(duì)輔助逆變器故障診斷進(jìn)行深入細(xì)致的研究,對(duì)我國高速動(dòng)車組安全可靠運(yùn)行至關(guān)重要。本文以CRH3型動(dòng)車組輔助逆變器為研究對(duì)象,運(yùn)用MATLAB/Simulink軟件建立輔助逆變器仿真模型,對(duì)輔助逆變器在不同IGBT開路故障狀態(tài)下進(jìn)行了仿真研究,通過選擇合適的小波基對(duì)電流輸出波形進(jìn)行小波分解重構(gòu),得到電流小波的能量頻譜,對(duì)能量系數(shù)進(jìn)行數(shù)據(jù)處理和重構(gòu),提取輔助逆變器的故障特征向量,將小波分解提取的特征向量匯總作為輸入,對(duì)故障進(jìn)行編碼作為輸出,采用BP與GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別,建立對(duì)應(yīng)的故障診斷模型,分別對(duì)BP與GRNN進(jìn)行訓(xùn)練和測試,對(duì)比兩種算法的測試結(jié)果,發(fā)現(xiàn)GRNN網(wǎng)絡(luò)較BP網(wǎng)絡(luò)提高了迭代速度和精度,可以有效的提高故障診斷的精確率。

2 CRH3型動(dòng)車組輔助逆變器工作原理

輔助逆變器一般分為電壓源型和電流源型,CRH3型動(dòng)車組上安裝的是電壓源型逆變器,電壓源型逆變器按照其輸出電壓電平數(shù)不同,分為兩電平式和三電平式,CRH3型動(dòng)車組采用的是兩電平式[4]。兩電平式逆變器拓?fù)浣Y(jié)構(gòu)是由六個(gè)開關(guān)管T1、T2、T3、T4、T5、T6構(gòu)成的三相全橋,具體結(jié)構(gòu)如圖1所示。設(shè)三個(gè)橋臂開關(guān)函數(shù)Si公式為

表3 測試結(jié)果

圖1 輔助逆變器主電路圖

(1)

當(dāng)同一橋臂兩個(gè)開關(guān)管兩者的狀態(tài)是相反的關(guān)系,當(dāng)一方導(dǎo)通時(shí),另一方斷開。計(jì)算可得,由SA、SB和SC可以組合成2*2*2=8種電路工作模式。

3 輔助逆變器仿真

CRH3型動(dòng)車組的輔助逆變器采用先逆變后降壓式的“直-交”型結(jié)構(gòu)[5],其結(jié)構(gòu)拓?fù)淙鐖D2所示。輔助逆變器直接從主變流器的中間環(huán)節(jié)取得DC3000V電壓,經(jīng)逆變,再經(jīng)過濾波,最后得到為440V/60Hz的三相交流電壓。

圖2 輔助逆變器結(jié)構(gòu)拓?fù)?/p>

根據(jù)上述輔助逆變器主電路圖及結(jié)構(gòu)拓?fù)?在MATLAB/Simulink中搭建如圖3所示逆變器仿真模型,參數(shù)取自CRH3型車輔助逆變器實(shí)車運(yùn)行數(shù)據(jù),其中輸入DC3000V,輸出3AC400V/60Hz。

圖3 輔助逆變器仿真模型

仿真采樣步長設(shè)置為1*10-5,仿真時(shí)間共為0.6s,0.5s時(shí)開始觸發(fā),仿真采用ode23t 算法。啟動(dòng)仿真模型時(shí),調(diào)節(jié)相關(guān)的各個(gè)參數(shù),在仿真開路故障時(shí),通過對(duì)相應(yīng)的脈沖置 0 來模擬某一開關(guān)管的故障,將得到輔助逆變器在不同故障情況下的輸出電流波形。

由于三相橋式逆變電路中IGBT很少有三個(gè)及三個(gè)以上同時(shí)發(fā)生故障,因此本文只分析一個(gè)、兩個(gè)IGBT同時(shí)發(fā)生開路故障的情況。由于篇幅原因,以最具代表性的T1故障、T1T2故障、T1T3故障、T1T4故障這四種情況為例分析其波性特征。

輔助逆變器IGBT單管故障分析:T1管故障,如圖4(a)所示,當(dāng) T1管發(fā)生故障時(shí),A相電流輸出的波形正半周期基本全為負(fù)值, B、C相電流輸出波形正半周期的幅值超過負(fù)半周期且有部分畸變。

圖4(a) 輔助逆變器T1管故障波形

圖4(b) 輔助逆變器T1T2管故障波形

圖4(c) 輔助逆變器T1T3管故障波形

圖4(d) 輔助逆變器T1T4管故障波形

輔助逆變器同一橋臂兩個(gè)IGBT同時(shí)故障:T1T2管故障,如圖4(b)所示,T1T2管故障時(shí),其中一相的電流輸出信號(hào)基本全部消失,其余兩相的輸出電流有部分畸變,且正半周期和負(fù)半周期的幅值有所降低。

輔助逆變器兩相同一位置兩個(gè)IGBT同時(shí)故障:T1T3管故障,如圖4(c)所示,當(dāng)T1T3管發(fā)生故障時(shí),A、B相電流輸出的波形負(fù)半周期基本全為正值,C相電流輸出的波形與A、B相呈相反狀態(tài)。

輔助逆變器兩相交叉位置兩個(gè)IGBT同時(shí)故障:T1T4管故障,如圖4(d)所示,其中一相電流輸出的波形正半周期基本全為正值,另一相電流輸出的波形與之呈相反狀態(tài),而其余那相電流輸出波形有部分畸變。

4 小波變換故障特征提取

傳統(tǒng)的信號(hào)處理經(jīng)常運(yùn)用傅里葉分析,然而在實(shí)際應(yīng)用過程中發(fā)現(xiàn)其存在大量的應(yīng)用問題,人們通過各種研究探索對(duì)其進(jìn)行改進(jìn),創(chuàng)造了STFT(短時(shí)傅立葉變換)[6]。由于STFT采用的滑動(dòng)窗函數(shù)在選定后為固定的,因此導(dǎo)致了其時(shí)間分辨率是無法改動(dòng)的,當(dāng)滑動(dòng)窗選取較窄時(shí)采集到的信號(hào)比較短,會(huì)導(dǎo)致頻率分辨率的降低。當(dāng)滑動(dòng)窗較寬時(shí)導(dǎo)致時(shí)域上并不夠精準(zhǔn),缺乏其自身所具備的自適應(yīng)能力。因此小波變換[7]成為一種改進(jìn)的時(shí)頻局域化分析方法,小波窗口的面積相等、時(shí)間和頻域窗口可以進(jìn)行變化,它的出現(xiàn)成為信號(hào)分析領(lǐng)域的突破性進(jìn)展。

(2)

在式(2)中,a表示伸縮因子,b表示平移因子[8]。

對(duì)式(2)中參數(shù)a,b進(jìn)行展開后,可以計(jì)算出任意時(shí)刻任意精度的頻譜,但如果在每個(gè)可能的尺度下一一計(jì)算小波系數(shù)將會(huì)產(chǎn)生龐大的數(shù)據(jù)計(jì)算量,因此需要將其離散化。將連續(xù)小波進(jìn)行離散化操作被稱為離散小波變換(DWT)。

為了更好的實(shí)現(xiàn)小波變換,需要通過計(jì)算機(jī)來輔助計(jì)算同時(shí)把連續(xù)小波ψa,b(t)和連續(xù)小波變換Wf(a,b)離散化。小波離散化不會(huì)將時(shí)間離散化,只針對(duì)連續(xù)的伸縮因子a和連續(xù)的平移因子b,與t無關(guān)[8]。

在連續(xù)小波中,需要考慮函數(shù)

(3)

在式(3)中b∈R,a∈R+,且a≠0,ψ是容性的,為了計(jì)算方便,在連續(xù)小波離散化過程中令a取正值,相容性條件則表示為

(4)

(5)

所以離散化小波變換系數(shù)的求解公式為

(6)

重構(gòu)公式為

(7)

C為常數(shù),取值與信號(hào)無關(guān)[9]。

動(dòng)車組的運(yùn)行環(huán)境復(fù)雜,造成信號(hào)中的諧波復(fù)雜多變,使得信號(hào)中含有非周期信號(hào)、畸變信號(hào)等成分。而小波變換在對(duì)這類諧波信號(hào)的處理上有著天然的優(yōu)勢,在變換中能夠很好地將這些成分去除掉。當(dāng)輔助逆變器處于正常運(yùn)行時(shí),其輸出電流為三相正弦波。而故障運(yùn)行時(shí),由于故障部分電流信號(hào)的丟失,造成系統(tǒng)輸出波形不對(duì)稱,波形中出現(xiàn)許多畸變信號(hào)。經(jīng)過分析CRH3型動(dòng)車組輔助逆變器故障診斷研究,選擇恰當(dāng)?shù)男〔ㄟM(jìn)行分解來處理故障信號(hào),得到需要的特征信號(hào)。

以下以T1管故障為例,將輸出電流利用db3小波進(jìn)行8層分解并重構(gòu)后,獲得了1個(gè)低頻a8和6個(gè)高頻d1、d2、d3、d4、d5、d6、d7及d8,如圖5、6所示。

圖5 T1故障時(shí)A相小波分解圖低頻部分

圖6 T1故障時(shí)A相小波分解圖高頻部分

通過小波分解波形按照不同頻帶分離濾波,在不同故障情況下,其各頻帶組成會(huì)有所不同。將三相電流波形利用小波分析方法進(jìn)行8層分解,得到了8個(gè)高頻帶和1個(gè)低頻帶,其中低頻量很好的表現(xiàn)了波形特征,可以作為一個(gè)求解特征向量參數(shù),稱這種為能量系數(shù)特征向量。能量系數(shù)求解過程如下:

1)進(jìn)行小波分解,提取各頻帶分解系數(shù),再進(jìn)行重構(gòu);

2)求解各分解系數(shù)能量值。公式為

(8)

式中,j=1,2,3,4,5,6,7,8;k=1,2,…,n;n的長度由系數(shù)長度決定。

當(dāng)j=9時(shí),有

(9)

3)選取合適的能量值組成特征向量

N=[E1E2E3E4E5E6E7E8E9]

4)歸一化處理特征向量;

其中,在步驟(3)中涉及到能量值的選擇時(shí)發(fā)現(xiàn),可以計(jì)算出低頻部分占據(jù)了信號(hào)的大部分能量,高頻能量值占總能量比例較小,因此對(duì)能量向量進(jìn)行數(shù)據(jù)處理如下

(10)

則有N=[E1/EE2/EE3/EE4/EE5/EE6/EE7/EE8/EE9/E]

按照該方法,對(duì)其種故障的進(jìn)行特征向量提取,由于篇幅限制,這里僅給出T1故障、T1T2故障、T1T3故障、T1T4故障這四種情況特征值,得到如表1所示的數(shù)據(jù)。

表1 不同故障時(shí)各頻帶能量占總能量比例

步驟4中歸一化處理能量系數(shù)特征向量時(shí)發(fā)現(xiàn),如果依然采取恒定的總能量值E來歸一化處理三相能量時(shí),雖然計(jì)算方便,但是在實(shí)際運(yùn)行中存在問題。本文中解決這一問題的方法是通過動(dòng)態(tài)的計(jì)算每個(gè)采樣周期內(nèi)的歸一化處理系數(shù)P來分別對(duì)每段采樣周期信號(hào)進(jìn)行處理。其中P的計(jì)算方式

P=max([Ea8A,Ea8B,Ea8C])+

0.1*(Ea8A+Ea8B+Ea8C)/3

(11)

不同故障狀態(tài)下的輸出電流能量系數(shù)有所差別,大部分能夠簡單分辨出來,但有些組的其中一部分能量值還是難以區(qū)分因此,需要再找其它特征向量。因此采用提取小波重構(gòu)后的輸出三相電流中正側(cè)波形平均值與正側(cè)、負(fù)側(cè)(絕對(duì)值)平均值和的比值來作為特征向量。利用這一特點(diǎn),可以提取出比例系數(shù)Q,其表達(dá)式所示

(12)

根據(jù)上述能量系數(shù)提取方法,在MATLAB中是通過程序代碼運(yùn)行得到結(jié)果。每個(gè)狀態(tài)共提取出40組特征值。特征值數(shù)據(jù)過于龐大,以最具代表性的正常、T1故障、T1T2故障、T1T3故障、T1T4故障進(jìn)行展示見表2。

表2 不同故障狀態(tài)下故障特征向量

5 BP與GRNN神經(jīng)網(wǎng)絡(luò)故障識(shí)別

5.1 BP神經(jīng)網(wǎng)絡(luò)

誤差逆?zhèn)鞑?BP算法)是目前運(yùn)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,其結(jié)構(gòu)如圖7所示。當(dāng)外部產(chǎn)生一信號(hào)傳到這個(gè)網(wǎng)絡(luò)中時(shí)其輸入層最先得到信號(hào),隨后經(jīng)隱含層傳遞至輸出層處理,這個(gè)過程被稱為前向傳遞。有前向傳遞就會(huì)有反向傳播。反向傳播就是將前向傳遞的結(jié)果與期望相比,從而以此為根據(jù)不斷調(diào)整權(quán)值和閾值。通過不停的學(xué)習(xí)調(diào)整,最終使輸出值無限靠近期望值[10]。

圖7 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

如圖7所示X1,X2,…,Xn為輸入值,Y1,Y2,…,Ym和為權(quán)值。以非線性函數(shù)比網(wǎng)絡(luò),則自變量便是輸入值,因變量為預(yù)測值。于是網(wǎng)絡(luò)就存在一個(gè)映射關(guān)系,是從n個(gè)自變量到m個(gè)因變量,而它存在的條件就是確定了輸入和輸出節(jié)點(diǎn)數(shù)分別為n和m[10]。如果BP網(wǎng)絡(luò)選擇的算法是沿梯度下降法,會(huì)有很多弊端例如訓(xùn)練次數(shù)多、收斂不夠快等。本文采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法即LM算法(trainlm)。其中n代表輸入層神經(jīng)元個(gè)數(shù),由故障特征向量的維數(shù)來確定,所以n=6; m代表輸出層神經(jīng)元個(gè)數(shù),由故障編碼的維數(shù)來確定,因此m=6。隱含層神經(jīng)元的個(gè)數(shù)尚無法精準(zhǔn)確定,常常使用"試錯(cuò)法"進(jìn)行尋找。運(yùn)用試錯(cuò)法分別對(duì)不同隱含層個(gè)數(shù)進(jìn)行測試,發(fā)現(xiàn)當(dāng)隱層節(jié)點(diǎn)數(shù)為27的時(shí)候,網(wǎng)絡(luò)MSE值最小。

把之前得出的數(shù)據(jù)分成訓(xùn)練與測試樣本進(jìn)行測試。圖8所示發(fā)現(xiàn)迭代12次后達(dá)到要求,驗(yàn)證誤差為0.00015354,網(wǎng)絡(luò)未發(fā)生過擬合。

圖8 trainlm函數(shù)訓(xùn)練結(jié)果

5.2 GRNN神經(jīng)網(wǎng)絡(luò)

廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)屬于徑向基網(wǎng)絡(luò)[11],不過改進(jìn)之處在于其以RBF神經(jīng)網(wǎng)絡(luò)為模型基礎(chǔ),多了一個(gè)求和層,因此收斂速度就快,非線性逼近能力也強(qiáng),適合處理預(yù)測問題。樣本數(shù)據(jù)少,也有很好的效果,同時(shí)還能處理不穩(wěn)定數(shù)據(jù)。在處理分類和擬合問題上,尤其是數(shù)據(jù)不足以很好反映實(shí)際問題的時(shí)候有著很大的優(yōu)勢。

不同于BP神經(jīng)網(wǎng)絡(luò)的三層結(jié)構(gòu)GRNN神經(jīng)網(wǎng)絡(luò)包括輸入、隱含、求和、輸出四層[12]。GRNN神經(jīng)網(wǎng)絡(luò)是一個(gè)前向傳播網(wǎng)絡(luò),其優(yōu)點(diǎn)在于它無須反向傳播求模型參數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)圖如圖9所示。

圖9 GRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在進(jìn)行故障識(shí)別之前,先確定其網(wǎng)絡(luò)的整體結(jié)構(gòu)。得到輸出層節(jié)點(diǎn)數(shù)是6個(gè),因?yàn)楣收咸卣飨蛄渴?維。隱含層為徑向基層,節(jié)點(diǎn)數(shù)個(gè)數(shù)等于訓(xùn)練樣本數(shù),由網(wǎng)絡(luò)自適應(yīng)確定。求和層中分子與分母單元輸出的商值,經(jīng)由輸出層得到輸出值,從故障識(shí)別編碼中能夠得出,輸出層有6個(gè)節(jié)點(diǎn)。將已得到的故障特征輸入網(wǎng)絡(luò),進(jìn)行了四次交叉驗(yàn)證實(shí)驗(yàn),如下圖10所示。

圖10 GRNN函數(shù)訓(xùn)練結(jié)果

通過采取交叉驗(yàn)證的方法去找到最佳SPREAD值,以達(dá)診斷效果最佳的目的。最終得出在第二次交叉驗(yàn)證中SPREAD為0.02時(shí)最佳,1.0645E-32即為最小均方差MSE。

5.3 結(jié)果對(duì)比分析

BP神經(jīng)網(wǎng)絡(luò)采用LM算法進(jìn)行多次運(yùn)算,經(jīng)過研究得到迭代9-12次時(shí)效果最佳,GRNN神經(jīng)網(wǎng)絡(luò)采用交叉驗(yàn)證方法,通過反復(fù)訓(xùn)練后確定交叉驗(yàn)證次數(shù)為4時(shí),找到的SPREAD 值最佳。

以樣本T1故障測試結(jié)果進(jìn)行對(duì)比分析,根據(jù)表3能夠直觀的看出相比于BP神經(jīng)網(wǎng)絡(luò),GRNN 神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值與期望值之間的誤差平均提高了40個(gè)數(shù)量級(jí),在識(shí)別精確率上遠(yuǎn)優(yōu)于BP神經(jīng)網(wǎng)絡(luò),提升了故障診斷的準(zhǔn)確率,更好的實(shí)現(xiàn)診斷。

在訓(xùn)練時(shí)間上,對(duì)比如下表4所示,為了故障診斷的精度提升,GRNN神經(jīng)網(wǎng)絡(luò)采用交叉驗(yàn)證的方法,因而LM算法訓(xùn)練的BP網(wǎng)絡(luò)訓(xùn)練時(shí)間與GRNN網(wǎng)絡(luò)訓(xùn)練時(shí)間相比,兩者差別不大。

表4 神經(jīng)網(wǎng)絡(luò)對(duì)比

6 結(jié)論

最終從研究結(jié)果可以得出:

1)本文通過詳細(xì)的分析與合理的選擇確定了db3小波基來進(jìn)行操作所得出的故障特征向量,能夠較好的呈現(xiàn)出其中的故障信息,并驗(yàn)證了故障特征向量的正確性。

2)本文采用的BP與GRNN神經(jīng)網(wǎng)絡(luò)均能夠?qū)崿F(xiàn)故障識(shí)別,LM算法訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間與GRNN神經(jīng)網(wǎng)絡(luò)相近,GRNN神經(jīng)網(wǎng)絡(luò)無需對(duì)權(quán)值處理,使其處理速度較快,因此略好于 BP神經(jīng)網(wǎng)絡(luò)。

3)在識(shí)別精確率上,GRNN 神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值與期望值之間的誤差遠(yuǎn)遠(yuǎn)小于BP神經(jīng)網(wǎng)絡(luò),提高了故障識(shí)別的精度,診斷結(jié)果更為準(zhǔn)確。