摘要： 為了識(shí)別高速動(dòng)車組列車過電壓類型、給故障溯源及列車改進(jìn)優(yōu)化提供數(shù)據(jù)支持，提出了一種模糊識(shí)別方法.首先，利用小波變換對(duì)過電壓時(shí)域信號(hào)進(jìn)行db4小波基下的17層分解，在此基礎(chǔ)上提取各分解層數(shù)下的能量值，并進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，獲得過電壓信號(hào)特征量.其次，基于模糊理論，建立起列車升降弓、進(jìn)分相、出分相、高頻諧振、鐵磁諧振和VCB操作過電壓的標(biāo)準(zhǔn)模型.最后，使用貼近度計(jì)算與擇近原則完成對(duì)過電壓的識(shí)別.結(jié)果表明文中方法對(duì)過電壓的識(shí)別準(zhǔn)確率在90%以上.

關(guān)鍵詞：" 高速動(dòng)車組； 過電壓； 小波變換； 模糊識(shí)別； 貼近度； 擇近原則

中圖分類號(hào)： U225" 文獻(xiàn)標(biāo)志碼：" A" 文章編號(hào)："" 1671-7775（2025）02-0194-06

Overvoltage identification based on wavelet transform and fuzzy theory

Abstract： To identify the overvoltage types of high-speed electric multiple units trains and provide data support for fault tracing and train improvement and optimization， the fuzzy identification method was proposed. The wavelet transform was used to decompose the overvoltage time domain signal in 17 layers under the db4 wavelet basis， and the energy values under each decomposition scale were extracted and normalized to obtain the overvoltage signal characteristic quantities. Based on fuzzy theory， the standard models of train lift bow， incoming split phase， outgoing split phase， high frequency resonance， ferromagnetic resonance and VCB operation overvoltage were established. The identification of overvoltage was completed by the closeness calculation and the proximity selection principle. The results show that by the proposed method， the identification accuracy of overvoltage is more than 90%.

Key words： high-speed electric multiple units； overvoltage; wavelet transform; fuzzy identification; closeness; proximity selection principle

近年來，我國電氣化鐵路不斷朝著高速化、重載化發(fā)展，列車牽引負(fù)荷功率越來越大，使得在列車運(yùn)行過程中牽引網(wǎng)上極易產(chǎn)生過電壓.車網(wǎng)之間的暫態(tài)耦合會(huì)導(dǎo)致過電壓傳到車體，影響車載速度傳感器、煙霧報(bào)警器等設(shè)備的正常運(yùn)行，嚴(yán)重情況下，甚至?xí)?dǎo)致通信紊亂、控制失靈，給高速動(dòng)車組的安全穩(wěn)定運(yùn)行帶來巨大隱患.對(duì)牽引網(wǎng)過電壓類型進(jìn)行識(shí)別研究，有助于快速定位故障原因，發(fā)現(xiàn)列車和牽引網(wǎng)缺陷，保障牽引供電系統(tǒng)和列車的安全可靠性[1-2].過電壓類型識(shí)別研究主要包含兩個(gè)關(guān)鍵步驟，即過電壓信號(hào)的特征量提取和算法識(shí)別.對(duì)于過電壓的特征提取，常用的方法有時(shí)域法、短時(shí)傅里葉變換[3]、快速傅里葉變換、小波變換[4]、S變換[5]等.

時(shí)域法一般針對(duì)電壓信號(hào)的有效值、波頭時(shí)間、波形畸變率等時(shí)域特性進(jìn)行研究，時(shí)域特征雖然特征提取算法簡單，但往往難以總結(jié)出電壓信號(hào)蘊(yùn)含的規(guī)律性，且規(guī)律性表現(xiàn)不穩(wěn)定[6].快速傅里葉變換提供了頻域參數(shù)，且易于實(shí)現(xiàn)，但其適合分析平穩(wěn)信號(hào)，對(duì)暫態(tài)的過電壓信號(hào)并不適用.而短時(shí)傅里葉變換雖然運(yùn)用了加窗思想，有了時(shí)頻信息，但其窗函數(shù)固定，需要在時(shí)間、頻率分辨率之間作取舍[7].小波變換相較于前面的方法，其對(duì)暫態(tài)信號(hào)有著優(yōu)異的處理能力，且具有時(shí)間-尺度的多細(xì)化分析能力，可更好地同時(shí)從時(shí)間、頻率兩個(gè)維度對(duì)信號(hào)進(jìn)行分析處理[8-9].

對(duì)過電壓的識(shí)別手段主要有設(shè)置閾值、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）等[10-11].在傳統(tǒng)的識(shí)別分析中，一般具有非此即彼的性質(zhì)，待識(shí)別對(duì)象的劃分具有明確的界限，但在現(xiàn)實(shí)中分析對(duì)象往往沒有清晰且嚴(yán)格屬于自己的特性.動(dòng)車組動(dòng)態(tài)運(yùn)行環(huán)境十分復(fù)雜，且一些過電壓發(fā)生工況類似，以傳統(tǒng)的識(shí)別手段分析具有一定的局限性.模糊理論知識(shí)為這種界限不明、彼此之間關(guān)系具有模糊性的研究對(duì)象提供了分析工具，即利用模糊數(shù)學(xué)相關(guān)的理論知識(shí)，以嚴(yán)謹(jǐn)客觀的數(shù)學(xué)方法，確定了待識(shí)別對(duì)象對(duì)親本的隸屬程度，解決了特征不明的識(shí)別問題[12-13].

文中首先采用小波變換的多尺度分析對(duì)過電壓進(jìn)行分解；然后提取每個(gè)尺度的能量占比，再對(duì)提取的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，構(gòu)建不同過電壓的標(biāo)準(zhǔn)模型；最后運(yùn)用貼近度與擇近原則，完成對(duì)過電壓的識(shí)別，為高速動(dòng)車組過電壓的識(shí)別提供一種新的方法.其中模糊識(shí)別的運(yùn)用可有效解決列車運(yùn)行過程中復(fù)雜外部環(huán)境帶來的干擾，大大提高列車過電壓識(shí)別的準(zhǔn)確率.

1 基于小波變換的特征提取

通過列車電壓互感器的二次側(cè)，跟車試驗(yàn)采集了列車過分相、升降弓、斷路器（VCB）操作、高頻諧振、鐵磁諧振過電壓的時(shí)域波形信號(hào)，如圖1所示，波形采樣率為10 MHz，長度為200 ms.

試驗(yàn)所測電壓信號(hào)為離散信號(hào)，基于多分辨率分析的小波分析快速算法，可將信號(hào)分解為不同尺度下的各個(gè)分量.具體過程如下：使信號(hào)通過一組高通濾波器和低通濾波器；高通濾波器產(chǎn)生信號(hào)的高頻細(xì)節(jié)分量，得到細(xì)節(jié)系數(shù)；低通濾波器產(chǎn)生信號(hào)的低頻近似分量，得到近似系數(shù)；低頻和高頻各占頻帶的二分之一；進(jìn)行下一尺度的分解，對(duì)低頻成分重復(fù)上述過程.

經(jīng)過頻譜分析，鐵磁諧振過電壓信號(hào)主要頻率為1/3次諧波，其余過電壓信號(hào)的主要頻率在2 MHz以下.按照上述多分辨率技術(shù)，將過電壓信號(hào)分解為17層，可將各過電壓的主要頻帶區(qū)分開，如表1所示.在小波基的選擇上，選擇對(duì)暫態(tài)過電壓具有良好表征能力的db4小波，然后進(jìn)行17層分解.進(jìn)而使用小波工具提取過電壓在各個(gè)分解層上的能量占比.

從實(shí)測列車過電壓數(shù)據(jù)中，選取進(jìn)分相、出分相、高頻諧振、鐵磁諧振、VCB操作、升弓和降弓過電壓的典型波形數(shù)據(jù)各10組，統(tǒng)計(jì)過電壓在不同分解層下的能量分布情況，結(jié)果如圖2和表2所示.

從圖2和表2可見：相同過電壓類型在同一分解層下的能量分布范圍比較分散，能量占比跨度較大；在同一分解層下，不同過電壓的能量值會(huì)出現(xiàn)交叉重疊現(xiàn)象，彼此之間沒有明顯界限；同一類型過電壓在分解層d1-d17、a上的總體能量分布趨勢相似.

2 模糊識(shí)別

根據(jù)上述分析，不同過電壓類型的某些特征之間會(huì)出現(xiàn)重疊交叉情況，彼此之間的界限具有模糊性，無法簡單以單一特征或明確界限進(jìn)行判別，對(duì)于此種問題，采用模糊數(shù)學(xué)理論知識(shí)可以有效解決.模糊識(shí)別過程可分為以下幾個(gè)過程：建立標(biāo)準(zhǔn)模型庫，計(jì)算待識(shí)別對(duì)象與標(biāo)準(zhǔn)模型的貼近程度，根據(jù)擇近原則完成識(shí)別.

2.1 建立標(biāo)準(zhǔn)模型庫

根據(jù)式（1），構(gòu)建起標(biāo)準(zhǔn)庫的原始數(shù)據(jù)矩陣X，即分別求取每種過電壓分解后每個(gè)分解層能量占比的均值.然后根據(jù)平移極差變換公式

對(duì)矩陣X進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，將其壓縮到[0，1]上，以滿足模糊數(shù)學(xué)計(jì)算要求，得到不同過電壓的標(biāo)準(zhǔn)模型A～i.矩陣X和A～i表達(dá)式如下：

2.2 基于貼近度與擇近原則的過電壓識(shí)別

其中

式中： ∧表示取小運(yùn)算；∨表示取大運(yùn)算.

貼近度計(jì)算公式有多種，文中采用的貼近度定義為

經(jīng)過測試，算法對(duì)于過電壓的識(shí)別準(zhǔn)確率如表4所示.基于上述分析，得出過電壓識(shí)別算法流程如圖3所示.

由表4可見，模糊識(shí)別算法可有效識(shí)別過電壓的類型.其中鐵磁諧振過電壓的識(shí)別準(zhǔn)確率最高，達(dá)到100%，這是因?yàn)殍F磁諧振過電壓在1/3頻處的特征明顯區(qū)別于其他過電壓.進(jìn)分相和出分相過電壓的識(shí)別準(zhǔn)確率分別為95%和92%，而兩者錯(cuò)判類型表現(xiàn)為出分相被錯(cuò)判為進(jìn)分相，進(jìn)分相被錯(cuò)判為出分相；這是因?yàn)閮烧甙l(fā)生過電壓時(shí)的情形接近，如果將進(jìn)分相過電壓和出分相過電壓合并為過分相過電壓類型，可大大提高其識(shí)別準(zhǔn)確率.VCB操作過電壓識(shí)別準(zhǔn)確率最低為90%，被錯(cuò)判為高頻諧振過電壓，這可能是因?yàn)閂CB中也包含一定的高頻分量的復(fù)雜情形.高頻諧振過電壓識(shí)別準(zhǔn)確率為93%，錯(cuò)判類型為進(jìn)分相過電壓，原因是進(jìn)分相也包含了高頻分量，且其在對(duì)應(yīng)尺度上能量分布相似.升弓與降弓的準(zhǔn)確率分別為92%和95%，彼此也會(huì)出現(xiàn)錯(cuò)判情況，與進(jìn)分相和出分相情形類似.

3 結(jié) 論

1） 小波變換可有效提取牽引網(wǎng)過電壓的特征，識(shí)別準(zhǔn)確率達(dá)到90%以上.從單一尺度上看，不同過電壓之間的特征不明顯，但同一過電壓在多尺度上的能量分布具有一致性，且不同過電壓在多尺度上的總體能量分布趨勢存在差異.

2） 對(duì)于貼近程度的計(jì)算考量，可根據(jù)實(shí)際計(jì)算結(jié)果考慮采用格貼近度還是其他貼近度計(jì)算公式.

3） 對(duì)于識(shí)別準(zhǔn)確率的提升，可以考慮采用小波包分解，小波包分析對(duì)高頻部分的分析比小波分解更詳細(xì)，有助于準(zhǔn)確識(shí)別高頻諧振過電壓，但會(huì)增加算法的計(jì)算時(shí)間.

參考文獻(xiàn)（References）

［1］ 徐躍，馮玉明，白剛，等.碳纖維車體阻抗特性分析及升降弓過電壓研究[J].機(jī)車電傳動(dòng)，2022（1）：8-12.

XU Y， FENG Y M， BAI G， et al. Analysis on impe-dance characteristics and research on pantograph rising and dropping overvoltage of CFRP carbody[J]. Electric Drive for Locomotives， 2022（1）：8-12.（in Chinese）

［2］ 崔勇，楊培民.機(jī)車過分相鋼軌過電壓的仿真研究[J].北京交通大學(xué)學(xué)報(bào)，2020，44（5）：111-116.

CUI Y， YANG P M. Simulation research on the rail overvoltage caused by locomotive passing neutral zone[J]. Journal of Beijing Jiaotong University， 2020，44（5）：111-116.（in Chinese）

［3］ HWANG Y I，SEO M K，OH H G， et al. Detection and classification of artificial defects on stainless steel plate for a liquefied hydrogen storage vessel using short-time fourier transform of ultrasonic guided waves and linear discriminant analysis[J].Applied Sciences， DOI：10.3390/app12136502.

［4］ ZHAO J H， HU T Y， ZHANG Q C. A wavelet packet transform and convolutional neural network method based ultrasonic detection signals recognition of concrete[J]. Sensors， DOI：10.3390/s22103863.

［5］ PENG Y W， MA X H. A fault diagnosis method of rol-ling bearings based on parameter optimization and adaptive generalized S-transform[J]. Machines， DOI：10.3390/machines10030207.

［6］ MAYET A M， ALIZADEH S M， NURGALIEVA K S， et al. Extraction of time-domain characteristics and selection of effective features using correlation analysis to increase the accuracy of petroleum fluid monitoring systems[J]. Energies， DOI： 10.3390/en15061986.

［7］ DELINA M， NURHUSNI A P. Feature extraction of noise signal in motorcycle by fast Fourier transform[J].Journal of Physics： Conference Series， DOI： 10.1088/1742-6596/1869/1/012198.

［8］ 張穎，馬承澤，楊平，等.基于小波變換和改進(jìn)PCA的人臉特征提取算法[J].吉林大學(xué)學(xué)報(bào)（理學(xué)版），2021，59（6）：1499-1503.

ZHANG Y， MA C Z， YANG P， et al. Face feature extraction algorithm based on wavelet transform and improved principal component analysis[J]. Journal of Jilin University （Science Edition）， 2021，59（6）：1499-1503.（in Chinese）

［9］ 楊勇，方針，方海斌，等.基于小波去噪的MEMS陀螺儀隨機(jī)誤差校準(zhǔn)算法[J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，32（1）：99-104.

YANG Y， FANG Z， FANG H B， et al. An algorithm for random error calibration of MEMS gyroscope based on wavelet denoising[J]. Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition）， 2020，32（1）：99-104.（in Chinese）

［10］ 賈君宜，吳命利，宋可薦，等.基于短時(shí)傅里葉變換和深度學(xué)習(xí)的牽引網(wǎng)過電壓辨識(shí)[J].電氣技術(shù)，2021，22（10）：1-10.

JIA J Y， WU M L， SONG K J， et al. Traction network overvoltage identification based on short time Fourier transform and deep learning[J]. Electrical Engineering， 2021，22（10）：1-10.（in Chinese）

［11］ 趙洪彬，羅慶亮，李欣，等.融合多級(jí)支持向量機(jī)的鐵磁諧振和雷電過電壓識(shí)別方法研究[J].湖南電力，2022，42（1）：17-22.

ZHAO H B， LUO Q L， LI X， et al. Research on ferroresonance and lightning overvoltage identification method based on multi-level support vector machine[J]. Hunan Electric Power， 2022，42（1）：17-22.（in Chinese）

［12］ 岳光華，滕麗，周文波，等.模糊聚類分析在粗集料分類選擇中的應(yīng)用[J].江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，43（4）：453-457.

YUE G H， TENG L， ZHOU W B， et al. Application of fuzzy clustering analysis in classification and selection of coarse aggregate[J]. Journal of Jiangsu University （Na-tural Science Edition）， 2022，43（4）：453-457.（in Chinese）

［13］ RUSPINI E H， BEZDEK J C， KELLER J M. Fuzzy clustering： a historical perspective[J]. IEEE Computational Intelligence Magazine， 2019，14（1）：45-55.