大功率電力機(jī)車牽引變流器的故障診斷

陶宣彤

摘 要 本文利用MATLAB/Simulink建立牽引變流器故障仿真模型，通過(guò)小波分析提取定子三相電流的故障特征，構(gòu)造故障特征向量，作為輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)，利用訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)識(shí)別故障。最后使用非樣本的故障數(shù)據(jù)測(cè)試該神經(jīng)網(wǎng)絡(luò)，結(jié)果表明該網(wǎng)絡(luò)能準(zhǔn)確的識(shí)別IGBT開(kāi)路故障。

【關(guān)鍵詞】牽引變流器 故障診斷 神經(jīng)網(wǎng)絡(luò) 小波分析

1 引言

牽引變流器作為大功率電力機(jī)車的核心部件之一，其在能量轉(zhuǎn)換時(shí)起著關(guān)鍵性作用。對(duì)于牽引變流器而言，IGBT、支撐電容等是其中的關(guān)鍵部件，是整個(gè)牽引變流器功能實(shí)現(xiàn)的基礎(chǔ)。機(jī)車的牽引變流器通常在大電壓、大電流的條件下，在IGBT開(kāi)通與關(guān)斷的過(guò)程中，電路的電流變化率很大，繼而由于回路中的分布電感而產(chǎn)生尖峰也很大，大大增加了開(kāi)關(guān)管過(guò)壓損壞的可能性；同時(shí)，在高頻開(kāi)關(guān)狀態(tài)下，特別是在高電壓、大電流條件下，IGBT發(fā)熱造成過(guò)溫的可能性更大，發(fā)熱嚴(yán)重，更容易引發(fā)故障。因此，對(duì)開(kāi)關(guān)管IGBT開(kāi)展故障診斷研究有重要意義。

HXD1C機(jī)車牽引系統(tǒng)采用的是牽引變壓器、牽引變流器及異步牽引電動(dòng)機(jī)構(gòu)成的交流傳動(dòng)系統(tǒng)。機(jī)車采用軸控方式，牽引系統(tǒng)共裝有6套牽引繞組、6個(gè)四象限整流模塊、6個(gè)牽引逆變模塊及6臺(tái)牽引電機(jī)，這些設(shè)備一一對(duì)應(yīng)進(jìn)行電氣連接，并獨(dú)立控制。牽引變流器采用IGBT作為功率器件，水冷散熱，散熱效率高。本文主要對(duì)牽引變流器逆變部分的IGBT開(kāi)路故障進(jìn)行故障診斷研究，逆變器拓?fù)浜?jiǎn)圖如圖1所示。

2 牽引變流器逆變部分仿真模型的建立

為獲取故障診斷系統(tǒng)所需的開(kāi)路故障信號(hào)，本文基于MATLAB/Simulink軟件構(gòu)建了基于矢量控制策略的仿真模型。“control”模塊中包含了靜止三相-兩項(xiàng)變換（3/2變換）、轉(zhuǎn)子磁鏈觀測(cè)、PI調(diào)節(jié)等模塊。通過(guò)仿真測(cè)量電機(jī)定子的三相電流，作為故障診斷的分析對(duì)象，搭建的仿真模型如圖2所示。

3 小波分析的引入及故障特征的提取

變流器的輸出電壓或者輸出電流波形的變化含有變流器故障位置和故障類型等信息，從中快速的、精確的提取出故障特征，是故障診斷研究的關(guān)鍵。近年來(lái)，小波分析備受研究者的重視，它不僅在數(shù)學(xué)上形成了一個(gè)新的分支，而且廣泛應(yīng)用于信號(hào)處理、圖像處理和模式識(shí)別等領(lǐng)域。本文結(jié)合大量的資料，并做了多次的仿真實(shí)驗(yàn)對(duì)比，采用db3小波進(jìn)行6層小波分解，提取三相電流的低頻系數(shù)a6，獲取每個(gè)系數(shù)對(duì)應(yīng)的能量值，將能量值按順序排成一個(gè)向量，構(gòu)成對(duì)應(yīng)于某一個(gè)故障的特征向量。

利用上述的提取故障特征向量的方法，對(duì)變流器的故障特征進(jìn)行提取。

4 故障模式及編碼

本文只考慮單只開(kāi)關(guān)管故障的情況，變流器三相橋臂上一共有6個(gè)開(kāi)關(guān)管，采用三位二進(jìn)制數(shù)對(duì)故障進(jìn)行編碼，具體編碼如表1所示。

5 神經(jīng)網(wǎng)絡(luò)故障模型的建立及仿真

誤差逆?zhèn)鞑ィ╡rrorBackPropagation，簡(jiǎn)稱BP）算法是迄今最成功的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，現(xiàn)實(shí)任務(wù)中使用神經(jīng)網(wǎng)絡(luò)時(shí)，大多是在使用BP算法進(jìn)行訓(xùn)練。開(kāi)關(guān)管的斷路故障與逆變器的輸出電流波形變化之間具有較強(qiáng)的非線性關(guān)系，利用BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力以及其輸入與輸出的非線性映射關(guān)系，使得小波分析結(jié)果與故障類型之間的關(guān)系通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)并保存其中，用于故障診斷。

本文選用三層BP神經(jīng)網(wǎng)絡(luò)對(duì)變流器開(kāi)關(guān)管開(kāi)路故障進(jìn)行診斷。輸入層的神經(jīng)元個(gè)數(shù)N1為3個(gè)，輸出層的神經(jīng)元個(gè)數(shù)為N3為3個(gè)，根據(jù)N2=2N1+1=7，可知隱層節(jié)點(diǎn)數(shù)為7個(gè)。隱含層采用正切傳遞函數(shù)（tansig），輸出層采用對(duì)數(shù)S型傳遞函數(shù)（logsig），利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱來(lái)生成神經(jīng)網(wǎng)絡(luò)，采用Trainlm算法進(jìn)行訓(xùn)練。

輸入向量P1：

將訓(xùn)練之后的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值凍結(jié)，輸入非樣本測(cè)試數(shù)據(jù)，用于驗(yàn)證網(wǎng)絡(luò)性能。新的測(cè)試數(shù)據(jù)可以通過(guò)設(shè)置不同的仿真時(shí)間獲得。

測(cè)試結(jié)果如表2所示。

由表2可知，實(shí)際輸出與期望輸出達(dá)成一致，所建立的神經(jīng)網(wǎng)絡(luò)具有較好的識(shí)別能力，能夠進(jìn)行故障診斷。

6 結(jié)束語(yǔ)

本文運(yùn)用小波分析和神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)變流器逆變部分進(jìn)行故障診斷研究。通過(guò)MATLAB/Simulink建模仿真，獲取單管故障時(shí)定子三相電流的波形，利用小波分析提取故障特征，將處理過(guò)的故障特征數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。通過(guò)仿真實(shí)驗(yàn)證明，該方法可以有效的進(jìn)行故障識(shí)別及定位。

參考文獻(xiàn)

[1]劉志剛.電力電子學(xué)[M].北京：清華大學(xué)出版社，北京交通大學(xué)出版社，2004.

[2]周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016.

[3]崔錦泰.小波分析導(dǎo)論[M].西安：西安交通大學(xué)出版社，1997.

[4]孫召瑞，賈友軍，房玉勝，等.MATLAB神經(jīng)網(wǎng)絡(luò)工具箱在故障診斷中的應(yīng)用[J].蘭州工業(yè)高等專科學(xué)校學(xué)報(bào)，2004，11（04）：12-15.

作者單位

西南交通大學(xué)電氣工程學(xué)院 四川省成都市 610031endprint