高速列車牽引變流器故障診斷研究*

顧 佳， 黃 明， 關(guān) 岳

(1.大連交通大學(xué)機(jī)械工程學(xué)院 大連，116028) (2.大連交通大學(xué)軟件學(xué)院 大連，116028)

(3.中車青島四方機(jī)車車輛股份有限公司信息技術(shù)部 青島，266111)

(4.中車青島四方機(jī)車車輛股份有限公司國家工程試驗(yàn)室 青島，266111)

引 言

牽引變流器作為高速列車的關(guān)鍵部件，主要作用是實(shí)現(xiàn)電能的轉(zhuǎn)換。牽引變流器會在列車行駛過程中會產(chǎn)生大量的熱量，為保證牽引變流器正常工作，這些熱量將被冷卻系統(tǒng)通過水冷或風(fēng)冷的方式帶走。風(fēng)冷即冷卻風(fēng)機(jī)通過從外部抽入冷卻空氣作用在散熱器上，以達(dá)到冷卻的目的，冷卻系統(tǒng)濾網(wǎng)的作用是阻擋空氣中的塵埃粒子以及較大的顆粒污染物進(jìn)入冷卻系統(tǒng)。隨著列車的持續(xù)運(yùn)行，濾網(wǎng)上吸附的灰塵越來越多，通風(fēng)量越來越少，冷卻效果隨之也會變得越來越差。當(dāng)濾網(wǎng)堵塞到一定程度，冷卻系統(tǒng)不能滿足實(shí)際要求時(shí)，會導(dǎo)致牽引變流器過熱引起安全問題，對動車組的正常運(yùn)行造成極大的影響。隨著季節(jié)、運(yùn)行線路環(huán)境的不同，濾網(wǎng)堵塞程度也不相同，應(yīng)適時(shí)清理濾網(wǎng)沉積物，以免影響牽引變流器的正常運(yùn)行。

目前，動車組對于牽引變流器濾網(wǎng)的清潔采取計(jì)劃修的方式。這種維修方式能夠在一定程度上避免牽引變流器濾網(wǎng)堵塞，但存在過度維修、浪費(fèi)維修資源問題，對于一些短時(shí)間發(fā)生嚴(yán)重堵塞的情況也會存在欠修風(fēng)險(xiǎn)。牽引變流器濾網(wǎng)清理狀態(tài)修是運(yùn)用列車車載狀態(tài)數(shù)據(jù)、故障數(shù)據(jù)、環(huán)境工況數(shù)據(jù)以及檢修運(yùn)用數(shù)據(jù)，利用數(shù)據(jù)分析挖掘和人工智能等方法，通過研究濾網(wǎng)堵塞與牽引變流器故障、冷卻系統(tǒng)水溫變化及新風(fēng)溫度等因素之間的關(guān)系，構(gòu)建濾網(wǎng)堵塞故障診斷模型。同時(shí)，利用濾網(wǎng)堵塞故障診斷模型提取的多維故障特征，擬合出濾網(wǎng)堵塞退化狀態(tài)曲線，來表征濾網(wǎng)健康水平的退化狀態(tài)或退化程度，并依據(jù)退化趨勢來預(yù)測濾網(wǎng)清潔的維修時(shí)間，動態(tài)判定濾網(wǎng)是否需要進(jìn)行清理，以及何時(shí)需要清理。

近些年，基于機(jī)器學(xué)習(xí)的故障診斷方法已成為研究熱點(diǎn)[1]，例如：支持向量機(jī)(support vector machine，簡稱SVM)和BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network,簡稱BPNN)等[2]。然而，以上淺層學(xué)習(xí)模型用于故障診斷時(shí)，診斷精度依賴于提取故障特征的好壞，且在多維大數(shù)據(jù)情況下，其診斷效果和泛化能力明顯不足。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)分支，具有強(qiáng)大的建模能力，在故障診斷等領(lǐng)域同樣取得較好的研究成果。深度學(xué)習(xí)通過逐層特征提取，能夠?qū)W習(xí)出故障的早期特征，相比淺層的機(jī)器學(xué)習(xí)算法有更好的優(yōu)勢[3-6]。然而，單任務(wù)深度學(xué)習(xí)在實(shí)際應(yīng)用中通常會遇到訓(xùn)練樣本不充分以及欠擬合的問題，相關(guān)任務(wù)之間的關(guān)聯(lián)關(guān)系沒有被進(jìn)一步挖掘，模型的泛化能力不強(qiáng)。

視情維修的核心是對設(shè)備的退化狀態(tài)進(jìn)行建模及對剩余壽命進(jìn)行預(yù)測。通過對退化狀態(tài)建?？梢詫?shí)時(shí)了解設(shè)備從健康狀態(tài)轉(zhuǎn)變?yōu)楫?dāng)前退化狀態(tài)的變化情況，剩余壽命預(yù)測可以為設(shè)備的維修決策提供指導(dǎo)作用[7]。在傳統(tǒng)方法中，特征提取能力和非線性函數(shù)映射能力逐漸暴露出不足，迫切需要利用新的智能學(xué)習(xí)方法對設(shè)備進(jìn)行更加精準(zhǔn)、高效的退化狀態(tài)建模。近些年，深度學(xué)習(xí)憑借強(qiáng)大的特征提取能力和非線性函數(shù)映射能力，逐漸成為設(shè)備退化狀態(tài)建模領(lǐng)域的研究熱點(diǎn)。

筆者利用已收集的故障樣本數(shù)據(jù)，運(yùn)用多任務(wù)深度學(xué)習(xí)，綜合考慮濾網(wǎng)故障分類診斷和濾網(wǎng)堵塞嚴(yán)重程度預(yù)測2個(gè)相關(guān)任務(wù)，通過訓(xùn)練樣本對多個(gè)具有共享表達(dá)的任務(wù)進(jìn)行并行學(xué)習(xí)，將其他任務(wù)學(xué)到的知識用于目標(biāo)任務(wù)中，從而提升目標(biāo)任務(wù)效果。首先，利用列車實(shí)時(shí)采集的牽引變流器狀態(tài)數(shù)據(jù)、故障樣本數(shù)據(jù)構(gòu)建牽引變流器濾網(wǎng)堵塞故障診斷主任務(wù)；其次，利用列車回庫檢修過程中采集到的人工測量數(shù)據(jù)，構(gòu)建濾網(wǎng)堵塞嚴(yán)重程度輔助子任務(wù)，在深度神經(jīng)網(wǎng)絡(luò)(deep neural networks,簡稱DNN)基礎(chǔ)上，通過共享2個(gè)任務(wù)的輸入?yún)?shù)，構(gòu)建了牽引變流器濾網(wǎng)多任務(wù)深度神經(jīng)網(wǎng)絡(luò)診斷模型；然后，結(jié)合SOM方法將多任務(wù)深度學(xué)習(xí)所抽取的高維故障特征向量集成為一個(gè)故障特征變量，根據(jù)歷史故障數(shù)據(jù)特征變量演化規(guī)律，擬合退化狀態(tài)曲線，直接反映故障特征量和退化狀態(tài)之間的關(guān)系，實(shí)現(xiàn)濾網(wǎng)堵塞維修決策。

1 多任務(wù)深度學(xué)習(xí)和自組織映射

1.1 多任務(wù)深度學(xué)習(xí)

多任務(wù)學(xué)習(xí)(multi-task learning，簡稱MTL)通過從對訓(xùn)練樣本中選擇2個(gè)以上訓(xùn)練目標(biāo)，并根據(jù)目標(biāo)間相關(guān)性提升模型訓(xùn)練的泛化性能力的方法[8]。多任務(wù)學(xué)習(xí)與單任務(wù)學(xué)習(xí)(single-task learning，簡稱STL)相比，MTL通過利用多個(gè)任務(wù)之間的相關(guān)信息來提升任務(wù)之間的辨識度或預(yù)測能力，即MTL通過放松部分訓(xùn)練樣本與主任務(wù)之間的關(guān)系，同時(shí)，相關(guān)任務(wù)利用潛在數(shù)據(jù)特征提升模型訓(xùn)練效果，從而實(shí)現(xiàn)模型的泛化能力。目前，MTL主要解決圖像識別和語音識別等問題[9-10]。

與單任務(wù)深度神經(jīng)網(wǎng)絡(luò)(single-task deep neural networks，簡稱ST-DNN)相比，多任務(wù)深度神經(jīng)網(wǎng)絡(luò)采用多個(gè)任務(wù)共享同一隱層的方式，每個(gè)隱層的輸出將作為多個(gè)任務(wù)輸入。MT-DNN通過多任務(wù)共享隱層的機(jī)制，可以有效提取任務(wù)之間的共同信息，克服由于訓(xùn)練樣本不足而導(dǎo)致的網(wǎng)絡(luò)訓(xùn)練不足[11]。

(1)

1.2 自組織映射

自組織映射作為一種無監(jiān)督競爭式機(jī)器學(xué)習(xí)算法[12]，主要作用是將任意維度的輸入通過權(quán)值計(jì)算轉(zhuǎn)變?yōu)橐痪S或者二維的離散映射，權(quán)值計(jì)算的過程滿足自適應(yīng)的特點(diǎn)[13]。SOM學(xué)習(xí)算法步驟如下：

1) SOM網(wǎng)絡(luò)的初始化。選擇權(quán)值較小的隨機(jī)值對輸入向量和權(quán)值進(jìn)行初始化，并對輸入向量和權(quán)值做歸一化處理。

2) SOM神經(jīng)網(wǎng)絡(luò)的向量輸入。將輸入向量X={x1,x2…，xm}T按照對應(yīng)的維度賦值給各個(gè)輸入神經(jīng)元。

3) 確定輸入向量與權(quán)值向量的歐幾里得距離。距離最小的神經(jīng)元將贏得競爭，以權(quán)值向量的第j神經(jīng)元的計(jì)算為例，計(jì)算其與輸入向量間的距離

(2)

其中：wij為輸入向量的i神經(jīng)元和權(quán)值向量的j神經(jīng)元之間的權(quán)值。

4) 權(quán)值的學(xué)習(xí)。調(diào)整式(2)中所確定的勝出神經(jīng)元j*及其鄰接神經(jīng)元的權(quán)值

Δwij=wij(t+1)-wij(t)=η(t)(xi(t)-wij(t))

(3)

其中：η為常數(shù)，0<η<1，隨時(shí)間變化η衰減為0。

(4)

5) 確定輸出ok

(5)

其中：f(*)為輸出函數(shù)，其輸出值為0～1，且f(*)可以為其他的非線性函數(shù)。

6) 判斷是否收斂。如果滿足設(shè)定的迭代次數(shù)要求，算法結(jié)束；否則，返回步驟2，繼續(xù)學(xué)習(xí)。

2 牽引變流器濾網(wǎng)堵塞故障診斷及維修預(yù)測模型

2.1 牽引變流器濾網(wǎng)堵塞故障診斷

利用多任務(wù)深度學(xué)習(xí)進(jìn)行牽引變流器濾網(wǎng)堵塞故障診斷包括以下幾個(gè)步驟。

1) 構(gòu)建一個(gè)含有N個(gè)隱層、2個(gè)任務(wù)的多任務(wù)深度神經(jīng)網(wǎng)絡(luò)，圖1為基于DNN的多任務(wù)學(xué)習(xí)模型。網(wǎng)絡(luò)架構(gòu)為

[DNNnet]=Feedforward(X;H1,H2,…,HN;Ymain,Ysub;W,b)

圖1 基于DNN的多任務(wù)學(xué)習(xí)模型Fig.1 Multi-task learning model based on DNN

2) 構(gòu)造濾網(wǎng)堵塞故障診斷主任務(wù)和濾網(wǎng)堵塞嚴(yán)重程度子任務(wù)，2個(gè)任務(wù)共享DNN隱層H1,H2特征，在隱層H2添加2個(gè)輸出，主任務(wù)輸出表示濾網(wǎng)堵塞故障診斷，為二分類問題；子任務(wù)輸出表示濾網(wǎng)堵塞嚴(yán)重程度，為回歸問題。其中：主任務(wù)激活函數(shù)和子任務(wù)激活函數(shù)采用sigmoid；主任務(wù)損失函數(shù)采用二分類交叉熵；子任務(wù)損失函數(shù)采用均方誤差。

3) 計(jì)算模型總的損失函數(shù)為

J=αJmain+βJsub(α=1,β=1)

(6)

其中

4) 多任務(wù)模型訓(xùn)練。上述2個(gè)任務(wù)通過總的損失函數(shù)J立，通過最小化誤差函數(shù)J用梯度下降法來更新網(wǎng)絡(luò)參數(shù)，公式為

(11)

(12)

其中：η>0，為學(xué)習(xí)速率，筆者使用隨機(jī)梯度下降優(yōu)化(stochastic gradient descent,簡稱SGD)算法來求解總的目標(biāo)函數(shù)式的最小值。

2.2 牽引變流器濾網(wǎng)堵塞性能退化曲線擬合

利用提取到的牽引變流器濾網(wǎng)堵塞故障特征進(jìn)行濾網(wǎng)堵塞性能退化預(yù)測，圖2為牽引變流器故障診斷及狀態(tài)修預(yù)測方法流程圖。

圖2 牽引變流器故障診斷及狀態(tài)修預(yù)測方法流程圖Fig.2 Flow chart of fault diagnosis and condition-based maintenance prediction model for traction converter

3) 將包含從濾網(wǎng)剛被清潔到由于堵塞而引起故障整個(gè)周期的濾網(wǎng)堵塞故障樣本數(shù)據(jù)作為測試數(shù)據(jù)，輸入到訓(xùn)練好的多任務(wù)深度神經(jīng)網(wǎng)絡(luò)中，通過多個(gè)隱含層和分類、回歸進(jìn)行特征提取，之后將提取出的特征輸入到訓(xùn)練好的SOM網(wǎng)絡(luò)，構(gòu)建濾網(wǎng)堵塞性能退化曲線。

3 試驗(yàn)結(jié)果與分析

3.1 故障樣本分析及指標(biāo)選擇

選擇某列車實(shí)際故障樣本數(shù)據(jù)進(jìn)行分析，排除其他因素干擾，筆者選擇列車在正常運(yùn)行過程中，其他條件恒定的情況下觀察濾網(wǎng)堵塞情況與牽引變流器水溫溫度變化的關(guān)系。恒定條件為：時(shí)速大于300 km/h；風(fēng)機(jī)轉(zhuǎn)速為高速；風(fēng)機(jī)電流正常；進(jìn)、出水口壓力正常。

在列車運(yùn)行過程中的46 d時(shí)間內(nèi)共進(jìn)行3次周期性濾網(wǎng)堵塞清理工作。從第1次清理到第2次清理時(shí)隔25 d，在此期間隨著時(shí)間的推移，進(jìn)出水口溫度越來越高，到第26 d時(shí)報(bào)高溫故障，現(xiàn)車檢查牽引變流器風(fēng)機(jī)濾網(wǎng)臟堵嚴(yán)重，散熱器表面有灰塵，對比其他車透光性差，當(dāng)天進(jìn)行清理。第2次清理到第3次清理時(shí)隔20 d，溫度變化與上一次相似，第20 d報(bào)高溫故障，庫內(nèi)檢查牽引變流器濾網(wǎng)輕微臟堵，當(dāng)日進(jìn)行清理，第1個(gè)濾網(wǎng)堵塞周期進(jìn)出水口溫度變化如圖3所示。

圖3 牽引變流器濾網(wǎng)堵塞與進(jìn)出水口溫度的關(guān)系Fig.3 The relationship between the filter blockage of the traction converter and the temperature of the inlet and outlet

分析發(fā)現(xiàn)，水溫溫度變化是一個(gè)周期性的變化過程，跟濾網(wǎng)清理周期關(guān)系很大。濾網(wǎng)清理后隨著時(shí)間的推移，濾網(wǎng)表面附著的灰塵越來越多，導(dǎo)致濾網(wǎng)臟堵越來越嚴(yán)重，影響冷卻系統(tǒng)散熱，從而導(dǎo)致進(jìn)出水口的溫度越來越高。

除變流器冷卻水溫外，筆者選取了其他可能影響濾網(wǎng)堵塞的狀態(tài)參數(shù)進(jìn)行相關(guān)性分析，最終選擇牽引變流器冷卻水入口溫度均值、冷卻水出口溫度均值、新風(fēng)溫度均值、車重均值、變壓器原邊側(cè)電流均值和中間環(huán)路電壓這6個(gè)變量過去的第1,2,3,5,7,9,12,15,18,22,26 d的均值以及進(jìn)風(fēng)口濾網(wǎng)風(fēng)速共計(jì)56個(gè)變量作為建模輸入變量，主任務(wù)輸出特征為故障診斷結(jié)果0或1；子任務(wù)輸出特征為濾網(wǎng)堵塞百分比。

3.2 數(shù)據(jù)集及參數(shù)設(shè)置

試驗(yàn)仿真數(shù)據(jù)來源于我國某型動車組牽引變流器車載實(shí)時(shí)數(shù)據(jù)和回庫檢測數(shù)據(jù)等日常運(yùn)行維護(hù)數(shù)據(jù)。根據(jù)前期的數(shù)據(jù)分析結(jié)果，選取1 800條數(shù)據(jù)作為建模樣本數(shù)據(jù)。這里將報(bào)出冷卻系統(tǒng)故障的記錄標(biāo)記為1，未報(bào)出故障的記錄標(biāo)記為0，作為主任務(wù)故障診斷標(biāo)簽；進(jìn)風(fēng)口濾網(wǎng)風(fēng)速值記為子任務(wù)濾網(wǎng)堵塞程度標(biāo)簽值。濾網(wǎng)堵塞數(shù)據(jù)共計(jì)460條，占總體樣本的25.6%，樣本按照70%和30%的比例作為訓(xùn)練樣本和測試樣本，即訓(xùn)練集1 260條，測試集540條。

初始化參數(shù)設(shè)定如下：

1) 神經(jīng)網(wǎng)絡(luò)層數(shù)及每層節(jié)點(diǎn)數(shù)。這里輸入層56個(gè)神經(jīng)元，主任務(wù)輸出層1個(gè)神經(jīng)元，子任務(wù)輸出層1個(gè)神經(jīng)元；

2) 最大迭代次數(shù)設(shè)置為300次；

3) 優(yōu)化器采用SGD，使用基于時(shí)間的衰減方案調(diào)節(jié)學(xué)習(xí)率，初始學(xué)習(xí)率為0.1；

4) 權(quán)重w初始化時(shí)采用隨機(jī)的方式；

5) 偏向b初始化為0。

3.3 故障診斷結(jié)果分析

多任務(wù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)迭代次數(shù)最大設(shè)置為300次，筆者采用遍歷的方式確定隱層的最佳網(wǎng)絡(luò)結(jié)構(gòu)，隱層神經(jīng)元從100～300，每種結(jié)構(gòu)重復(fù)50次。圖4為兩種方法準(zhǔn)確率對比。從圖4可以追蹤濾網(wǎng)臟堵故障診斷分類網(wǎng)絡(luò)的訓(xùn)練過程。當(dāng)隱層神經(jīng)元150為最優(yōu)，平均損失值最低。當(dāng)濾網(wǎng)堵塞程度子任務(wù)加入到網(wǎng)絡(luò)后，多任務(wù)模型相對于單任務(wù)模型，準(zhǔn)確率在迭代十幾次時(shí)快速達(dá)到90%以上，訓(xùn)練時(shí)間明顯少于單任務(wù)學(xué)習(xí)。

圖4 兩種方法準(zhǔn)確率對比Fig.4 Comparison of accuracy of the two methods

筆者為評估算法性能，選擇了SVM、單任務(wù)DNN與本研究MT-DNN進(jìn)行比較，其結(jié)果如表1所示。對于支持向量機(jī)模型，采用徑向基函數(shù)(radial basis function，簡稱RBF)，通過比較正確率、召回率和F值評價(jià)性能。可以看出，無論是正確率、召回率還是F值，MT-DNN模型都取得了最好的結(jié)果，說明采用多任務(wù)學(xué)習(xí)可以有效提高故障診斷的性能。另外，各個(gè)模型預(yù)測結(jié)果雖然存在一定的差異，但是F值都超過了70%。說明本研究提取的特征較好地預(yù)測了故障診斷的結(jié)果。

表1 濾網(wǎng)故障診斷模型性能對比Tab.1 Performance comparison of filter fault diagnosis models %

3.4 濾網(wǎng)堵塞退化狀態(tài)曲線擬合分析

選取包含整個(gè)濾網(wǎng)堵塞故障周期的故障樣本作為訓(xùn)練數(shù)據(jù)，應(yīng)用MT-DNN模型提取故障樣本特征，將模型提取出的特征作為SOM模型的輸入變量，構(gòu)建多任務(wù)濾網(wǎng)堵塞退化狀態(tài)曲線。SOM的網(wǎng)絡(luò)拓?fù)涔?jié)輸入節(jié)點(diǎn)個(gè)數(shù)為150，訓(xùn)練次數(shù)為30，學(xué)習(xí)率為0.6。模型訓(xùn)練完成后，為驗(yàn)證退化狀態(tài)曲線的擬合效果，選取濾網(wǎng)堵塞故障樣本，分別將基于MTDNN-SOM和單任務(wù)深度神經(jīng)網(wǎng)絡(luò)狀態(tài)修模型(single-task deep neural networks-SOM，簡稱STDNN-SOM)得到的退化狀態(tài)曲線經(jīng)歸一化后，與歸一化的濾網(wǎng)通風(fēng)量數(shù)據(jù)進(jìn)行對比，如圖5所示。筆者提出的濾網(wǎng)堵塞退化狀態(tài)曲線能較好地描述濾網(wǎng)從被清洗到輕微堵塞再到嚴(yán)重堵塞引起故障的整個(gè)周期的退化過程，曲線局部震蕩較小。相對單任務(wù)模型，多任務(wù)模型具有更好的趨勢性和擬合效果，能夠更好地反映濾網(wǎng)堵塞狀態(tài)變化，為牽引變流器濾網(wǎng)基于狀態(tài)的清理提供決策依據(jù)。

圖5 兩種方法擬合效果對比Fig.5 Comparison of the fitting effects of the two methods

4 結(jié)束語

針對高速列車牽引變流器濾網(wǎng)清理狀態(tài)修問題，提出一種基于MTDNN-SOM的濾網(wǎng)故障診斷和堵塞程度預(yù)測模型。針對濾網(wǎng)堵塞引起故障及堵塞狀態(tài)緩慢變化的特點(diǎn)，采用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建了濾網(wǎng)故障診斷主任務(wù)和濾網(wǎng)堵塞程度子任務(wù)的多任務(wù)深度學(xué)習(xí)模型，將實(shí)時(shí)接收的車載狀態(tài)數(shù)據(jù)及列車回庫檢修數(shù)據(jù)應(yīng)用于MTDNN-SOM模型進(jìn)行故障診斷及堵塞程度預(yù)測，實(shí)現(xiàn)牽引變流器濾網(wǎng)基于狀態(tài)的清理維修和模型的自適應(yīng)優(yōu)化。

針對濾網(wǎng)故障診斷，通過與SVM、單任務(wù)算法的對比，本方法準(zhǔn)確性均優(yōu)于SVM和ST-DNN，訓(xùn)練迭代次數(shù)優(yōu)于ST-DNN。同時(shí)，通過MT-DNN提取的故障特征經(jīng)SOM處理得到的濾網(wǎng)堵塞性能退化曲線比STDNN-SOM得到性能退化曲線預(yù)測的效果更好。因此，筆者所提出的基于MTDNN-SOM的濾網(wǎng)故障診斷和堵塞程度預(yù)測模型有效可行，可用于牽引變流器濾網(wǎng)清理狀態(tài)維修決策。