地鐵電源模塊故障分析及預(yù)測方法

宮 琦, 陳秉智, 李永華, 夏 清

(1. 大連交通大學 機械工程學院, 遼寧 大連 116028; 2. 大連交通大學 機車車輛工程學院, 遼寧 大連 116028)

牽引逆變系統(tǒng)是地鐵車輛牽引系統(tǒng)的關(guān)鍵部件,是車輛電氣系統(tǒng)的重要組成部分,該系統(tǒng)運行品質(zhì)的優(yōu)劣對車輛的安全性、旅客的乘坐舒適性有直接影響,它的故障會導(dǎo)致車輛的停運、經(jīng)濟損失，甚至負面的社會影響[1-2].牽引逆變系統(tǒng)主要由線路接觸器、預(yù)充電電路、濾波電抗器、支撐電容、放電電阻、功率模塊、牽引控制單元、電源模塊和各類傳感器組成.電源模塊負責給各控制板卡、電壓電流傳感器、絕緣柵二極晶體管(insulated gate bipolar transistor,IGBT)驅(qū)動板等供電,因此電源模塊的故障將直接導(dǎo)致牽引逆變系統(tǒng)、空調(diào)系統(tǒng)、列車網(wǎng)絡(luò)無法正常工作.

牽引逆變系統(tǒng)為車輛運行提供牽引力和電制動力,其運行的可靠性、使用壽命直接影響整個車輛的總體水平[3-4].近年來,學者們對牽引逆變器IGBT的老化狀態(tài)監(jiān)測、故障率和壽命預(yù)測研究比較多[5-6],對電源模塊的故障維修、故障預(yù)測研究很少.文獻[7]對長沙地鐵24 V電源模塊的燒損故障進行了原因分析,并制定了相應(yīng)的整改及預(yù)防措施,避免了類似故障的發(fā)生.

近年來,諸多學者對故障預(yù)測方法開展了有價值的研究.目前,國內(nèi)外應(yīng)用比較廣泛的故障預(yù)測方法主要有四大類:基于知識的方法[8-10]、基于模型的方法[11-12]、基于數(shù)據(jù)的方法[13-14]和基于融合技術(shù)的方法[15-16].數(shù)據(jù)驅(qū)動法是故障預(yù)測方法的核心,是比較實用的故障預(yù)測方法.基于融合技術(shù)的方法是將基于模型的方法和基于數(shù)據(jù)的方法相融合,既可以發(fā)揮二者的優(yōu)勢和特點又克服了單一方法的局限性,從而獲得更高的預(yù)測精度.

由于電力電子電路中的主電路元器件較易出現(xiàn)故障,而主電路又是完成功率變換的核心功能電路,所以對電力電子電路主電路的故障預(yù)測研究吸引了許多學者的關(guān)注.目前,對電力電子電路的故障預(yù)測主要從預(yù)測對象和故障預(yù)測算法兩方面進行研究.

針對預(yù)測對象方面研究的重點多集中于器件級的故障預(yù)測,比如電容[17-18]、MOSFET[19]和IGBT[20]等故障高發(fā)元器件以及DC/DC變換器的電路級故障預(yù)測.器件級預(yù)測主要是通過分析這些故障高發(fā)器件的失效機理構(gòu)建器件的失效模型或者監(jiān)測器件故障特征參數(shù)的細小變化,完成器件的健康狀態(tài)或者剩余壽命的評估.電路級故障預(yù)測主要是從電路整體性能退化方面預(yù)測,不關(guān)注內(nèi)部元器件的退化狀況.在實際應(yīng)用中,功率變換器以模塊形式存在,如果發(fā)生故障即可整體更換,所以電路級故障預(yù)測更具有實際工程意義.

針對故障預(yù)測算法方面研究的重點多集中于基于數(shù)據(jù)的方法.文獻[21]基于等效串聯(lián)電阻值和電容值的退化特征參數(shù)運用最小二乘支持向量機、BP神經(jīng)網(wǎng)絡(luò)和GM(1,1)模型實現(xiàn)變換器輸出電容故障值預(yù)測.文獻[22]選取輸出功率、輸出紋波電壓和電感電流作為故障特征參數(shù),采用隱馬爾可夫模型實現(xiàn)開關(guān)電源變換器的故障預(yù)測.文獻[23]提出了基于平均電壓預(yù)測的級聯(lián)H橋多電平逆變器廣義開關(guān)故障診斷方法.由于電力電子電路失效物理模型構(gòu)建困難,而電路狀態(tài)信息獲取容易,因此,基于數(shù)據(jù)方法的電力電子電路故障預(yù)測研究的較多.

為提高預(yù)測精度,解決電力電子電路故障預(yù)測過程中系統(tǒng)模型繁雜、建模難、故障特征參數(shù)和故障閾值確定困難等難點,需朝著融合技術(shù)的發(fā)展方向努力,比如兼顧多種算法的優(yōu)點,將多種算法融合為一個新的算法,以提高故障預(yù)測的準確性.

基于此,本文針對某地鐵車輛電源模塊的燒毀故障,通過現(xiàn)場和試驗室測試進行故障原因分析,提出整改措施并進行可行性驗證.將灰色理論、傅里葉級數(shù)、馬爾可夫理論與新陳代謝4種方法的思想相融合,提出一種新的故障預(yù)測模型.以地鐵車輛牽引逆變系統(tǒng)電源模塊故障次數(shù)數(shù)據(jù)進行算例分析,結(jié)果表明,本文所提模型較大程度地提高了預(yù)測精度.

1 基于試驗與仿真的電源模塊故障分析

某地鐵車輛在服務(wù)運營初期,一個月內(nèi)多次出現(xiàn)牽引系統(tǒng)不在線的情況,根據(jù)技術(shù)人員的維修,發(fā)現(xiàn)牽引系統(tǒng)不在線的原因是牽引控制單元機箱中供電電源模塊燒毀,因此,解決此問題的關(guān)鍵是解決電源模塊故障.該電源模塊的主要功能是將DC110 V電源轉(zhuǎn)化為DC15 V的電源輸出供給牽引控制單元機箱使用,主要組成為DC110 V轉(zhuǎn)DC15 V的模塊(功率為200 W)、電阻和電容等元器件.電源模塊燒毀的可能原因有:模塊內(nèi)部原因、外部供電有浪涌、機箱溫度過高.本文通過試驗及仿真進行故障原因的分析.

1.1 試驗分析

1) 現(xiàn)場測試排查.通過測溫度和測電流方式進行現(xiàn)場測試.在機箱外壁、內(nèi)壁、電路板、電源模塊、散熱片上,通過貼溫度貼的方式進行現(xiàn)場溫度測試.列車運行10 d后,進庫記錄溫度,溫度測試顯示,電源模塊的最高溫度為65 ℃,沒有超過電源模塊的受限溫度115 ℃;對現(xiàn)場的牽引控制單元機箱供電,通過示波器抓取電壓波形,未抓取到浪涌脈沖的情況,因此初步排除機箱溫度過高和外部供電浪涌原因?qū)е碌哪K失效.

2) 試驗室測試排查.①采用接觸式熱電偶法進行帶載溫升測試.在試驗室環(huán)境溫度20.56 ℃條件下,選用T型熱電偶,利用點膠法,將溫度記錄儀的探頭膠固在電源模塊表面,對其進行帶載溫升測試.該電源模塊功率200 W,外接負載功率75 W,模塊的受限溫度為115 ℃,接通電源,待熱穩(wěn)定以后對溫升進行測量,測試結(jié)果為 37.82 ℃,未超出模塊受限溫度.②浪涌測試.雷擊浪涌測試是一種傳導(dǎo)抗擾度測試,主要是通過傳導(dǎo)的方式把浪涌干擾信號注入到被測裝置中,以考驗被測裝置是否具有一定的抗浪涌沖擊能力.浪涌試驗臺主要包括雷擊浪涌信號發(fā)生器和耦合/去耦網(wǎng)絡(luò).雷擊浪涌信號發(fā)生器是整個浪涌測試系統(tǒng)中至關(guān)重要的元件,負責產(chǎn)生雷擊浪涌的波形.耦合網(wǎng)絡(luò)主要是把雷擊浪涌信號送到被測裝置中,并確保被測裝置的供電電壓不能逆向流入組合波發(fā)生器,或者對被測裝置與其他裝置之間的通信沒有任何影響;去耦網(wǎng)絡(luò)是為了保證雷擊浪涌信號不能直接進入網(wǎng)絡(luò)后端,從而有效地保護供電電網(wǎng)或其他裝置,并防止雷擊浪涌信號分壓致使輸入端不符合測試要求.

按照GB/T17626.5—2008標準,在室溫22 ℃、相對濕度38%、大氣壓力101.7 kPa的環(huán)境條件下,利用浪涌試驗臺對電源模塊進行浪涌抗擾度試驗.試驗條件及試驗結(jié)果見表1.

由表1可知,電源模塊通過雷擊浪涌測試,符合要求.

表1 雷擊浪涌試驗條件及試驗結(jié)果

1.2 仿真分析

為了防止電源模塊工作時溫度過高而影響其使用性能甚至燒毀,因此電源模塊裝有翅片式散熱器,其結(jié)構(gòu)示意圖如圖1所示,其幾何參數(shù)見表2.運用數(shù)值計算仿真分析方法對電源模塊散熱器進行溫升計算.按照表2中給出的結(jié)構(gòu)幾何參數(shù),利用ANSYS-ICEPAK流體分析軟件建立散熱器的熱模型，并進行網(wǎng)格的劃分、邊界條件的設(shè)置以及求解計算.對邊界條件進行設(shè)置：速度邊界是入口為通風機冷卻空氣,平均流速1 m/s,環(huán)境溫度為20 ℃,出口為壓力出口;熱邊界為將電源模塊的功耗200 W作為熱源施加在基板面上,各部分材料的導(dǎo)熱系數(shù)如表3所示.散熱器溫度分布云圖如圖2所示.

由圖2可知,電源模塊散熱片最高溫度為59.08 ℃,在電源模塊正常工作受限溫度115 ℃范圍內(nèi).

1.3 整改方案及可行性驗證

基于上述試驗與仿真的分析結(jié)果,確定電源模塊燒毀是模塊內(nèi)部原因?qū)е?需進一步加強電源模塊的電磁兼容性和保護措施,于是提出以下整改方案并進行了可行性驗證.

1) 雖然雷擊浪涌測試通過,但為了電源模塊具有更好的電磁兼容性,在電路板輸入端焊接CG3.1/1100 V氣體放電管,按照IEC60950標準,使用搖表進行絕緣測試和使用耐壓儀進行耐壓測試,均通過測試.

2) 為保護電路板不出現(xiàn)燒毀的情況,電路板上需要有5 A電流的保護值,選擇VF477-P熔斷器,該器件采用插座形式,在不用更改PCB的情況下,在原來防反二極管的位置直接焊接該熔斷器,解決電路板燒毀問題.焊接后進行短路試驗,試驗結(jié)果是熔斷器瞬間斷路,對電路板起到有效的保護作用.

圖1 散熱器結(jié)構(gòu)示意圖Fig.1 Structure of radiator

表2 散熱器主要的幾何尺寸參數(shù)

表3 材料導(dǎo)熱系數(shù)

圖2 散熱器溫度云圖Fig.2 Temperature contour of radiator

經(jīng)過整改,將10塊電源模塊進行實車運行測試,運行2個月,未出現(xiàn)燒毀情況.電源模塊運行的穩(wěn)定性直接影響著牽引系統(tǒng)的狀態(tài),為保證運營需要,需對牽引逆變系統(tǒng)電源模塊的故障進行預(yù)測.

2 新陳代謝-改進的灰色模型

本文將灰色理論、傅里葉級數(shù)、馬爾可夫理論及新陳代謝4種方法相融合的組合模型對電源模塊故障進行預(yù)測.該方法首先采用傳統(tǒng)的灰色模型預(yù)測結(jié)果為基礎(chǔ),利用傅里葉級數(shù)對序列殘差進行一次修正,然后基于馬爾可夫理論建立狀態(tài)轉(zhuǎn)移概率矩陣對序列殘差進行二次修正,最后融入新陳代謝的思想,將已預(yù)測修正的結(jié)果作為新數(shù)據(jù)加入,剔除舊數(shù)據(jù),進而預(yù)測下一時刻數(shù)據(jù).具體建模流程如圖3所示.

圖3 建模流程Fig.3 Modeling process

2.1 灰色模型

灰色理論以部分信息已知、部分信息未知的小數(shù)據(jù)、貧信息不確定性系統(tǒng)為研究對象,通過生成和開發(fā)已知信息,提取價值高的信息,對系統(tǒng)進化規(guī)律進行正確的描述,從而實現(xiàn)系統(tǒng)進化規(guī)律的定量預(yù)測.本文使用最廣泛、應(yīng)用最多的灰色均值模型,其建模原理如下:

設(shè)原始數(shù)據(jù)序列X(0)={x(0)(1),x(0)(2),…,x(0)(n)}，n為數(shù)據(jù)個數(shù),則X(0)的級比為

(1)

(2)

(3)

式中:

(4)

將a，b代入式(2)可得灰色均值模型的時間響應(yīng)函數(shù)為

t=1,2,…,n-1 .

(5)

進行累減還原得

t=1,2,…,n-1 .

(6)

2.2 基于傅里葉級數(shù)的殘差修正

當原始數(shù)據(jù)離散程度較大時,灰色均值模型預(yù)測精度明顯下降,在進行長期預(yù)測時由于灰度不斷疊加,可能產(chǎn)生較大的誤差,因此借助傅里葉級數(shù)強大的降噪能力對灰色均值模型的殘差序列進行修正,以提高預(yù)測精度.具體步驟如下:

1) 求殘差序列.

2) 求殘差序列的傅里葉系數(shù).

殘差序列可近似用傅里葉級數(shù)展開式表示為

(7)

將式(7)轉(zhuǎn)換成矩陣形式為

E≈PFCF.

(8)

式中:

CF=[a0,a1,b1,…,akF,bkF]T為殘差的傅里葉系數(shù)向量;E=[e2,e(t),…,e(n)]T為殘差向量.

根據(jù)最小二乘法可以求得

(9)

3) 對灰色均值模型進行修正.

將求得的傅里葉系數(shù)向量CF代入式(7),即可求得EF(t),從而獲得修正后預(yù)測值為

(10)

2.3 馬爾可夫預(yù)測模型

牽引逆變系統(tǒng)電源模塊是可維修的,但不能修復(fù)如新,因此故障次數(shù)的變化具有隨機性,而馬爾可夫模型可以改善這種“隨機性”,因此本文采用馬爾可夫預(yù)測模型在基于傅里葉級數(shù)的殘差一次修正的基礎(chǔ)上進行二次修正,以進一步提高預(yù)測精度.具體建模原理如下:

Ei=[εi1,εi2](i=1,2,…,k) .

(11)

式中,εi1，εi2分別為狀態(tài)區(qū)間的上限和下限.

則一步狀態(tài)轉(zhuǎn)移概率矩陣為

(12)

(13)

式中:Mij為狀態(tài)經(jīng)過k步轉(zhuǎn)移到狀態(tài)Ej出現(xiàn)的次數(shù);Mi為狀態(tài)Ei出現(xiàn)的次數(shù).由馬爾可夫理論,n步狀態(tài)轉(zhuǎn)移概率為一步狀態(tài)轉(zhuǎn)移概率矩陣的n次方,即

(14)

轉(zhuǎn)移概率預(yù)示著狀態(tài)轉(zhuǎn)移的發(fā)展趨勢,可用來預(yù)測未來狀態(tài).當使用k步狀態(tài)轉(zhuǎn)移矩陣時,馬爾可夫鏈中前k個時刻的數(shù)據(jù)位于狀態(tài)E1,則p(k)的第一行向量被采用.若k步轉(zhuǎn)移過程就需要k個轉(zhuǎn)移概率向量,待預(yù)測的殘差狀態(tài)概率為k個向量的和,向量元素為γ1,γ2,…,γn,則待預(yù)測的殘差修正預(yù)測值為

EM(t+1)=τ1ε1+τ2ε2+…+τnεn

(t=1,2,…,n) .

(15)

式中:εi為狀態(tài)區(qū)間中心；τi為狀態(tài)的權(quán)重，

τi=γi/(γ1+γ2+…+γn) .

(16)

則經(jīng)過馬爾可夫二次修正后的灰色均值模型預(yù)測結(jié)果為

(17)

2.4 新陳代謝模型

隨著系統(tǒng)的發(fā)展,采用更能反映系統(tǒng)當前特征的新數(shù)據(jù),剔除離預(yù)測數(shù)據(jù)較遠的陳舊老數(shù)據(jù),實現(xiàn)新陳代謝,可以更精確地對未來數(shù)據(jù)進行預(yù)測.因此本文采用新陳代謝模型對下一時刻的故障進行預(yù)測.

3 算例分析

目前,該牽引逆變系統(tǒng)在某市地鐵車輛已運用8.5年,對故障排除后的電源模塊的故障次數(shù)跟蹤統(tǒng)計了8.5年,對8.5年的故障次數(shù)數(shù)據(jù)進行預(yù)測.從2012年1月某牽引逆變系統(tǒng)投入使用開始至2020年6月對128個該系統(tǒng)的電源模塊樣本進行了故障次數(shù)統(tǒng)計,見表4.

表4 電源模塊故障次數(shù)

表4中從2012年1月至2015年12月該電源模塊未出現(xiàn)過故障,從2016年1月該電源模塊使用第5年開始，由于模塊性能退化原因開始出現(xiàn)故障,因此樣本數(shù)據(jù)從2016年1月出現(xiàn)故障開始選取,采用本文提出的方法研究該電源模塊性能退化規(guī)律,預(yù)測故障次數(shù),為維修策略的制定提供參考依據(jù).

3.1 建立灰色模型

以表4中提供的2016年1月至2018年12月的6個故障次數(shù)數(shù)據(jù)作為原始序列,2019年1月至2020年6月的數(shù)據(jù)作為預(yù)測使用,即X(0)={1,1,2,5,7,11}.根據(jù)式(1)求X(0)級比,得到

λ(t)={1,0.5,0.4,0.714 3,0.636 4}.

(18)

λ(t)中的大部分數(shù)據(jù)未在(0.751 5,13 307),因此需要對數(shù)據(jù)序列X(0)進行預(yù)處理,本文選用開4次方的方法對數(shù)據(jù)進行預(yù)處理,得到處理后的數(shù)據(jù)序列為

X(0)′={1,1,1.189 2,1.495 3,1.626 6,1.821 2} .

(19)

由X(0)′生成一次累加序列X(1)={1,2,3.189 2,4.684 5,6.311 1,8.132 3},根據(jù)式(2)～式(4)計算可得a=-0.143 1,b=0.832 8,代入式(5),式(6),可得序列X(0)′的預(yù)測模型為

(20)

進一步求得灰色均值模型預(yù)測序列為

(21)

3.2 基于傅里葉級數(shù)的殘差一次修正

E={-0.049 1,-0.021 2,0.098 7,0.015 3,-0.037 9} .

(22)

取TF=5,kF=1,

CF=[0.002 3,0.036 4,-0.058 5].

(23)

將CF代入到式(7),可得殘差修正序列為

EF={-0.067 7,-0.035 2,0.033 7,0.070 1,0.037 5} .

(24)

將序列EF(t)代入式(10),可得經(jīng)傅里葉級數(shù)對殘差進行一次修正后的預(yù)測序列為

(25)

3.3 建立馬爾可夫預(yù)測模型

E={0,0.018 7,0.014 0,0.065 1,-0.054 8,-0.075 5} .

(26)

根據(jù)該序列的平均值μ和標準差σ將其劃分為3個狀態(tài)區(qū)間:[μ-1.3σ,μ-0.2σ]，[μ-0.2σ,μ+0.2σ]，[μ+0.2σ,μ+1.3σ],分別對應(yīng)狀態(tài)E1，E2，E3,其中,μ=-0.006 5，σ=0.057 6,具體3個狀態(tài)區(qū)間為[-0.081 4 -0.018 0]，[-0.018 0 0.005 0]和[0.005 0 0.068 4],則殘差序列狀態(tài)見表5.

表5 殘差序列狀態(tài)

由表5可知,M11=1，M12=M13=M21=M22=M32=0，M23=1，M31=1，M33=2，M1=1，M2=1，M3=3,由式(13)，式(14)計算可得如下狀態(tài)轉(zhuǎn)移概率矩陣:

(27)

利用2017.01至2018.06年的狀態(tài)轉(zhuǎn)移對2018.07～2018.12的殘差進行預(yù)測,具體轉(zhuǎn)移概率值見表6.

表6 狀態(tài)轉(zhuǎn)移表

(28)

本文經(jīng)傅里葉級數(shù)、馬爾可夫模型對殘差進行修正后的改進模型與原始灰色均值模型的預(yù)測精度對比見表7,對比曲線圖如圖4所示.

經(jīng)計算,表7中EGM,F-EGM和FM-EGM模型的平均相對誤差分別為2.72%,2.49%,1.87%.可以看出FM-EGM模型的精度最高,說明本文提出的改進的灰色模型是有效的.

由圖4可見基于馬爾可夫殘差修正的模型更貼近真實值,其擬合精度最高.

表7 三種模型預(yù)測結(jié)果對比

圖4 預(yù)測值與真實值的對比曲線Fig.4 Comparison curves between predictive value and real value

3.4 建立新陳代謝模型

由表8可知,應(yīng)用M-FM-EGM模型對2019.07～2019.12和2020.01～2020.06故障次數(shù)的預(yù)測值與實際值的相對誤差分別為-1.27%和0.15%,可見本文提出的M-FM-EGM模型精度較高,具有有效性和可行性.

表8 四種模型預(yù)測結(jié)果對比分析

4 結(jié) 論

1) 本文針對某地鐵車輛在服務(wù)運營初期牽引控制單元機箱中供電電源模塊燒毀問題,提出的整改方案有效地解決了電源模塊燒毀問題,該模塊在進入性能退化階段前沒有再出現(xiàn)故障問題.

2) 基于傅里葉級數(shù)的改進灰色模型和基于馬爾可夫模型的改進灰色模型預(yù)測結(jié)果比單一灰色模型預(yù)測結(jié)果更加符合實際數(shù)據(jù),改進灰色模型精度更高.

3) 融入新陳代謝思想的改進灰色模型比未融入新陳代謝思想的改進灰色模型預(yù)測精度高,能反映電源模塊出現(xiàn)故障次數(shù)的規(guī)律,實用性較強.

4) 本文提出的方法預(yù)測精度較高,能夠預(yù)測短期內(nèi)非常準確的故障信息,對維修及更新策略、技術(shù)改造的制定提供了一定的科學依據(jù),對于地鐵車輛專業(yè)技術(shù)人員具有較大的參考價值.