動(dòng)車組牽引電機(jī)接地故障預(yù)測(cè)

梁先勇

摘要：牽引電機(jī)是動(dòng)車組動(dòng)力傳動(dòng)系統(tǒng)中的關(guān)鍵部件，在牽引電機(jī)故障中最常見的故障為牽引電機(jī)接地故障。通過(guò)對(duì)某動(dòng)車組牽引電機(jī)控制單元的歷史數(shù)據(jù)挖掘，實(shí)現(xiàn)對(duì)牽引電機(jī)接地故障的預(yù)測(cè)。數(shù)據(jù)挖掘建模使用了RBF神經(jīng)網(wǎng)絡(luò)、決策樹和支持向量機(jī)3種機(jī)器學(xué)習(xí)算法。試驗(yàn)結(jié)果表明，3種算法的預(yù)測(cè)準(zhǔn)確度均高于84%，其中決策樹相較于RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，具有更高的預(yù)測(cè)精度，模型預(yù)測(cè)精度達(dá)到85.6%。因此，選取決策樹模型預(yù)測(cè)動(dòng)車組牽引電機(jī)接地故障的發(fā)生。

關(guān)鍵詞：動(dòng)車組;牽引電機(jī);高速鐵路;接地故障預(yù)測(cè);決策樹;RBF神經(jīng)網(wǎng)絡(luò);支持向量機(jī);故障診斷

引言

高速鐵路是鐵路未來(lái)的發(fā)展方向，各國(guó)都投入大量人力物力進(jìn)行高鐵建設(shè)。近十年，我國(guó)高速列車得到了快速發(fā)展，但也暴露一些問題。例如，動(dòng)車組可靠性故障會(huì)造成動(dòng)車經(jīng)常性的晚點(diǎn)以及運(yùn)行安全報(bào)警等問題，給高鐵的運(yùn)營(yíng)推廣帶來(lái)了阻力。牽引供電系統(tǒng)是動(dòng)車組中最重要的子系統(tǒng)之一，牽引供電系統(tǒng)的可靠性直接影響動(dòng)車組能否正常運(yùn)營(yíng)。近年來(lái)，很多學(xué)校和企業(yè)在鐵路牽引供電系統(tǒng)方面做出了大量研究。文獻(xiàn)以整條高速鐵路所有牽引變電站的供電系統(tǒng)可靠性和鐵路通過(guò)能力為評(píng)估對(duì)象，研究外部電力系統(tǒng)（發(fā)電廠、輸電網(wǎng)、牽引變電站和接觸網(wǎng)）對(duì)高速鐵路牽引供電的可靠性，但沒有對(duì)高鐵內(nèi)部的牽引供電系統(tǒng)故障做深入研究。文獻(xiàn)對(duì)動(dòng)車組的牽引供電系統(tǒng)故障進(jìn)行統(tǒng)計(jì)分析，得出接觸網(wǎng)系統(tǒng)的故障占重要比重，應(yīng)采取措施減小各種自然因素引起的故障，建立了較為完善的牽引供電系統(tǒng)故障統(tǒng)計(jì)表格，為提高電力牽引供電系統(tǒng)的供電可靠性提供了依據(jù)，但沒有涉及故障模式及其影響方面的研究。文獻(xiàn)針對(duì)某一地鐵典型牽引供電系統(tǒng)結(jié)構(gòu)，利用故障樹分析（和故障模式、影響及危害度分析對(duì)典型地鐵牽引供電系統(tǒng)可靠性進(jìn)行分析，在故障樹圖中劃分出系統(tǒng)的最小割集，找出接觸網(wǎng)系統(tǒng)與高壓斷路器、中壓斷路器是該地鐵供電系統(tǒng)的薄弱環(huán)節(jié);但是沒有指出故障模式對(duì)系統(tǒng)的影響及危害度。

1動(dòng)車組牽引電機(jī)常見故障

牽引電機(jī)是動(dòng)車組行進(jìn)過(guò)程中的動(dòng)力及控制作用的來(lái)源，其主要負(fù)責(zé)供電驅(qū)動(dòng)和制動(dòng)蓄電等功能，在實(shí)際運(yùn)營(yíng)過(guò)程中，由于動(dòng)車組的運(yùn)行速度過(guò)快，牽引電機(jī)很容易出現(xiàn)質(zhì)量問題[1]。根據(jù)實(shí)際工作的有關(guān)經(jīng)驗(yàn)以及相關(guān)文獻(xiàn)的闡述，牽引電機(jī)故障主要可以分成以下幾種：常見故障、定子故障、速度傳感器故障、溫度傳感器故障、軸承故障和其他類型故障。

（1）定子故障是比較常見的一種動(dòng)車組牽引電機(jī)故障問題。一般來(lái)說(shuō)，定子匝間短路及繞組接地故障屬于最容易出現(xiàn)的一種定子故障，和其他故障相比較，定子故障會(huì)導(dǎo)致部分線路出現(xiàn)絕緣失效的情況，其嚴(yán)重性極為突出。（2）速度傳感器故障是牽引電機(jī)運(yùn)行過(guò)程中較為常見的一種故障，主要為傳感器本身器件原因及高溫高壓電流快速變化導(dǎo)致的信號(hào)傳輸不整正確，進(jìn)而導(dǎo)致牽引電機(jī)實(shí)際速度與傳感器反饋給控制系統(tǒng)的速度不一致，影響牽引系統(tǒng)正常運(yùn)行。（3）溫度傳感器故障原因機(jī)理與速度傳感器類似，只是溫度傳感器傳遞的是牽引電機(jī)各主要部件的溫度信號(hào)，如定子鐵芯、轉(zhuǎn)子鐵芯、軸承等，而速度傳感器傳遞的是牽引電機(jī)的速度信號(hào)。（4）軸承故障也是一種不容忽視的牽引電機(jī)故障。眾所周知，動(dòng)車組的牽引電機(jī)軸承部分可以分成保持架、滾動(dòng)體以及內(nèi)外圈及外圈絕緣陶瓷鍍層。為保證動(dòng)車組牽引電機(jī)在線的順暢運(yùn)行，在多數(shù)的牽引電機(jī)返廠檢修過(guò)程中均會(huì)對(duì)軸承進(jìn)行換新，令用戶按照固定周期要求對(duì)潤(rùn)滑脂進(jìn)行補(bǔ)充，防止電機(jī)運(yùn)行過(guò)程中軸承的磨損。因此，軸承故障多數(shù)是由于牽引電機(jī)受到突發(fā)外力作用導(dǎo)致的軸承滾動(dòng)體受損及絕緣層損傷故障。（5）其他故障主要指由于其他不可控因素導(dǎo)致的牽引電機(jī)故障，如動(dòng)車組運(yùn)行過(guò)程中地面飛石導(dǎo)致的排風(fēng)罩變形、傳感器電纜損傷、銘牌脫落等。

2建模預(yù)測(cè)

首先，需要對(duì)原始信號(hào)進(jìn)行預(yù)處理，將實(shí)際按每秒1次的頻率進(jìn)行采樣，將相電流和接地電壓的瞬時(shí)值轉(zhuǎn)化為平均值。輸入變量為速度、相電流IL1、相電流IL2、相電流IL3、中間環(huán)節(jié)電壓、功率、接地電壓比，由于實(shí)際數(shù)據(jù)的量綱不同，所以需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。輸出變量設(shè)為牽引電機(jī)是否發(fā)生接地故障（取值“0”或“1”，“0”代表未發(fā)生故障，“1”代表發(fā)生故障）。選擇徑向基（RadialBasisFunction，RBF）神經(jīng)網(wǎng)絡(luò)、決策樹和支持向量機(jī)3種常用的預(yù)測(cè)算法進(jìn)行預(yù)測(cè)。①RBF神經(jīng)網(wǎng)絡(luò)是一種3層前向網(wǎng)絡(luò)，它通過(guò)輸入層空間到隱含層空間的非線性變換以及隱含層空間到輸出層空間的線性變換，實(shí)現(xiàn)輸入層空間到輸出層空間的映射。RBF是某種沿徑向?qū)ΨQ的標(biāo)量函數(shù)，通常定義為空間中x點(diǎn)到某一中心cj之間歐氏距離的單調(diào)函數(shù)，最常用的徑向基函數(shù)是高斯函數(shù)，形式為式中：cj為函數(shù)中心向量;σj為寬度向量。高斯函數(shù)的作用域表現(xiàn)出局部性，即當(dāng)x遠(yuǎn)離σj時(shí)函數(shù)取值較小。②決策樹方法可以充分利用先驗(yàn)信息處理數(shù)據(jù)間的非同質(zhì)和非線性關(guān)系，有效地對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)分類，并具有很高的分類精確度和預(yù)測(cè)效率，適合于樣本數(shù)據(jù)量較大的情況。決策樹算法兩大核心問題是決策樹的生成與剪枝，生成樹方法有信息熵和GINI系數(shù)。

其中，信息熵和GINI系數(shù)的定義如下：設(shè)p（xi）=P{X=xi}，X的熵定義為選擇信息熵將在樹的每個(gè)節(jié)點(diǎn)上使用信息熵度量選擇測(cè)試屬性，具體做法是選擇具有最大信息熵的屬性作為當(dāng)前節(jié)點(diǎn)的測(cè)試屬性。使用該法的前提是所有屬性都是分類的，即取離散值，連續(xù)值的屬性必須離散化。選擇GINI系數(shù)將根據(jù)層間的GINI系數(shù)差來(lái)選擇測(cè)試屬性以及控制決策樹的深度，具體的做法是選擇層間的最大GINI系數(shù)差所對(duì)應(yīng)的屬性作為當(dāng)前節(jié)點(diǎn)的測(cè)試屬性，當(dāng)GINI系數(shù)差小于指定的標(biāo)準(zhǔn)值時(shí)，停止樹的增長(zhǎng)。樹剪枝的方法分為不剪枝、先剪枝和后剪枝。其中，不剪枝指對(duì)決策樹不進(jìn)行剪枝;先剪枝指在下設(shè)條件得到滿足之前就停止繼續(xù)擴(kuò)展決策樹;后剪枝指錯(cuò)誤率低于指定標(biāo)準(zhǔn)值時(shí)則開始剪枝。③支持向量機(jī)適用于二分類問題，在高維空間中尋找一個(gè)超平面作為二分類的分割，以保證最小的分類錯(cuò)誤率，而且能夠處理線性不可分的情況。支持向量機(jī)學(xué)習(xí)的基本思想是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集，并且使得幾何間隔最大地分離超平面，滿足幾何間隔最大的超平面是唯一的。

基于RBF神經(jīng)網(wǎng)絡(luò)、決策樹和支持向量機(jī)3種算法和樣本數(shù)據(jù)的故障預(yù)測(cè)步驟和參數(shù)設(shè)定如下：①根據(jù)已知的正常與接地故障狀態(tài)下的特征數(shù)據(jù)建立訓(xùn)練樣本集{xi，yi}，y∈{0，1};x為輸入變量，即速度、相電流IL1、相電流IL2、相電流IL3、中間直流電壓、功率、接地電壓比;y為目標(biāo)變量，即牽引電機(jī)是否發(fā)生接地故障（取值“0”或“1”，“0”代表未發(fā)生故障，“1”代表發(fā)生故障）。②RBF神經(jīng)網(wǎng)絡(luò)。一般情況下，隱含層中心個(gè)數(shù)要大于輸入變量的個(gè)數(shù)，隱含層中心個(gè)數(shù)設(shè)得越多，訓(xùn)練的效果越好，但是耗時(shí)也越長(zhǎng)。本文將隱含層中心個(gè)數(shù)分別設(shè)為7～14，進(jìn)行比較可發(fā)現(xiàn)，當(dāng)隱含層中心個(gè)數(shù)為8時(shí)，模型的預(yù)測(cè)誤差最小，因此最終將RBF神經(jīng)網(wǎng)絡(luò)的隱含層中心個(gè)數(shù)設(shè)為8。

3結(jié)束語(yǔ)

基于FMECA方法，綜合分析了某動(dòng)車組牽引供電系統(tǒng)的故障模式、故障原因、故障影響、故障發(fā)生頻率以及嚴(yán)重度，并對(duì)其危害度進(jìn)行定性分析，得出本系統(tǒng)危險(xiǎn)故障源包括：IGBT模塊監(jiān)控不起作用、變壓器油泵34‐F55跳開、制冷風(fēng)扇故障和變壓器油流故障等。

參考文獻(xiàn)：

[1]張振宇.動(dòng)車組牽引電機(jī)故障分析及診斷[J].內(nèi)燃機(jī)與配件.[2]賈潞.CRH380BL型動(dòng)車組牽引電機(jī)接地故障原因分析[J].機(jī)車車輛工藝.