基于數(shù)據(jù)驅(qū)動(dòng)的高速列車牽引控制系統(tǒng)微小故障辨識(shí)

付彩欣， 趙塔

(中車長(zhǎng)春軌道客車股份有限公司， 吉林, 長(zhǎng)春 130000)

0 引言

隨著我國(guó)城市交通水平的不斷提高，軌道客車的應(yīng)用在人們出行與貨物運(yùn)輸?shù)确矫嬲紦?jù)了很大的比重，列車的數(shù)量、質(zhì)量、技術(shù)水平直接影響著整個(gè)城市運(yùn)輸行業(yè)的發(fā)展規(guī)模與發(fā)展速度。與此同時(shí)，列車運(yùn)行安全性與穩(wěn)定性給運(yùn)輸體系的現(xiàn)代化建設(shè)提出了要求。列車系統(tǒng)結(jié)構(gòu)復(fù)雜、部件耦合程度高、參數(shù)種類多。隨著運(yùn)行時(shí)間的增加，牽引系統(tǒng)將暴露于惡劣的運(yùn)行環(huán)境和超載條件下，這將會(huì)直接導(dǎo)致系統(tǒng)狀態(tài)退化或系統(tǒng)故障的產(chǎn)生，而且運(yùn)行過程中出現(xiàn)的故障一般難以分析處理。一旦發(fā)生突發(fā)故障、嚴(yán)重故障將會(huì)在各個(gè)系統(tǒng)之間相互傳遞，輕則導(dǎo)致列車停運(yùn)，重則引發(fā)重大故障，危及人民群眾的生命財(cái)產(chǎn)安全。牽引傳動(dòng)控制系統(tǒng)是高速列車的核心單元，主要包括受電弓、高壓電器、變壓器、變流器和牽引電機(jī)部分。其中，變壓器、變流器和牽引電機(jī)構(gòu)成了傳動(dòng)系統(tǒng)的主要電路。一般來說，高速列車牽引控制系統(tǒng)中的主要故障包括機(jī)械故障、電氣故障和傳感器故障。本研究主要針對(duì)列車牽引系統(tǒng)的故障診斷問題，采用一種改進(jìn)主成分分析方法對(duì)實(shí)車數(shù)據(jù)的特征進(jìn)行提取，根據(jù)故障特征實(shí)現(xiàn)系統(tǒng)故障檢測(cè)，通過中南大學(xué)的牽引控制系統(tǒng)故障注入平臺(tái)生成正常狀態(tài)數(shù)據(jù)與故障狀態(tài)數(shù)據(jù)用于分析，通過故障檢測(cè)的結(jié)果驗(yàn)證方法的有效性。

目前，國(guó)內(nèi)針對(duì)列車牽引系統(tǒng)故障診斷問題展開研究的院校主要集中在北京交通大學(xué)、西南交通大學(xué)、南京航空航天大學(xué)等。北京交通大學(xué)團(tuán)隊(duì)[1-3]針對(duì)列車牽引供電系統(tǒng)的遠(yuǎn)程故障診斷提出了相應(yīng)的策略?？梢钥闯?，牽引系統(tǒng)的故障診斷問題是列車故障診斷問題的重要研究方向。與基于模型的診斷方法不同，數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法不需要精確的機(jī)理模型作為診斷前提，因此對(duì)于采樣頻率較高的牽引系統(tǒng)來說，更為適用。本文基于目前行業(yè)內(nèi)對(duì)故障辨識(shí)的需求入手，通過一種改進(jìn)的主成分分析與深度學(xué)習(xí)的聯(lián)合方法解決牽引系統(tǒng)的微小故障辨識(shí)問題。

1 高速列車牽引系統(tǒng)結(jié)構(gòu)分析

動(dòng)力分散型高速列車牽引系統(tǒng)多采用交流傳動(dòng)，其牽引傳動(dòng)系統(tǒng)中高壓設(shè)備主要包括受電弓、高壓隔離開關(guān)、電流互感器、真空斷路器、避雷器以及高壓電纜組件[4-5]。其主要結(jié)構(gòu)包括牽引變壓器、四象限整流器、中間直流環(huán)節(jié)、牽引逆變器、牽引電機(jī)、齒輪箱等動(dòng)力單元。動(dòng)車組受電弓從接觸網(wǎng)可以獲得AC 25 kV/50 Hz電源，以滿足車輛牽引特性的需求，牽引電機(jī)需要電壓頻率均可調(diào)節(jié)的三相交流電源。具體結(jié)構(gòu)如圖1所示。

圖1 牽引傳動(dòng)系統(tǒng)原理圖

牽引系統(tǒng)的主要作用是在牽引啟動(dòng)時(shí)將電能轉(zhuǎn)化為機(jī)械能，制動(dòng)時(shí)將機(jī)械能轉(zhuǎn)化為電能[6]。從圖1可以發(fā)現(xiàn)，列車牽引運(yùn)行時(shí)，受電弓將接觸網(wǎng)AC 25 kV單相工頻交流電經(jīng)過相關(guān)的高壓電氣設(shè)備傳遞給主變壓器，主變壓器降壓輸出單相交流電供給牽引變流器。牽引變流器中包括脈沖整流器、中間直流環(huán)節(jié)和牽引逆變器。目前，列車采用的三相異步電機(jī)較直流電機(jī)相比優(yōu)勢(shì)明顯[7-8]。由于不存在換向器和電刷裝置，可以充分地利用空間。在高速范圍內(nèi)因不受換向器電機(jī)中電抗電勢(shì)及片間電壓等換向條件的限制，可以輸出較大的功率，再生制動(dòng)時(shí)也能輸出較大的功率。然而，牽引系統(tǒng)在大功率的情況下持續(xù)運(yùn)行時(shí)系統(tǒng)會(huì)發(fā)生一系列微小變化與狀態(tài)退化最終導(dǎo)致故障的產(chǎn)生。牽引電機(jī)的采樣頻率高，在實(shí)際運(yùn)行過程中會(huì)采集到大量的數(shù)據(jù)用以分析，對(duì)于此類復(fù)雜的機(jī)械結(jié)構(gòu)，耦合關(guān)系復(fù)雜，部件之間相關(guān)性強(qiáng)，傳統(tǒng)的建模方法對(duì)前期模型建模準(zhǔn)確度的要求極高，若無法獲取到精確的解析模型則數(shù)據(jù)驅(qū)動(dòng)方法是更好的選擇。因此，本文采用一種改進(jìn)的主成分分析與深度學(xué)習(xí)的聯(lián)合方法實(shí)現(xiàn)故障辨識(shí)任務(wù)。

2 基于改進(jìn)主成分分析與深度學(xué)習(xí)的故障辨識(shí)

主成分分析方法是一種可靠的、簡(jiǎn)單的多元統(tǒng)計(jì)分析工具，它可以捕捉變量之間的相關(guān)性。本文所采用的改進(jìn)主成分分析方法是根據(jù)線性投影的思想挖掘更準(zhǔn)確的信息，以實(shí)現(xiàn)對(duì)微小故障檢測(cè)問題其主要原理是將主成分分析方法分解出的2個(gè)子空間繼續(xù)分解，探尋更深層次的數(shù)據(jù)信息。

對(duì)于來自電氣驅(qū)動(dòng)系統(tǒng)的歸一化數(shù)據(jù)X，其協(xié)方差矩陣S可以寫為

(1)

對(duì)S進(jìn)行奇異值分解可以得到：

(2)

其中，Λ0,1∈Rm×m=diag(λ0,1,…,λ0,m)，λ0,i按降序排列，i=1,…,m,P1=[P1,1P1,2]為S的特征向量，P1,1∈Rm×l,P1,2∈Rm×(m-l)為X的主方向和殘余方向。l為保留的主成分個(gè)數(shù)。可以將X分解為2部分：

X=X1,1+X1,2

(3)

其中，X1,1和X1,2是X位于一階主子空間和殘余子空間的矩陣。

(4)

為了在二階主子空間和殘余子空間中獲取更多的信息，再一次對(duì)X1,1和X1,2進(jìn)行奇異值分解，可以得到：

X1,1=X2,1+X2,2

X1,2=X2,3+X2,4

(5)

假設(shè)P1,1與P2,1為X1,1的主元方向和殘余方向，P2,3與P2,4為X1,2的主元方向和殘余方向，X則可以寫為

X=X2,1+X2,2+X2,3+X2,4

(6)

其中，

(7)

同樣，X可以分解為2j個(gè)子集。其中，j為階數(shù)。假設(shè)P(j+1),(2k-1)為Xj,k的主元方向，則Xj,k可以表示為

(8)

(9)

其中，lj,k和Λj,k為Xj,k的主空間中的主元數(shù)量和特征值數(shù)量。Xj,k的SPE檢測(cè)可以表示為

(10)

(11)

(12)

故障診斷的最終目標(biāo)是對(duì)所發(fā)生故障的幅值大小進(jìn)行估計(jì)，在得到故障檢測(cè)的結(jié)果后，通過全連接神經(jīng)網(wǎng)絡(luò)模型對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練。神經(jīng)網(wǎng)絡(luò)的損失函數(shù)是基于故障真實(shí)幅值與估計(jì)幅值進(jìn)行定義的，具體如下：

(13)

(14)

3 實(shí)驗(yàn)驗(yàn)證

本文通過牽引系統(tǒng)的故障注入平臺(tái)采集故障數(shù)據(jù)，故障平臺(tái)為中南大學(xué)設(shè)計(jì)的列車牽引控制系統(tǒng)平臺(tái)[4]。該平臺(tái)是基于信號(hào)調(diào)節(jié)而制作的系統(tǒng)故障注入平臺(tái)，所測(cè)試的系統(tǒng)為圖2所示的列車設(shè)備級(jí)或部件級(jí)。該牽引控制系統(tǒng)故障注入平臺(tái)可以自由設(shè)置故障注入時(shí)間與觀測(cè)位置。對(duì)于實(shí)際系統(tǒng)中無法直接測(cè)量的故障注入位置可以通過現(xiàn)有的故障注入位置的信號(hào)變化情況所考量，平臺(tái)使用方便，可以實(shí)現(xiàn)不同種類故障信號(hào)的注入，從而在故障診斷等系統(tǒng)的實(shí)車使用前對(duì)方法進(jìn)行合理的測(cè)試與驗(yàn)證。

圖2 高速列車牽引電機(jī)

本實(shí)驗(yàn)的基本實(shí)驗(yàn)條件為采集4組變量，分別為三相電流Ia、Ib、Ic和電機(jī)轉(zhuǎn)速Rs。每組變量分別采集100 000個(gè)連續(xù)的樣本點(diǎn)用于計(jì)算，其中包括前50 000個(gè)無故障連續(xù)點(diǎn)和后50 000個(gè)故障樣本連續(xù)點(diǎn)。注入故障類型為牽引電機(jī)軸承故障，故障幅值的參數(shù)設(shè)置為3，具體訓(xùn)練樣本如圖3所示。

故障檢測(cè)結(jié)果，如圖4所示。其中，Tp表示一階主子空間檢測(cè)結(jié)果，Tr表示一階余子空間檢測(cè)結(jié)果，Tpp表示二階主子空間檢測(cè)結(jié)果，Tpr表示二階余子空間檢測(cè)結(jié)果。前50 000個(gè)樣本點(diǎn)為無故障樣本，后50 000個(gè)樣本為故障樣本。從圖4可以明顯地看到，在故障注入后檢驗(yàn)統(tǒng)計(jì)量的變化極為明顯，可以很清楚地看到故障的發(fā)生。圖5給出了幅值為3的電機(jī)軸承故障辨識(shí)結(jié)果，從第100個(gè)樣本開始注入故障，可以很明顯地觀察到故障的幅值估計(jì)結(jié)果。綜上，實(shí)驗(yàn)驗(yàn)證證明了改進(jìn)主成分分析與深度學(xué)習(xí)聯(lián)合方法的有效性。

圖5 故障辨識(shí)結(jié)果

本文研究的高速列車牽引電機(jī)系統(tǒng)是采樣頻率較高的機(jī)械系統(tǒng)，在實(shí)驗(yàn)設(shè)計(jì)過程中每秒可以生成100 000個(gè)樣本點(diǎn)，因此改進(jìn)主成分分析的方法可以解決對(duì)高頻采樣系統(tǒng)的故障檢測(cè)問題，使之更易于在線實(shí)現(xiàn)。從方法的設(shè)計(jì)上，對(duì)聯(lián)合方法的深度信息進(jìn)一步挖掘可以很好地實(shí)現(xiàn)微小故障辨識(shí)、早期故障辨識(shí)等問題。在故障診斷的層面上對(duì)高速列車牽引系統(tǒng)中普遍存在的微小型故障更為敏感，能盡早地發(fā)現(xiàn)問題，并為實(shí)際列車的操作人員們提供更多的時(shí)間去補(bǔ)救維修。

4 總結(jié)

本文對(duì)高速列車牽引系統(tǒng)的微小故障辨識(shí)問題進(jìn)行研究，根據(jù)改進(jìn)主成分分析方法對(duì)實(shí)際數(shù)據(jù)的信息進(jìn)一步挖掘?qū)崿F(xiàn)故障檢測(cè)。與偏最小二乘方法相比，改進(jìn)主成分分析方法是通過對(duì)子空間的進(jìn)一步奇異值分解得到，更注重于載荷與質(zhì)量之間的相關(guān)性。通過相關(guān)性信息來提高傳統(tǒng)主成分分析方法的故障檢測(cè)能力，并結(jié)合深度學(xué)習(xí)方法聯(lián)合實(shí)現(xiàn)微小故障的辨識(shí)，從結(jié)果可以看出，本文所提出的聯(lián)合方法可以有效地實(shí)現(xiàn)牽引系統(tǒng)的故障辨識(shí)，并且對(duì)于這類非線性復(fù)雜系統(tǒng)的實(shí)際故障具有較高的敏感性，避免了基于模型的故障診斷方法中對(duì)模型參數(shù)的計(jì)算過程。

在軌道客車領(lǐng)域中，列車的穩(wěn)定運(yùn)行是保障人民群眾生命財(cái)產(chǎn)安全的重要前提。作為列車中最為關(guān)鍵的牽引系統(tǒng)，能夠有效地、準(zhǔn)確地實(shí)現(xiàn)微小故障辨識(shí)問題，精確跟蹤系統(tǒng)狀態(tài)的意義重大，既能夠?qū)栴}及危害盡早消除，也為車輛的庫(kù)修與系統(tǒng)維護(hù)提供了理論指導(dǎo)。