CN105572493A - 一种车载-地面辅助逆变器远程故障诊断系统 - Google Patents

Abstract

本发明了一种车载-地面辅助逆变器远程故障诊断系统。其通过信号预处理模块对传感器采集的数据进行预处理，然后对预处理数据采用扩展卡尔曼滤波进行降噪，并利用运算器提取有效诊断数据，排除列车不稳定运行导致的设备异常数据，然后将提取的数据分解为一系列模态函数之和，对分解的模态函数提取能量矩，将能量矩输入BP神经网络，最终辨识城轨列车辅助逆变器运行状态，并将诊断结果传送给车载显示终端以及地面数据中心。本发明能有效辨识城轨列车辅助逆变器的运行状态，从而为城轨列车辅助逆变器故障监测、诊断提供了快速、有效的方法。

Description

一种车载-地面辅助逆变器远程故障诊断系统

技术领域

本发明属于城轨列车安全技术领域，具体涉及一种城轨列车辅助逆变器特征提取与状态辨识系统。

背景技术

城市轨道交通迅猛发展的同时，其列车运营的安全问题也备受关注。作为一体化的复杂运行系统，列车的状态和性能在运行过程中会不断的降低，从而逐渐形成安全隐患，如果没有及时排除，可能就会引发事故。在实际运营过程中，列车故障导致的事故时有发生。而目前我国轨道交通列车监测装备和技术发展相对滞后，故障信息的采集和保障技术在纵向上各成系统、横向上彼此独立，缺乏一体化的列车监控、故障诊断和预警技术，不能满足列车个性化维修方案的支持，而且检修效率低下，严重影响列车运输能力。

在城轨列车运营过程中，辅助逆变器较严重的故障将影响其正常运营，需要清客或者到终点站后需退出运营，已经成为阻碍城轨列车正常安全运营的重要影响因素之一。现有技术中的逆变装置故障诊断方法大多针对采集的原始数据直接进行分析诊断，而实际上，由于列车在运行过程中时常处于不稳定运行，这种不稳定运行往往对逆变设备产生干扰，进而导致设备的诊断结果可能由列车运行不稳定造成，而不是由于设备自身故障造成，因此使得传感器采集到的逆变设备的监测数据不能直接用来诊断分析，这种干扰大大降低了现有故障诊断技术的精度。

发明内容

本发明基于以上问题，针对现有城轨列车辅助逆变器故障诊断技术的不足，目的是排除列车运行不稳定导致的设备数据异常情况，使诊断装置得到的数据能真实反映设备状态，提高诊断精度。本发明提供的车载-地面辅助逆变器远程故障诊断系统，为城轨列车正常运营提供了技术保障，具体采用如下技术方案：

车载-地面辅助逆变器远程故障诊断系统，其包括：车载无线发射模块，其包括无线传输装置，所述车载无线发射模块用于将故障诊断结果发送至远程地面数据服务端及车载显示模块；车载显示模块，其用于接收车载无线发射模块通过以太网无线传输的故障诊断结果，并将诊断结果通过显示屏展示；信号采集模块，其用于采集辅助逆变器监测数据；系统还包括：数据预处理模块、故障诊断模块、数据存储模块，其中，数据预处理模块包括前置放大器、抗混叠低通滤波器、采样/保持电路和多路模拟开关、程控放大器、A/D转换器和逻辑控制电路；信号采集模块将采集的数据传递给前置放大器，经前置放大器处理后的数据依次经过抗混叠低通滤波器、采样/保持电路和多路模拟开关、程控放大器、A/D转换器，A/D转换器将预处理后的数据传递到故障诊断模块；逻辑控制电路与前置放大器、抗混叠低通滤波器、采样/保持电路和多路模拟开关、程控放大器、A/D转换器、故障诊断模块均电性连接；故障诊断模块包括扩展卡尔曼滤波器、检验器、运算器、修正器、故障存储器、故障结果生成器；故障诊断模块接收到经预处理的数据后，依次进行如下步骤：(i)扩展卡尔曼滤波器对数据进行降噪，然后将降噪后的数据发送给运算器；(ii)运算器对降噪后的数据进行计算，计算出其预定时间段内的变化幅值，将变化幅值大于第一阈值的时间节点记录下来，并将所述时间节点对应的数据存储到故障存储器中；(iii)运算器统计计算故障存储器中数据的分布，并将相对于分布的中间值的偏差值大于第二阈值的数据提取出来，将提取出的数据发送给故障结果生成器；(iv)故障结果生成器将接收到的运算器的数据首先分解为一系列模态函数之和，然后对分解的模态函数提取能量矩，最后将能量矩输入BP神经网络，最终得出故障诊断结果。

优选地，步骤(iv)中的分解模态函数过程具体如下：

(1)确定数据所有的局部极值点，然后采取三次样条线将所有局部极大、极小值点连接起来，形成上包络线与下包络线；

(2)上包络线与下包络线的均值记为m₁(t)，然后由降噪后的信号x(t)与均值m₁(t)求出h₁(t)，h₁(t)＝x(t)-m₁(t)；

(3)如果h₁(t)不满足模态函数条件，把h₁(t)作为原始数据，并且重复步骤(1)～(2)，得上下包络的均值m₁₁(t)，则h₁₁(t)＝h₁(t)-m₁₁(t)；

若h₁₁(t)仍不满足模态函数条件，则重复循环k次，直至h_1k(t)满足条件，将x(t)的第一个模态分量记为c₁(t)，c₁(t)＝h_1k(t)；

(4)将c₁(t)从x(t)中分离得到r₁(t)：r₁(t)＝x(t)-c₁(t)；

将r₁(t)作为新的原始数据重复以上步骤，得到x(t)的第2个模态分量c₂(t)，重复n次得到r_n(t)为一个单调函数不能再从中提取模态分量时结束；则降噪后的信号x(t)最终分解为一系列模态函数之和：

$x\left(t\right)=\underset{i=1}{\overset{n}{\Σ}}{c}_i\left(t\right)+r_n\left(t\right).$

优选地，，步骤(iv)中的能量矩提取过程具体如下：

1)根据如下公式算出相应能量矩E₁,E₂,…E_m：

$E_i=\underset{k=1}{\overset{m}{\Σ}}(k\·\mathrm{\Δ}t)|c_i(k\·\mathrm{\Δ}t){|}^2,$

其中m是总采样点数，k是采样点，Δt是采样周期；

2)构造特征向量T：

T＝[E₁E₂…E_m]，

对T进行归一化处理，归一化后，相应特征向量T'为：

T'＝[E₁/EE₂/E…Em/E]，

其中， $E={\left(\underset{i=1}{\overset{m}{\Σ}}{\left|E_i\right|}^2\right)}^{\frac{1}{2}}.$

优选地，若诊断结果为有故障，故障生成器一方面通过显示屏实时报警并将诊断结果传输至数据存储器，另一方面将故障信息通过以太网传至车载显示终端及地面中心。

优选地，若诊断结果为没有故障，而检验器却检测到逆变器已经出现了故障，则修正器基于故障存储器中的存储数据修正第一阈值和第二阈值；若诊断结果为没有故障，且检验器没有检测到逆变器出现异常，则修正器不进行第一阈值和第二阈值的修正。

优选地，无线传输装置包括数据库、调制器以及各无线节点，无线节点将诊断结果数据通过调制器发送给数据库。

本发明具有如下有益的技术效果：

(1)经过预处理器和故障诊断器中的运算器的处理，排除了列车运行导致辅助逆变设备的监测数据波动的干扰，提高了故障诊断精度。

(2)采用首先将排除干扰的数据分解为模态函数，再提取能量矩，最后将能量矩导入神经网络的诊断方法，提高了故障诊断精度。

(3)当出现诊断结果与实际不符时，立即修正判断条件直至诊断结果与实际相符，为诊断流程提供可靠保障。

(4)一方面通过显示屏实时报警；另一方面原始数据和诊断结果通过车载无线传输平台定期下传至地面；方便在地面中心分析层会对下传至地面的原始数据进行更为详细的分析。

附图说明

图1是本发明系统的结构组成图。

图2是本发明数据预处理模块结构组成图。

图3是本发明故障诊断系统流程图。

图4是模态函数分解流程图。

图5是神经网络故障诊断流程图。

具体实施方式

车载-地面辅助逆变器远程故障诊断系统包括车载无线发射模块、车载显示模块、信号采集模块、信号预处理模块、故障诊断模块、数据存储模块，信号采集模块用于采集辅助逆变器监测数据。辅助逆变器故障诊断模块通过采集电压、电流传感器获得辅助逆变器监测数据，并对数据进行诊断分析，实现故障辨识、故障等级分类，得出诊断结果，将原始数据和诊断结果进行打包和缓存，通过以太网传出，然后通过无线通道传送给地面数据中心。具体结构如图1所示。

信号采集模块中传感器安装数量为每列车总的传感器个数是16个。具体清单如下表：

表1设备配置数量表

序号	设备名称	单位	配置数量
				1	电压传感器	列/只	8
2	电流传感器	列/只	8
				3	诊断主机	列/台	2

注：列/台表示每列车所装设备台数。

在每个A车低压柜增加110V直流控制电源电压和电流传感器各一个，采集110V直流控制电源的电流和电压数据，以便分析110V直流控制电源电压的传导特性。

在每个A车低压柜增加380V三相交流电源电压和电流传感器各三个，采集380V三相交流电源的三相电流和电压数据，以便分析380V三相交流电源的传导特性。

其他硬件主要性能指标如下：

表2主要性能参数

(2)电源：110VDC

(3)机箱：外壳白色，PXI总线的内部固定架和底座

(4)触摸屏，主要性能指标如下：

表3主要性能参数

信号预处理模块由前置放大器、抗混叠低通滤波器、采样/保持电路和多路模拟开关、程控放大器、A/D转换器和逻辑控制电路组成，如图2所示。

信号预处理模块中硬件主要性能指标如下：

表4主要性能参数

故障诊断模块包括扩展卡尔曼滤波器、检验器、运算器、修正器、故障存储器、故障结果生成器，其诊断分析流程如图3所示。方法步骤如下：

(i)扩展卡尔曼滤波器对数据进行降噪，然后将降噪后的数据发送给运算器。设备运行过程中往往受到附近设备振动以及其他外界因素的影响，在实际应用中，降噪器需要对信号进行降噪处理，去除干扰信息。

(ii)运算器对降噪后的数据进行计算，计算出其预定时间段内的变化幅值，将变化幅值大于第一阈值的时间节点记录下来，并将所述时间节点对应的数据存储到故障存储器中。

(iii)运算器统计计算故障存储器中数据的分布，并将相对于分布的中间值的偏差值大于第二阈值的数据提取出来，将提取出的数据发送给故障结果生成器。

通过以上两个步骤排除了列车在不稳定运行的状态下对设备的干扰，运算结果保留了能真实放映设备运行状态的数据。

(iv)故障结果生成器将接收到的运算器的数据首先分解为一系列模态函数之和，模态分解是一种非平稳信号处理方法，并且是基于数据本身的自适应分解方法。其将一个复杂信号分解为若干模态函数，基于如下假设：任何复杂信号都由一系列的模态函数构成，每一个模态函数，其极值点和过零点个数必须相等或相差最多不能超过一个，以及上下包络线对于时间轴局部对称。其筛分过程如图4所示，具体步骤为：

(1)确定数据所有的局部极值点，然后采取三次样条线将所有局部极大、极小值点连接起来，形成上包络线与下包络线；

(2)上包络线与下包络线的均值记为m₁(t)，然后由降噪后的信号x(t)与均值m₁(t)求出h₁(t)，h₁(t)＝x(t)-m₁(t)；

(3)如果h₁(t)不满足模态函数条件，把h₁(t)作为原始数据，并且重复步骤(1)～(2)，得上下包络的均值m₁₁(t)，则h₁₁(t)＝h₁(t)-m₁₁(t)；

若h₁₁(t)仍不满足模态函数条件，则重复循环k次，直至h_1k(t)满足条件，将x(t)的第一个模态分量记为c₁(t)，c₁(t)＝h_1k(t)；

(4)将c₁(t)从x(t)中分离得到r₁(t)：r₁(t)＝x(t)-c₁(t)；

将r₁(t)作为新的原始数据重复以上步骤，得到x(t)的第2个模态分量c₂(t)，重复n次得到r_n(t)为一个单调函数不能再从中提取模态分量时结束；则降噪后的信号x(t)最终分解为一系列模态函数之和：

$x\left(t\right)=\underset{i=1}{\overset{n}{\Σ}}{c}_i\left(t\right)+r_n\left(t\right).$

上述分解过程其实是“筛分”的过程，但从实际信号中分离出来的模态函数的包络线平均值不可能为零，这就需要设置一个条件来停止筛分。一般地，根据标准差SD的大小来决定筛分是否停止，SD由筛分出来的h_1(k-1)和h_1k得到，即

$SD=\underset{t=0}{\overset{T}{\Σ}}\[\frac{{|h_{1(k-1)}\left(t\right)-h_{1k}\left(t\right)|}^2}{h_{1(k-1)}^2\left(t\right)}\]$

其中T为离散信号序列的总长度，SD的值在0.2到0.3之间。

Rilling在上述基础上进行了改进，提出

$\mathrm{\δ}\left(t\right)=\frac{\left|e_{\max }+e_{\min }\right|}{\left|e_{\max }-e_{\min }\right|}$

其中e_max为信号的上包络，e_min为信号的下包络。

Rilling提出的筛分停止条件更能反映模态函数的均值特性，因此本发明采用Rilling提出的筛分停止条件。

然后对分解的模态函数提取能量矩，1)对原始信号进行分析，得出n个相应模态函数c_i(t)，i＝1,2,3,…,n；

2)从分析结果中选择相应的模态函数分量算出能量矩，IMF能量矩的公式为

$E_i={\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}t{\left|c_i\left(t\right)\right|}^{2}dt$

若为离散信号，则相应的能量矩为：

$E_i=\underset{k=1}{\overset{m}{\Σ}}(k\·\mathrm{\Δ}t){\left|c_i(k\·\mathrm{\Δ}t)\right|}^2$

其中m是总采样点数，k是采样点，Δt是采样周期。对所选IMF算出相应能量矩E₁,E₂,…。

3)构造特征向量T：

T＝[E₁E₂…E_n]

若相应能量矩值较大时，需对T进行归一化处理，归一化后，相应特征向量T'为：

T'＝[E₁/EE₂/E…E_n/E]

其中

$E={\left(\underset{i=1}{\overset{n}{\Σ}}{\left|E_i\right|}^2\right)}^{\frac{1}{2}}$

能量矩不仅反映了IMF能量的大小，也反映了能量随时间的分布状况。

最后将能量矩输入BP神经网络，最终得出故障诊断结果，诊断流程如图5所示。神经网络用于辅助系故障诊断时，一般要给神经网络提供每一模式类中的许多样本作为训练样本。神经网络经过学习，不仅能够识别已训练过的样本，而且能够识别未出现过的样本。神经网络的这种能力称为推广力或泛化能力。神经网络对于内插数据点的泛化能力优于外插点，所以一般用大量的训练样本训练神经网络以便获得较好的泛化能力。

在用神经网络实现故障诊断时，相当于在神经网络中建立和查询故障字典。由于使用了神经网络，故障字典的建立是通过神经网络对故障字典典型特征的学习完成的；字典的查询则是通过神经网络对故障特征的联想来实现的。只要能满足字典法中故障隔离条件的故障，其特征必然独立于其他故障，就能用神经网络实现故障的诊断。因此，采用神经网络的诊断法在字典的建立和查询中都相当有优势。

基于BP神经网络的辅助逆变系统故障诊断算法包括BP神经网络的构建、BP神经网络的训练以及BP神经网络的故障分类识别三个过程。应用BP神经网络进行故障分类时，需要将提取的辅助逆变系统故障特征参量分为两组，一组作为训练样本，一组作为待诊断样本。其中训练样本用来对BP神经网络进行训练，待诊断样本用来对已训练好的BP神经网络进行测试，以检验网络的分类能力。利用BP神经网络对辅助逆变系统进行故障诊断的步骤如图5所示。

在辅助逆变系统的故障诊断中进行BP神经网络设计时应考虑网络的层数、每层神经元的节点数、初始值及学习率等方面内容。

(1)网络的层数。一个三层BP神经网络可以逼近任何连续函数，能够实现从n维到m维的映射，增加层数可以进一步提高精度、降低误差，但也会增加网络的学习训练时间，并使网络复杂化，而适当增加隐含层节点数目也可以提高误差精度。在辅助逆变的故障诊断中，BP神经网络层数一般选取三层就能获得较好的非线性映射效果。

(2)隐含层节点个数。隐含层节点个数太少难以达到训练要求，个数太多又会增加训练时间，可以参考如下经验公式：

l＝2n+1

$l=\sqrt{n+m}+a$

l＝log₂n

其中l为隐含层的神经元节点个数，n为输入层的神经元节点个数，m为输出层的神经元节点个数，a为介于1到10之间的整数。在具体设计中，可以适当设置一个区间，隐含层节点个数依次从区间范围内选取，对BP神经网络进行训练并计算误差，然后选择最小的误差所对应的节点个数作为BP神经网络隐含层的节点个数。

(3)初始化权值。辅助逆变系统是一个非线性系统，初始值的选取对于训练学习时间的长短、网络能否收敛以及能否达到局部最小值有很大关系。初始值过小或者过大都会对学习速度产生影响，因此权值的初始值一般应选择均匀分布的小数经验值，可以在-1到1之间随机选取。

(4)学习率。BP神经网络每次循环训练中的权值变化量是由学习率决定的，学习率越大，对权值的修改越大，网络学习速度越快。但是过大的学习率将使权值学习过程产生震荡，而过小的学习率又会使网络收敛过慢，权值难以趋于稳定。一般情况下倾向于选取较小的学习率，选取范围在0.01到0.8之间，以保持系统稳定。

(5)期望误差。在BP神经网络的训练过程中，期望误差值可以通过对比训练后确定一个合适的值，合适是相对于所需的隐含层的节点数来确定的，较小的期望误差值要靠增加训练时间以及隐含层节点数来获得。一般情况下作为对比，可以同时对两个不同的期望误差的网络进行训练，从中决定采用其中一个网络。

若诊断结果为有故障，故障诊断装置一方面通过显示屏实时报警并将诊断结果传输至数据存储器，另一方面将故障信息通过以太网传至车载显示终端及地面中心。

为了防止诊断结果出现偏差，则需在诊断结果与设备实际状态不符的情况下，不断修正诊断流程中的评判条件，因此，装置中设有用于检验设备状态的检验器，以及修正故障诊断评判条件的修整器，若诊断结果为没有故障，而检验器却检测到逆变器已经出现了故障，则修正器基于故障存储器中的存储数据修正第一阈值和第二阈值；若诊断结果为没有故障，且检验器没有检测到逆变器出现异常，则修正器不进行第一阈值和第二阈值的修正。

Claims (6)

1.一种车载-地面辅助逆变器远程故障诊断系统，其包括：

车载无线发射模块，其包括无线传输装置，所述车载无线发射模块用于将故障诊断结果发送至远程地面数据服务端及车载显示模块；

车载显示模块，其用于接收车载无线发射模块通过以太网无线传输的故障诊断结果，并将诊断结果通过显示屏展示；

信号采集模块，其用于采集辅助逆变器监测数据；

其特征在于，系统还包括：数据预处理模块、故障诊断模块、数据存储模块，其中，

数据预处理模块包括前置放大器、抗混叠低通滤波器、采样/保持电路和多路模拟开关、程控放大器、A/D转换器和逻辑控制电路；

信号采集模块将采集的数据传递给前置放大器，经前置放大器处理后的数据依次经过抗混叠低通滤波器、采样/保持电路和多路模拟开关、程控放大器、A/D转换器，A/D转换器将预处理后的数据传递到故障诊断模块；

逻辑控制电路与前置放大器、抗混叠低通滤波器、采样/保持电路和多路模拟开关、程控放大器、A/D转换器、故障诊断模块均电性连接；

故障诊断模块包括扩展卡尔曼滤波器、检验器、运算器、修正器、故障存储器、故障结果生成器；

故障诊断模块接收到经预处理的数据后，依次进行如下步骤：

(i)扩展卡尔曼滤波器对数据进行降噪，然后将降噪后的数据发送给运算器；

(ii)运算器对降噪后的数据进行计算，计算出其预定时间段内的变化幅值，将变化幅值大于第一阈值的时间节点记录下来，并将所述时间节点对应的数据存储到故障存储器中；

(iii)运算器统计计算故障存储器中数据的分布，并将相对于分布的中间值的偏差值大于第二阈值的数据提取出来，将提取出的数据发送给故障结果生成器；

(iv)故障结果生成器将接收到的运算器的数据首先分解为一系列模态函数之和，然后对分解的模态函数提取能量矩，最后将能量矩输入BP神经网络，最终得出故障诊断结果。

2.如权利要求1所述的车载-地面辅助逆变器远程故障诊断系统，其特征在于，步骤(iv)中的分解模态函数过程具体如下：

(1)确定数据所有的局部极值点，然后采取三次样条线将所有局部极大、极小值点连接起来，形成上包络线与下包络线；

(2)上包络线与下包络线的均值记为m₁(t)，然后由降噪后的信号x(t)与均值m₁(t)求出h₁(t)，h₁(t)＝x(t)-m₁(t)；

(3)如果h₁(t)不满足模态函数条件，把h₁(t)作为原始数据，并且重复步骤(1)～(2)，得上下包络的均值m₁₁(t)，则h₁₁(t)＝h₁(t)-m₁₁(t)；

若h₁₁(t)仍不满足模态函数条件，则重复循环k次，直至h_1k(t)满足条件，将x(t)的第一个模态分量记为c₁(t)，c₁(t)＝h_1k(t)；

(4)将c₁(t)从x(t)中分离得到r₁(t)：r₁(t)＝x(t)-c₁(t)；

将r₁(t)作为新的原始数据重复以上步骤，得到x(t)的第2个模态分量c₂(t)，重复n次得到r_n(t)为一个单调函数不能再从中提取模态分量时结束；则降噪后的信号x(t)最终分解为一系列模态函数之和：

$x\left(t\right)=\underset{i=1}{\overset{n}{\Σ}}{c}_i\left(t\right)+r_n\left(t\right).$

3.如权利要求1-2所述的车载-地面辅助逆变器远程故障诊断系统，其特征在于，步骤(iv)中的能量矩提取过程具体如下：

1)根据如下公式算出相应能量矩E₁,E₂,…E_m：

$E_i=\underset{k=1}{\overset{m}{\Σ}}(k\·\mathrm{\Δ}t)|c_i(k\·\mathrm{\Δ}t){|}^2,$

其中m是总采样点数，k是采样点，Δt是采样周期；

2)构造特征向量T：

T＝[E₁E₂…E_m]，

对T进行归一化处理，归一化后，相应特征向量T'为：

T'＝[E₁/EE₂/E…Em/E]，

其中， $E={\left(\underset{i=1}{\overset{m}{\Σ}}\right|E_i{|}^2)}^{\frac{1}{2}}.$

4.如权利要求1-3所述的车载-地面辅助逆变器远程故障诊断系统，其特征在于，若诊断结果为有故障，故障生成器一方面通过显示屏实时报警并将诊断结果传输至数据存储器，另一方面将故障信息通过以太网传至车载显示终端及地面中心。

5.如权利要求1-4所述的车载-地面辅助逆变器远程故障诊断系统，其特征在于，若诊断结果为没有故障，而检验器却检测到逆变器已经出现了故障，则修正器基于故障存储器中的存储数据修正第一阈值和第二阈值；若诊断结果为没有故障，且检验器没有检测到逆变器出现异常，则修正器不进行第一阈值和第二阈值的修正。

6.如权利要求1-5所述的车载-地面辅助逆变器远程故障诊断系统，其特征在于，无线传输装置包括数据库、调制器以及各无线节点，无线节点将诊断结果数据通过调制器发送给数据库。