CN106093626B - 一种用于诊断crh5型高铁逆变器的微小故障的方法 - Google Patents

Abstract

本发明公开一种用于诊断CRH5型高铁逆变器的微小故障的方法，提出了多模态核主元分析方法，根据传感器获得的数据，先进行数据预处理，再得到正常工况下的系统模型。针对电气系统的特性，通过对在线数据的处理，来对系统是否存在故障进行检测，对于具体数据的处理和分析，采集到的数据是具有两个维度的，将原有的数据增加了周期与模态两个维度，从而将原来的数据投影到四维空间。这样就使得原来的非线性数据在高维空间具有更加精确的分布。而后，根据非线性特征提取的方法，提取每个模态的特征。对比于线性PCA算法以及非线性KPCA算法，本发明的方法对CRH5型高铁逆变器的微小故障的检测更加精确，诊断结果更加准确，漏报率低，具有明显的优势。

Description

一种用于诊断CRH5型高铁逆变器的微小故障的方法

技术领域

本发明涉及高铁故障检测诊断领域，具体是一种用于诊断CRH5型高铁逆变器的微小故障的方法。

背景技术

随着广泛的市场需求和科技的进步，近二十年国内外的高铁技术迅猛发展，并成功地应用于实际当中，高铁以强大的优势受到国际智能交通领域的广泛重视和关注。目前，高铁已逐步成为大众的交通工具。

然而，高铁系统频发的故障，日益受到人们的关注。当故障发生后，会影响到高铁运行的性能，甚至发生不可逆转的严重后果，比如财产损失和人员伤亡。因此，这就增加了对高铁故障诊断的必要性。

在中国的高铁系统中，为了保证高铁的安全运行，由于某个元器件性能的改变导致某些参数的变化，引起牵引系统参数自备的故障保护系统开始动作，这是对故障进行保护的一方面。但是，这样的保护系统显眼不能对微小故障或者复合故障进行准确的定位。另外，由于某些元器件的性能随着温度发生变化，当温度过高时，该元器件性能开始下降；当温度恢复正常时，元器件又回复到正常的性能。这就增加了对故障诊断的难度，因为元器件并没有损坏，如IGBT。

在目前的故障诊断领域，故障诊断的方法有三种：基于模型的，基于知识的和基于数据的；绝大部分方法是基于模型的。基于模型的方法不能应用于高铁主要有两个方面原因。第一，理论的研究已经与实际的系统严重脱轨，很难将理论的方法应用于实际的对象当中，这是基于模型的故障诊断的通病；第二，由于高铁的机理复杂，不可能建立完整的数学模型，尤其是动态的数学模型，这更加使得基于模型的方法的局限性。基于知识的故障诊断方法需要大量的专家知识，由于故障的很多故障目前专家也很难进行解释和判断，因此这个方法也是不适合的。

此外，国内外学者对微小故障的研究才刚起步。对于IGBT的微小故障，主要来自于自身老化导致性能的变化、工作环境的影响的波动以及内部温度的变化等。由于微小故障介于无故障与故障之间，其变化特性不是很明显，这对故障诊断算法的敏感性要求更高，原有的算法不适合于对微小故障的诊断。

发明内容

本发明要解决的技术问题是提供一种用于诊断CRH5型高铁逆变器的微小故障的方法，该方法是一种多模态核主元分析的算法，可以有效的对CRH5型高铁逆变器的微小故障进行检测和诊断。

为实现上述发明目的，本发明的诊断方法采用如下技术方案：

传感器采集到的数据是具有两个维度的，本发明将原有的数据增加了周期与模态两个维度，从而将原来的数据投影到四维空间。这样就使得原来的非线性数据在高维空间具有更加精确的分布。而后，根据非线性特征提取的方法，提取每个模态的特征，从而可以对高铁牵引系统中的微小故障进行诊断。

一种用于诊断CRH5型高铁逆变器的微小故障的方法，具体实施步骤如下：

第一阶段：建立离线数据模型

1)根据实际的CRH5型高铁牵引系统逆变器的原理，构建系统平台；

2)采集系统平台中的数据或离线存储数据，记为X；采集的数据变量有6个IGBT电流i_s1到i_s6，三相鼠笼式异步电机的输入电压v_da,v_db,v_dc，逆变器的线电压v_ab,v_bc,v_ca和逆变器的相电压u_an,u_bn,u_cn。

3)将上述采集到的数据或离线存储数据进行预处理，具体为：先按照周期进行分开，然后对每个周期的数据按模态进行划分，最后对数据进行标准化处理，将其转化为期望为0，方差为1的数据；即将采集的原始的二维数据增加两个维度，即周期与模态，从而使得在每个周期中，系统存在6个模态。

4)对预处理得到的数据进行特征提取，以建立模型用于后续检测；在提取正常运行工况的数据特征时，对每个模态分别进行提取，并且可以采用非线性的KPCA进行提取，可以很好的刻画出数据的非线性特性；计算T²和SPE的阈值；针对六个模态，需要得分别得到六个变化的T²和SPE的阈值，以自适应于不同模态的故障检测。

5)采集实际工作中的IGBT的数据x_new，根据每个周期采样的步数，将在线获取的运行数据分配到相应的模态中；对数据x_new进行标准化处理；

6)计算T²和SPE；

7)对IGBT是否存在故障进行决策。

进一步的，所述步骤3)中对每个周期的数据按模态进行划分后的数据X表示为：

X＝[X-M(1),…X-M(j),...,X-M(6)],j＝1,…,6 (1)

对于每个模态数据X-M(j)，标准化过程为：

令X-M(j)＝[x_k(1),x_k(2),…,x_k(i)]∈R^N×i，先得到数据的均值与方差

则对数据进行标准化处理后得到的数据表示为：

其中，N为采样步数，i为采样的变量数。

进一步的，所述步骤4)中为了使得数据可分，需要将其通过非线性函数映射到高维空间，如果训练数据很多，特征空间的维数将无穷大或趋于无穷，这使得算法的效率很低。因此，所述步骤4)对预处理得到的数据进行特征提取的过程中引入核函数来简化计算，而后对数据进行降维来提取主元特征。具体过程为：

首先，通过

K_ij＝<Φ(x_i),Φ(x_j)>＝k(x_i,x_j) (5)

计算核矩阵，其中i,j＝1,…,N.并且，

将通过(5)得到的核矩阵K进行中心化处理，得到：

根据数据降维技术，可以对进行主要特征提取。则核主元得分为：

所述步骤4)中计算T²的阈值的公式为：

计算SPE的阈值的公式为：

其中，l是特征的主元数，C_α是正态分布在显著水平为α下的临界值。

进一步的，所述步骤5)中对数据x_new进行标准化处理过程包括根据公式(15)和(16)得到的期望与方差，对数据x_new进行标准化处理。

所述步骤6)中计算T²的公式为：

T²＝X^TP_pcΛ_pc ^-1P_pc ^TX (11)

计算SPE的公式为：

其中，P_pc为特征主元向量，Λ_pc＝diag(λ₁,λ₂,…,λ_l)为主元特征值构成的对角矩阵。

所述步骤7)中，对IGBT是否存在故障进行决策使用的判断标准如下：

进一步的，所述步骤1)中CRH5型高铁逆变器采用异步调制、分段调制、预先计算角度和方波四种调制方式。

进一步的，从所述模拟系统平台中IGBT采集的数据或离线存储数据是动态的，该数据体现微小故障到故障的演变过程。

本发明的用于诊断CRH5型高铁逆变器的微小故障的方法，提出了多模态核主元分析方法，根据传感器获得的数据，先进行数据预处理，再得到正常工况下的系统模型。针对电气系统的特性，通过对在线数据的处理，来对系统是否存在故障进行检测。对微小故障及故障的检测结果验证了多模态核主元分析的有效性。对比于线性PCA算法以及非线性KPCA算法，本发明的方法对CRH5型高铁逆变器的微小故障的检测更加精确，诊断结果更加准确，漏报率低，具有明显的优势。

附图说明

图1是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中CRH5型高铁的三相电压型逆变器模型示意图；

图2是微小故障到故障的演变过程示意图；

图3是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中基于IGBT触发脉冲的模态分类示意图；

图4是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中IGBT正常工况下每个周期的数据模态；

图5是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中基于PCA的故障检测曲线；

图6是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中基于KPCA的故障检测曲线；

图7是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中基于多模态KPCA的故障检测曲线。

具体实施方式

下面结合附图，对本发明提出的一种通过控制前体涡改出尾旋的方法及流动控制激励器进行详细说明。

一种用于诊断CRH5型高铁逆变器的微小故障的方法，包括以下步骤：

第一阶段：建立离线数据模型

1)根据实际的CRH5型高铁牵引系统逆变器的原理，构建模拟系统平台；

2)采集系统平台中IGBT数据，记载为X；

3)将上述采集到的数据或离线存储数据进行预处理，具体为：先按照周期进行分开，然后对每个周期的数据按模态进行划分，最后对数据进行标准化处理，将其转化为期望为0，方差为1的数据；

4)对预处理得到的数据进行特征提取，以建立模型用于后续检测；在提取正常运行工况的数据特征时，对每个模态分别进行提取；计算T²和SPE的阈值；

第二阶段：在线故障检测

5)采集实际工作中的IGBT的数据x_new，根据每个周期采样的步数，将在线获取的运行数据分配到相应的模态中；对数据x_new进行标准化处理；

6)计算T²和SPE；

7)对IGBT是否存在故障进行决策。

CRH5型高铁逆变器采用异步调制、分段调制、预先计算角度和方波四种调制方式。如附图3所示，实验选取方波调制方式来驱动IGBT的通断。在附图1中，由S1到S6表示的IGBT由于内部温度变化、外部电磁干扰以及元器件老化等原因，产生微小故障，这对高铁牵引系统的性能造成微小的影响。但是由于IGBT的微小故障会随着时间进行演变，如附图2所示。在附图2中，0-t₁时间内，IGBT正常工作。在时间t₁-t₂内，IGBT发生了微小故障，但随着时间的增大，流经IGBT的电流i_g的幅值也在慢慢增大。当t₂-t₃时，IGBT内部特性发生变化，造成上下同一桥臂同时导通，而出现短路的结果。这时IGBT的电流会激增，并在瞬间发生断路。针对这种现象，本发明的用于诊断CRH5型高铁逆变器的微小故障的方法采用多域平台，搭建出三相电压型逆变器的系统模型，在系统正常运行过程中，先在某个IGBT特定的时间段注入微小故障。运行一段时间后，再注入故障。假设高铁逆变器中安装有15个电压和电流传感器。根据高铁运行的情况，实时在线的对数据进行记录与存储。

通过传感器从高铁模型采集到的数据是动态的。并且，该数据可以很好的体现微小故障到故障的演变过程。

所述步骤3)中，对采集到的数据或离线存储数据进行预处理具体实施步骤如下：

如附图2所示，根据采集到的数据或离线存储数据，先将其分按照周期进行分开，而后对每个周期的数据按模态进行划分。最后，对数据进行标准化处理，将其转化为期望为0，方差为1的数据。根据IGBT的触发脉冲，将采集的原始的二维数据增加两个维度，即周期与模态，从而使得在每个周期中，系统存在6个模态。根据附图3的模态划分，所有的数据均呈现在不同模态上，如附图4所示。因此，原来的数据X可表示为

X＝[X-M(1),…X-M(j),…,X-M(6)],j＝1,...,6 (1)

对于每个模态数据X-M(j)，标准化过程为：

令X-M(j)＝[x_k(1),x_k(2),…,x_k(i)]∈R^N×i，先得到数据的均值与方差

则标准化后的数据

其中，N为采样步数，i为采样的变量数。

所述步骤4)中，对预处理得到的数据进行特征提取具体实施步骤如下：

为了使得数据可分，需要将其通过非线性函数映射到高维空间，如果训练数据很多，特征空间的维数将无穷大或趋于无穷，这使得算法的效率很低。因此，需要引入核函数来简化计算，而后对数据进行降维来提取主元特征。

首先，通过

K_ij＝<Φ(x_i),Φ(x_j)>＝k(x_i,x_j) (5)

计算核矩阵，其中i,j＝1,…,N.并且，

将通过公式(5)得到的核矩阵K进行中心化处理，可知

根据数据降维技术，可以对进行主要特征提取。则核主元得分为：

此外，T²以及SPE阈值可以通过下式求的：

其中，l是特征的主元数，C_α是正态分布在显著水平为α下的临界值。

由于PWM调速系统得到的数据被分为六个模态，则数据预处理、核矩阵和主元得分等步骤需要进行六次计算，即对于每个模态，需要分别计算一次。

所述步骤5)中，需要根据每个周期采样的步数，将在线获取的运行数据分配到相应的模态中。然后根据式(2)和(3)得到的期望与方差，将数据x_new进行标准化处理。

所述步骤6)中需要参考步骤3)来计算K_new，和t_k，以及统计量T²和SPE：

T²＝X^TP_pcΛ_pc ^-1P_pc ^TX (11)

其中，P_pc为特征主元向量，Λ_pc＝diag(λ₁,λ₂,…,λ_l)为主元特征值构成的对角矩阵。

所述步骤7)中，本发明专利的故障决策过程设计，具体实施步骤如下：

需要对在线检测的数据进行决策，来判断在线运行的系统是否发生了故障，其决策如下：

从附图5的曲线可以看出，在采样步数1000时，PCA算法可以对故障进行准确的检测。但是，在1200步到1400之间，T²和SPE的值又回到阈值之下，具有很大的漏报率。造成这种缺点的原因是一种线性的数据特征提取的算法，对于高铁逆变器的非线性的特征提取效果很差。并且，该算法对于微小的故障检测完全失效。

在附图6中的曲线，是采用KPCA算法得到的。虽然这种算法对高铁牵引系统的微小故障检测也完全失效，但是相对于线性PCA而言，在1200到1400之间，它仍可以对IGBT的短路故障进行有效的检测。

在附图7中，首先，该算法可以完全准确的对故障进行检测；此外，它也能对微小故障进行检测。对于采样步数400到1000之间发生的微小故障，400到600步和800到1000步之间，多模态KPCA算法得到的T²和SPE的值，反复波动在阈值附近，虽然存在一定的漏报率，但是相对于目前的算法而言，其效果还是很好的；并且，在600到800步之间，该算法可以实现对微小故障的准确检测。

本实施例通过对CRH5型高铁牵引系统中逆变器的IGBT微小故障以及故障进行设计和研究，验证了多模态KPCA算法的有效性。并且根据数据得到的实际曲线对比，可知本发明对高铁牵引系统逆变器部件故障检测的具有很好的优化效果，并且，这种方法在不增加额外硬件系统设计的情况下，就可以实现对故障的检测。

本发明具体应用途径有很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (9)

1.一种用于诊断CRH5型高铁逆变器的微小故障的方法，其特征在于，包括以下步骤：

1)根据实际的CRH5型高铁牵引系统逆变器的原理，构建模拟系统平台；

2)采集模拟系统平台的数据或离线存储数据，记载为X；

3)将上述采集到的数据或离线存储数据进行预处理，具体为：先按照周期进行分开，然后对每个周期的数据按模态进行划分，最后对数据进行标准化处理，将其转化为期望为0，方差为1的数据；

4)对预处理得到的数据进行特征提取，以建立模型用于后续检测；在提取正常运行工况的数据特征时，对每个模态分别进行提取；计算T²和SPE的阈值；

5)采集实际工作中的IGBT的数据x_new，根据每个周期采样的步数，将在线获取的运行数据分配到相应的模态中；对数据x_new进行标准化处理；

6)计算T²和SPE；

7)对IGBT是否存在故障进行决策。

2.根据权利要求1所述的用于诊断CRH5型高铁逆变器的微小故障的方法，其特征在于，所述步骤3)中对每个周期的数据按模态进行划分后的数据X表示为：

X＝[X-M(1),…X-M(j),…,X-M(6)],j＝1,…,6 (1)

对于每个模态数据X-M(j)，标准化过程为：

令X-M(j)＝[x_k(1),x_k(2),…,x_k(i)]∈R^N×i，先得到数据的均值与方差

则对数据进行标准化处理后得到的数据表示为：

其中，N为采样步数，i为采样的变量数。

3.根据权利要求1所述的用于诊断CRH5型高铁逆变器的微小故障的方法，其特征在于，所述步骤4)对预处理得到的数据进行特征提取的过程中引入核函数来简化计算，而后对数据进行降维来提取主元特征；具体过程为：

首先，通过

K_ij＝<Φ(x_i),Φ(x_j)>＝k(x_i,x_j) (5)

计算核矩阵，其中i,j＝1,…,N，并且，

将通过(5)得到的核矩阵K进行中心化处理，得到：

根据数据降维技术，可以对进行主要特征提取，则核主元得分为：

4.根据权利要求1所述的用于诊断CRH5型高铁逆变器的微小故障的方法，其特征在于，所述步骤4)中计算T²的阈值的公式为：

计算SPE的阈值的公式为：

其中，l是特征的主元数，C_α是正态分布在显著水平为α下的临界值。

5.根据权利要求2所述的用于诊断CRH5型高铁逆变器的微小故障的方法，其特征在于，所述步骤5)中对数据x_new进行标准化处理过程包括根据公式(2)和(3)得到的期望与方差，对数据x_new进行标准化处理。

6.根据权利要求1所述的用于诊断CRH5型高铁逆变器的微小故障的方法，其特征在于，所述步骤6)中计算T²的公式为：

T²＝X^TP_pcΛ_pc ^-1P_pc ^TX (11)

计算SPE的公式为：

其中，P_pc为特征主元向量，Λ_pc＝diag(λ₁,λ₂,…,λ_l)为主元特征值构成的对角矩阵。

7.根据权利要求1所述的用于诊断CRH5型高铁逆变器的微小故障的方法，其特征在于，所述步骤7)中，对IGBT是否存在故障进行决策使用的判断标准如下：

8.根据权利要求1至7任意一项所述的用于诊断CRH5型高铁逆变器的微小故障的方法，其特征在于，所述步骤1)中CRH5型高铁逆变器采用异步调制、分段调制、预先计算角度和方波四种调制方式。

9.根据权利要求8所述的用于诊断CRH5型高铁逆变器的微小故障的方法，其特征在于，从所述模拟系统平台中IGBT采集的数据或离线存储数据是动态的，该数据体现微小故障到故障的演变过程。