CN106959397A - 一种用于高铁逆变器的微小故障诊断系统的设计方法 - Google Patents

Abstract

本发明公开了一种用于高铁逆变器的微小故障诊断系统的设计方法，具体步骤如下：1)根据牵引系统的传感器，采集三相电流离线数据并存储；2)将采集的数据集进行预处理；3)根据PCA的思想进行特征提取，得到特征值矩阵，载荷矩阵以及得分矩阵；4)在主元空间与残差空间，用KL散度去测量得分向量的距离；5)根据得分向量的KL散度服从的分布和假设检验方法，确定主元空间与残差空间的检测阈值；6)采集实际系统中数据并预处理；7)计算得到的主元得分向量与离线得分向量的KL散度，与阈值比较进行故障决策。本发明设计了高铁牵引系统的微小故障检测系统诊断方法，使得应用角度的可实现性以及算法的优越性都有很大的改进与优化。

Description

一种用于高铁逆变器的微小故障诊断系统的设计方法

技术领域

本发明涉及高铁故障诊断领域，尤其是用于高铁逆变器的微小故障的诊断。

背景技术

随着交通科技的快速发展与广泛的市场需求，国内外的高铁技术已成为人民出行的重要交通工具。不管是西方的高铁技术，还是中国的高铁技术，仍存在不足之处，比如安全性问题。因此近五年，高铁的安全性问题越来越被国内的学者关注。对于高铁微小故障的研究，目前仍是空白，没有实质性的研究性成果，这主要是由于微小故障的特性造成的。微小故障发生时对于系统造成的影响很微弱，且这个恶化的特性很容易被系统的波动以及传感器的噪声所掩盖，因此对于复杂的高铁系统乃至整个电气领域的牵引系统都是巨大的挑战。但是如果微小故障不能及时被检测，随着时间的推移必定会演变成故障，这将造成高铁毫无征兆的停止运行、强制性切断供电等，甚至造成重大的财产损失和人员的伤亡。

在中国的高铁牵引系统中，比如CRH2型高铁的主电路保护动作主要针对41种特定的故障中，未考虑微小故障问题。此外，目前对微小故障的研究方法中，绝大部分是基于模型的故障诊断方法。如果在实际的应用中采用这种技术，就需要高铁牵引系统准确的数学模型，这显然是不可能得到的。单是系统内部存在不确定的干扰和外界的噪声，就不可能准确的建立其数学模型。因此，本发明专利采用数据驱动的方法，对微小故障进行了研究，并通过仿真实验证明了该方法的有效性。

发明内容

发明目的：为了克服现有技术对微小故障的检测与诊断存在的不足，提出了一种基于KL散度(Kullback-Leibler Divergence)和主元分析(PCA)的数据驱动的高铁牵引系统微小故障诊断方法。

技术方案：一种用于高铁逆变器的微小故障诊断系统的设计方法，包括如下步骤：

1)首先根据牵引系统的传感器，采集三相电流离线正常运行状态下的数据，并进行存储，采集的数据集记为X_abc；

2)将采集得到的数据集X_abc进行预处理，具体包括两个过程：1、根据Charke和Park坐标变换思想，将数据集X_abc转变为旋转的数据集X_n；2、将旋转的数据集X_n进行标准化处理，将其转化为期望为0，方差为1的数据，并记为

3)对根据PCA的思想进行特征提取，得到特征值矩阵Λ，载荷矩阵P以及得分矩阵T，根据累计方差贡献率，可以确定主元的个数l，进而根据l可以确定主元空间与残差空间，并可以得到特征值矩阵、载荷矩阵以及得分矩阵在主元空间与残差空间的部分；

4)在主元空间与残差空间，用KL散度测量得分向量的距离；

5)根据得分向量的KL散度服从的分布和假设检验方法，确定主元空间与残差空间的检测阈值；

6)采集实际系统中的数据x_new，根据2)中数据处理的方法，对数据x_new进行坐标变换和标准化处理，得到的在线数据根据离线建立的数据模型投影到主元空间与残差空间；

7)在主元空间和残差空间，计算得到的主元得分向量与离线得分向量的KL散度将其与阈值比较进行故障决策。

进一步地，所述步骤2)将数据集X_abc转变为旋转的数据集X_n的过程如下

其中，C_3S/2R根据Clarke变换与Park变换得到，具体表达式为

X_n具体可以被表示为

其中，N,m为采样的步数与采样向量的个数，m＝2；

对X_n进行标准化得到的具体过程是先计算X_n每一列的均值与方差，而用得到的均值与方差后对其进行标准化处理：

进一步地，用KL散度测量得分向量距离的方法为

进一步地，得分向量KL散度的分布公式为

进一步地，故障决策的公式为

有益效果：

本发明的高铁微小故障诊断系统，首次将Clarke与Park变换引入数据驱动的故障诊断应用中，用KL散度的方法取代原有PCA用马氏距离与欧式距离的计算差异的方法，首次精确给出正常工况下的KL散度的分布，根据给定的KL散度的分布，可以有效的得到故障检测的阈值。针对电气系统中运行数据的特点与微小故障的特点，本发明专利提出了具体的实施技术。本发明专利相对于现有的数据驱动故障诊断算法，对微小故障更加敏感，可以有效的对微小故障进行检测与诊断。通过对高铁牵引系统微小故障的诊断结果表明，该算法对高铁乃至其他牵引系统的微小故障诊断能力都具有明显的优势。

附图说明

图1是坐标变换的示意图；

图2是微小故障诊断系统的流程图；

图3是故障幅值为1％的间歇微小故障检测图；

图4是故障幅值为1％的持续微小故障检测图；

图5是故障幅值为1％的时变微小故障检测图；

图6是故障幅值为2％的间歇微小故障检测图；

图7是故障幅值为2％的持续微小故障检测图；

图8是故障幅值为2％的时变微小故障检测图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本发明专利是用于高铁逆变器的微小故障诊断系统的设计方法，本实施案例包括如下步骤：

1)首先根据牵引系统的传感器，采集三相电流离线正常运行状态下的数据，并进行存储。采集的数据集记为X_abc；

2)将采集得到的数据集X_abc进行预处理，具体包括两个过程：1、根据Charke和Park坐标变换思想，将数据集X_abc转变为旋转的数据集X_n；2、将旋转的数据集X进行标准化处理，将其转化为期望为0，方差为1的数据，并记为

3)对根据PCA的思想进行特征提取，得到特征值矩阵Λ，载荷矩阵P以及得分矩阵T。根据累计方差贡献率，可以确定主元的个数l；进而，根据l可以确定主元空间与残差空间，并可以得到特征值矩阵，载荷矩阵以及得分矩阵在主元空间与残差空间的部分；

4)在主元空间与残差空间，用KL散度代替欧氏距离与马氏距离去测量得分向量的距离；

5)根据得分向量的KL散度服从的分布和假设检验方法，确定主元空间与残差空间的检测阈值；

6)采集实际系统中的数据x_new，根据2)中数据处理的方法，对数据x_new进行坐标变换和标准化处理，得到的在线数据根据离线建立的数据模型投影到主元空间与残差空间。

7)在主元空间和残差空间，计算得到的主元得分向量与离线得分向量的KL散度J_i，将其与阈值比较进行故障决策。

下面根据实例，来验证本发明的优越性。

所述步骤1)中，将采集CRH2型高铁中逆变器输出电流的数据，记为X_abc。

所述步骤2)中，将X_abc根据附图1转变为旋转的数据集X_n的过程如下：

其中，C_3S/2R可以根据Clarke变换与Park变换得到，其具体的表达式为进一步地，X_n的具体可以被表示为

其中，N,m为采样的步数与采样向量的个数。因为X_n是根据X_abc经坐标变换得到的，故这里m＝2。

所述步骤2)中，进行标准化得到

标准化的具体过程是先计算X_n每一列的均值与方差，再用得到的均值u_i与方差对其进行标准化处理

其中，u_i和σ_i为x_i的均值与方差，是x_i标准化后的数据。

所述步骤2)中的特征提取中，先得到协方差矩阵S_n的特征值矩阵Λ_n，载入矩阵P以及得分矩阵T，具体步骤如下：

其中，P_pc和P_res是主元空间与残差空间的载荷向量，Λ_pc∈R^l×l,Λ_res∈R^(m-l)×(m-l)，l为主元的个数。得分矩阵l可以通过主元贡献率CPV进行确定，其表达式如下

根据(3)与(4)，可以得到主元空间的载荷矩阵P和残差空间的载荷矩阵所述步骤3)中，KL散度最原始的定义如下

其中，f₁(x)和f₂(x)分别是x₁和x₂的概率密度函数。式(5)是一种不对称的距离，为了更有效的计算距离，本发明专利使用一种对称的KL散度如下：

K(f₁,f₂)＝I(f₁||f₂)+I(f₂||f₁) (6)

对于含有故障的采样数据集X_f，假设故障影响数据集的第d个变量，则可表示为

其中，α为故障的幅值。经过标准化之后，可进一步表示为

则在线数据的协方差可以表示为

其中，

根据式(3)可得

根据式(9)，可定义则在线数据与离线数据的KL散度可以表示为：

其中，U＝diag(0,…,0),

将式(11)写成单变量的形式，则可得到

根据上式可知，K(f₁,f₂)在仅受到故障的影响，因此可以提高其对故障的检测能力。其中，f_k,为离线和在线得分向量的概率密度函数，λ_k,为离线和在线数据的特征值，Δλ_k为特征值的变化量，为在线得分向量的均值，p_k为第k个载荷向量，t_jk为第j行第k列的得分。

所述步骤5)中，可以根据KL散度的单变量与多变量形式，令故障的幅值为0，则可以得到在无故障的情况下K(f₁,f₂)服从某种分布。其具体的分布如下：

其中，χ²(1)为自由度为1的卡方分布。

根据式(12)，可以确定故障检测的阈值。

所述步骤6)中，先采集实际在线运行情况下的数据x_new，并根据式(1)的步骤，先将其转化到旋转坐标系下；

所述步骤6)中，根据式(2)，将旋转坐标系内的数据进行标准化处理。

所述步骤7)中，将标准化后的在线数据根据离线建立的数据模型，将其投影到主元空间与残差空间。

所述步骤7)中，计算在线主元空间与残差空间得分与离线得分的KL散度，并与式(12)确定的阈值进行比较。其决策的方式如下：

上述所属的步骤如附图2所示，可以体现完成的在线故障诊断过程。

对于微小故障，本发明专利考虑了6种微小故障，并对其进行仿真验证。对于在i_q上发生在101-150步的幅值为1％间歇微小故障，其故障检测结果如附图3所示。对于在i_q上发生在101步之后的幅值为1％持续微小故障，其故障检测结果如附图4所示。对于在i_q上发生在101步之后的最大幅值为1％的时变微小故障，其故障检测结果如附图5所示。对于在i_q上发生在101-150步的幅值为2％间歇微小故障，其故障检测结果如附图6所示。对于在i_q上发生在101步之后的幅值为2％间歇微小故障，其故障检测结果如附图7所示。对于在i_q上发生在101步之后的最大幅值为2％时变微小故障，其故障检测结果如附图8所示。从所有的故障诊断结果可以看出，本发明不但对微小故障具有很好的检测效果，而且在无故障时，误报率也很低。根据附图5与附图8可以得知，在故障幅值小于1％时，该算法也能对其准确的故障检测。

本实施例通过对CRH2型高铁牵引系统中微小故障诊断系统进行了设计和研究，并通过分析实验结果证明了本发明专利提出算法的有效性。可知本发明对高铁牵引系统故障检测的能力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诊断。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种用于高铁逆变器的微小故障诊断系统的设计方法，其特征在于，包括如下步骤：

1)首先根据牵引系统的传感器，采集三相电流离线正常运行状态下的数据，并进行存储，采集的数据集记为X_abc；

2)将采集得到的数据集X_abc进行预处理，具体包括两个过程：1、根据Charke和Park坐标变换思想，将数据集X_abc转变为旋转的数据集X_n；2、将旋转的数据集X_n进行标准化处理，将其转化为期望为0，方差为1的数据，并记为

3)对根据PCA的思想进行特征提取，得到特征值矩阵Λ，载荷矩阵P以及得分矩阵T，根据累计方差贡献率，可以确定主元的个数l，进而根据l可以确定主元空间与残差空间，并可以得到特征值矩阵、载荷矩阵以及得分矩阵在主元空间与残差空间的部分；

4)在主元空间与残差空间，用KL散度测量得分向量的距离；

5)根据得分向量的KL散度服从的分布和假设检验方法，确定主元空间与残差空间的检测阈值；

6)采集实际系统中的数据x_new，根据2)中数据处理的方法，对数据x_new进行坐标变换和标准化处理，得到的在线数据根据离线建立的数据模型投影到主元空间与残差空间；

7)在主元空间和残差空间，计算得到的主元得分向量与离线得分向量的KL散度将其与阈值比较进行故障决策。

2.根据权利要求1所述的一种用于高铁逆变器的微小故障诊断系统的设计方法，其特征在于，所述步骤2)将数据集X_abc转变为旋转的数据集X_n的过程如下

$X_n=X_{abc}{C}_{3S/2R}^T---\left(1\right)$

其中，C_3S/2R根据Clarke变换与Park变换得到，具体表达式为

$C_{3S/2R}=\frac{2}{3}\[\left(\begin{array}{ccc}cos\mathrm{\θ}& cos(\mathrm{\θ}-2/3\mathrm{\π})& cos(\mathrm{\θ}+2/3\mathrm{\π})\\ -sin\mathrm{\θ}& -sin(\mathrm{\θ}-2/3\mathrm{\π})& -sin(\mathrm{\θ}+2/3\mathrm{\π})\end{array}\right)\]$

X_n具体可以被表示为

$X_n=\left[\begin{array}{cccc}{x}_{11}& x_{12}& \mathrm{...}& x_{1m}\\ x_{21}& x_{22}& \mathrm{...}& x_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{N1}& x_{N2}& \mathrm{...}& x_{Nm}\end{array}\right]=\[x_1,x_2,\mathrm{...},x_m\]---\left(2\right)$

其中，N,m为采样的步数与采样向量的个数，m＝2；

对X_n进行标准化得到的具体过程是先计算X_n每一列的均值与方差，而用得到的均值与方差后对其进行标准化处理：

$u_i=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}{x}_{ki}$

${\mathrm{\δ}}_i^2=\frac{1}{N-1}\underset{k=1}{\overset{N}{\Σ}}{(x_{ki}-u_i)}^2$

$\stackrel{\‾}{x}\left(i\right)=\left[\begin{array}{c}\frac{x_{1i}-u_i}{\mathrm{\σ}\left(i\right)}\\ .\\ .\\ .\\ \frac{x_{Ni}-u_i}{\mathrm{\σ}\left(i\right)}\end{array}\right]---\left(2\right)$

${\stackrel{\‾}{X}}_n=\left[\begin{array}{cccc}{\stackrel{\‾}{x}}_{11}& {\stackrel{\‾}{x}}_{12}& \mathrm{...}& {\stackrel{\‾}{x}}_{1m}\\ {\stackrel{\‾}{x}}_{21}& {\stackrel{\‾}{x}}_{22}& \mathrm{...}& {\stackrel{\‾}{x}}_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\stackrel{\‾}{x}}_{N1}& {\stackrel{\‾}{x}}_{N2}& \mathrm{...}& {\stackrel{\‾}{x}}_{Nm}\end{array}\right]=\[{\stackrel{\‾}{x}}_1,{\stackrel{\‾}{x}}_2,\mathrm{...},{\stackrel{\‾}{x}}_m\]---\left(3\right)$

3.根据权利要求1所述的一种用于高铁逆变器的微小故障诊断系统的设计方法，其特征在于，所述步骤4)中，用KL散度测量得分向量距离的方法为

$K(f_k,\widetilde{f_k})=\frac{1}{2}\[\frac{{\mathrm{\λ}}_k}{{\widetilde{\mathrm{\λ}}}_k}+\frac{{\widetilde{\mathrm{\λ}}}_k}{{\mathrm{\λ}}_k}+{\left({\widetilde{\mathrm{\μ}}}_k\right)}^2(\frac{1}{{\mathrm{\λ}}_k}+\frac{1}{{\widetilde{\mathrm{\λ}}}_k})-2\]---\left(4\right)$

4.根据权利要求1所述的一种用于高铁逆变器的微小故障诊断系统的设计方法，其特征在于，所述步骤5)中，得分向量KL散度的分布公式为

$NJ(f_k,\widetilde{f_k})~{\mathrm{\χ}}^2\left(1\right)---\left(5\right)$

5.根据权利要求1所述的一种用于高铁逆变器的微小故障诊断系统的设计方法，其特征在于，所述步骤7)中，故障决策的公式为

$\left\{\begin{array}{c}{H}_0:J(f_k,{\tilde{f}}_k)\≤\frac{1}{2}{\mathrm{\χ}}^2\left(1\right),fault-free\\ H_1:J(f_k,{\tilde{f}}_k)>\frac{1}{2}{\mathrm{\χ}}^2\left(1\right),faulty\end{array}\right.---\left(6\right)$