CN110647136A - 一种牵引电机驱动系统复合故障检测与分离方法 - Google Patents

Abstract

一种牵引电机驱动系统复合故障检测与分离方法，属于故障诊断与容错控制技术领域，按如下步骤：(1)从机理模型和数据驱动模型的补偿机制出发，引入Delta算子来描述连续域和离散域的统一设计方法，在某一工作点附近建立牵引电机驱动系统复合故障检测与分离模型；(2)构建基于支持向量机的动态补偿模型；(3)采用基于线性矩阵不等式的优化技术，设计混合离散模型下的复合故障检测与分离器。本发明可以有效提高系统的运行可靠性，减少不必要的损失，使得残差对故障保持敏感性和对干扰保持鲁棒性，并提高故障分离率和改善系统瞬态性能。

Description

一种牵引电机驱动系统复合故障检测与分离方法

技术领域

本发明属于故障诊断与容错控制技术领域，具体地说，涉及一种牵引电机驱动系统复合故障检测与分离方法。

背景技术

牵引电机驱动系统是保证高速列车安全运行的关键子系统之一，具有严格的可靠性等级。目前牵引电机驱动系统大都采用基于信号的超限报警等故障诊断措施来保证安全运行，由于其多重闭环结构长期受到网压波动、过分相等不确定因素影响，单一故障可能引发多个信号超过阈值，导致较难分离的复合故障频发，从而影响故障诊断的可靠性。

对于苛求安全性的牵引电机驱动系统来说，采样频率的优化对故障检测与分离的稳定性有着重要影响。一般来说，牵引电机驱动系统故障检测与分离时间满足0.1毫秒级的采样要求，从理论上保证了线性化的离散系统和带故障的非线性系统具有等价统一关系。然而对于高采样频率的系统，传统的离散化方法将产生较大的数值误差。将连续域和离散域统一起来的Delta算子可以确保离散化模型的稳定性，为牵引电机驱动系统复合故障检测与分离提供了一种新的设计思路。

考虑到离散模型难以准确描述牵引电机驱动系统故障的小样本分布特性，采用核学习的支持向量机(SVM)补偿模型可以有效解决这一问题。然而基于支持向量机的故障检测与分离模型对核函数的选择很敏感，线性矩阵不等式的优化技术可为其精度和快速收敛性提供一个解决思路。

发明内容

本发明的目的是提出了一种牵引电机驱动系统复合故障检测与分离方法，以解决牵引电机驱动系统复合故障下的不确定非线性耦合，从而可能导致系统安全性能降级的问题；以及基于单一机理模型或数据驱动模型的故障检测与分离方法，还不能满足从干扰中准确检测与分离复合故障等问题。

本发明是通过以下技术方案实现的。

本发明首先根据线性化离散系统和带故障的非线性系统具有等价统一关系，在某一工作点附近建立系统Delta域离散模型；针对未建模的非线性和参数时变等复杂特性，结合系统状态和输出样本，构建动态补偿模型来减少控制输入对故障检测的影响。一旦模型残差超过阈值时，基于动态输出反馈的故障保护策略可以保证故障分离的安全性和可靠性。通过引入局部反馈机制，复合故障检测器的输出可以及时校正支持向量机的相关参数，从而提高模型精度。

本发明所述的一种牵引电机驱动系统复合故障检测与分离方法，按如下步骤：

(1)从机理模型和数据驱动模型的补偿机制出发，引入Delta算子来描述连续域和离散域的统一设计方法，在某一工作点附近建立牵引电机驱动系统复合故障检测与分离模型；

(2)构建基于支持向量机的动态补偿模型来减少控制输入对故障检测的影响；

(3)采用基于线性矩阵不等式的优化技术来解决补偿模型的精度和快速收敛性问题，据此设计混合离散模型下的复合故障检测与分离器。如图1所示混合模型下的复合故障检测与分离原理。

进一步说，步骤(1)在牵引电机驱动系统中，牵引变流器直流电压、电流和电机转速是核心可测变量，为连续非线性系统降阶为线性系统提供了可能。针对整流器的直流输出量在牵引供电网和逆变器-电机系统之间起着重要的桥梁作用，图2(牵引电机驱动系统复合故障检测与分离原理图)将逆变器-电机系统等效成永磁无刷直流电机驱动模块。该等效模式不同于传统方法将整流器输出侧设备等效成简单的负载，既避免了多台交流异步电机同时建模的复杂问题，还保留了交流传动系统的优点。图2中可测状态变量x^*(t)为PI调节器输出的直流电流I(t)和整流器输出的直流电压U(t)，输出变量为等效的转速v(t)，控制变量为牵引命令η(t)，则其复合故障下的非线性模型可描述如下：

x^*(t)＝G(x^*(t),η(t),d(t),f(I(t),U(t),ν(t))) (1)

式中，G为非线性函数，过程故障I(t),执行器故障U(t)和传感器故障v(t)表示为复合故障f的函数，当系统无故障运行时f＝0；d代表系统未知但有界的不确定性。

在采样周期T的约束下，式(1)的常规离散化模型如下：

式中，G'为离散域非线性函数。

但该模型在高频采样时容易出现计算精度变差甚至不稳定现象。Delta算子不同于欧拉算子，欧拉算子采用导数项对一阶系统进行离散化，而Delta算子可实现高阶系统离散化：

鉴于线性化离散系统的无限零结构保持不变的特性，对于式(3)的非线性复合故障检测问题，可以在某一工作点附近建立牵引电机驱动系统的线性化故障检测模型：

式中：A_δ,B_δ,C_δ和E_δ分别代表Delta域的系统矩阵、输入矩阵、输出矩阵和故障分布矩阵；w(kT)代表干扰信号；D_δ1和D_δ2代表已知的干扰矩阵。

进一步说，步骤(2)对于l个Delta域样本集D'＝{(δ_i,v_i(kT))}，基于支持向量机的动态补偿模型把样本集变换到一个高维线性空间中的训练集D”＝{(φ(δ_i),v_i(kT))}进行状态重构，然后再在该空间对D”进行最优线性回归。这种故障检测机制对核函数有较大的依赖性。径向基函数(RBF)核函数具有较好的映射精度，但其自由参数(RBF核宽度ρ)对动态补偿模型的精度有较大的影响。动态补偿模型的拓扑结构如图3所示，其数学表达式如下：

式中α_i为拉格朗日乘子，核函数K(D'_i,D_i,ρ)为核宽度的函数，b为阈值。

进一步说，步骤(3)根据线性矩阵不等式相关引理，可将ρ的优化求解转化为奈奎斯特频率域稳定裕量分析。在输入和输出通道的多干扰约束下，为了更好地检测与分离复合故障，构造混合离散模型下的复合故障检测与分离器：

式中：A_δ,B_δ,C_δ和E_δ分别代表Delta域的系统矩阵，输入矩阵，输出矩阵和故障分布矩阵；L_δ(ρ)是机理模型需要设计的增益矩阵，补偿模型根据优化的ρ可以建立L_δ(ρ)和ρ的一一对应关系。

本发明结合牵引电机驱动系统Delta域离散模型和动态补偿模型，建立了牵引电机驱动系统复合故障下的混合离散模型；根据牵引电机驱动系统可测的状态变量、连续非线性系统和线性化离散系统的等价关系、机理模型和数据驱动模型的补偿机制，联合设计了Delta域机理模型和动态补偿模型，使残差对故障保持敏感性和对干扰保持鲁棒性，并提高故障分离率和改善系统瞬态性能。

附图说明

图1为基于混合模型的复合故障检测原理图。

图2为牵引电机驱动系统复合故障诊断原理图。

图3为支持向量机动态补偿结构的拓扑图。

图4为Delta域和Z域离散模型阶跃响应曲线。

图5为牵引电机驱动系统混合模型输出曲线。

图6为混合模型下的故障检测器输出曲线。

图7为混合模型下的故障检测器残差曲线。

图8为复合故障分离曲线。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

本实施例以高铁动车大功率牵引的TQ-600型永磁电机驱动系统为实施对象。针对变参数复合故障案例，提出一种混合离散模型下的故障检测与分离方法，该复合故障检测与分离方法不仅可以在干扰背景中准确检测多个同时发生的故障，还能降低误报率和漏报率，提高故障分离率和改善系统瞬态性能。

如图4所示，本实施例提供了一种TQ-600型永磁电机驱动系统线性化离散模型阶跃响应辨识方法：

对于TQ-600型永磁电机驱动系统这类快速采样系统，在任一工作点的线性化离散模型的无穷大零结构具有不变属性，则可以建立其Delta域和Z域离散模型。

从图4可以看出，在高采样频率下，Z变换阶跃响应由于量化误差的影响，导致离散化模型的平衡点发生大范围偏移，稳态精度变差。而Delta域离散模型在数值上接近连续域模型，其阶跃响应避免了Z域离散模型所带来的问题。

如图5所示，本实施例提供了一种TQ-600型永磁电机驱动系统输出响应建模方法：

在信噪比14.807dB的环境下，根据电机驱动系统数据样本建立补偿模型来减少机理模型的不确定性效应。混合模型的Z域：

C＝10^-3×[0.2038 0.1998]，D₂＝[1 0]

Delta域形式为：

C_δ＝[0.2038 203.8262]，D_δ2＝[1 0]

在0.1毫秒的采样频率下，假定系统在t＝0～0.5秒阶段处于启动转矩调速模式；在t＝0.5～2秒阶段切换为额定转矩调速工况。由图5可以看出，Delta域混合模型输出满足TQ-600型永磁电机驱动系统最大转速5535r/min和额定转速4200r/min的调速要求。

如图6和7所示，本实施例提供了一种混合模型下的复合故障检测方法：

假设在t＝1.4～1.6秒之间发生三种模态的复合故障，即牵引变流器特性变化引起多台牵引电机同时发生过压和过流故障，故障通过反向传播加剧变流器特性进一步恶化。从图6和图7中可以看出，在信噪比低达0dB的环境下，复合故障检测器仍能对故障保持较好的敏感性，即在t＝1.4～1.6秒之间，模型输出和残差均发生明显的跳变现象，降低了故障漏报率。另外，即使在噪声干扰幅值较大的0.5～1秒阶段，混合模型仍能较好地估计其输出，对应的残差没有发生明显的跳变，减少了故障误报现象。

如图8所示，本实施例提供了一种混合模型下的复合故障分离方法：

根据复合故障先验知识，可知过流、过压和反向传播故障的阈值具有空间上独立分布的特性，如图8阈值1、阈值2和阈值3所示。在信噪比低达0dB的环境下，复合故障分离器可对过流故障(优先级高)保持100％的分离率；对过压和反向传播这两类具有局部耦合的故障，正确分离率为88.89％，满足工程上误报率和漏报率的要求。当复合故障成功分离后，系统残差均没有超过阈值1、阈值2和阈值3，有效地改善了系统的瞬态性能。

Claims (4)

1.一种牵引电机驱动系统复合故障检测与分离方法，其特征是按如下步骤：

(1)从机理模型和数据驱动模型的补偿机制出发，引入Delta算子来描述连续域和离散域的统一设计方法，在某一工作点附近建立牵引电机驱动系统复合故障检测与分离模型；

(2)构建基于支持向量机的动态补偿模型；

(3)采用基于线性矩阵不等式的优化技术，设计混合离散模型下的复合故障检测与分离器。

2.根据权利要求1所述的一种牵引电机驱动系统复合故障检测与分离方法，其特征是，将逆变器-电机系统等效成永磁无刷直流电机驱动模块，可测状态变量x^*(t)为PI调节器输出的直流电流I(t)和整流器输出的直流电压U(t)，输出变量为等效的转速v(t)，控制变量为牵引命令η(t)，则其复合故障下的非线性模型可描述如下：

x^*(t)＝G(x^*(t),η(t),d(t),f(I(t),U(t),ν(t))) (1)

式中，G为非线性函数，过程故障I(t),执行器故障U(t)和传感器故障v(t)表示为复合故障f的函数，当系统无故障运行时f＝0；d代表系统未知但有界的不确定性；

在采样周期T的约束下，式(1)的常规离散化模型如下：

式中，G'为离散域非线性函数。

用Delta算子实现高阶系统离散化：

基于线性化离散系统的无限零结构保持不变的特性，对于式(3)的非线性复合故障检测问题，可以在某一工作点附近建立牵引电机驱动系统的线性化故障检测模型：

式中：A_δ,B_δ,C_δ和E_δ分别代表Delta域的系统矩阵、输入矩阵、输出矩阵和故障分布矩阵；w(kT)代表干扰信号；D_δ1和D_δ2代表已知的干扰矩阵。

3.根据权利要求1所述的一种牵引电机驱动系统复合故障检测与分离方法，其特征是，步骤(2)中，对于l个Delta域样本集D'＝{(δ_i,v_i(kT))}，基于支持向量机的动态补偿模型把样本集变换到一个高维线性空间中的训练集D”＝{(φ(δ_i),v_i(kT))}进行状态重构，然后再在该空间对D”进行最优线性回归，其数学表达式如下：

式中α_i为拉格朗日乘子，核函数K(D'_i,D_i,ρ)为核宽度的函数，b为阈值。

4.根据权利要求1所述的一种牵引电机驱动系统复合故障检测与分离方法，其特征是，步骤(3)中，根据线性矩阵不等式相关引理，将ρ的优化求解转化为奈奎斯特频率域稳定裕量分析；在输入和输出通道的多干扰约束下，构造混合离散模型下的复合故障检测与分离器：

式中：A_δ,B_δ,C_δ和E_δ分别代表Delta域的系统矩阵，输入矩阵，输出矩阵和故障分布矩阵；L_δ(ρ)是机理模型需要设计的增益矩阵，补偿模型根据优化的ρ可以建立L_δ(ρ)和ρ的一一对应关系。

Images