CN111983414B - 针对轨道列车牵引变流器的开路故障诊断方法及系统 - Google Patents
针对轨道列车牵引变流器的开路故障诊断方法及系统 Download PDFInfo
- Publication number
- CN111983414B CN111983414B CN202010807693.0A CN202010807693A CN111983414B CN 111983414 B CN111983414 B CN 111983414B CN 202010807693 A CN202010807693 A CN 202010807693A CN 111983414 B CN111983414 B CN 111983414B
- Authority
- CN
- China
- Prior art keywords
- fault
- residual error
- diagnosis
- data
- rectifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种针对轨道列车牵引变流器的开路故障诊断方法及系统,该方法包括:建立整流器结构模型并列出物理方程组,确定故障类型,获得故障诊断数据集;根据物理方程组构建用于故障诊断的残差,根据残差与故障的关系生成诊断决策表;计算出故障诊断数据集中每个数据对应的残差值,通过诊断决策表对每个数据进行初步的故障诊断,所有数据按故障类型进行预分类,并按照预分类构造数据集中各数据之间的关联关系图;将关联关系图转化为关联关系矩阵,构造图卷积神经网络,在网络前向传播公式中使用关联关系矩阵,训练图卷积神经网络模型;图卷积神经网络模型输出作为故障诊断预测结果。本发明可提高整流器故障诊断准确率。
Description
技术领域
本发明涉及轨道列车牵引系统电路故障诊断领域,尤其涉及一种针对轨道列车牵引变流器的开路故障诊断方法及系统。
背景技术
整流器是一种常用的电力变换装置,常用于牵引传动控制系统和可再生能源转换系统,这些应用场合都对整流器运行的可靠性和安全性有着非常严格的要求,但其中的功率器件经常运行于高压、高频和大电流的条件下,因此其开关损耗很大,长时间不间断的运行容易导致功率器件发生故障。典型变流器装置由传感器、控制电路以及功率电路三部分组成。其中容易出现故障及误差的是功率电路以及传感器两部分,这也是故障诊断设备集中关注的部分,控制电路主要由电子元器件组成,不容易出现故障,可靠性较高。另一方面,传感器部分则由于机械振动、电磁干扰、电浪涌和静电等不确定因素等原因,易导致输出信号与实际信号发生偏差,严重时更导致输出信号失真或错误,影响控制系统正常运行。而功率电路作为变流器装置实现电能变换的主体,在运行过程中承受主要的电热应力,且应用场合大多处于电、磁、热、机械等多场域耦合,故障率较高。IGBT管是功率电路的一个重要元器件组成部分,当IGBT管发生开路故障时,如果得不到及时处理,将会对系统的控制功能产生严重影响,使系统的无法按要求运作。
目前对于整流器故障的诊断系统往往分别针对不同结构(例如两电平或者三电平)变流器采用不同的诊断方法,彼此间没有联系,且往往需要使用较多传感器以确保诊断无误,这会导致硬件成本的提高。
因此,现急需提供一种通用性好,硬件要求低的故障诊断方法及系统。
发明内容
本发明提供了一种针对轨道列车牵引变流器的开路故障诊断方法及系统,用以解决目前对于整流器故障的诊断系统通用性差,硬件成本高的技术问题。
为解决上述技术问题,本发明提出的技术方案为:
一种针对轨道列车牵引变流器的开路故障诊断方法,包括:
根据整流器拓扑结构建立整流器结构模型并列出包含故障变量在内的物理方程组,根据工业现场条件确定整流器的故障类型,设置传感器以获得故障诊断数据集;
根据物理方程组构建用于故障诊断的残差,并根据残差与故障的关系生成诊断决策表;
计算出故障诊断数据集中每个数据对应的残差值,通过诊断决策表对每个数据进行初步的故障诊断,将故障诊断数据集中所有数据按故障类型进行预分类,并按照预分类构造数据集中各数据之间的关联关系图;
将关联关系图转化为关联关系矩阵,将关联关系矩阵作为先验知识并构造图卷积神经网络,在网络前向传播公式中使用关联关系矩阵,并对图卷积神经网络进行迭代训练直至完成收敛;
将故障诊断数据集输入到训练好的图卷积神经网络中,以图卷积神经网络的输出作为最终的故障诊断预测结果。
优选地,物理方程组,包括:
e5:uab=func1(Sa-Sb,f_Sab1,f_Sab2,f_Sab3,f_Sab4)·Udc
e6:iZ=func1(Sa-Sb,f_Sab1,f_Sab2,f_Sab3,f_Sab4)·iqc
e7:idc=iZ-i2-iL
e8:f_Sab1=func2(Sa-Sb,fIGBT1) e9:f_Sab2=func3(Sa-Sb,fIGBT2)
e10:f_Sab3=func4(Sa-Sb,fIGBT3) e11:f_Sab4=func5(Sa-Sb,fIGBT4)
其中,各变量含义如下表1:
表1物理方程组中各变量含义表
其中,函数式func1~func5定义如下:
优选地,故障类型,包括:
A、传感器测量值与实际电流电压值之间存在的偏差;包括:四象限输入电流传感器故障fyiqc、中间电压一传感器故障fyUdc1和中间电压二传感器故障fyUdc2;
B、因IGBT管故障导致的整流器状态与其真实状态不符;包括:整流器模块IGBT1开路故障fIGBT1、整流器模块IGBT2开路故障fIGBT2、整流器模块IGBT3开路故障fIGBT3以及整流器模块IGBT4开路故障fIGBT4。
优选地,故障诊断的残差,包括如下表2所示的七个残差:
表2残差表达式
其中i为1、2、3、4分别代表四个IGBT管,Safi,Sbfi代表对应IGBT管出现开路故障时的实际四象限整流器开关函数值。
优选地,诊断决策表如下表4:
表4故障诊断决策表
表中结论栏表示有该类型的故障,g1(k)_R1~g1(k)_R3及g2(k)_R4~g2(k)_R7为每个残差对应的残差评价函数,h1~h7为每个残差对应的阈值;当7个残差与对应阈值的关系全部满足上表中某一行的情况时得出诊断结论,认为此时发生对应的故障。
优选地,方法还包括:
设定每个残差对应的诊断阈值,构造发生故障的结构的残差评价函数,残差评价函数的构造方式如下:
对于残差R1~R3,由于正常情况下其残差小于阈值,残差评价函数由下式迭代求取:
g1(k)_Ri=max(0,g1(k-1)_Ri+T2-Tα)
而对于残差R4~R7,由于其生成是基于故障工况的,因此正常情况下其残差大于阀值,故障时残差小于阈值,残差评价函数由下式迭代求取:
g2(k)_Ri=max(0,g1(k-1)_Ri-T2+Tα)
其中i=4~7。
将该残差评价函数的输出值与残差对应的诊断阈值进行比较,根据输出值是否超出诊断阈值作为标准得到发生故障的功率器件的位置。
优选地,按照预分类构造数据集中各数据之间的关联关系图,包括:
将所有数据代入残差表达式得到残差值,将残差值与诊断阈值比较,并结合故障诊断决策表得到每个数据的故障预分类;
将在故障预分类中被分为同一类的数据设置为彼此之间具有关联关系,由此得到一张包含顶点及边在内的关联关系图;关联关系图中,每一个顶点代表数据集中的一个数据,两顶点间的连线形成的边表示两顶点存在关联,关联为两顶点同属于一种故障类型。
优选地,图卷积神经网络中,除输出层外的每一层前向传递公式为:
Y=Relu(LXw+b)
其中,L为关联关系矩阵,X为单层网络的输入值,w和b为网络参数;
输出层前向传递公式具体为:
Y=Softmax(Relu(LXw+b))。
本发明还提供一种针对轨道列车牵引变流器的开路故障诊断系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一方法的步骤。
本发明具有以下有益效果:
本发明的针对轨道列车牵引变流器的开路故障诊断方法及系统,基于对整流器模型及故障因素的认识,构造残差及与之对应的故障诊断决策表,以此对整流器故障进行初步的诊断并生成关联关系矩阵,再将关联关系矩阵应用到图卷积网络中,以图卷积网络的预测结果作为最终的故障诊断结果。本发明将基于模型的故障诊断方法与基于数据的故障诊断方法相结合,提高了整流器故障诊断准确率。可诊断包括四象限输入电流传感器故障及IGBT管开路故障在内的整流器故障,使用该方法可以有效提升整流器故障诊断准确率。可用于诊断一类具有相同桥臂结构的变流器开路故障,提高诊断方法的通用性,并有效降低变流器的维修难度和成本。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例适用的典型牵引系统整流器电路的结构示意图;
图2是本发明优选实施例的针对轨道列车牵引变流器的开路故障诊断方法的流程示意图;
图3是本发明优选实施例的先后导入四象限输入电流传感器故障及整流器IGBT4开路故障后,五个子图中,多行从上到下,每行从左至右依次表示残差结构式R1,R2,R3,R4,R7随时间变化的曲线;
图4是本发明优选实施例的关联关系示意图;
图5是本发明优选实施例的故障诊断结果与现有技术的对比图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
图1是本发明适用的典型牵引系统整流器电路的结构示意图。典型牵引系统整流器电路包括:牵引变压器次边漏阻RN;牵引变压器次边漏感LN;起滤波作用的二次谐振电感L2;二次谐振电容C2;中间支撑电容Cd以及四个IGBT管。该整流器属于四象限脉冲整流器,输入整流器的电压uN属于交流电压,通过控制四个IGBT管的通断,可以使得中间直流电压Udc获得稳定的直流电压。此外图中LH1为电流传感器,用于测量四象限输入电流iqc,VH1、VH2为电压传感器,用于测量中间直流电压Udc。
本实施中,牵引系统整流电路的仿真参数包括有:支撑电容器的电容值C为0.258uF,直流环节电压给定值为1800V,整流器开关周期为0.4ms。
参见图2,本发明的针对轨道列车牵引变流器的开路故障诊断方法,包括以下步骤:
S1:根据整流器拓扑结构建立整流器结构模型并列出包含故障变量在内的物理方程组,根据工业现场条件确定整流器的故障类型,设置传感器以获得故障诊断数据集。本实施例中,记录传感器示数得到原始数据,使用滑窗法将原始数据分割为多个小段数据,以此增加数据集数量,作为总的数据集。
本实施例中,物理方程组包括:
e5:uab=func1(Sa-Sb,f_Sab1,f_Sab2,f_Sab3,f_Sab4)·Udc
e6:iZ=func1(Sa-Sb,f_Sab1,f_Sab2,f_Sab3,f_Sab4)·iqc
e7:idc=iZ-i2-iL
e8:f_Sab1=func2(Sa-Sb,fIGBT1) e9:f_Sab2=func3(Sa-Sb,fIGBT2)
e10:f_Sab3=func4(Sa-Sb,fIGBT3) e11:f_Sab4=func5(Sa-Sb,fIGBT4)
其中,各变量含义如下表1:
表1物理方程组中各变量含义表
其中,函数式func1~func5定义如下:
本实施例中,根据首先设置整流器常见故障,生成两类共七个故障类型,包括:
A、传感器测量值与实际电流电压值之间存在的偏差;包括:四象限输入电流传感器故障fyiqc、中间电压一传感器故障fyUdc1和中间电压二传感器故障fyUdc2;
B、因IGBT管故障导致的整流器状态与其真实状态不符;包括:整流器模块IGBT1开路故障fIGBT1、整流器模块IGBT2开路故障fIGBT2、整流器模块IGBT3开路故障fIGBT3以及整流器模块IGBT4开路故障fIGBT4。
S2:根据物理方程组构建用于故障诊断的残差,并根据残差与故障的关系生成诊断决策表。
本实施例中,故障诊断的残差,包括如下表2所示的七个残差:
表2残差表达式
表3残差与故障关系表
表2和表3中,残差Ri中i为1、2、3、4分别代表四个IGBT管,Safi,Sbfi代表对应IGBT管出现开路故障时的实际四象限整流器开关函数值。
表3中,“X”代表残差与某一故障存在关联,空白则代表两者无关。
R1~R3残差设计思路为:假设7种故障都不存在,此时为正常情况,每个残差值都接近零,因此,如果R1~R3中某一个残差值并不接近零,则说明出现了与该残差存在关联的某一个故障。
R4~R7残差设计思路为:对于某一具体IGBT管状态,先假设某该IGBT管存在故障,即不论状态设定值为0还是1,都由于管开路故障而使得状态实际值为0,由此得到一个新的整流器运行状态,基于这一思路构造的残差值在没有故障时表述的状态并非真实状态,所以会有较大的数值,而在实际出现故障时由于恰恰反映整流器真实状态,反而接近零值,用该残差值的如上特性结合事先设定的阈值可以进行故障诊断。
综上共生成7个残差用于故障检测。参见图3,图3是先后导入四象限输入电流传感器故障及整流器IGBT4开路故障后,残差评价函数g1(k)_R1~g1(k)_R3、g2(k)_R4以及 g2(k)_R7随时间变化的曲线。可以看出几条曲线都存在明显阶跃变化这说明可能发生了与这几个残差相关的某个故障。
在全部七个残差中,R1-R3为正常设置的残差,当残差值大于对应的阈值时可以说明至少出现了一个与该残差相关的故障,而残差值小于对应的阈值时说明每一个与该残差相关的故障点都没有发生故障;R4-R7是专门用于检测IGBT1-IGBT4故障的残差,它们的设定方法与R1-R3相反,当它们的值小于阈值时说明对应IGBT管可能出现了开路故障,反之则说明没有故障。由此得到残差与故障的关联关系如表2所示,从表中可以看出fyiqc、fyUdc1、fyUdc2分别与两个残差存在关联关系,fIGBT1、fIGBT2、fIGBT3、fIGBT4分别与三个残差存在关联关系。为提高故障诊断结构的准确率与可信度,只有当与某一故障相关的所有残差值都超过阈值时才认为当前出现此类故障。
由于一个残差可以检测多个故障,某一个故障的发生也会引起多个残差偏离正常值,因此可以建立故障诊断规则表来表征故障以及残差之间的关联关系,只有每一个与相应故障有关的残差值都超过阈值才能确定发生某故障,本实施例中,由残差的方程式组成及残差特性列出故障诊断决策表,诊断决策表如下表4:
表4故障诊断决策表
表中结论栏表示有该类型的故障,g1(k)_R1~g1(k)_R3及g2(k)_R4~g2(k)_R7为每个残差对应的残差评价函数,h1~h7为每个残差对应的阈值,需要根据情况设定;当7个残差与对应阈值的关系全部满足上表中某一行的情况时得出诊断结论,认为此时发生对应的故障。
S3:计算出故障诊断数据集中每个数据对应的残差值,通过诊断决策表对每个数据进行初步的故障诊断,将故障诊断数据集中所有数据按故障类型进行预分类,并按照预分类构造数据集中各数据之间的关联关系图。
本实施例中,还需要设定每个残差对应的诊断阈值,构造发生故障的结构的残差评价函数,残差评价函数的构造方式如下:
对于残差R1~R3,由于正常情况下其残差小于阈值,残差评价函数由下式迭代求取:
g1(k)_Ri=max(0,g1(k-1)_Ri+T2-Tα)
而对于残差R4~R7,由于其生成是基于故障工况的,因此正常情况下其残差大于阀值,故障时残差小于阈值,残差评价函数由下式迭代求取:
g2(k)_Ri=max(0,g1(k-1)_Ri-T2+Tα)
其中i=4~7。
将该残差评价函数的输出值与残差对应的诊断阈值进行比较,根据输出值是否超出诊断阈值作为标准得到发生故障的功率器件的位置。
本实施例中,按照预分类构造数据集中各数据之间的关联关系图,包括:将所有数据代入残差表达式得到残差值,将残差值与诊断阈值比较,并结合故障诊断决策表得到每个数据的故障预分类;将在故障预分类中被分为同一类的数据设置为彼此之间具有关联关系,基于这一设定遍历所有数据,构造涵盖所有数据的关联关系网络,由此得到一张包含顶点及边在内的关联关系图。参见图4,关联关系图中,每一个顶点代表数据集中的一个数据,两顶点间的连线形成的边表示两顶点存在关联,关联为两顶点同属于一种故障类型。图4是一张关联关系图的示例。在示例图中每个节点代表一个数据,节点的不同形状(三角形、菱形以及圆形)代表数据属于不同的故障类型,节点之间的连线与先前故障预分类情况相符。由于故障预分类并非完全准确,因此两个分属于不同故障类型的节点之间依旧有可能存在连线。
使用残差-诊断规则表法对数据集中每一个数据进行初步的故障诊断,以此作为先验知识部分。该初步故障诊断准确率为70%,在图4中以菱形节点组成的线条进行标注。
S4:将关联关系图转化为关联关系矩阵,将关联关系矩阵作为先验知识并构造图卷积神经网络,在网络前向传播公式中使用关联关系矩阵,并对图卷积神经网络进行迭代训练直至完成收敛。
本实施例中,图卷积神经网络中,除输出层外的每一层前向传递公式为:
Y=Relu(LXw+b)
其中,L为关联关系矩阵,X为单层网络的输入值,w和b为网络参数;
输出层前向传递公式具体为:
Y=Softmax(Relu(LXw+b))。
S5:将故障诊断数据集输入到训练好的图卷积神经网络中,以图卷积神经网络的输出作为最终的故障诊断预测结果。
本发明还提供一种针对轨道列车牵引变流器的开路故障诊断系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一实施方式的步骤。
采用本发明的方法,使用少量数据集作为训练集对图卷积(GCN)网络进行训练,并在测试集上验证其准确率,以此为依据判断图卷积网络的效果,结果见图5中圆形点的连线曲线。为全面分析算法效果,搭建一维卷积神经网络,并使用与图卷积网络相同的训练集进行迭代训练,以此作为对照组。图5三条曲线分别代表使用基于数据的一维卷积神经网络故障诊断结果、使用基于模型的构造残差及故障诊断规则表进行故障诊断结果,以及本发明中的数据- 模型相结合的方法进行故障诊断得到的准确率对比。从图5中可以看出将基于模型和基于数据的方法相结合的图卷积网络的准确率极高,高于单纯使用一维卷积网络(三角点连线)以及使用基于模型的算法(方点连线)的准确率。
综上可知,本发明的针对轨道列车牵引变流器的开路故障诊断方法及系统,基于对整流器模型及故障因素的认识,构造残差及与之对应的故障诊断决策表,以此对整流器故障进行初步的诊断并生成关联关系矩阵,再将关联关系矩阵应用到图卷积网络中,以图卷积网络的预测结果作为最终的故障诊断结果。本发明将基于模型的故障诊断方法与基于数据的故障诊断方法相结合,提高了整流器故障诊断准确率。可诊断包括四象限输入电流传感器故障及 IGBT管开路故障在内的整流器故障,使用该方法可以有效提升整流器故障诊断准确率。可用于诊断一类具有相同桥臂结构的变流器开路故障,提高诊断方法的通用性,并有效降低变流器的维修难度和成本。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种针对轨道列车牵引变流器的开路故障诊断方法,其特征在于,包括:
根据整流器拓扑结构建立整流器结构模型并列出包含故障变量在内的物理方程组,根据工业现场条件确定整流器的故障类型,设置传感器以获得故障诊断数据集;所述物理方程组,包括:
e5:uab=func1(Sa-Sb,f_Sab1,f_Sab2,f_Sab3,f_Sab4)·Udc
e6:iZ=func1(Sa-Sb,f_Sab1,f_Sab2,f_Sab3,f_Sab4)·iqc
e7:idc=iZ-i2-iL
e8:f_Sab1=func2(Sa-Sb,fIGBT1) e9:f_Sab2=func3(Sa-Sb,fIGBT2)
e10:f_Sab3=func4(Sa-Sb,fIGBT3) e11:f_Sab4=func5(Sa-Sb,fIGBT4)
其中,各变量含义如下:
iqc为四象限输入电流;Udc为中间直流电压;i2为二次谐振电流;u2为二次谐振电压;uab为四象限整流器输入电压;iz为四象限整流器输出电流;idc为支撑电容电流;iL为负载电流;diqc为四象限输入电流微分;dUdc为中间直流电压微分;di2为二次谐振电流微分;du2为二次谐振电压微分;Sa和Sb为四象限整流器开关函数;f_Sab1为IGBT1开路时等效开关函数;f_Sab2为IGBT2开路时等效开关函数;f_Sab3为IGBT3开路时等效开关函数;f_Sab4为IGBT4开路时等效开关函数;yuN为次边电压传感器采样值;yiqc为四象限电流传感器采样值;yUdc1为中间电压一传感器采样值;yUdc2为中间电压二传感器采样值;fyiqc为四象限输入电流传感器故障;fyUdc1为中间电压一传感器故障;fyUdc2为中间电压二传感器故障;fIGBT1为整流器模块IGBT1开路故障;fIGBT2为整流器模块IGBT2开路故障;fIGBT3为整流器模块IGBT3开路故障;fIGBT4为整流器模块IGBT4开路故障;C2为二次谐振电容;L2为二次谐振电感;Cd为支撑电容;RN为牵引变压器次边漏阻;LN为牵引变压器次边漏感;
其中,函数式func1~func5定义如下:
所述故障类型,包括:
A、传感器测量值与实际电流电压值之间存在的偏差;包括:四象限输入电流传感器故障fyiqc、中间电压一传感器故障fyUdc1和中间电压二传感器故障fyUdc2;
B、因IGBT管故障导致的整流器状态与其真实状态不符;包括:整流器模块IGBT1开路故障fIGBT1、整流器模块IGBT2开路故障fIGBT2、整流器模块IGBT3开路故障fIGBT3以及整流器模块IGBT4开路故障fIGBT4;
根据物理方程组构建用于故障诊断的残差,并根据残差与故障的关系生成诊断决策表;
所述故障诊断的残差,包括如下七个残差表达式:
R1:R1=yUdc1-yUdc2;
其中i为1、2、3、4分别代表四个IGBT管,Safi,Sbfi代表对应IGBT管出现开路故障时的实际四象限整流器开关函数值;
计算出故障诊断数据集中每个数据对应的残差值,通过所述诊断决策表对每个数据进行初步的故障诊断,将故障诊断数据集中所有数据按故障类型进行预分类,并按照所述预分类构造数据集中各数据之间的关联关系图;按照所述预分类构造数据集中各数据之间的关联关系图,包括:
将所有数据代入残差表达式得到残差值,将残差值与诊断阈值比较,并结合故障诊断决策表得到每个数据的故障预分类;
将在故障预分类中被分为同一类的数据设置为彼此之间具有关联关系,由此得到一张包含顶点及边在内的关联关系图;关联关系图中,每一个顶点代表数据集中的一个数据,两顶点间的连线形成的边表示两顶点存在关联,所述关联为两顶点同属于一种故障类型;
将所述关联关系图转化为关联关系矩阵,将所述关联关系矩阵作为先验知识并构造图卷积神经网络,在网络前向传播公式中使用关联关系矩阵,并对图卷积神经网络进行迭代训练直至完成收敛;
将所述故障诊断数据集输入到训练好的图卷积神经网络中,以图卷积神经网络的输出作为最终的故障诊断预测结果。
3.根据权利要求1所述的针对轨道列车牵引变流器的开路故障诊断方法,其特征在于,所述方法还包括:
设定每个残差对应的诊断阈值,构造发生故障的结构的残差评价函数,残差评价函数的构造方式如下:
对于残差R1~R3,由于正常情况下其残差小于阈值,残差评价函数由下式迭代求取:
g1(k)_Ri=max(0,g1(k-1)_Ri+T2-Tα)
而对于残差R4~R7,由于其生成是基于故障工况的,因此正常情况下其残差大于阀值,故障时残差小于阈值,残差评价函数由下式迭代求取:
g2(k)_Ri=max(0,g1(k-1)_Ri-T2+Tα)
其中i=4~7;
将该残差评价函数的输出值与所述残差对应的诊断阈值进行比较,根据输出值是否超出诊断阈值作为标准得到发生故障的功率器件的位置。
4.根据权利要求1所述的针对轨道列车牵引变流器的开路故障诊断方法,其特征在于,所述图卷积神经网络中,除输出层外的每一层前向传递公式为:
Y=Relu(LXw+b)
其中,L为关联关系矩阵,X为单层网络的输入值,w和b为网络参数;
输出层前向传递公式具体为:
Y=Softmax(Relu(LXw+b))。
5.一种针对轨道列车牵引变流器的开路故障诊断系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至4任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807693.0A CN111983414B (zh) | 2020-08-12 | 2020-08-12 | 针对轨道列车牵引变流器的开路故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807693.0A CN111983414B (zh) | 2020-08-12 | 2020-08-12 | 针对轨道列车牵引变流器的开路故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111983414A CN111983414A (zh) | 2020-11-24 |
CN111983414B true CN111983414B (zh) | 2022-07-29 |
Family
ID=73435711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010807693.0A Active CN111983414B (zh) | 2020-08-12 | 2020-08-12 | 针对轨道列车牵引变流器的开路故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111983414B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569423B (zh) * | 2021-08-04 | 2023-08-01 | 国网河北省电力有限公司电力科学研究院 | 微电网联合故障定位方法、终端及存储介质 |
CN116342110B (zh) * | 2023-05-11 | 2023-08-18 | 广东工业大学 | 一种列车多温度测量回路智能故障诊断和容错测量方法 |
CN117970183B (zh) * | 2024-03-29 | 2024-06-07 | 湖南大学 | 一种牵引传动系统主回路接地故障诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011215083A (ja) * | 2010-04-01 | 2011-10-27 | Toyota Motor Corp | 二次電池の正負電位関係取得装置、二次電池の制御装置、車両、二次電池の正負電位関係取得方法、及び、二次電池の制御方法 |
CN105548792B (zh) * | 2015-12-28 | 2017-12-15 | 中南大学 | 基于预测控制的矩阵变换器开关开路故障诊断方法 |
CN109375029B (zh) * | 2018-08-31 | 2020-12-01 | 中南大学 | 一种两电平变流器系统开关器件开路故障诊断方法与系统 |
CN110068776B (zh) * | 2019-05-16 | 2020-08-04 | 合肥工业大学 | 基于优化支持向量机的三电平逆变器开路故障诊断方法 |
CN110361625B (zh) * | 2019-07-23 | 2022-01-28 | 中南大学 | 一种用于逆变器开路故障诊断的方法和电子设备 |
CN110333427B (zh) * | 2019-08-16 | 2020-04-28 | 西南交通大学 | 柔性直流输电系统送端换流器igbt开路故障诊断方法 |
-
2020
- 2020-08-12 CN CN202010807693.0A patent/CN111983414B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111983414A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111983414B (zh) | 针对轨道列车牵引变流器的开路故障诊断方法及系统 | |
Xia et al. | A data-driven method for IGBT open-circuit fault diagnosis based on hybrid ensemble learning and sliding-window classification | |
CN104049171B (zh) | 交错反激式微逆变器的开路故障诊断方法 | |
CN104965148B (zh) | 一种电机驱动系统中逆变器功率管开路故障实时检测方法 | |
CN110133538B (zh) | 一种anpc三电平逆变器开路故障诊断方法及实验平台 | |
CN104698397B (zh) | 一种多电平逆变器故障诊断方法 | |
CN110346736B (zh) | 基于改进小树变换的npc三电平逆变器故障诊断方法 | |
CN107102247B (zh) | 一种crh3型动车组牵引逆变器igbt开路故障诊断方法 | |
Yang et al. | Complex field fault modeling-based optimal frequency selection in linear analog circuit fault diagnosis | |
CN108092623B (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
CN112488011B (zh) | 一种模块化多电平换流器故障分类方法 | |
Yuan et al. | Open-circuit fault diagnosis of NPC inverter based on improved 1-D CNN network | |
CN106597195A (zh) | 一种机车逆变器功率管开路故障在线诊断方法 | |
Li et al. | Real-time fault diagnosis of pulse rectifier in traction system based on structural model | |
CN112749744A (zh) | 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统 | |
Zheng et al. | Combining a HMM with a genetic algorithm for the fault diagnosis of photovoltaic inverters | |
CN112213570B (zh) | 一种故障诊断规则库的生成方法及其故障诊断方法 | |
CN106959397A (zh) | 一种用于高铁逆变器的微小故障诊断系统的设计方法 | |
CN113281680A (zh) | 高铁牵引系统单相三电平整流器开路故障诊断方法 | |
CN115329816A (zh) | 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法 | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
Deng et al. | A high-accuracy-light-AI data-driven diagnosis method for open-circuit faults in single-phase PWM rectifiers | |
CN114640304A (zh) | 一种基于i-v曲线的光伏组件电流失配故障诊断方法 | |
Ke et al. | Compound fault diagnosis method of modular multilevel converter based on improved capsule network | |
CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |