CN1908987A - 基于波形识别的地铁机车牵引电路故障诊断方法 - Google Patents

Abstract

一种基于波形识别的地铁机车牵引电路故障诊断方法，系统在由被测地铁机车牵引电路插槽、半实物模拟仿真标准负载、数据采集器、A/D转换、数据缓存、中央处理器、被测电路故障数据库、记录标志缓存、基于波形识别算法软件包、显示输出器所构成的硬件平台上，通过软件平台实现对地铁机车牵引电路故障诊断与定位。软件平台通过建立被测地铁机车牵引电路故障数据库，对被测地铁机车牵引电路进行全工况测试，运行基于波形识别算法软件包，逐一读取数据缓存中的波形数据与故障波形集合中的元素进行识别匹配，在确定的相似度范围内能够准确识别被测地铁机车牵引电路的故障类型与性质，并对故障进行准确定位。

Description

基于波形识别的地铁机车牵引电路故障诊断方法

技术领域

本发明涉及一种轨道交通技术领域的方法，具体是一种基于波形识别的地铁机车牵引电路故障诊断方法。

背景技术

电力机车已经日益成为广泛使用的地铁列车牵引动力车，机车内部的电力电子装置是地铁机车的核心部件，机车运行故障的发生概率绝大部分都集中于电力电子装置上，同时，相关运营机构需要实时掌握机车的无故障运行周期，还必须定期对其中的电力电子装置进行预测分析，因此，对地铁机车牵引电路中的电力电子电路及其器件的实时检测与故障诊断自然成为确保地铁机车安全运行所必须的关键技术。

由于电力电子装置在牵引系统中通常作为电源或执行机构出现，对整个系统的可靠性具有重要乃至决定性的作用。地铁机车中的电力电子装置又极具特殊性，因为它所传动的对象为大功率直流电动机或者交流电动机。对于如此大功率的传动对象在拖动庞大的机械系统时所产生的动态效应是非常复杂的，因此电力电子装置可能出现的故障类型与性质也是多样性的。

通常所说的电力电子装置故障一般系指其主电路的故障，它可分为参数性故障和结构性故障。参数性故障指由于电路参数(如电感值、电容值等)偏离正常值一定范围而导致的故障，它通常采用参数辨识进行诊断。结构性故障指由于电力电子器件出现短路、断路或触发信号丢失而导致电路拓扑发生变化的故障。一般情况下，运行人员很难在从发生故障到停电的短时间里判断出故障元件和/或位置，即使是经验丰富的人员也可能会受到外界因素影响而误诊。

就当前的研究状况来看，针对电力电子装置的故障诊断均局限于个别具体电路，因此难以满足实时诊断的需要，而且通用性不强，更难以推广应用。

经对现有技术文献的检索发现，文献“基于输出电压波形的电路故障诊断”(李正中、高论《宁波职业技术学院学报》2006年第10卷第2期)论述了晶闸管相控变流器故障产生的原因。通过对电路故障类型的详细分析，提出一种基于示波器在线检测的电力电子电路故障诊断方法。该文献提出“与模拟电路、数字电路的故障诊断不同，电力电子电路故障只能以输出波形来诊断电路是否有故障及有何故障”。但是，该文献仅对晶闸管相控变流器故障进行分析，没有考虑到参数性故障和结构性故障的区别，更没有考虑到电力电子器件性能的衰退所引起的故障，在技术上又依赖于示波器波形观察与人工分析，显然，无论从方法的适用性，还是从技术的先进性上来看，均存在较大的欠缺。

检索中还发现，文献“电力电子主电路故障诊断方法研究”(郑连清，邹涛，娄洪立《高电压技术》2006年第32卷第3期)提出了采用小波分析和神经网络诊断电力电子装置故障诊断的方法，分析了三相桥式可控整流电路的故障波形特点，将利用小波变换模极大值和多尺度分析理论提取的故障特征输入神经网络诊断故障。归纳了故障诊断需知的3个条件以实现控制角的检测、故障的分类和定位。虽然文献通过小波分析方法，提取了故障波形的特征，将其用于神经网络的诊断，与直接采用故障波形作为神经网络输入的方法相比，输入数据少、网络训练快，具有运用于实时在线诊断的潜力，但是，在进行小波分析时，采用了多尺度分析方法，由于该方法未再分析高频部分，因此存在分解不够精细的缺点，所形成的频带范围较宽，故障特征不明显，在训练样本外的诊断时，“定位”不够准确，而且总的运算时间(即，故障诊断周期)较长。

发明内容

本发明的目的在于克服现有技术中的不足，提出一种基于波形识别的地铁机车牵引电路故障诊断方法。使其避免了复杂的网络结构设计与运算，缩短了识别的时间，能故障判定与定位准确，自行补充与完善未知故障的类型与性质。

本发明是通过以下技术方案实现的，具体步骤如下：

(1)建立被测地铁机车牵引电路故障数据集

                    Ω＝{X_i，a_i，s_i}  i＝1，2，3…n

这里，X_i、a_i、s_i分别为故障波形(事件)、故障类型与性质(事件类型与性质)、故障位置(事件发生地点)。

确立任一事件落入集合Ω的隶属度为

$\underset{x\∈\mathrm{\Ω}}{\mathrm{\μ}\left(x\right)}\≥98\%$

式中，x系可能属于故障波形集合X_i的任意未知事件(被测输出波形)。

(2)利用测试平台对被测地铁机车牵引电路进行全工况测试，将测试获得的全部波形存入数据缓存。

测试平台系对被测地铁机车牵引电路建立一种半实物模拟仿真系统，平台所具备的测试环境使得被测地铁机车牵引电路在测试过程如同工作于机车牵引系统的实际工况中。

所述的测试平台，建立被测地铁机车牵引电路故障数据集，构建被测地铁机车牵引电路故障数据库，数据库包含故障波形、故障类型与性质、故障位置信息记录。

测试平台对被测地铁机车牵引电路进行全工况测试，先将测试获得的全部波形存入数据缓存，因此确保了数据采集的快速性与信息拾取的完整性。

(3)运行基于波形识别算法软件包，采用基于波形的识别算法，逐一读取数据缓存中的波形数据作为匹配模板，与故障波形集合X_i的元素进行识别匹配。识别匹配采用变步长方式进行，即“先粗后细”：每当进行一次大步长采样粗筛选后，将符合该次筛选所对应的记录“打上标志”，即将这些记录序列号存入记录标志缓存中，接着对“打上标志”的记录调小步长进一步筛选。

(4)每次识别过程的相似度：

当Δx＝x_j-x_ij≤ε时(ε为实现确定的误差允许范围，可以通过系统初始化设定与变动)，认为未知事件的第j个采样点的输出值与故障集中第i个故障的第j个采样点的输出值相等，此时，将计数器加1(即m＝m+1，识别运算开始前，计数器赋零，即m＝0)；否则，认为两者不相等，计数语句不执行。

波形周期内的采样结束后，求得识别匹配相似度

$p=\frac{m}{M}$

式中，M为波形周期总采样数。

当 $p=\underset{x\∈\mathrm{\Ω}}{\mathrm{\μ}\left(x\right)}\≥98\%$ 时，则认为被测事件有可能属于故障事件。在粗筛选阶段，可能的故障类型与性质，一般大于1；随着采样步长的缩小，最终将确定唯一的故障类型与性质，并准确定位故障(含器件和/或线路)。

当 $p=\underset{x\&Element;\mathrm{\&Omega;}}{\mathrm{\&mu;}\left(x\right)}<98\%$ 时，必须进入弥补程序：对被测输出电压波形自身对称性进行识别(包括：相邻周期波形比较与旋转对称比较)，做出无故障或新型故障的判断，并结合专家系统对新型故障定义新的类型与性质，将新型故障对原有故障数据库进行记录添加。

(5)显示输出结论。

本发明所提供的基于波形的识别算法具有如下突出优点：

(1)从输出波形出发实现对电路运行全信息的分析与反向推理；

(2)避免了复杂的网络结构设计与运算，使得整个识别过程时间可以控制在最大识别运算周期200ms之内；

(3)故障判定与定位准确；

(4)具有自学习功能，能自行补充与完善未知故障的类型与性质。

具体实施方式

结合本发明的技术方案提供以下的实施例：

实施例：上海地铁一号线DC-01直流电动机车主电路测试

该主电路包含的主要模板：牵引控制单元、斩波器及其触发脉冲电路。

实施前提条件：

(1)根据被测地铁机车牵引电路的研发机构和生产厂家所积累的该电路特性及其故障检测参数、器件特性曲线与电路输出波形进行整理、数字化与特征值提取；

(2)将能够整理到的故障波形及其参数组成一个故障集合，并以数据库的结构形成一个软件模块；

(3)采用半实物仿真技术与虚拟仪器技术相结合的方法，建立主控系统综合测试平台，达到主控系统在离线状态下全程模拟机车运行工况，进而实现对主控系统静动态特性的全面测试；同时建立被测地铁机车牵引电路故障数据集(即，被测电路故障数据库)。

所述测试平台，包括：被测地铁机车牵引电路插槽、半实物模拟仿真标准负载、数据采集器、A/D转换、数据缓存、中央处理器、被测电路故障数据库、记录标志缓存、基于波形识别算法软件包、显示输出器所构成的硬件系统。其中，半实物模拟仿真标准负载能够模拟地铁列车的全部运行工况，使得被测地铁机车牵引电路在脱机情况下显示出十分符合实际运行工况的工作状态。在对运行现场进行在线检测时，该平台的数据采集器还具有并行输入接口，可以直接接受来自机车被测电路的输出信号。

(4)将未知性能状况而需要测定的被测电路接入主控系统综合测试平台进行测试。

具体过程如下：

(1)被测地铁机车牵引电路插入综合测试平台的测试槽，自动与标准负载及数据采集器的输入通道连接；

(2)各部分上电，开启电脑并进入运行测试与故障诊断程序；

(3)根据综合测试平台所具有的地铁机车全模拟工况，使被测地铁机车牵引电路工作于所有可能的列车运行工况；

(4)数据采集器实时地将被测地铁机车牵引电路在不同的列车运行工况下的输出波形通过A/D转换输入至数据缓存；

(5)在数据采集器采集输出波形全部结束时，中央处理器已经调用基于波形识别算法软件包，通过基于波形的识别算法，逐一读取数据缓存中的波形数据作为匹配模板，与故障波形集合X_i的元素进行识别匹配。

(6)当Δx≤ε时，认为未知事件的第j个采样点的输出值与故障集中第i个故障的第j个采样点的输出值相等，此时，执行m＝m+1语句；否则，认为两者不相等，计数语句不执行。

波形周期内的采样结束后，求得识别匹配相似度

$p=\frac{m}{M}$

当p≥98％时，则认为被测事件有可能属于故障事件；随着采样步长的缩小，最终将确定唯一的故障类型与性质，并准确定位故障(含器件和/或线路)。

当p＜98％时，进入弥补程序：对被测输出电压波形自身对称性进行识别，做出无故障或新型故障的判断，并结合专家系统对新型故障定义新的类型与性质，将新型故障对原有故障数据库进行记录添加。

具体实施结果：

数据采样周期τ＜1μs；

数据前处理周期T₀＜1ms；

设定工况下的输出波形识别与故障诊断周期T₁＜30ms；

五种工况(起动、加速、怠速、制动、紧急刹车)下的输出波形识别与故障诊断总计算周期T＝nT₁＝5T₁＜150ms，当n＝5时；

测试结果故障诊断准确率＞98％。

Claims (5)

1、一种基于波形识别的地铁机车牵引电路故障诊断方法，其特征在于：最大限度地利用先验知识与认知建立被测地铁机车牵引电路故障数据集合：

Ω＝{X_i，a_i，s_i}  i＝1，2，3...n

X_i、a_i、s_i分别为故障波形、故障类型与性质、故障位置；确立任一被测输出波形事件x落入集合Ω的隶属度为 $\underset{x\&Element;\mathrm{\&Omega;}}{\mathrm{\&mu;}\left(x\right)}\&GreaterEqual;98\%$ 作为识别相似度技术指标；通过一种半实物模拟仿真系统建立起来的、能够使得被测地铁机车牵引电路在测试过程如同工作于机车牵引系统的实际工况的测试平台，将测试获得的全部波形存入数据缓存；采用基于波形识别算法，逐一读取数据缓存中的波形数据作为匹配模板，与故障波形集合X_i的元素进行识别匹配，识别匹配采用变步长方式进行多轮筛选；当Δx＝x_j-x_ij≤ε时，认为未知事件的第j个采样点的输出值与故障集中第i个故障的第j个采样点的输出值相等，否则，认为两者不相等；根据识别匹配相似度判定被识别波形是否属于哪一种故障类型，并进行准确定位；当 $p=\underset{x\&Element;\mathrm{\&Omega;}}{\mathrm{\&mu;}\left(x\right)}\&GreaterEqual;98\%$ 时，调用专家系统对被测输出电压波形自身对称性进行识别，做出无故障或新型故障的判断，并结合专家系统对新型故障定义新的类型与性质，将新型故障对原有故障数据库进行记录添加；最终显示输出结论。

2、根据权利要求1所述的基于波形识别的地铁机车牵引电路故障诊断方法，其特征是，所述的测试平台，具备全模拟机车运行工况的测试环境，在该平台，由被测地铁机车牵引电路故障数据集构建被测地铁机车牵引电路故障数据库；数据库包含故障波形、故障类型与性质、故障位置信息记录；测试过程先将全部波形存入数据缓存，因此确保了数据采集的快速性与信息拾取的完整性。

3、根据权利要求1所述的基于波形识别的地铁机车牵引电路故障诊断方法，其特征是，所述的基于波形识别算法，逐一读取数据缓存中的波形数据作为匹配模板，与故障波形集合中的元素进行识别匹配，识别匹配采用变步长方式进行，即“先粗后细”：每当进行一次大步长采样粗筛选后，将符合该次筛选所对应的记录“打上标志”，即将这些记录序列号存入记录标志缓存中，接着对“打上标志”的记录调小步长进一步筛选。

4、根据权利要求1所述的基于波形识别的地铁机车牵引电路故障诊断方法，其特征是，所述的识别匹配相似度，当Δx＝x_j-x_ij≤ε时，认为未知事件的第j个采样点的输出值与故障集中第i个故障的第j个采样点的输出值相等，否则，认为两者不相等，因此可以根据“输出值相等”的采样点数与总采样数之比，计算获得识别匹配相似度。

5、根据权利要求1所述的基于波形识别的地铁机车牵引电路故障诊断方法，其特征是，所述的识别匹配相似度，当 $p=\underset{x\&Element;\mathrm{\&Omega;}}{\mathrm{\&mu;}\left(x\right)}\&GreaterEqual;98\%$ 时，则认为被测事件有可能属于故障事件，通过“先粗后细”的筛选过程，最终将确定唯一的故障类型与性质，并准确定位故障；当 $p=\underset{x\&Element;\mathrm{\&Omega;}}{\mathrm{\&mu;}\left(x\right)}<98\%$ 时，必须进入弥补程序：对被测输出电压波形自身对称性进行识别，做出无故障或新型故障的判断，并结合专家系统对新型故障定新的类型与性质，将新型故障对原有故障数据库进行记录添加。