大功率電力機車牽引變流器的故障診斷

陶宣彤

摘 要 本文利用MATLAB/Simulink建立牽引變流器故障仿真模型，通過小波分析提取定子三相電流的故障特征，構造故障特征向量，作為輸入訓練神經網絡，利用訓練完成的神經網絡識別故障。最后使用非樣本的故障數據測試該神經網絡，結果表明該網絡能準確的識別IGBT開路故障。

【關鍵詞】牽引變流器 故障診斷 神經網絡 小波分析

1 引言

牽引變流器作為大功率電力機車的核心部件之一，其在能量轉換時起著關鍵性作用。對于牽引變流器而言，IGBT、支撐電容等是其中的關鍵部件，是整個牽引變流器功能實現的基礎。機車的牽引變流器通常在大電壓、大電流的條件下，在IGBT開通與關斷的過程中，電路的電流變化率很大，繼而由于回路中的分布電感而產生尖峰也很大，大大增加了開關管過壓損壞的可能性；同時，在高頻開關狀態下，特別是在高電壓、大電流條件下，IGBT發熱造成過溫的可能性更大，發熱嚴重，更容易引發故障。因此，對開關管IGBT開展故障診斷研究有重要意義。

HXD1C機車牽引系統采用的是牽引變壓器、牽引變流器及異步牽引電動機構成的交流傳動系統。機車采用軸控方式，牽引系統共裝有6套牽引繞組、6個四象限整流模塊、6個牽引逆變模塊及6臺牽引電機，這些設備一一對應進行電氣連接，并獨立控制。牽引變流器采用IGBT作為功率器件，水冷散熱，散熱效率高。本文主要對牽引變流器逆變部分的IGBT開路故障進行故障診斷研究，逆變器拓撲簡圖如圖1所示。

2 牽引變流器逆變部分仿真模型的建立

為獲取故障診斷系統所需的開路故障信號，本文基于MATLAB/Simulink軟件構建了基于矢量控制策略的仿真模型。“control”模塊中包含了靜止三相-兩項變換（3/2變換）、轉子磁鏈觀測、PI調節等模塊。通過仿真測量電機定子的三相電流，作為故障診斷的分析對象，搭建的仿真模型如圖2所示。

3 小波分析的引入及故障特征的提取

變流器的輸出電壓或者輸出電流波形的變化含有變流器故障位置和故障類型等信息，從中快速的、精確的提取出故障特征，是故障診斷研究的關鍵。近年來，小波分析備受研究者的重視，它不僅在數學上形成了一個新的分支，而且廣泛應用于信號處理、圖像處理和模式識別等領域。本文結合大量的資料，并做了多次的仿真實驗對比，采用db3小波進行6層小波分解，提取三相電流的低頻系數a6，獲取每個系數對應的能量值，將能量值按順序排成一個向量，構成對應于某一個故障的特征向量。

利用上述的提取故障特征向量的方法，對變流器的故障特征進行提取。

4 故障模式及編碼

本文只考慮單只開關管故障的情況，變流器三相橋臂上一共有6個開關管，采用三位二進制數對故障進行編碼，具體編碼如表1所示。

5 神經網絡故障模型的建立及仿真

誤差逆傳播（errorBackPropagation，簡稱BP）算法是迄今最成功的神經網絡學習算法，現實任務中使用神經網絡時，大多是在使用BP算法進行訓練。開關管的斷路故障與逆變器的輸出電流波形變化之間具有較強的非線性關系，利用BP神經網絡的學習能力以及其輸入與輸出的非線性映射關系，使得小波分析結果與故障類型之間的關系通過神經網絡的學習并保存其中，用于故障診斷。

本文選用三層BP神經網絡對變流器開關管開路故障進行診斷。輸入層的神經元個數N1為3個，輸出層的神經元個數為N3為3個，根據N2=2N1+1=7，可知隱層節點數為7個。隱含層采用正切傳遞函數（tansig），輸出層采用對數S型傳遞函數（logsig），利用MATLAB神經網絡工具箱來生成神經網絡，采用Trainlm算法進行訓練。

輸入向量P1：

將訓練之后的神經網絡的權值和閾值凍結，輸入非樣本測試數據，用于驗證網絡性能。新的測試數據可以通過設置不同的仿真時間獲得。

測試結果如表2所示。

由表2可知，實際輸出與期望輸出達成一致，所建立的神經網絡具有較好的識別能力，能夠進行故障診斷。

6 結束語

本文運用小波分析和神經網絡技術對變流器逆變部分進行故障診斷研究。通過MATLAB/Simulink建模仿真，獲取單管故障時定子三相電流的波形，利用小波分析提取故障特征，將處理過的故障特征數據輸入神經網絡對其進行訓練，利用神經網絡進行故障診斷。通過仿真實驗證明，該方法可以有效的進行故障識別及定位。

參考文獻

[1]劉志剛.電力電子學[M].北京：清華大學出版社，北京交通大學出版社，2004.

[2]周志華.機器學習[M].北京：清華大學出版社，2016.

[3]崔錦泰.小波分析導論[M].西安：西安交通大學出版社，1997.

[4]孫召瑞，賈友軍，房玉勝，等.MATLAB神經網絡工具箱在故障診斷中的應用[J].蘭州工業高等專科學校學報，2004，11（04）：12-15.

作者單位

西南交通大學電氣工程學院 四川省成都市 610031endprint