變分模態分解在地鐵車輛熔斷器非短路損壞故障分析

靳行　林建輝　鄧韜

摘要：非短路損壞故障不但增加車輛運營經濟成本，而且影響運營線路的運營計劃。該文針對熔斷器非短路故障頻發的地鐵車輛，基于NI作為檢測硬件設計一套故障診斷測試系統，并應用Dasylab軟件搭建系統的采集部分，通過對列車運營時段的測試數據進行整體統計分析，應用VMD剔除趨勢項，對偏離均值的異常數據應用VMD分析，最終找到熔斷器非短路故障頻發原因。結果表明，該文所設計的故障診斷測試系統與分析方法是有效并可靠的，可為工程實用提供參考。

關鍵詞：變分模態分解;瞬時頻率;熔斷器;故障分析

中圖分類號：U279.3

文獻標志碼：A

文章編號：1674–5124（2019）03–0146–05

Damage fault analysis for non-short-circuit of subway vehicle fuse based on VMD method

JIN Hang， LIN Jianhui， DENG Tao

（State Key Laboatory of Traction Power， Southwest Jiaotong University， Chengdu 610031， China）

Abstract： Non-short-circuit damage usually causes the addition of economic cost during vehicles operating， still， this affects the operating line plan or strategy. In this paper， a set of fault diagnosis test system is designed based on NI instruments as hardware-detection for metro-vehicles with frequent non-short-circuit faults in fuses. The data collection of the system have been built by Dasylab software. Under the overall statistical analysis of the test data during train operation， the trend items are eliminated by VMD ， VMD analysis is applied to the anomaly data which has the deviated mean values， to work out the causes of the frequent non- short-circuit faults of the fuse. The results show that the fault diagnosis test system and the designed analysis method in this paper is effective and reliable， which can provide reference for practical engineering.

Keywords： vibrational mode decomposition; instantaneous frequency; fuse; fault analysis

0 引言

為確保地鐵車輛正常運營，對地鐵車輛受流器熔斷器非短路熔斷進行故障診斷具有重要意義。受流器作為車輛電氣關鍵部件，電路原理與受電弓相似，作用將電能從導電軌動態引入車輛的連接裝置，為整個車輛提供電能，受流器熔斷器則對車輛進行短路及過流保護，保障主電路安全[1]。熔斷器非短路情況下損壞雖不會帶來安全方面問題，但會對列車運營與維護帶來較大壓力[2]，增加車輛運營成本，影響運營線路的運營計劃。第三軌接觸供電車輛電流多采用IEC標準，為直流多采用DC750V或DC1500V[3]。與受電弓供電方式不同，動車轉向架兩側都有一個受流器，列車有多個受流器同時為車輛供電。當通過最大斷電區時，會出現工作受流器減少的情況，因此熔斷器選型時，會參考該不同型號的特性曲線進行選擇[4]。車輛出現批量性熔斷器熔斷時，幾乎不可能是常規的過流保護熔斷，而國內外文獻對此類故障報告較少。

受流器供電為直流，因此受流器電流常規認為是線性的穩態信號，多采用統計的方式來判斷故障。然而在實際工作中，在列車通過斷電區時，由于工作受流器的數量不定，電流信號是非穩態非線性的。因此時頻分析可以更有效的判斷分析非穩態信號，常用的時頻分析法有短時傅里葉、小波變換[5]以及近年來最流行的希爾伯特-黃變換[6]（HHT）。2014年，Konstantin Dragomiretskiy與Dominique Zosso首次提出變分模態分解[7]（variational mode decomposition，VMD），是一種新的信號預處理方法。作為一種新方法，VMD在提取振動分量、剔除趨勢項具有明顯的優勢[8]，國內對VMD方法進行了研究，高艷豐等[9]將VMD與TEO能量算子相結合，應用在高壓輸電線路雷擊故障行波檢測中，解決了雷擊點和故障點不一致時的故障定位問題。張亞超等[10]將VMD與樣本熵項結合，有效提高短期風電功率多步預測的準確性。武英杰等[11]將VMD應用到風電機機組傳動系統不平衡故障診斷中，對故障診斷起到良好的效果。在齒輪箱故障與滾動軸承故障方面，VMD也有不俗的表現[12-13]。

根據TRL（technology readinesslevels）[14]判定，針對國內某地鐵線路熔斷器非短路故障頻發，本文在文獻[1]的基礎上，完成TRL6，通過現場環境應用檢測設備收集大量數據，對整體數據進行統計分析后，應用VMD剔除趨勢項，并分析過斷電區時受流器供電電流情況，最終找到熔斷器非短路故障頻發原因。結果表明，受流器受流不均與斷電區沖擊擾動引起的集膚響應，共同作用是導致熔斷器非短路故障的原因。

1 VMD原理與算法

VMD方法在獲取BIMF分量時，與傳統EMD方法原理有相似之處，但其摒棄EMD方法需要循環篩選極值的處理方法，而是將信號的分解引入到變分模型中進行解決，以最優解的過程尋找約束變分模型，從而實現信號的分解，在此過程中，每個BIMF分量的中心頻率和帶寬不斷地相互交替迭代更新，最后自適應地分解信號的頻帶，得到預設尺度的K個窄帶的BIMF分量。變分約束問題為

式中：uk——模態函數集;

ωk——每個模態函數集的中心頻率;

δ（t）——脈沖單位函數。

為了解決上述約束最優化問題，VMD算法在實施過程中綜合運用了二次懲罰項和拉格朗日乘子法的優勢，引入了增廣拉格朗日函數ζ，如式（2）所示。為解決式（2）中最小化問題，用交替方向乘子法進行一系列的迭代優化找到ζ的極小值點。

式中：α——帶寬參數;

λ（t）——拉格朗日乘子。

VMD算法的分解詳細過程可參考文獻[7]。首先通過統計分析找到可能引發故障的數據，然后采用VMD分解，得到BIMF后進行希爾伯特變換，得到希爾伯特瞬時譜，便于進行進一步的故障診斷分析。

2 檢測系統設計

檢測試驗對象為某地鐵車輛，為了全面了解車輛狀態，需要對車輛全部受流器電流、網壓、車輛速度、車輛控制信號、車輛空簧壓力、受流器電火花進行在線檢測。

參考GB/T25890-2010《軌道交通地面裝置直流開關設備》[15]與JJF1087-2002《直流大電流測量過程控制技術規范》[16]相關技術及車輛設計合同參數，對故障檢測系統進行設計，整體系統設計思路需確保不影響車輛正常運營的情況下，對車輛相關參數進行收集。當列車牽引速度70km/h時，列車牽引最大電流為7200A，全列車有8臺受流器同時參與工作時，考慮10%的電流負擔的不平衡，每個受流器通過電流990A;車輛通過斷軌區域時，最多3個受流器脫離三軌，此時每個受流器通過電流約1584A。因此電流傳感器線性量程采用2000A。同理，電壓、空簧壓力、速度及紫外傳感器根據車輛情況選擇相應量程，所有傳感器安裝于車下。基于實際工程考慮，采用NI9218通用模擬輸入模塊完成A/D轉換，單通道支持最大采樣頻率51.2kS/s，通過網線與試驗計算連接，試驗計算機放置與司機室，便于試驗人員對試驗數據進行觀察。

軟件部分應用Dasylab將NI采集數據保存試驗計算機中。使用到Analog Input模塊采集NI傳輸數據，經過Digita filt模塊進行抗混疊濾波，Formula Interpreter模塊進行靈敏度校準，最后通過Write Data模塊對數據進行保存。

3 檢測結果分析

3.1 熔斷器故障原因猜測

故障診斷的一般方法都是通過猜測-驗證-確認的方式進行，因此在本文案例中，通過供貨商提供的X-Ray檢驗報告，發現故障熔斷器內部熔體排布均勻，不存在焊接點脫落，熔體斷裂不良等情況，如圖1所示。

進一步在顯微鏡下觀察熔體，發現部分狹徑存在拉伸變形，如圖2所示。

非短路損壞時熔斷器只有少數“狹徑”熔斷，而短路損壞時則為熔斷器所有“狹徑”全部熔斷。根據X-Ray與顯微鏡狀態可以初步猜測是熔斷器在非短路情況損壞。

3.2 熔斷器電流統計結果

對車輛總電流有效值與空簧壓力進行聯合統計，如圖3所示，空簧壓力與受流器電流總體上相關（1bar=105Pa），客流高峰時段空簧壓力增大，受流器制動電流明顯增大，但是牽引電流有效值幅度變化不明顯，電流有效值滿足車輛設計要求，低于7200A。

由于地鐵車輛運行存在早晚高峰情況，因此對早晚高峰時段所測受流器電流不同工況有效值進行統計。定義靠近1車方向為前端，靠近6車方向為后端，面朝行進方向定義左右兩側。車輛上行時，前端為行進方向，如圖4所示，早高峰時，主要為右側受流器供電。當經過岔道時，右側受流器短暫時間與三軌斷開，左側受流器承擔供電工作，因此左側受流器全程受流有效值遠遠小于右側受流器全程有效值。車輛在運行過程中，右側受流器有效值3車、4車牽引有效電流明顯大于2車、5車，牽引電流負載的不平衡最大27%。

晚高峰時段，車輛后端為行進方向，供電三軌在車輛左側與受流器接觸，如圖5所示，2車前后端牽引電流負載的不平衡高達35%。由此可見，車輛受流器間電流負載的不平衡超出設計考慮上限10%。

如圖6所示對單個受流器進行分析，存在3個電流瞬時峰值大于1500A的位置，根據地鐵車輛線路圖與公里標進行比對，發現1500A峰值均出現在斷電區附近。

為了驗證熔斷器電流是否超過熔斷特性曲線，對1ms電流有效值大于500A進行分段統計，每50A電流統計區間，如圖7所示為3車后端右側上行早高峰電流有效持續時間統計結果，最大瞬時電流為2358A（根據采樣間隔0.1ms），由于只是峰值電流，持續時間低于1ms，1ms取有效電流為1546A。對所有大于800A電流做統計，最大持續時間為950ms，電流有效值為884.5A。

結果表明，車輛正常運營狀況下，受流器電流大小與持續時間遠遠低于熔斷標準，不足以使熔斷器出現熔斷。

此外，紫外傳感器顯示，車輛全程并無明顯的火花，因此這里忽略展示。

3.3 VMD對峰值電流的分析

由圖6可知，找到峰值區間段，峰值部分數據做VMD分解，層數K=4。為了得到較好的帶寬，帶寬系數α等于采樣頻率的兩倍。經過VMD分解后，發現VMD很好地將直流電趨勢分解在第一層，同時第二、三、四層分別為交變電流項。峰值處明顯存在一個瞬時交變電流，如圖8所示。

剔除直流電趨勢項，對其余BIMF2-BIMF4做希爾伯特時頻譜，如圖9所示，在電流瞬時峰值處，牽引直流電包含明顯的瞬時交變電流，在100Hz以下的調頻條幅信號中，能量幅值與圖8一致，瞬時譜中在峰1.4769s處有效值720A，瞬時頻率為44.8Hz，對應的BIMF1穩定的質量電流為961A。實際上受流器與三軌間是存在一定間隙的，尤其在進出斷電區附近，近似一個可變電容。從而組成一個簡單的單頻回路。由于間隙的存在因此沖擊擾動是普遍的，這種沖擊擾動隨機性極強，有時很嚴重，有時又很輕微。通過VMD的分析發現，當車輛通過斷電區時，沖擊擾動的破壞非常嚴重。

綜上分析引起車輛熔斷器故障頻發的原因由以

下2點：

1）車輛牽引過程中，由于牽引電流受流器分布不均勻，導致個別受流器電流偏大。

2）當通過斷電區時，受流器與三軌間隙導致產生交流電流沖擊擾動，由于交變電流引起的集膚效應長期作用。

在兩者共同作用下，熔斷器狹徑拉伸變形，熔斷器特性曲線將逐漸退化，引起的熔斷器少數“狹徑”熔斷非短路損壞。為了避免非短路損壞的再次發生，需要對受流器電流分配進行重新調整，并重新設計車輛ATO，盡量采用惰行通過斷電區。

4 結束語

本文針對受流器熔斷器非短路損壞問題，詳細闡述了實驗系統設計到分析過程。提出了一種是應用于受流器故障的診斷方案

1）應用NI作為A/D硬件采集，使用Dasylab收集分析數據。

2）應用統計的方法，觀察數據整體，然后應用利用VMD分解的方法，剔除趨勢項，對局部瞬時頻率進行分析。

所用分析數據均為某地鐵車輛實測的客觀準確數據，方法與結論不僅解決實際故障原因，降低車輛維護成本。對未來車輛牽引線路設計與故障診斷提供了先驗性的結論，是為列車安全運營提供了有力的保障。

參考文獻

[1]汪永明，程衛群，靳行.阿根廷布市薩緬托線（Sarmiento）電動車組受流器熔斷器頻繁燒損原因分析及對策[J].現代國企研究，2015（02）：150-151.

[2]王丹，韓振興，方曉.廣州地鐵4號線列車接觸軌受流主電路熔斷器故障原因分析[J].城市軌道交通研究研究，2013，16（10）：124-126.

[3]尹洪權.地鐵車輛受流器與第三接觸軌穩定性研究[D].成都：西南交通大學，2016.

[4]李穎，華才倩，張維維.地鐵車輛受流器的設計研究[J].世界軌道交通，2016（12）：58-59.

[5]奧本海姆A.V.離散時間信號處理[M].劉樹棠，譯.2版.西安：西安交通大學出版社，2001：145-155

[6] HUANG N E， SHEN Z， LONG S R， et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non- stationary time series analysis[J]. Proceedings of the Royal Society A-Mathematical Physical and Engineering Sciences， 1998， 454（1971）： 903-995.

[7] DRAGOMIRETSKIY K， ZOSSO D. Variational Mode Decomposition[J]. IEEE Transactions on Signal Processing， 2014， 62（3）： 531-544.

[8] MARKERT R， WANG Y. Filter bank property of variational mode decomposition and its applications[J]. Signal Processing， 2016（120）： 509-521.

[9]高艷豐，朱永利，閆紅艷，等.基于VMD和TEO的高壓輸電線路雷擊故障測距研究[J].電工技術學報，2016（1）：24-33.

[10]張亞超，劉開培，秦亮.基于VMD-SE和機器學習算法的短期風電功率多層級綜合預測模型[J].電網技術，2016（5）：1334-1340.

[11]武英杰，甄成剛，劉長良.變分模態分解在風電機組故障診斷中的應用[J].機械傳動，2015（10）：129-132.

[12]石敏，李影，王冰，等.基于變分模態分解的齒輪箱故障診斷[J].電力科學與工程，2016（1）：23-26.

[13]劉長良，武英杰，甄成剛.基于變分模態分解和模糊C均值聚類的滾動軸承故障診斷[J].中國電機工程學報，2015（13）：3358-3365.

[14] MANKINS J C. Technology reaniness levels[M]. White Paper， 1995.

[15]軌道交通地面裝置直流開關設備：GB/T25890-2010[S].北京：中國質檢出版社，2010.

[16]直流大電流測量過程控制技術規范：JJF1087-2002[S].北京：中國計量出版社，2002.

（編輯：徐柳）