溫度傳感器智能故障診斷和容錯估計

徐紹龍,李學明,成正林

(株洲中車時代電氣股份有限公司技術中心,湖南 株洲 412001)

0 引言

在自動控制領域中,傳感器把被測物理信號轉化成電信號,對監控系統的運行至關重要。 當其出現故障時,將給后續的監測、控制、故障診斷等系統帶來嚴重影響[1]。 例如,在機車傳動控制系統中,溫度是表征設備工作環境與狀態的一個重要指標,如牽引變壓器油溫、牽引變流器水冷系統的入、出水口溫度傳感器溫度、柜體空氣溫度和牽引電機溫度等。 如果溫度過高,需對機車進行減功率運行、斷主斷路器等保護動作,以保證設備的安全運行。 牽引傳動系統裝置運行環境復雜,腐蝕、溫度、濕度以及電浪涌、靜電等因素都會影響其運行狀態[2]。

安裝溫度傳感器時,接線錯誤或機車運行過程中的強烈振動,經常會導致傳感器故障(如斷線、短路、反接等)。 此時,傳感器測量值將偏離真實值。 如果測量值比真實值偏高,將導致系統誤動作,影響機車的正常運行[3]。 如果測量值比真實值偏低,將導致系統漏動作,對機車設備造成損害。 因此,研究溫度傳感器的智能故障診斷以及故障工況下的溫度估計算法,以估計值代替實際測量值來進行系統保護,具有較高的應用價值。

本文以溫度傳感器的歷史故障數據樣本及正常歷史數據為基礎,提出了一種智能故障診斷和容錯估計方法。 通過故障樣本特征分析建立傳感器故障判斷的規則庫,并得出故障工況的容錯估計方法。 對于不可根據故障樣本重構的故障工況,采用傳感器的正常歷史數據建立傳感器測量值的灰色預測模型,從而實現不可隔離故障樣本的容錯估計。 仿真結果和在列車牽引系統上的現場應用結果均證明了該方法的有效性。

1 溫度傳感器信號采樣電路簡介

熱電阻(例如PT100)是利用其電阻值隨溫度的變化而變化這一原理制成的,將溫度量轉換成電阻量的溫度傳感器。 溫度測量電路通過先給熱電阻施加一個已知激勵電流再測量其兩端電壓的方法得到電阻值(電壓/電流),并將電阻值轉換成溫度值,從而實現溫度測量[4]。

熱電阻與溫度測量電路之間有三種接線方式:二線制、三線制[5]和四線制[6]。 由于四線制測量方式不受連接導線的電阻的影響,在現場得到了廣泛的應用。絕大多數機車傳動系統中也采用了此接線方式。 因此,本文以四線制接法的溫度傳感器為例,研究其信號采樣電路原理、故障診斷及容錯估計方法。

典型的溫度信號采樣原理如圖1 所示[7]。

圖1 中,PT100 兩端通過A1、A2兩端接入4.9 mA恒流源,然后溫度信號采樣電路通過B1、B2得到其差分輸入電壓Uin。Uin經過電壓跟隨器生成單端電壓信號Uin′,然后進入同相比例運算放大電路生成滿足控制單元模數轉換器(analog to digital converter,ADC)采樣所需的電壓信號。

圖1 溫度信號采樣原理圖Fig.1 Schematic diagram of temperature signal sampling

若設同相比例運算放大電路的放大倍數為K, 則溫度傳感器(PT100)采樣溫度值T與溫度信號采樣電路輸出電壓值U之間的關系如式(1)所示。

2 溫度傳感器智能診斷和容錯估計方法原理

傳感器原始信號通過信號采樣電路后,進入控制單元的智能診斷與容錯估計模塊。 首先,根據傳感器信號采樣電路參數對信號有效性進行判斷。 若判斷正常,則輸出傳感器信號測量值作為真實值。若判斷異常,則進入故障診斷模塊。 故障診斷模塊根據故障樣本規則庫中的相關規則和輸入信號,判斷出當前故障類別。 若故障為可重構類型,則直接計算出傳感器信號的重構值作為真實值;反之,則進入灰色預測模塊。 灰色預測模塊根據正常歷史數據對當時測量值進行估計,得出傳感器信號的估計值作為真實值。

溫度傳感器智能診斷和容錯估計原理如圖2 所示。

圖2 溫度傳感器智能故障診斷和容錯估計原理示意圖Fig.2 Schematic diagram of intelligent fault diagnosis and fault tolerant estimation of temperature sensor

從圖2 可以看出,故障樣本規則庫創建和規則提取是實現專家診斷的關鍵。 此外,若故障類別為不可重構故障,則需根據正常歷史數據,利用灰色預測理論對傳感器信號真實值進行估計。 下面以機車傳動系統牽引變流器水冷系統中的入口水溫傳感器為例,闡述本文提出的算法原理。

2.1 信號有效性判斷

根據實際應用經驗,機車傳動系統牽引變流器水冷系統中的入口水溫信號Tin的正常范圍為-60～+80 ℃,入口水溫信號采樣電路的比例運算放大器倍數K為14。 由此可以根據式(1)算出入口水溫采樣電路輸出電壓U的理論值正常范圍為5.275～8.973 V。

入口水溫傳感器信號有效性判斷規則如表1所示。

表1 入口水溫傳感器信號有效性判斷規則表Tab.1 Signal validity judgment rules for of inlet water temperature sensor

2.2 專家系統規則庫設計

2.2.1 故障樣本數據分析

為了得到不同工況下的各種故障樣本,并根據故障樣本的數據規律來提取規則,本文對入口溫度傳感器在不同溫度下的各種故障類型進行了現場模擬。 10種故障工況如表2 所示。 不同溫度、各種故障工況下的采樣電路輸出電壓值如表3 所示。

表2 10 種故障工況Tab.2 10 fault conditions

表3 不同溫度、各種故障工況下的采樣電路輸出電壓值Tab.3 The voltage outputs of the sampling circuit under fault conditions and different temperatures V

根據表3 的數據,得到不同溫度下正常工況與故障工況輸出電壓值變化曲線,如圖3 所示。

圖3 不同溫度下正常工況與故障工況輸出電壓值變化曲線Fig.3 Variation curve of voltage outputs under normal and fault conditions at different temperatures

由圖3 可以看出,故障工況F2、F4 和F8 時,測量值將偏離正常值且與溫度成線性關系。 因此,可通過數據擬合方法得到這三種故障工況下測量值與真實溫度間的關系式,從而對這三種故障工況下的真實溫度值進行重構。 當傳感器處于故障工況F5 或F6 時,其輸出測量值恒為-10 V 或+10 V。 利用該特征可識別兩種故障工況,但無法重構其真實溫度值。 由于故障工況F1、F3、F7、F9 和F10 時的輸出電壓均為0,所以,只能識別出傳感器出現此五種故障,但無法具體定位哪種故障。 對于故障工況F1、F3、F5、F6、F7、F9 和F10,由于無法進行真實溫度值的重構,所以需根據灰色預測方法,利用歷史正常數據來對其真實溫度值進行估計。

2.2.2 故障樣本規則庫創建及規則提取

正常工況和各種故障工況時輸出電壓范圍值如圖4 所示。

圖4 正常工況和各種故障工況時輸出電壓范圍值Fig.4 Output voltage range under normal and fault conditions

由圖4 可知,正常工況和各種故障工況的輸出電壓范圍值相互獨立。 因此,可利用電壓范圍值與故障類型間的關系建立故障樣本規則庫,并根據實際測量值重構故障工況F2、F4 和F8 時的真實溫度值。

本文建立的基于故障樣本的規則庫如表4 所示。

表4 基于故障樣本的規則庫Tab.4 Rule base based on fault samples

2.2.3 故障工況下真實溫度值重構

根據表3 所測故障樣本數據,采用最小二乘法擬合得到的故障工況F2、F4 和F8 時真實溫度值與測量值的重構表達式分別如式(2)、式(3)、式(4)所示,擬合效果分別如圖5、圖6、圖7 所示。

故障工況F2 時,溫度真實值重構計算為:

故障工況F4 時,溫度真實值重構計算為:

故障工況F8 時,溫度真實值重構計算為:

由圖5～圖7 可以看出,故障工況時的重構溫度值與真實溫度值幾乎重合,擬合效果理想。

圖5 故障工況F2 時擬合效果Fig.5 Fitting effect under fault condition F2

圖6 故障工況F4 時擬合效果Fig.6 Fitting effect under fault condition F4

圖7 故障工況F8 時擬合效果Fig.7 Fitting effect under fault condition F8

2.3 基于灰色預測模型估計傳感器真實值

由2.2 節可知,不能基于故障樣本數據重構故障工況(除F2、F4、F8 外)時的溫度真實值。 但機車運行過程中,會對各傳感器溫度值進行實時采樣和有效性判斷。 因此,可利用故障前的正常運行歷史數據估計其當前真實溫度值。

灰色預測理論由鄧聚龍教授提出,利用系統部分數據信息,建立反映系統發展規律的微分數學模型,并通過建立的灰色模型預測系統的發展。 它采用累加生成原理[8],將原始數據生成為一個單調增長的曲線。它增強了原始數據的規律性,弱化了隨機性。 本文采用GM(2,1)模型,利用正常歷史數據對故障工況下的真實溫度值進行估計。

2.3.1 傳感器采樣數據預處理

下面以現場采樣到的牽引變流器柜內的溫度數據為例進行算法原理說明。 現場采樣的原始數據如圖8所示。 原始數據濾波處理如圖9 所示。

圖8 現場采樣的原始數據Fig.8 Orginal data collected on site

圖9 原始數據濾波處理Fig.9 Filtering of original data

本文選擇入口水溫傳感器的數據進行建模。 首先,對數據進行濾波處理,得到除噪后的數據波形。 由于溫度為緩變的物理量,以100 s 為采樣周期,對濾波后的數據進行建模。 濾波后的采樣時刻入口水溫傳感器溫度值如表5 所示。

表5 濾波后的采樣時刻入口水溫傳感器溫度值Tab.5 Filtered temperature value from inlet water temperature sensor at sampling time

2.3.2 GM(2,1)灰色預測模型建立

綜合考慮預測效果和程序運行時間因素,選擇6個序列進行建模。 其中:前6 個數據用于建模,后4 個數據用于預測模型的有效性驗證。

故而得到方程(5)的通解為:

2.3.3 預測結果分析

基于前述前6 個采樣點的正常工況數據,可以建立GM(2,1)模型,并預測其第7 個采樣時刻數據。 為了充分利用最新數據,以保證預測模型的有效性,引入預測控制中的“滾動優化”[9-10]思想。 在第8 個采樣時刻,若根據前述有效性判斷規則判斷出第7 個采樣數據有效,則舍棄正常歷史采樣數據,利用最新的6 個正常采樣數據進行建模。 基于灰色預測模型GM(2,1)的預測誤差如表6 所示。

表6 基于灰色預測模型GM(2,1)的預測誤差Tab.6 Prediction errors of grey prediction model GM (2,1)

由表6 可以看出,利用現場正常工況數據,采用GM(2,1)預測模型估計的溫度值預測精度高,完全能滿足實際應用的需求。

3 結論

本文通過各種故障工況的數據樣本和正常歷史數據,在分析其數據規律的基礎上,結合專家系統和灰色預測模型相關理論,提出了一種溫度傳感器典型故障的自動識別和容錯估計方法。 現場試驗表明,該方法原理簡單、實現方便、性能優越,具有良好的工程應用價值。