動車組牽引電機接地故障預測

梁先勇

摘要：牽引電機是動車組動力傳動系統中的關鍵部件，在牽引電機故障中最常見的故障為牽引電機接地故障。通過對某動車組牽引電機控制單元的歷史數據挖掘，實現對牽引電機接地故障的預測。數據挖掘建模使用了RBF神經網絡、決策樹和支持向量機3種機器學習算法。試驗結果表明，3種算法的預測準確度均高于84%，其中決策樹相較于RBF神經網絡和支持向量機，具有更高的預測精度，模型預測精度達到85.6%。因此，選取決策樹模型預測動車組牽引電機接地故障的發生。

關鍵詞：動車組;牽引電機;高速鐵路;接地故障預測;決策樹;RBF神經網絡;支持向量機;故障診斷

引言

高速鐵路是鐵路未來的發展方向，各國都投入大量人力物力進行高鐵建設。近十年，我國高速列車得到了快速發展，但也暴露一些問題。例如，動車組可靠性故障會造成動車經常性的晚點以及運行安全報警等問題，給高鐵的運營推廣帶來了阻力。牽引供電系統是動車組中最重要的子系統之一，牽引供電系統的可靠性直接影響動車組能否正常運營。近年來，很多學校和企業在鐵路牽引供電系統方面做出了大量研究。文獻以整條高速鐵路所有牽引變電站的供電系統可靠性和鐵路通過能力為評估對象，研究外部電力系統（發電廠、輸電網、牽引變電站和接觸網）對高速鐵路牽引供電的可靠性，但沒有對高鐵內部的牽引供電系統故障做深入研究。文獻對動車組的牽引供電系統故障進行統計分析，得出接觸網系統的故障占重要比重，應采取措施減小各種自然因素引起的故障，建立了較為完善的牽引供電系統故障統計表格，為提高電力牽引供電系統的供電可靠性提供了依據，但沒有涉及故障模式及其影響方面的研究。文獻針對某一地鐵典型牽引供電系統結構，利用故障樹分析（和故障模式、影響及危害度分析對典型地鐵牽引供電系統可靠性進行分析，在故障樹圖中劃分出系統的最小割集，找出接觸網系統與高壓斷路器、中壓斷路器是該地鐵供電系統的薄弱環節;但是沒有指出故障模式對系統的影響及危害度。

1動車組牽引電機常見故障

牽引電機是動車組行進過程中的動力及控制作用的來源，其主要負責供電驅動和制動蓄電等功能，在實際運營過程中，由于動車組的運行速度過快，牽引電機很容易出現質量問題[1]。根據實際工作的有關經驗以及相關文獻的闡述，牽引電機故障主要可以分成以下幾種：常見故障、定子故障、速度傳感器故障、溫度傳感器故障、軸承故障和其他類型故障。

（1）定子故障是比較常見的一種動車組牽引電機故障問題。一般來說，定子匝間短路及繞組接地故障屬于最容易出現的一種定子故障，和其他故障相比較，定子故障會導致部分線路出現絕緣失效的情況，其嚴重性極為突出。（2）速度傳感器故障是牽引電機運行過程中較為常見的一種故障，主要為傳感器本身器件原因及高溫高壓電流快速變化導致的信號傳輸不整正確，進而導致牽引電機實際速度與傳感器反饋給控制系統的速度不一致，影響牽引系統正常運行。（3）溫度傳感器故障原因機理與速度傳感器類似，只是溫度傳感器傳遞的是牽引電機各主要部件的溫度信號，如定子鐵芯、轉子鐵芯、軸承等，而速度傳感器傳遞的是牽引電機的速度信號。（4）軸承故障也是一種不容忽視的牽引電機故障。眾所周知，動車組的牽引電機軸承部分可以分成保持架、滾動體以及內外圈及外圈絕緣陶瓷鍍層。為保證動車組牽引電機在線的順暢運行，在多數的牽引電機返廠檢修過程中均會對軸承進行換新，令用戶按照固定周期要求對潤滑脂進行補充，防止電機運行過程中軸承的磨損。因此，軸承故障多數是由于牽引電機受到突發外力作用導致的軸承滾動體受損及絕緣層損傷故障。（5）其他故障主要指由于其他不可控因素導致的牽引電機故障，如動車組運行過程中地面飛石導致的排風罩變形、傳感器電纜損傷、銘牌脫落等。

2建模預測

首先，需要對原始信號進行預處理，將實際按每秒1次的頻率進行采樣，將相電流和接地電壓的瞬時值轉化為平均值。輸入變量為速度、相電流IL1、相電流IL2、相電流IL3、中間環節電壓、功率、接地電壓比，由于實際數據的量綱不同，所以需要對數據進行歸一化處理。輸出變量設為牽引電機是否發生接地故障（取值“0”或“1”，“0”代表未發生故障，“1”代表發生故障）。選擇徑向基（RadialBasisFunction，RBF）神經網絡、決策樹和支持向量機3種常用的預測算法進行預測。①RBF神經網絡是一種3層前向網絡，它通過輸入層空間到隱含層空間的非線性變換以及隱含層空間到輸出層空間的線性變換，實現輸入層空間到輸出層空間的映射。RBF是某種沿徑向對稱的標量函數，通常定義為空間中x點到某一中心cj之間歐氏距離的單調函數，最常用的徑向基函數是高斯函數，形式為式中：cj為函數中心向量;σj為寬度向量。高斯函數的作用域表現出局部性，即當x遠離σj時函數取值較小。②決策樹方法可以充分利用先驗信息處理數據間的非同質和非線性關系，有效地對數據進行預測分類，并具有很高的分類精確度和預測效率，適合于樣本數據量較大的情況。決策樹算法兩大核心問題是決策樹的生成與剪枝，生成樹方法有信息熵和GINI系數。

其中，信息熵和GINI系數的定義如下：設p（xi）=P{X=xi}，X的熵定義為選擇信息熵將在樹的每個節點上使用信息熵度量選擇測試屬性，具體做法是選擇具有最大信息熵的屬性作為當前節點的測試屬性。使用該法的前提是所有屬性都是分類的，即取離散值，連續值的屬性必須離散化。選擇GINI系數將根據層間的GINI系數差來選擇測試屬性以及控制決策樹的深度，具體的做法是選擇層間的最大GINI系數差所對應的屬性作為當前節點的測試屬性，當GINI系數差小于指定的標準值時，停止樹的增長。樹剪枝的方法分為不剪枝、先剪枝和后剪枝。其中，不剪枝指對決策樹不進行剪枝;先剪枝指在下設條件得到滿足之前就停止繼續擴展決策樹;后剪枝指錯誤率低于指定標準值時則開始剪枝。③支持向量機適用于二分類問題，在高維空間中尋找一個超平面作為二分類的分割，以保證最小的分類錯誤率，而且能夠處理線性不可分的情況。支持向量機學習的基本思想是求解能夠正確劃分訓練數據集，并且使得幾何間隔最大地分離超平面，滿足幾何間隔最大的超平面是唯一的。

基于RBF神經網絡、決策樹和支持向量機3種算法和樣本數據的故障預測步驟和參數設定如下：①根據已知的正常與接地故障狀態下的特征數據建立訓練樣本集{xi，yi}，y∈{0，1};x為輸入變量，即速度、相電流IL1、相電流IL2、相電流IL3、中間直流電壓、功率、接地電壓比;y為目標變量，即牽引電機是否發生接地故障（取值“0”或“1”，“0”代表未發生故障，“1”代表發生故障）。②RBF神經網絡。一般情況下，隱含層中心個數要大于輸入變量的個數，隱含層中心個數設得越多，訓練的效果越好，但是耗時也越長。本文將隱含層中心個數分別設為7～14，進行比較可發現，當隱含層中心個數為8時，模型的預測誤差最小，因此最終將RBF神經網絡的隱含層中心個數設為8。

3結束語

基于FMECA方法，綜合分析了某動車組牽引供電系統的故障模式、故障原因、故障影響、故障發生頻率以及嚴重度，并對其危害度進行定性分析，得出本系統危險故障源包括：IGBT模塊監控不起作用、變壓器油泵34‐F55跳開、制冷風扇故障和變壓器油流故障等。

參考文獻：

[1]張振宇.動車組牽引電機故障分析及診斷[J].內燃機與配件.[2]賈潞.CRH380BL型動車組牽引電機接地故障原因分析[J].機車車輛工藝.