基于兩種NN的CRH3動車組輔助逆變器故障診斷

孟建軍,徐妍琰,李德倉,王鑫健

(1. 蘭州交通大學機電技術研究所,甘肅 蘭州730070;2. 甘肅省物流及運輸裝備信息化工程技術研究中心,甘肅 蘭州 730070;3. 甘肅省物流與運輸裝備行業技術中心,甘肅 蘭州 730070;4. 上海鐵路局上海動車段,上海 201200)

1 引言

輔助逆變器是CRH3型動車組輔助供電系統的重要組成部分。輔助供電系統既要為牽引電機提供強迫風冷,為動車制動用提供壓縮機的維持動車安全運行的所需負載又要提供照明、制冷制熱、動車組內日常電器的穩定和安全使用的電力,保障其能正常使用[1]。在動車組作為客運主導的今天,動車組的運行不僅僅呈現于動車運行的快速和平穩上,動車組內日常生活電器的安全使用得到有效保障更加展現了一個國家工業的高度發達[2]。由此觀之,輔助逆變器的供電質量與可靠性是影響到動車運行安全和旅客乘坐舒適度的最直接因素[3]。因此對輔助逆變器故障診斷進行深入細致的研究,對我國高速動車組安全可靠運行至關重要。本文以CRH3型動車組輔助逆變器為研究對象,運用MATLAB/Simulink軟件建立輔助逆變器仿真模型,對輔助逆變器在不同IGBT開路故障狀態下進行了仿真研究,通過選擇合適的小波基對電流輸出波形進行小波分解重構,得到電流小波的能量頻譜,對能量系數進行數據處理和重構,提取輔助逆變器的故障特征向量,將小波分解提取的特征向量匯總作為輸入,對故障進行編碼作為輸出,采用BP與GRNN神經網絡進行故障識別,建立對應的故障診斷模型,分別對BP與GRNN進行訓練和測試,對比兩種算法的測試結果,發現GRNN網絡較BP網絡提高了迭代速度和精度,可以有效的提高故障診斷的精確率。

2 CRH3型動車組輔助逆變器工作原理

輔助逆變器一般分為電壓源型和電流源型,CRH3型動車組上安裝的是電壓源型逆變器,電壓源型逆變器按照其輸出電壓電平數不同,分為兩電平式和三電平式,CRH3型動車組采用的是兩電平式[4]。兩電平式逆變器拓撲結構是由六個開關管T1、T2、T3、T4、T5、T6構成的三相全橋,具體結構如圖1所示。設三個橋臂開關函數Si公式為

表3 測試結果

圖1 輔助逆變器主電路圖

(1)

當同一橋臂兩個開關管兩者的狀態是相反的關系,當一方導通時,另一方斷開。計算可得,由SA、SB和SC可以組合成2*2*2=8種電路工作模式。

3 輔助逆變器仿真

CRH3型動車組的輔助逆變器采用先逆變后降壓式的“直-交”型結構[5],其結構拓撲如圖2所示。輔助逆變器直接從主變流器的中間環節取得DC3000V電壓,經逆變,再經過濾波,最后得到為440V/60Hz的三相交流電壓。

圖2 輔助逆變器結構拓撲

根據上述輔助逆變器主電路圖及結構拓撲,在MATLAB/Simulink中搭建如圖3所示逆變器仿真模型,參數取自CRH3型車輔助逆變器實車運行數據,其中輸入DC3000V,輸出3AC400V/60Hz。

圖3 輔助逆變器仿真模型

仿真采樣步長設置為1*10-5,仿真時間共為0.6s,0.5s時開始觸發,仿真采用ode23t 算法。啟動仿真模型時,調節相關的各個參數,在仿真開路故障時,通過對相應的脈沖置 0 來模擬某一開關管的故障,將得到輔助逆變器在不同故障情況下的輸出電流波形。

由于三相橋式逆變電路中IGBT很少有三個及三個以上同時發生故障,因此本文只分析一個、兩個IGBT同時發生開路故障的情況。由于篇幅原因,以最具代表性的T1故障、T1T2故障、T1T3故障、T1T4故障這四種情況為例分析其波性特征。

輔助逆變器IGBT單管故障分析:T1管故障,如圖4(a)所示,當 T1管發生故障時,A相電流輸出的波形正半周期基本全為負值, B、C相電流輸出波形正半周期的幅值超過負半周期且有部分畸變。

圖4(a) 輔助逆變器T1管故障波形

圖4(b) 輔助逆變器T1T2管故障波形

圖4(c) 輔助逆變器T1T3管故障波形

圖4(d) 輔助逆變器T1T4管故障波形

輔助逆變器同一橋臂兩個IGBT同時故障:T1T2管故障,如圖4(b)所示,T1T2管故障時,其中一相的電流輸出信號基本全部消失,其余兩相的輸出電流有部分畸變,且正半周期和負半周期的幅值有所降低。

輔助逆變器兩相同一位置兩個IGBT同時故障:T1T3管故障,如圖4(c)所示,當T1T3管發生故障時,A、B相電流輸出的波形負半周期基本全為正值,C相電流輸出的波形與A、B相呈相反狀態。

輔助逆變器兩相交叉位置兩個IGBT同時故障:T1T4管故障,如圖4(d)所示,其中一相電流輸出的波形正半周期基本全為正值,另一相電流輸出的波形與之呈相反狀態,而其余那相電流輸出波形有部分畸變。

4 小波變換故障特征提取

傳統的信號處理經常運用傅里葉分析,然而在實際應用過程中發現其存在大量的應用問題,人們通過各種研究探索對其進行改進,創造了STFT(短時傅立葉變換)[6]。由于STFT采用的滑動窗函數在選定后為固定的,因此導致了其時間分辨率是無法改動的,當滑動窗選取較窄時采集到的信號比較短,會導致頻率分辨率的降低。當滑動窗較寬時導致時域上并不夠精準,缺乏其自身所具備的自適應能力。因此小波變換[7]成為一種改進的時頻局域化分析方法,小波窗口的面積相等、時間和頻域窗口可以進行變化,它的出現成為信號分析領域的突破性進展。

(2)

在式(2)中,a表示伸縮因子,b表示平移因子[8]。

對式(2)中參數a,b進行展開后,可以計算出任意時刻任意精度的頻譜,但如果在每個可能的尺度下一一計算小波系數將會產生龐大的數據計算量,因此需要將其離散化。將連續小波進行離散化操作被稱為離散小波變換(DWT)。

為了更好的實現小波變換,需要通過計算機來輔助計算同時把連續小波ψa,b(t)和連續小波變換Wf(a,b)離散化。小波離散化不會將時間離散化,只針對連續的伸縮因子a和連續的平移因子b,與t無關[8]。

在連續小波中,需要考慮函數

(3)

在式(3)中b∈R,a∈R+,且a≠0,ψ是容性的,為了計算方便,在連續小波離散化過程中令a取正值,相容性條件則表示為

(4)

(5)

所以離散化小波變換系數的求解公式為

(6)

重構公式為

(7)

C為常數,取值與信號無關[9]。

動車組的運行環境復雜,造成信號中的諧波復雜多變,使得信號中含有非周期信號、畸變信號等成分。而小波變換在對這類諧波信號的處理上有著天然的優勢,在變換中能夠很好地將這些成分去除掉。當輔助逆變器處于正常運行時,其輸出電流為三相正弦波。而故障運行時,由于故障部分電流信號的丟失,造成系統輸出波形不對稱,波形中出現許多畸變信號。經過分析CRH3型動車組輔助逆變器故障診斷研究,選擇恰當的小波進行分解來處理故障信號,得到需要的特征信號。

以下以T1管故障為例,將輸出電流利用db3小波進行8層分解并重構后,獲得了1個低頻a8和6個高頻d1、d2、d3、d4、d5、d6、d7及d8,如圖5、6所示。

圖5 T1故障時A相小波分解圖低頻部分

圖6 T1故障時A相小波分解圖高頻部分

通過小波分解波形按照不同頻帶分離濾波,在不同故障情況下,其各頻帶組成會有所不同。將三相電流波形利用小波分析方法進行8層分解,得到了8個高頻帶和1個低頻帶,其中低頻量很好的表現了波形特征,可以作為一個求解特征向量參數,稱這種為能量系數特征向量。能量系數求解過程如下:

1)進行小波分解,提取各頻帶分解系數,再進行重構;

2)求解各分解系數能量值。公式為

(8)

式中,j=1,2,3,4,5,6,7,8;k=1,2,…,n;n的長度由系數長度決定。

當j=9時,有

(9)

3)選取合適的能量值組成特征向量

N=[E1E2E3E4E5E6E7E8E9]

4)歸一化處理特征向量;

其中,在步驟(3)中涉及到能量值的選擇時發現,可以計算出低頻部分占據了信號的大部分能量,高頻能量值占總能量比例較小,因此對能量向量進行數據處理如下

(10)

則有N=[E1/EE2/EE3/EE4/EE5/EE6/EE7/EE8/EE9/E]

按照該方法,對其種故障的進行特征向量提取,由于篇幅限制,這里僅給出T1故障、T1T2故障、T1T3故障、T1T4故障這四種情況特征值,得到如表1所示的數據。

表1 不同故障時各頻帶能量占總能量比例

步驟4中歸一化處理能量系數特征向量時發現,如果依然采取恒定的總能量值E來歸一化處理三相能量時,雖然計算方便,但是在實際運行中存在問題。本文中解決這一問題的方法是通過動態的計算每個采樣周期內的歸一化處理系數P來分別對每段采樣周期信號進行處理。其中P的計算方式

P=max([Ea8A,Ea8B,Ea8C])+

0.1*(Ea8A+Ea8B+Ea8C)/3

(11)

不同故障狀態下的輸出電流能量系數有所差別,大部分能夠簡單分辨出來,但有些組的其中一部分能量值還是難以區分因此,需要再找其它特征向量。因此采用提取小波重構后的輸出三相電流中正側波形平均值與正側、負側(絕對值)平均值和的比值來作為特征向量。利用這一特點,可以提取出比例系數Q,其表達式所示

(12)

根據上述能量系數提取方法,在MATLAB中是通過程序代碼運行得到結果。每個狀態共提取出40組特征值。特征值數據過于龐大,以最具代表性的正常、T1故障、T1T2故障、T1T3故障、T1T4故障進行展示見表2。

表2 不同故障狀態下故障特征向量

5 BP與GRNN神經網絡故障識別

5.1 BP神經網絡

誤差逆傳播(BP算法)是目前運用最為廣泛的神經網絡學習算法,其結構如圖7所示。當外部產生一信號傳到這個網絡中時其輸入層最先得到信號,隨后經隱含層傳遞至輸出層處理,這個過程被稱為前向傳遞。有前向傳遞就會有反向傳播。反向傳播就是將前向傳遞的結果與期望相比,從而以此為根據不斷調整權值和閾值。通過不停的學習調整,最終使輸出值無限靠近期望值[10]。

圖7 BP神經網絡結構

如圖7所示X1,X2,…,Xn為輸入值,Y1,Y2,…,Ym和為權值。以非線性函數比網絡,則自變量便是輸入值,因變量為預測值。于是網絡就存在一個映射關系,是從n個自變量到m個因變量,而它存在的條件就是確定了輸入和輸出節點數分別為n和m[10]。如果BP網絡選擇的算法是沿梯度下降法,會有很多弊端例如訓練次數多、收斂不夠快等。本文采用改進的BP神經網絡算法即LM算法(trainlm)。其中n代表輸入層神經元個數,由故障特征向量的維數來確定,所以n=6; m代表輸出層神經元個數,由故障編碼的維數來確定,因此m=6。隱含層神經元的個數尚無法精準確定,常常使用"試錯法"進行尋找。運用試錯法分別對不同隱含層個數進行測試,發現當隱層節點數為27的時候,網絡MSE值最小。

把之前得出的數據分成訓練與測試樣本進行測試。圖8所示發現迭代12次后達到要求,驗證誤差為0.00015354,網絡未發生過擬合。

圖8 trainlm函數訓練結果

5.2 GRNN神經網絡

廣義回歸神經網絡(GRNN)屬于徑向基網絡[11],不過改進之處在于其以RBF神經網絡為模型基礎,多了一個求和層,因此收斂速度就快,非線性逼近能力也強,適合處理預測問題。樣本數據少,也有很好的效果,同時還能處理不穩定數據。在處理分類和擬合問題上,尤其是數據不足以很好反映實際問題的時候有著很大的優勢。

不同于BP神經網絡的三層結構GRNN神經網絡包括輸入、隱含、求和、輸出四層[12]。GRNN神經網絡是一個前向傳播網絡,其優點在于它無須反向傳播求模型參數。網絡結構圖如圖9所示。

圖9 GRNN神經網絡結構

在進行故障識別之前,先確定其網絡的整體結構。得到輸出層節點數是6個,因為故障特征向量是6維。隱含層為徑向基層,節點數個數等于訓練樣本數,由網絡自適應確定。求和層中分子與分母單元輸出的商值,經由輸出層得到輸出值,從故障識別編碼中能夠得出,輸出層有6個節點。將已得到的故障特征輸入網絡,進行了四次交叉驗證實驗,如下圖10所示。

圖10 GRNN函數訓練結果

通過采取交叉驗證的方法去找到最佳SPREAD值,以達診斷效果最佳的目的。最終得出在第二次交叉驗證中SPREAD為0.02時最佳,1.0645E-32即為最小均方差MSE。

5.3 結果對比分析

BP神經網絡采用LM算法進行多次運算,經過研究得到迭代9-12次時效果最佳,GRNN神經網絡采用交叉驗證方法,通過反復訓練后確定交叉驗證次數為4時,找到的SPREAD 值最佳。

以樣本T1故障測試結果進行對比分析,根據表3能夠直觀的看出相比于BP神經網絡,GRNN 神經網絡實際輸出值與期望值之間的誤差平均提高了40個數量級,在識別精確率上遠優于BP神經網絡,提升了故障診斷的準確率,更好的實現診斷。

在訓練時間上,對比如下表4所示,為了故障診斷的精度提升,GRNN神經網絡采用交叉驗證的方法,因而LM算法訓練的BP網絡訓練時間與GRNN網絡訓練時間相比,兩者差別不大。

表4 神經網絡對比

6 結論

最終從研究結果可以得出:

1)本文通過詳細的分析與合理的選擇確定了db3小波基來進行操作所得出的故障特征向量,能夠較好的呈現出其中的故障信息,并驗證了故障特征向量的正確性。

2)本文采用的BP與GRNN神經網絡均能夠實現故障識別,LM算法訓練的BP神經網絡訓練時間與GRNN神經網絡相近,GRNN神經網絡無需對權值處理,使其處理速度較快,因此略好于 BP神經網絡。

3)在識別精確率上,GRNN 神經網絡實際輸出值與期望值之間的誤差遠遠小于BP神經網絡,提高了故障識別的精度,診斷結果更為準確。