城軌車輛電氣柜故障診斷方法研究

，

(南京理工大學 自動化學院，南京 210094)

城軌車輛電氣柜故障診斷方法研究

周晨程，李軍

(南京理工大學自動化學院，南京210094)

城軌車輛電氣柜種類繁多，結構復雜，若依靠人工檢測的方式進行故障的排除，不僅診斷效率低且可靠性差;通過對多個城軌車輛電氣柜的具體分析，提出一種動態提取有向圖結構模型并生成測試序列的算法，利用圖的最優路徑算法進行測試自檢，最后使用一種適應性測試診斷樹來完成故障的定位與隔離;實驗表明，該診斷方法能夠有效地對城軌車輛電氣柜的故障進行診斷，且對于不同拓撲結構的城軌車輛電氣柜具有良好的適應性。

依賴矩陣；有向圖；電氣柜；故障診斷

0 引言

城軌車輛電氣柜是軌道交通中保障安全的基礎設施，是影響軌道運輸質量和可靠性的關鍵技術設備。電氣柜投入使用前如果不經過故障的檢測和排查，會給企業生產經營帶來很大的損失，而且也給調試帶來了困難。而傳統人工檢測的方式面臨效率低、可靠性差等問題，已經不能滿足時代的需求，因此，尋找一種支持自動在線故障檢測和定位且能適用于不同結構電氣柜的故障檢測方法具有重要意義。

城軌車輛電氣柜中存在著大量的繼電電路，故障征兆往往只能通過測試點的電壓信號來判斷，其表現形式單一，但電路內部大多又是多輸入多輸出的復雜結構。針對小型電路而言，可以使用群舉測試法將可能存在的輸入信號全部輸入至待測電路作為測試碼進行對比測試。然而，電氣柜中信號輸入點與信號輸出點較多，群舉法必然會暴露測試碼過多、測試效率低的缺點，同時也給仿真模擬響應信號帶來很大難度[1]。針對這一現狀，將電氣柜電路網絡進行子網絡劃分后有效地減小了輸入點與輸出點的規模，組合測試效率大大提高。本文基于依賴矩陣的電氣柜故障診斷方法，實現了動態構建電氣柜電路拓撲結構，并對其進行子網絡分解，結合路徑尋優技術生成測試碼，最后使用適應性測試診斷樹的方式達到了故障的準確定位。

1 有向圖模型

當前較成熟的測試性模型，如信息流模型、多信號流圖模型、混合診斷模型以及貝葉斯網絡等都來源于有向圖。因此，代表電路拓撲的有向圖模型G(V,E)是故障仿真數據的來源，也是電路故障檢測與推理的基礎[2-3]。

不同結構的城軌車輛電氣柜的內部電路，本質上都可以用有向圖的形式來表示。通過計算機讀取電氣柜的相關信息后，能夠將元件之間的連接關系抽象成圖節點，形成電路的拓撲網絡。電氣柜的結構信息可以分為兩部分，一部分為元件連接關系表，描述電路中包含的元件及端子信息，以及元件之間的連接關系，另一部分為元件配置表，描述元件的具體端子映射關系以及系統的總正總負信息。電氣柜電路網絡中存在著大量繼電器與接觸器設備，在節點的數據結構中需要添加觸點類型字段，一個節點的數據結構應當包含的基本信息如表1所示。

表1 節點數據結構

城軌車輛電氣柜內部電路拓撲結構的建立可以分為如下幾個步驟：

1)讀取所有連接關系信息，將所有出現的元件名稱和端子號作為唯一標識，生成節點集合；

2)讀取一條連接關系信息，找到步驟一生成的節點集合中名稱和端子與之匹配的兩個節點；

3)判斷這兩個節點各自的子節點中是否已經互相包含，如果未包含，就添加節點的引用或者地址。連接關系未遍歷完成返回步驟2)，否則轉入步驟4)；

4)讀取端子排短接表，以步驟2)、3)的方式把短接關系視為有向邊添加到節點的子節點信息中；

5)讀取元件端子映射表，以步驟2)、3)的方式把元件自身的端子映射關系視為有向邊添加到節點的子節點信息中，若遇到有向元件則按導通方向單方向添加子節點。

2 測試方案

2.1 對比測試法

針對大多數邏輯電路，最常用的檢測方法即對比測試法，簡單的原理可以表述為將一系列輸入矢量X(x1,x2,…,xn)加在標準線路A和待測線路B上，由異或電路對輸出進行比較，結果為1說明B有故障，若所有輸入序列輸出的結果均為0，則說明B線路正常，檢測通過[4]。為了提高自動測試的效率，輸入向量可以依據劃分的子網絡來自動生成，而子網絡的標準輸出響應可以使用仿真得到的模擬結果集來替代，輸出的特征向量作為檢索故障字典的索引，測試結構如圖1所示。

圖1 測試結構

2.2 子網絡生成

測試以子網絡為單位，同一子網絡中包含的多條測試支路可以一起測試，因此子網絡的劃分也是故障隔離與定位的基礎。測試模式可以分為兩種類型，一種是導通測試，另一種是邏輯測試。導通測試較為簡單，測試線路中不包括繼電器、接觸器等邏輯元件，將電路總正、總負以及測試點與測試點之間的導通測試劃分為3個導通測試網絡。邏輯測試較為復雜，測試線路中包含邏輯元件，一條邏輯支路的測試可能涉及到多條條件支路，該測試支路與條件支路組成一個子網絡。

已知被測支路的情況下，尋找測試激勵的問題實質就是求解布爾方程組的解的問題。然而，系統中的邏輯電路并非純數字電路，其輸入與輸出并不固定，即布爾方程組結構是未知的。因此，必須先要確定輸入輸出，尋找有效的施加激勵的測試點，首先通過深度遍歷有向圖，得到包含邏輯元件的測試支路集，然后生成完全條件回路集，即電路拓撲中所有測試點到總負且包含繼電器線圈的回路集合。最后生成一個測試子網可以分為如下幾步：

1)將待測支路設為起始支路；

2)起始支路中線圈對應的觸點標記為‘動作’，常閉觸點對應的線圈標記為禁止得電，常開觸點標記為‘動作’，并設置下一個目標線圈為常開觸點對應的線圈；

3)遍歷棧中所有條件支路，若仍全部保持導通狀態，則將起始支路入棧，否則，撤銷起始支路中線圈對應的觸點的‘動作’狀態，繼續尋找上一個目標線圈；

4)尋找包含目標線圈的回路，設置為起始支路，返回步驟2)；

5)含常開觸點但找不到條件支路，則出棧，返回步驟4)尋找另一條件回路；

6)棧為空或棧頂支路不含有常開觸點則結束。

3 故障-測試依賴矩陣

故障-測試依賴矩陣又稱D矩陣，在測試性學科中依賴矩陣是設備故障與測試、故障與故障、測試與測試之間定性關系的一種矩陣表示。它能夠將與設備故障診斷相關的知識(FMECA、故障字典、測試性模型、仿真測試結論)和算法(數理邏輯、模式識別、圖論等)緊密銜接起來。基于依賴矩陣的測試性分析方法以依賴矩陣為核心, 將設備可靠性信息直接關聯到測試性工程中, 配合多種診斷推理手段, 最終給出標準化的、高可信度的、可驗證的測試性分析結果[5-6]。

D矩陣描述模型中所有可能發生的故障模式F={f0,f1,…,fm}與可用測試T=[d1j,d2j,…,dmj]T之間的邏輯關系：

其中:矩陣的第i行矢量F=[di1,di2,…,dim]反映的是故障模式i發生時所有可用測試輸出的結果，第j列矢量T=[d1j,d2j,…,dmj]T反映的是測試j可以檢測到的故障模式，矩陣中元素dij表示的是故障模式i與測試j之間的邏輯關系，即故障i發生時測試j產生的特征向量。由于電路拓撲結構有一定的復雜性，若由所有元件的故障模式與測試激勵組成一個二維的矩陣，這個矩陣會十分龐大，不利于故障的隔離與定位，因此必須對電路進行子網絡劃分，建立各子網絡的測試故障依賴矩陣。

直接通過窮舉所有測試序列得到的依賴矩陣通常會包含一些冗余的無效數據。依賴矩陣中的全0行，表示該故障模式對于可用測試集沒有分辨能力，稱故障不可測；依賴矩陣中的全0列，表示該測試不能分辨系統故障模糊集中的任何故障，屬于無效測試；矩陣中還包含特征向量完全相同的行，將這些故障模式稱為不可區分故障。經過以下兩個步驟可以簡化依賴矩陣：

1)刪除所有不可測故障的行向量；

2)合并所有不可區分故障的行向量。

根據有向圖的最小覆蓋原理可知，在簡化的依賴矩陣中取有限個測試列，如果其能夠涵蓋的故障模糊集中所有的故障模式，那么生成的測試集是一組完全測試集。完全測試集表征依賴矩陣中的故障發生時能夠被檢測到的測試集對象。

4 測試集生成

4.1 問題

評價一組測試集是否合理通常可以使用模糊度、冗余度、故障隔離水平等多個指標來衡量，其中，測試的安全性是所有指標的前提[7-8]。將生成的測試集直接用于實際電路進行測試是不安全的，會面臨很多的問題。這些問題可以概括為：

1)測試點注入高壓激勵時可能存在短路問題；

2)測試支路中可能存在環路問題；

3)已知子網絡的輸入輸出點，求取有限種輸入組合的情況下的正常輸出特征向量與故障輸出特征向量的問題，即求子網絡的完全測試集與最小測試集的問題。

4.2 Dijkstra算法

Dijkstra算法是解決單源最短路徑的經典算法，在一個賦權的簡單連通無向圖G=〈V,E,W〉 (V:頂點集;E:邊集;W:權重)中, 求一源結點a到其他結點x的最短路徑的長度。算法思想為：

1)把V分成兩個子集S和T,初始時,S={a},T=V-S；

2)對于每個ti(ti∈T), 計算D(ti),(D(ti)表示從a到ti的不包含T中其他結點的最短路徑的長度),根據D(ti)值找出T中距a最短的結點x,寫出a到x的最短路徑的長度D(x)；

3)置S為S∪{x}, 置T為T-{x},若T=Φ,則停止, 否則再重復步驟2)。

4.3 Dijkstra在測試集生成中的應用

建立一個n×n的二維矩陣，作為有向圖的權重矩陣，其中n為有向圖模型中的節點數。依據節點間的連接關系來設置不同的權重：

1)等電位點之間的有向邊權重為0；

2)斷開狀態的元器件的觸點之間的有向邊權重為∞，閉合狀態的元器件的觸點之間的有向邊權重為0；

3)閉合的斷路器觸點間有向邊權重大于0。

計算所有測試點與總負之間的最短路徑權重，如果權重為0時，會發生短路狀況，此測試點不能作為信號注入點。計算所有被測支路的首節點與尾節點之間的最短路徑與權重，如果權重為0則該支路是一條環路。

Dijkstra算法還可以用于計算子網絡在各故障模式下施加不同輸入激勵獲得的響應向量。首先設置故障節點處的權重，短路故障有向邊的權重為0，開路故障有向邊的權重為∞。找出該故障模式下子網絡中線圈依然得電的繼電器，修改其相應的觸點節點的權重，常開觸點權重修改為0，常閉觸點權重修改為∞，計算各個信號激勵點到各信號輸出點的最短路徑，權重為0的路徑即表示該輸出點信號為1，反之為0。

基于城軌車輛電氣柜的有向圖模型，應用圖論中最短路徑算法，可以快速排除短路、環路等不安全測試，同時也提高了仿真模擬故障響應集的效率。

5 故障推理與診斷

理論上，所有故障診斷問題都可以由以下五元組來進行描述：

1)系統的故障模糊集，記為F={f0,f1,…,fm}；

2)故障模式的先驗概率分布集合p={p(f0),p(f1),…,p(fm)}；

3)系統可用的測試集T={t1,t2,…,tn}；

4)測試代價集C={c1,c2,…,cn}；

5)故障測試依賴矩陣D=[dij](m+1)×n。

在五元組的基礎上，故障診斷策略可以通過列表或者診斷樹的形式來直觀的描述。診斷策略的問題就是求解最優的測試診斷順序和方案，使生成的診斷樹具有最小的測試代價的問題[9]。然而，五元組中概率分布集合與測試代價集通常難以獲取，因此系統中無法應用啟發式搜索算法等診斷策略，改而使用一種適應性測試方法來生成電路的最小測試集，該方法可以描述為：

2)測試完成后從依賴矩陣中刪除該測試列，并根據測試獲得的特征向量，查詢依賴矩陣中相匹配的故障模式，作為新的故障模糊集，重復1)中的方法找到剩余測試列中“權”值最大的列作為下一次測試；

3)當故障模糊集在剩余測試中的特征向量均相同時，故障無法繼續細分或隔離，推理結束。

如圖2所示，該子網絡中第一條為待測支路，其余三條為條件支路，其中CF標識的是測試點，斷路器默認均為閉合狀態。待測支路連接總正，因此測試碼中只包含條件支路的3個輸入點。MCCB與VD的開路故障屬于不可區分故障，因此合并為一個故障模式，并且刪除了MCCB短路等不可測故障。為了方便敘述，故障模式類別只設定為開路故障和短路故障兩種。該子網絡的測試依賴矩陣化簡后如表2所示，其中涉及的特征向量除F0為正常的輸出外，其余均是響應輸出與F0正常輸出的異或結果，且都在單故障的假設之下進行。

圖2 某子網絡結構

分析故障測試依賴矩陣可知，T1至T7中T3、T4、T6的“權”最大，任選其一，這里選擇T6作為首次測試，故障模糊集可以被劃分成三大類，F1/F8與F7這兩類故障模式被隔離到最小單元，而F0、F2至F6對應T6測試的特征向量均相同，將其作為新的故障模糊集進行下一步測試。基于這6種故障模式繼續計算剩余測試列對應的“權”，T5和T7的“權”最大，選取T7作為下一次測試激勵，故障再次可以被隔離為F4、F5和F0F2F3F6這三類，繼續計算F0F2F3F6模糊集的下一次測試激勵，選擇T1又可以隔離出故障F2與F3，最后經過施加T2測試激勵，故障被完全隔離到最小的范圍中。

表2 子網絡依賴矩陣

圖3 子網絡診斷樹

6 試驗結果與分析

根據上述對適應性測試方法的應用，可以發現下一次測試的激勵向量Ti均由上一次測試得到的特征向量來決定，將可能得到的測試結果(特征向量)均分類考慮，可以得到圖3

所示的完整診斷樹。診斷樹非常直觀的反映了故障-測試激勵-響應之間的關系，診斷樹中的所有葉節點都是當前可用測試集下的不可再分割的故障集，由葉節點向上回溯，可以獲得確定該最小故障集的完整測試序列，如F5的測試序列為T6-T7，F3的測試序列為T6-T7-T1。該子網絡的故障定位測試集為{T6,T7,T1,T2}，測試長度為4。

7 結束語

本文提出了一種基于依賴矩陣的城軌車輛電氣柜故障檢測的方法，并敘述了從動態識別電氣柜拓撲建立有向圖模型到利用適應性測試方法導出診斷樹的過程。通過建立的有向圖模型來仿真模擬各個故障發生時輸出的特征向量，建立起故障測試依賴矩陣，最終使用適應性測試生成方法可以確定完整的測試流程，并有效的將故障從電路隔離到子網絡，從子網絡隔離到元件。根據實驗驗證，該方法較以往城軌車輛電氣柜的檢測方法在一定程度上減少了測試的冗余，提高了測試的效率與診斷精度，并能適用于不同結構的城軌車輛電氣柜的故障檢測與診斷。

[1]嚴 瑩.邊界掃描在數字電路故障診斷中的應用[D].南京：南京大學,2016(5).

[2]陳晉音.基于時序約束模糊有向圖的電網故障診斷[J].控制工程,2016,23(6):800-811.

[3]龐文青. 基于圖模型的電子系統故障診斷方法及應用研究[D].哈爾濱：哈爾濱工業大學,2014(7).

[4]申延強.基于免疫粒子群文化算法的數字電路故障診斷[J].火力與指揮控制,2016,41(8):192-195.

[5]韓 斌,秦思淵.基于多信號模型的診斷推理機設計[J].計算機測量與控制,2015,23(6):1902-1904.

[6]張 悅. 一種基于信號流圖理論的流體網絡建模方法[J].系統仿真學報,2016,28(5):1038-1044.

[7]羅 慧,蹇興亮,盧 偉.基于動態蟻群算法的模擬電路最優測點選擇[J].儀器儀表學報,2014,35(10):2231-2237.

[8]谷曉娣. 可測性評估定量建模技術研究[D]. 哈爾濱：哈爾濱工業大學.2015.

[9]劉 歆,熊有倫.數字電路測試生成的基本算法[J].微電子學與計算機,2002,19(2):1-6.

ResearchonFaultDiagnosisMethodofElectricalCabinetforUrbanRailVehicles

Zhou Chengchen，Li Jun

(School of Automation,Nanjing University of Science and Technology,Nanjing 210094,China)

There are many types of electrical cabinets in urban rail vehicles, and the structure is complex. Manual detection to eliminate the fault is not only low in diagnosis efficiency but also poor in reliability. Based on the analysis of multiple rail cabinets, an algorithm is proposed to dynamically extract the directed graph structure model and generate the test sequence. The optimal path algorithm is used to test the self-test. Finally, an adaptive test diagnosis Tree is used to complete the fault location and isolation. Experiments show that the diagnosis method can effectively diagnose the faults of electrical cabinets and have good adaptability to the electrical cabinets of different topologies.

dependency matrix;directional graphic;electrical cabinet;fault diagnosis

2017-03-23；

2017-04-07。

周晨程(1993-)，男，江蘇蘇州人，碩士研究生，主要從事故障診斷的原理研究與軟件設計方向的研究。

李 軍(1970-)，男，博士，教授，主要從事伺服系統及其相關測控技術方向的研究。

1671-4598(2017)10-0023-04

10.16526/j.cnki.11-4762/tp.2017.10.007

TP206.3

A