基于MKSVM牽引變壓器故障診斷

程海鵬 李志超 劉佳朋 張全國

摘 要：在機車牽引變壓器故障診斷中，傳統診斷模型建模復雜，難以滿足復雜故障識別的問題。針對這些問題，引入多核支持向量機（MKSVM），建立基于多核支持向量機（MKSVM）故障識別模型。最后通過仿真分析，給出了不同診斷模型方法下的故障識別率， 結果表明，所提出方法能夠準確地識別牽引變壓器的故障類型，提高了牽引變壓器的故障診斷精度。

關鍵詞：牽引變壓器;故障診斷;多核支持向量機

牽引變壓器作為電力機車牽引系統的重要部件，直接影響機車的安全行駛。研究機車牽引變壓器故障診斷具有十分重要的意義。趙峰采用改進的灰關聯度分析法，基于變壓器油中溶解氣體，準確地診斷出牽引變壓器故障類型[1]。秦晨利用模糊RBF神經網絡，建立了改進PSO優化RBF神經網絡牽引變壓器故障診斷模型，提高了故障的辨識度[2]。但神經網絡由于自身局限性，易陷入局部最優情況，文獻[3]采用支持向量機實現了牽引變壓器故障的可靠識別。本文以電力機車的牽引變壓器為研究對象，采用多核支持向量機對牽引變壓器故障進行識別分析。

一、建模分析

（一）牽引變壓器故障分析

牽引變壓器主要故障表現為放電故障和過熱故障。牽引變壓器故障類別可分為中低溫過熱，高溫過熱，局部放電，低能放電，低能放電兼過熱，高能放電，高能放電兼過熱及無故障8類組成。研究發現變壓器油中氣體含量是故障的特征，當變壓器發生放電故障時，氫氣和乙炔變化明顯，其次是甲烷、乙烷和乙烯[4]。發生過熱故障時，甲烷和乙烯變化明顯，其次是為氫氣和乙炔。因此，分析牽引變壓器油中溶解氣體生成原理及其含量特征對于牽引變壓器故障診斷有重要作用。

（二）支持向量機原理和算法

支持向量機（supportvectormachine，SVM）是由Vanpik提出的智能學習方法[6]。傳統單核支持向量由于單核的局限性，難以適應復雜故障診斷問題。多核支持向量機是兩個及以上的單核函數通過線性組合，得到支持向量機的核函數[7]。

（三）故障診斷步驟

二、仿真分析

選擇某路段電力機車牽引變壓器故障資料為樣本。選取300組數據作為樣本數據，200組數據作為網絡訓練樣本數據，100組數據作為網絡測試樣本數據。用F1、F2、F3、F4、F5、F6、F7及F8分別表示中低溫過熱，高溫過熱，局部放電，低能放電，低能放電兼過熱，高能放電，高能放電兼過熱及無故障8類故障模式。

為了進一步說明本文所提方法的有效性，選取共60組為訓練樣本，剩余的樣本為測試數據樣本，與直接使用支持向量機（SVM）故障診斷方法進行比較分析，故障診斷結果對比如表1所示。

從表1中可以看出，基于MKSVM故障診斷模型對牽引變壓器的故障識別準確率明顯高于BP神經網絡、SVM故障診斷模型。

三、結論

本文研究了基于多核支持向量機的牽引變壓器故障診斷方法，建立了高性能的牽引變壓器故障診斷模型。以電力機車的牽引變壓器為研究對象，仿真結果表明：多核支持向量機的故障診斷方法應用于電力機車牽引變壓器的故障診斷中，故障識別準確率高。該方法為電力機車牽引變壓器的故障診斷提供借鑒參考。

參考文獻：

[1]趙峰，李碩.基于DGA和改進型灰關聯度模型的牽引變壓器故障診斷[J].高壓電器，2015，51（1）：41-45.

[2]秦景，王玥，秦波，吳慶朝.改進PSO優化模糊RBF神經網絡的牽引變壓器故障診斷研究[J].組合機床與自動化加工技術，2016（7）：78-81.

[3]方科，黃元亮，劉新東.基于自適應PSO算法的LS-SVM牽引變壓器絕緣故障診斷模型[J].電力自動化設備，2011，31（3）：85-89.

[4]李霞.SS_4改進型電力機車牽引變壓器故障的跟蹤分析[J].機車電傳動，2016，57（2）：95-98.[5]蔣波濤，張博，黃新波.基于支持向量機的電機故障診斷方法綜述[J].微電機，2018，51（7）：58-61.

[6]杜偉，房立清，齊子元，張前圖.基于LFOA優化多核支持向量機的液壓泵故障診斷[J].機械設計與研究，2018，34（01）：137-140.