基于時序特征模式識別的牽引電機過流實時診斷*

李學明, 徐紹龍, 倪大成, 黃 慶, 歐陽澤華

(1.中車株洲電力機車研究所有限公司，湖南 株洲 412001；2.三一重工股份有限公司，湖南 長沙 430100)

0 引 言

在機車、動車組運行過程中，任何微小或潛在的故障和隱患若不能被及時診斷和有效處理，都有可能引發連鎖反應造成事故，甚至釀成災難性后果[1]。牽引傳動系統是列車的關鍵核心系統，由于腐蝕、高/低溫、高濕以及供電浪涌、靜電等惡劣運行環境，其部件極易發生故障，且一般不能通過定期維修的方式來消除。如果列車在運行途中發生了故障，控制系統最好能在線實時精準定位出故障源，以便及時排除故障或執行適當的隔離保護策略。如未能及時診斷出故障原因并排除故障，將會造成行車事故，延誤列車的正常運行，影響整個線路及至全路的運輸秩序。因此，展開牽引傳動系統故障診斷和預測的研究，對于提高列車的運行可靠性有著極其重要的意義[2-3]。

目前列車牽引傳動系統的故障診斷仍主要采用基于采集傳感器信號的簡單超閾值報警的故障現象檢測方法，如牽引傳動系統網側過壓/過流、四象限輸入過流、牽引電機過流、中間直流電壓過高/過低等[4]。此類檢測方法屬于異常表征的檢測，無法診斷出發生此類異常表征的真實故障原因，實現有效的故障溯源，一般需要臨時停車由乘務員或維護人員進行人工排查。牽引電機過流是牽引傳動系統最常見的現場故障之一，許多學者和工程技術人員對引起牽引電機過流的原因及其故障診斷方法進行了研究。文獻[5]分析了現場出現的電機過流可能原因并提出了改進的應急處置措施。文獻[6]針對HXD1C型機車電機過流原因進行了詳細分析并提出了現場故障排查方法。文獻[7]提出了一種基于徑向基函數神經網絡模型的牽引傳動系統故障診斷方法，并以電機過流故障為例，詳細介紹了其建模過程并應用于“神華號”電力機車專家診斷系統，驗證了方法的有效性。文獻[8]針對牽引電機過流故障的分類識別問題，提出了一種結合EOVW指數和C&RT決策樹的系統診斷方案，并用HXD1C型電力機車現場故障數據驗證了所提方案的良好診斷效果。

以上文獻中所提方法均為離線診斷方法[5-7]，無法滿足客戶十分關心的列車途中故障的自動化應急處置需求。此外，牽引傳動系統大多數情況下均處于閉環運行狀態，當出現牽引電機過流之類故障時將導致系統控制發散或產生保護動作，系統將經歷多個工況變化，其傳感器采集信號為典型非平穩過程。為實現此類故障的實時診斷，需研究新的適用于非平穩過程診斷且易于工程化的實時診斷方法。為此，本文結合牽引傳動系統運行機理和工程應用經驗，針對牽引電機過流故障，提出了一種基于故障時序特征模式識別的新的實時診斷方法，實現導致牽引電機過流的各類故障模式的精確溯源。

1 列車牽引傳動系統原理及牽引電機過流故障

機車和動車組典型牽引傳動系統主回路原理[9]如圖1所示。系統主要由牽引變壓器、牽引變流器(包括充電回路、四象限脈沖整流器、中間直流環節、逆變器等)和牽引電機三大部分組成。單相25 kV交流電經過受電弓、主斷路器(VCB)和牽引變壓器原邊繞組進入車體，由牽引變壓器降壓后通過次邊繞組向變流電路提供多路單相交流電。交流電在四象限脈沖整流器的作用下變換成直流電，經中間直流環節濾波后，利用逆變器轉換成頻率和幅值可變的三相交流電驅動牽引電機，從而驅動列車以期望的速度運行。其中，傳動控制單元(TCU)[10]為牽引傳動系統控制裝置，主要實現牽引傳動系統控制、診斷、保護、通信等功能。它通過實時采集中間電壓傳感器VH1、牽引電機電流傳感器LH2和LH3以及牽引電機速度傳感器SP等信號，實現司機給定牽引力或速度的閉環控制。同時，TCU具備牽引電機過流檢測與保護功能。當TCU采集到牽引電機電流傳感器LH2或LH3信號超過設定閾值時，將報出“逆變器輸出過流”故障并封鎖故障軸所在的逆變器脈沖，避免故障擴大。

圖1 牽引傳動系統典型主電路原理圖

導致牽引電機過流故障的原因很多，常見的故障源有速度傳感器信號故障、逆變器IGBT模塊故障、逆變器IGBT模塊輸出脈沖丟失、牽引電機故障、牽引電機電流傳感器故障、中間電壓傳感器故障等。下面即基于出現電機過流后系統的不同工況事件時序特征，來研究其實時診斷與故障溯源算法。

2 基于時序特征模式識別的實時診斷算法

2.1 時序特征模式定義

列車牽引傳動系統為典型的非線性混雜動態系統，其內部存在多個運行工況，不同運行工況下系統行為和相應的故障模式也不盡相同。當系統出現故障時，由于系統的控制和保護作用，內部往往存在多個工況間的復雜切換。在此，本文引入工況事件時序特征模式概念，基于故障發生后系統內部相關變量的一系列變化規律來進行故障建模，以實現故障的實時精確溯源。

假設系統可能經歷的工況集合SW為SW={Wi,i=1,…,NW},其中NW為工況的數目。發生故障后不同工況下可能的事件集合SE記為SE={Ej，j=1,…,NE}，其中NE為所有可能的事件的最大數目。這里，事件是指基于系統采集的傳感器信號、開關量以及內部控制狀態量等計算的特征量發生的相關變化，如傳感器采樣值超限、接觸器動作等。基于工況事件的故障時序特征模式可定義為如下形式：

Cx:[Wi1:Ej1→Wi2:Ej2→…→WiL:EjL]

(1)

其中：Wi1,…,WiL∈SW為某故障Cx出現后可能經歷的工況；Ej1,…,EjL?SE為與經歷的各工況對應的事件集合；L為經歷的工況數目，在此稱為時序特征長度；“→”為工況轉換符號。

定義具有式(1)形式的能區分出故障類型Cx的一系列工況事件變化過程為故障的工況事件時序特征模式。基于此定義，可將系統的故障診斷問題轉化成故障的時序特征模式識別問題。

2.2 相關工況事件分析

牽引傳動系統運行過程中主要經歷的工況總結如表1所示。如前所述，系統出現電機過流時將封鎖逆變器脈沖，因此逆變器正常運行時系統處于工況W5，出現牽引電機過流故障時，由于TCU執行保護動作，系統將切換至工況W4，與電機過流故障強相關的工況為W4和W5。

表1 牽引傳動系統運行工況說明

基于系統運行機理和工程應用經驗，電機過流故障可通過分析傳感器VH1、LH2、LH3、SP采樣信號、相關的統計特征量以及其與工況強關聯的控制、狀態量等來進行具體故障溯源。基于上述相關數據計算出與各類電機過流故障強相關的特征量并設置合理的閾值參數來得到工況事件集，從而實現實時診斷算法開發。選擇的與電機過流常見故障源強相關的特征量示例如表2所示。

表2中主要特征量定義說明如下：

表2 與各傳感器信號相關的特征量

(2)

(3)

MinC(k)=min[x(k),x(k-1),…,x(k-Ns+1)]

(4)

MaxC(k)=

max[x(k),x(k-1),…,x(k-Ns+1)]

(5)

AmpC(k)=max[|MaxC(k)|,|MinC(k)|]

(6)

j∈{1,…,Ns},|x(k-j+1)|>h

(7)

(8)

式中：Ns為周期采樣數據個數，Ns=Tc/Ts，Tc為數據計算周期，Ts為數據采樣周期；k為系統運行時刻；h為設定的閾值參數；AmpCNSC和AmpCPSC分別為基于電機電流計算出來的正序電流和負序電流幅值。

基于表2所述特征量，分析可得出可診斷不同電機過流故障類型的相關事件。部分事件示例如表3所示。電機過流故障的主要故障源類型如表4所示。

表3 電機過流故障相關事件集部分示例

表4 電機過流故障相關故障源類型

2.3 時序特征模式分析

完成各類故障源以及相關工況事件分析后，可分析設計各類故障源相關的時序特征模式。下面以導致電機過流的最常見故障源——速度傳感器信號故障[11]為例——分析時序特征模式。

實際運行中速度傳感器信號故障主要表現為速度信號干擾、丟失或突變，此類變化通常會體現在采樣的速度傳感器SP信號的變化。然而列車因故障導致牽引力突然卸載或逆變器IGBT脈沖封鎖，或因軌面接觸不良導致空轉或滑行等，也可能引起速度信號的變化。因此，下面基于上述工況事件來分析相關時序特征模式，以實現更精確的故障定位。根據現場故障案例統計分析，速度信號故障導致的電機過流的部分時序特征模式如表5所示。

表5 電機過流故障相關時序特征模式示例

表5中，M01～M03為時序特征模式代號，C1表示故障類型(速度傳感器信號故障)，W4和W5為工況，{E1, E10,E11,E13}、{E1,E10,E12,E13}、{E1,E12}、{E1,E11}和{E1,E9,E13}為相關的事件集。

2.4 診斷算法實現

本文所提基于時序特征模式識別的實時故障診斷算法原理框圖所圖2所示。整個算法分成離線設計與在線實現兩個階段。離線設計階段，基于系統原理參數及歷史數據，結合列車牽引傳動系統相關控制邏輯，對故障相關的時序特征模式進行分析，并建立故障的時序特征模式庫。在線實現階段分為故障檢測單元和故障決策單元兩大功能模塊。系統實時采集與電機過流有關的傳感器信號以及牽引傳動系統狀態，結合工況事件集中各事件定義，計算各事件是否成立；若成立，則進入故障決策流程；反之，則繼續進行監測。故障決策單元基于故障檢測單元輸出的事件信息以及工況識別模塊輸出的工況信息，實時與時序特征模式庫中的各個模式進行匹配，若存在匹配模式，則輸出相應的故障類型；否則更新事件和工況信息，繼續進行監測。

圖2 基于時序特征模式識別的牽引電機過流實時診斷算法原理框圖

3 現場數據驗證

基于某型機車現場運用中出現的典型速度傳感器信號故障導致牽引電機過流的故障案例數據(其異常模式為表5中的M01～M03)，對本文提出的診斷算法進行驗證。測試結果如圖3～圖5所示。

圖3 現場故障案例測試(M01)

圖3和圖4分別為模式代號為M01和M02時的故障案例測試結果。由圖3(a)和圖4(a)可知，LH2、LH3傳感器采樣信號ia、ib出現明顯異常，呈單肩或雙肩形態且逐漸發散，最后大于過流保護閾值，TCU控制逆變脈沖封鎖，ia、ib均降至0。故障后，速度傳感器SP采樣信號V方向發生變化，其中，故障模式為M01時速度從正值跳變至等幅值的負值，而故障模式為M02時其速度從負值跳變至等幅值的正值，整個故障前后中間電壓傳感器VH1采樣信號Ud變化不明顯。診斷算法計算的整個故障過程工況及相關事件變化規律分別如圖3(b)和圖4(b)所示，兩個案例中牽引傳動系統均在約0.65 s時刻發生了工況切換，從工況W5切換至工況W4。圖3(b)和圖4(b)中系統工況和事件標志變化規律滿足表5所示時序特征模式庫中的M01(C1: [W5:{E1,E10,E11, E14}→W4:{E1,E12}])和M02(C1: [W5:{E1,E10,E12,E13}→W4:{E1, E11}])。從圖3(c)和圖4(c)中的模式標志可知，系統精確識別到相關真實模式[圖3(c)中的M01和圖4(c)中的M02從0變為1]，診斷出故障類型為C1(速度傳感器信號故障)，與實際情況相符。

圖4 現場故障案例測試(M02)

模式代號為M03的速度傳感器故障案例測試結果如圖5所示。由圖5(a)可知，故障前提是系統處于W5工況，在約0.6 s時速度V出現異常波動，快速下降至0，相應地，ia、ib快速發散至超過閾值電流，脈沖封鎖后降至0，系統切換至W4工況。由圖5(b)可以看出，在W5工況過程中，E1,E9,E13出現同時為1的情況，滿足M03：W5:{E1,E9,E13}模式條件，系統正確識別出模式M03，診斷出故障類型為C1[見圖5(c)]，與實際情況相吻合。

圖5 現場故障案例測試(M03)

4 結 語

牽引傳動系統內各種故障表征與其潛在原因耦合關系復雜。本文針對牽引電機過流診斷問題，結合工程應用經驗和系統機理，提出了一種基于時序特征模式識別的系統異常表征實時故障診斷方法，并通過現場故障案例數據對算法的有效性進行了驗證。該方法在不增加硬件資源的前提下可實現各類故障源的精確溯源。所提方法具有物理意義清晰、結構簡單、易于工程實現等優點，具有良好的推廣應用價值。

基于現場故障案例庫的持續積累和對牽引傳動系統各類故障機理認識的不斷加深，后續將研究完善相關事件時序特征識別方法并將此方法拓展至牽引傳動系統級其他異常表征(如網側過流、次邊短路、四象限輸入過流、中間直流電壓過高等)的精確故障溯源，以實現列車故障應急處置的自動化和智能化，減少故障停機處置時間，有效提升列車運行安全性和可用性。