基于遗传神经网络的电力机车主变流器故障诊断

魏志磊，苏宏升，李全林

（兰州交通大学自动化与电气工程学院，甘肃兰州730070）

1 引言

机车变流器是电力机车能量转换的关键部件，由大功率半导体整流管、晶闸管以及其它相关元件组成，其技术状态良好与否直接影响到铁道机车车辆的安全运行和铁路运输的正常运营。而对变流器的故障研究，对于减少机车车辆运行的故障发生率，保证机车的安全运行具有重要意义。本文提出了遗传算法和神经网络相结合的故障诊断方法，并将此方法应用于电力机车主变流器的故障诊断中。

图1 变流器主电路图

2 电力机车主变流器

国产交直型电力机车主电路主要由受电弓、主变压器、整流装置、牵引电机及有关高压电器组成,它将牵引接触网的电能转变为列车的机械能［1]。其主变流器的主电路大多数采用不等分三段半控桥相控整流调压配以电阻制动低速加馈，电路原理图如图1所示。由于该电路结构简单，控制方便，所以广泛应用于交直型电力机车中。

3 遗传算法优化神经网络原理

3.1 BP神经网络

BP网络结构模型如图2所示。

输入层：从系统接收输入信息，即为经过归一化处理计算出的故障特征值，X（x1，x2，...，xn）；隐含层：把从输入得到的信息进行内部学习和处理，通过权值和阈值连接输入层和输出层；输出层：输出层的节点数，即为故障模式的总数。

图2 神经网络结构图

3.2 遗传算法

遗传算法是一种基于自然选择和自然遗传的全局优化算法。用遗传算法对多个个体组成的群体进行操作，通过遗传算法可以使个体间的信息得以交换，这样群体中的个体一代一代地得以优化，并逐步逼近最优解。利用遗传算法求解最优问题的步骤为:首先对所需优化的参数进行染色体编码，并在遗传空间随机产生初始群体;然后计算出各个个体的适应度，其次根据适应度的大小将遗传算子作用于群体，对其染色体进行选择、基因突变（基因重组）、变异等遗传操作，剔出适应度低的个体，保留适应度高的个体，从而产生新一代群体，使群体的收敛速度加快；最后通过这样反复操作，向更优解得方向优化，直到满足预定的收敛指标。

3.3 用遗传算法优化BP神经网络

用遗传算法来训练人工神经网络的研究工作20世纪90年代刚刚开始，目前普遍采用的网络模型为BP网络，但神经网络在训练时权值的调整采用的是传统的梯度下降法，而传统的梯度降法是沿着误差函数的梯度修改网络连接参数，对于网络的拓扑结构的学习是十分困难的。而以编码为基础、随机的遗传算法既可以对神经网络连接权值进行优化，也可以对神经网络的拓扑结构同时进行优化，且能克服基于梯度学习算法中存在的学习收敛速度慢和易收敛于局部最优等问题。鉴于此可将遗传算法引入神经网络模型的训练过程，建立机械故障诊断的遗传神经网络模型。

根据遗传算法的思想，用遗传算法优化神经网络的流程图如图3所示。

采用遗传算法建立网络模型的方法一是设第i个学习样本的第j个网络输出值为Oij其期望值为Eij，则可以建立如下目标函数

方法二是用遗传算法求其极小值，则可得到对应的神经单元的联结权值，式（1）中Oij为神经单元联结权值的函数，Eij为常数，从而F与神经单元联结权值构成函数关系。用遗传算法对式（1）进行优化，整个网络中所有单元的权值对应着式（1）的最小值，如果该最小值达到所要求的精度，即证明正确的网络输入输出关系已经建立起来了。

图3 遗传算法优化神经网络的流程图

4 基于遗传算法和神经网络的故障诊断方法的应用和分析

4.1 主变流器的故障信息提取

电力机车主变流器的组成元件主要为大功率整流二极管和晶闸管元件，所以变流器发生故障时表现为晶闸管或整流二极管的损坏。功率元件的故障可分为直通故障和开路故障两种［2]。当变流器发生直通故障时，将会在短时内烧坏与晶闸管串联的熔断器，最终表现为开路故障，所以开路故障基本上可反映主变流器的主要故障现象。利用Matlab平台上的动态系统通用软件Simulink中的电力系统工具箱（Power System Blockset，简称PSB）对变流器工作在额定运行情况下进行Simulink建模并仿真［3]。变流器部分故障及正常输出波形如图4所示，横坐标为t/s，纵坐标为V/v。

4.2 应用与分析

图4 变流器的输出波形图

通过分析主变流器的具体工作过程,着重考虑其输出电流和输出电压两个参数。因电感和牵引电机的作用，输出电流发生滞后处于脉动状态，且谐波含量大，而输出电压受变化负载的影响相当小，所以当主变流器的功率元件出现故障时，其输出电压波形将发生严重畸变，即可通过对输出电压波形特点的分析准确定位故障元件。由于变流器输出波形中通常含有非平稳信号和畸变信号，所以采用小波分析［4]，对输出电压波形进行故障特征矢量提取［3，5]。

在采用遗传神经网络对变流器的故障进行诊断之前，先对主变流器的故障运行状态进行编码。对故障模式以大类和小类的方式进行编码，用七位编码X7X6X5X4X3X2X1，其中Xi=0或1，第5-7位用于大类编码，第1-4位用于小类编码。对应于每组特征信号的故障编码作为神经网络的期望输出。在每一大类下的小类编码中，采用了循环编码，这样有利于神经网络对样本的学习和提高诊断是的准确性［1]。

本文采用每一种故障类型对应于一个决策属性的方法，如表1所示，根据仿真模型得到的输出电压信号进行小波包基函数分解，从而建立主变流器的故障特征表。这样就可以通过将现场提取的信号进行小波去噪和特征提取，之后与故障特征表对应比较，确定故障类型，给出故障代码，从而实现故障的诊断。

表1 变流器故障模式编码

图5 神经网络的训练误差曲线图

图6 遗传神经网络优化曲线图

表2 测试样本数据

根据上述的故障模式编码可以将输出节点数取7，按照一般的经验，隐层的节点数一般取2N+1（N为输入的节点数），通过试验取为20。设网络输出总误差为10-2，用Matlab语言及神经网络工具箱生成神经网络，采用遗传算法进行训练。训练的输入参数为P1，期望值为t1。网络输出参数与期望值t1基本相等，建立神经网络模型，采用三层网络，输入层和隐含层采用tansig函数，输出层采用purehn函数。参数设定输入层单元数为8，隐含层单元数为20，输出层单元数为7。设初始群体个数为50，迭代次数为250，选择概率为0.09，交叉概率为0.8，变异概率为0.02，用训练样本对GA—BP进行训练，即将变流器的38组故障模式的输出电压波形经小波分析提取的训练样本数据输入到GA—BP神经网络进行网络训练，其训练误差曲线图和优化曲线图分别如图5（横坐标为迭代次数，纵坐标为训练误差）和图6所示（横坐标为遗传算法迭代次数，纵坐标为最佳适应度值）。

遗传神经网络经训练之后便可用于变流器的故障识别。从选取VD1故障、VD2故障、VT1故障、VT2故障、VT3故障、VT1和 VT2故障、VD3和 VT4故障、VT1和 VT5、VD2和 VT3故障、VD3和VD1故障、无故障中的输出电压波形经小波分析提取的数据为测试样本数据，表2中的数据即为用于遗传神经网络诊断模型的测试样本数据。将此11组数据输入到已经训练好的遗传神经网络,其诊断结果如表3所示。从该表中可以看出，遗传神经网络系统对第1、2、3、4、5、6、8、9、10、11 组模式的诊断结果与变流器实际故障模式相一致,而第7组模式的诊断结果与实际故障模式不同，故该网络对故障模式诊断准确率为90.91%。由此可见遗传神经网络能较好地辨识出各类故障。

5 结论

本文在分析变流器故障机理的基础上,采用遗传算法优化神经网络的权值，通过Matlab神经网络工具箱对网络进行训练和测试,以实现变流器的故障诊断。这样遗传神经网络就具有很强的优化能力，提高了诊断的精度，同时加快了网络的收敛速度，避免了陷人局部极小陷阱的问题，极大的提高了变流器的故障诊断系统的效率和准确性。

表3 遗传神经网络诊断结果

［1] 李全林，何忠韬.SOM神经网络在电力机车主变流器故障诊断中的应用［J] .铁道机车车辆，2009（4）.

［2] 李劲松.故障振动诊断技术在机车状态中的应用［J] .内燃机车，2000（1）.

［3] 刘松柏，蒋新华，陈特放.电力机车主变流器故障诊断系统［J] .机车电传动,2005（3）：57-59,62.

［4] 周小勇，叶银忠.小波分析技术在故障诊断中的应用［J] .上海海运学院学报，2001，22（3）：l16 一l19.

［5] 王道平，张义忠.故障智能诊断系统的理论与方法［M] .北京：冶金工业出版社，2001.

［6] 汤红诚，李著信.小波变换在故障诊断中的应用［J] .仪器仪表学报，2003，24（4增）：407-409.

［7] 龚 军.相控交直电力机车微机控制系统的变流控制［J] .机车电传动，1999，2.

［8] 王 轶，冯晓云.基于数据挖掘的机车牵引变流器故障诊断［D] .成都:西南交通大学,2005.

［9] 葛哲学，孙志强.神经网络理论与MATLAB R2007实现［M] .北京:电子工业出版社,2007.

［10] 丁福锡,杜永平.机车车辆故障诊断技术的发展［J] .铁道机车车辆,2004（4）.