变分模态分解在地铁车辆熔断器非短路损坏故障分析

靳行　林建辉　邓韬

摘要：非短路损坏故障不但增加车辆运营经济成本，而且影响运营线路的运营计划。该文针对熔断器非短路故障频发的地铁车辆，基于NI作为检测硬件设计一套故障诊断测试系统，并应用Dasylab软件搭建系统的采集部分，通过对列车运营时段的测试数据进行整体统计分析，应用VMD剔除趋势项，对偏离均值的异常数据应用VMD分析，最终找到熔断器非短路故障频发原因。结果表明，该文所设计的故障诊断测试系统与分析方法是有效并可靠的，可为工程实用提供参考。

关键词：变分模态分解;瞬时频率;熔断器;故障分析

中图分类号：U279.3

文献标志码：A

文章编号：1674–5124（2019）03–0146–05

Damage fault analysis for non-short-circuit of subway vehicle fuse based on VMD method

JIN Hang， LIN Jianhui， DENG Tao

（State Key Laboatory of Traction Power， Southwest Jiaotong University， Chengdu 610031， China）

Abstract： Non-short-circuit damage usually causes the addition of economic cost during vehicles operating， still， this affects the operating line plan or strategy. In this paper， a set of fault diagnosis test system is designed based on NI instruments as hardware-detection for metro-vehicles with frequent non-short-circuit faults in fuses. The data collection of the system have been built by Dasylab software. Under the overall statistical analysis of the test data during train operation， the trend items are eliminated by VMD ， VMD analysis is applied to the anomaly data which has the deviated mean values， to work out the causes of the frequent non- short-circuit faults of the fuse. The results show that the fault diagnosis test system and the designed analysis method in this paper is effective and reliable， which can provide reference for practical engineering.

Keywords： vibrational mode decomposition; instantaneous frequency; fuse; fault analysis

0 引言

為确保地铁车辆正常运营，对地铁车辆受流器熔断器非短路熔断进行故障诊断具有重要意义。受流器作为车辆电气关键部件，电路原理与受电弓相似，作用将电能从导电轨动态引入车辆的连接装置，为整个车辆提供电能，受流器熔断器则对车辆进行短路及过流保护，保障主电路安全[1]。熔断器非短路情况下损坏虽不会带来安全方面问题，但会对列车运营与维护带来较大压力[2]，增加车辆运营成本，影响运营线路的运营计划。第三轨接触供电车辆电流多采用IEC标准，为直流多采用DC750V或DC1500V[3]。与受电弓供电方式不同，动车转向架两侧都有一个受流器，列车有多个受流器同时为车辆供电。当通过最大断电区时，会出现工作受流器减少的情况，因此熔断器选型时，会参考该不同型号的特性曲线进行选择[4]。车辆出现批量性熔断器熔断时，几乎不可能是常规的过流保护熔断，而国内外文献对此类故障报告较少。

受流器供电为直流，因此受流器电流常规认为是线性的稳态信号，多采用统计的方式来判断故障。然而在实际工作中，在列车通过断电区时，由于工作受流器的数量不定，电流信号是非稳态非线性的。因此时频分析可以更有效的判断分析非稳态信号，常用的时频分析法有短时傅里叶、小波变换[5]以及近年来最流行的希尔伯特-黄变换[6]（HHT）。2014年，Konstantin Dragomiretskiy与Dominique Zosso首次提出变分模态分解[7]（variational mode decomposition，VMD），是一种新的信号预处理方法。作为一种新方法，VMD在提取振动分量、剔除趋势项具有明显的优势[8]，国内对VMD方法进行了研究，高艳丰等[9]将VMD与TEO能量算子相结合，应用在高压输电线路雷击故障行波检测中，解决了雷击点和故障点不一致时的故障定位问题。张亚超等[10]将VMD与样本熵项结合，有效提高短期风电功率多步预测的准确性。武英杰等[11]将VMD应用到风电机机组传动系统不平衡故障诊断中，对故障诊断起到良好的效果。在齿轮箱故障与滚动轴承故障方面，VMD也有不俗的表现[12-13]。

根据TRL（technology readinesslevels）[14]判定，针对国内某地铁线路熔断器非短路故障频发，本文在文献[1]的基础上，完成TRL6，通过现场环境应用检测设备收集大量数据，对整体数据进行统计分析后，应用VMD剔除趋势项，并分析过断电区时受流器供电电流情况，最终找到熔断器非短路故障频发原因。结果表明，受流器受流不均与断电区冲击扰动引起的集肤响应，共同作用是导致熔断器非短路故障的原因。

1 VMD原理与算法

VMD方法在获取BIMF分量时，与传统EMD方法原理有相似之处，但其摒弃EMD方法需要循环筛选极值的处理方法，而是将信号的分解引入到变分模型中进行解决，以最优解的过程寻找约束变分模型，从而实现信号的分解，在此过程中，每个BIMF分量的中心频率和带宽不断地相互交替迭代更新，最后自适应地分解信号的频带，得到预设尺度的K个窄带的BIMF分量。变分约束问题为

式中：uk——模态函数集;

ωk——每个模态函数集的中心频率;

δ（t）——脉冲单位函数。

为了解决上述约束最优化问题，VMD算法在实施过程中综合运用了二次惩罚项和拉格朗日乘子法的优势，引入了增广拉格朗日函数ζ，如式（2）所示。为解决式（2）中最小化问题，用交替方向乘子法进行一系列的迭代优化找到ζ的极小值点。

式中：α——带宽参数;

λ（t）——拉格朗日乘子。

VMD算法的分解详细过程可参考文献[7]。首先通过统计分析找到可能引发故障的数据，然后采用VMD分解，得到BIMF后进行希尔伯特变换，得到希尔伯特瞬时谱，便于进行进一步的故障诊断分析。

2 检测系统设计

检测试验对象为某地铁车辆，为了全面了解车辆状态，需要对车辆全部受流器电流、网压、车辆速度、车辆控制信号、车辆空簧压力、受流器电火花进行在线检测。

参考GB/T25890-2010《轨道交通地面装置直流开关设备》[15]与JJF1087-2002《直流大电流测量过程控制技术规范》[16]相关技术及车辆设计合同参数，对故障检测系统进行设计，整体系统设计思路需确保不影响车辆正常运营的情况下，对车辆相关参数进行收集。当列车牵引速度70km/h时，列车牵引最大电流为7200A，全列车有8台受流器同时参与工作时，考虑10%的电流负担的不平衡，每个受流器通过电流990A;车辆通过断轨区域时，最多3个受流器脱离三轨，此时每个受流器通过电流约1584A。因此电流传感器线性量程采用2000A。同理，电压、空簧压力、速度及紫外传感器根据车辆情况选择相应量程，所有传感器安装于车下。基于实际工程考虑，采用NI9218通用模拟输入模块完成A/D转换，单通道支持最大采样频率51.2kS/s，通过网线与试验计算连接，试验计算机放置与司机室，便于试验人员对试验数据进行观察。

软件部分应用Dasylab将NI采集数据保存试验计算机中。使用到Analog Input模块采集NI传输数据，经过Digita filt模块进行抗混叠滤波，Formula Interpreter模块进行灵敏度校准，最后通过Write Data模块对数据进行保存。

3 检测结果分析

3.1 熔断器故障原因猜测

故障诊断的一般方法都是通过猜测-验证-确认的方式进行，因此在本文案例中，通过供货商提供的X-Ray检验报告，发现故障熔断器内部熔体排布均匀，不存在焊接点脱落，熔体断裂不良等情况，如图1所示。

进一步在显微镜下观察熔体，发现部分狭径存在拉伸变形，如图2所示。

非短路损坏时熔断器只有少数“狭径”熔断，而短路损坏时则为熔断器所有“狹径”全部熔断。根据X-Ray与显微镜状态可以初步猜测是熔断器在非短路情况损坏。

3.2 熔断器电流统计结果

对车辆总电流有效值与空簧压力进行联合统计，如图3所示，空簧压力与受流器电流总体上相关（1bar=105Pa），客流高峰时段空簧压力增大，受流器制动电流明显增大，但是牵引电流有效值幅度变化不明显，电流有效值满足车辆设计要求，低于7200A。

由于地铁车辆运行存在早晚高峰情况，因此对早晚高峰时段所测受流器电流不同工况有效值进行统计。定义靠近1车方向为前端，靠近6车方向为后端，面朝行进方向定义左右两侧。车辆上行时，前端为行进方向，如图4所示，早高峰时，主要为右侧受流器供电。当经过岔道时，右侧受流器短暂时间与三轨断开，左侧受流器承担供电工作，因此左侧受流器全程受流有效值远远小于右侧受流器全程有效值。车辆在运行过程中，右侧受流器有效值3车、4车牵引有效电流明显大于2车、5车，牵引电流负载的不平衡最大27%。

晚高峰时段，车辆后端为行进方向，供电三轨在车辆左侧与受流器接触，如图5所示，2车前后端牵引电流负载的不平衡高达35%。由此可见，车辆受流器间电流负载的不平衡超出设计考虑上限10%。

如图6所示对单个受流器进行分析，存在3个电流瞬时峰值大于1500A的位置，根据地铁车辆线路图与公里标进行比对，发现1500A峰值均出现在断电区附近。

为了验证熔断器电流是否超过熔断特性曲线，对1ms电流有效值大于500A进行分段统计，每50A电流统计区间，如图7所示为3车后端右侧上行早高峰电流有效持续时间统计结果，最大瞬时电流为2358A（根据采样间隔0.1ms），由于只是峰值电流，持续时间低于1ms，1ms取有效电流为1546A。对所有大于800A电流做统计，最大持续时间为950ms，电流有效值为884.5A。

结果表明，车辆正常运营状况下，受流器电流大小与持续时间远远低于熔断标准，不足以使熔断器出现熔断。

此外，紫外传感器显示，车辆全程并无明显的火花，因此这里忽略展示。

3.3 VMD对峰值电流的分析

由图6可知，找到峰值区间段，峰值部分数据做VMD分解，层数K=4。为了得到较好的带宽，带宽系数α等于采样频率的两倍。经过VMD分解后，发现VMD很好地将直流电趋势分解在第一层，同时第二、三、四层分别为交变电流项。峰值处明显存在一个瞬时交变电流，如图8所示。

剔除直流电趋势项，对其余BIMF2-BIMF4做希尔伯特时频谱，如图9所示，在电流瞬时峰值处，牵引直流电包含明显的瞬时交变电流，在100Hz以下的调频条幅信号中，能量幅值与图8一致，瞬时谱中在峰1.4769s处有效值720A，瞬时频率为44.8Hz，对应的BIMF1稳定的质量电流为961A。实际上受流器与三轨间是存在一定间隙的，尤其在进出断电区附近，近似一个可变电容。从而组成一个简单的单频回路。由于间隙的存在因此冲击扰动是普遍的，这种冲击扰动随机性极强，有时很严重，有时又很轻微。通过VMD的分析发现，当车辆通过断电区时，冲击扰动的破坏非常严重。

综上分析引起车辆熔断器故障频发的原因由以

下2点：

1）车辆牵引过程中，由于牵引电流受流器分布不均匀，导致个别受流器电流偏大。

2）当通过断电区时，受流器与三轨间隙导致产生交流电流冲击扰动，由于交变电流引起的集肤效应长期作用。

在两者共同作用下，熔断器狭径拉伸变形，熔断器特性曲线将逐渐退化，引起的熔断器少数“狭径”熔断非短路损坏。为了避免非短路损坏的再次发生，需要对受流器电流分配进行重新调整，并重新设计车辆ATO，尽量采用惰行通过断电区。

4 结束语

本文针对受流器熔断器非短路损坏问题，详细阐述了实验系统设計到分析过程。提出了一种是应用于受流器故障的诊断方案

1）应用NI作为A/D硬件采集，使用Dasylab收集分析数据。

2）应用统计的方法，观察数据整体，然后应用利用VMD分解的方法，剔除趋势项，对局部瞬时频率进行分析。

所用分析数据均为某地铁车辆实测的客观准确数据，方法与结论不仅解决实际故障原因，降低车辆维护成本。对未来车辆牵引线路设计与故障诊断提供了先验性的结论，是为列车安全运营提供了有力的保障。

参考文献

[1]汪永明，程卫群，靳行.阿根廷布市萨缅托线（Sarmiento）电动车组受流器熔断器频繁烧损原因分析及对策[J].现代国企研究，2015（02）：150-151.

[2]王丹，韩振兴，方晓.广州地铁4号线列车接触轨受流主电路熔断器故障原因分析[J].城市轨道交通研究研究，2013，16（10）：124-126.

[3]尹洪权.地铁车辆受流器与第三接触轨稳定性研究[D].成都：西南交通大学，2016.

[4]李颖，华才倩，张维维.地铁车辆受流器的设计研究[J].世界轨道交通，2016（12）：58-59.

[5]奥本海姆A.V.离散时间信号处理[M].刘树棠，译.2版.西安：西安交通大学出版社，2001：145-155

[6] HUANG N E， SHEN Z， LONG S R， et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non- stationary time series analysis[J]. Proceedings of the Royal Society A-Mathematical Physical and Engineering Sciences， 1998， 454（1971）： 903-995.

[7] DRAGOMIRETSKIY K， ZOSSO D. Variational Mode Decomposition[J]. IEEE Transactions on Signal Processing， 2014， 62（3）： 531-544.

[8] MARKERT R， WANG Y. Filter bank property of variational mode decomposition and its applications[J]. Signal Processing， 2016（120）： 509-521.

[9]高艳丰，朱永利，闫红艳，等.基于VMD和TEO的高压输电线路雷击故障测距研究[J].电工技术学报，2016（1）：24-33.

[10]张亚超，刘开培，秦亮.基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型[J].电网技术，2016（5）：1334-1340.

[11]武英杰，甄成刚，刘长良.变分模态分解在风电机组故障诊断中的应用[J].机械传动，2015（10）：129-132.

[12]石敏，李影，王冰，等.基于变分模态分解的齿轮箱故障诊断[J].电力科学与工程，2016（1）：23-26.

[13]刘长良，武英杰，甄成刚.基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J].中国电机工程学报，2015（13）：3358-3365.

[14] MANKINS J C. Technology reaniness levels[M]. White Paper， 1995.

[15]轨道交通地面装置直流开关设备：GB/T25890-2010[S].北京：中国质检出版社，2010.

[16]直流大电流测量过程控制技术规范：JJF1087-2002[S].北京：中国计量出版社，2002.

（编辑：徐柳）