基于神经网络动车组牵引电机定子匝间故障诊断系统设计

褚云博

（辽宁铁道职业技术学院 辽宁锦州 121000）

2020 年中国国家铁路集团有限公司发布了《新时代交通强国铁路先行规划纲要》，纲要中提出到2035 年全国建成铁路网20 万公里左右，其中高铁7 万公里左右。截止2020 年7 月，我国动车保有量3600 标准组，日均开行动车组7000 列。“京张高铁”开启了我国智慧高铁的新时代。智慧高铁主要包括智慧装备和智慧运维等方面，对于动车组的检修和运用，智慧动车组可以完成“自感知、自诊断、自决策、自适应、自修复”等功能；智慧运维技术可以利用人工智能和大数据等手段对动车组各设备进行早期故障检测和健康管理。

目前，我国运行的动车组普遍采用三相鼠笼式异步电动机作为其牵引电机。牵引电机作为动车组机电能量转换的关键部件，其运行状态直接关系到动车组运行的安全性和检修成本。动车组牵引电机采用吊挂的方式安装在转向架上，由于其工作条件恶劣，并且在工作过程中经常受到热应力、机械应力和电磁力的作用，牵引电机经常发生定子绝缘、转子断条、轴承破损和气隙偏心等故障。在牵引电机的各种故障当中，定子故障约占所有故障的30%-40%，主要原因是由于牵引电机绝缘老化，并且动车组牵引电机变流器输出的电压波形为PWM 和方波，对牵引电机的定子绝缘系统造成过电压冲击。当动车组发生相间绝缘和对地绝缘故障时会触发相应保护，而当牵引电机产生发生匝间故障时，故障特征微弱，TCU（动车组牵引控制单元）难以检测，匝间故障会随时间不断扩展，进而发展到对地短路故障和相间故障。

随着大数据和人工智能技术的发展，人工神经网络已经成功应用于各种设备的故障诊断当中，人工神经网络具有结构相对简单和鲁棒性好等优点。提出了基于人工神经网络动车组牵引电机匝间短路故障的系统结构，故障特征提取方法。该诊断方法可以在定子绕组匝间短路故障初期完成故障的检测、故障程度判断和匝间短路故障的定位。

1 故障诊断系统的组成

如图1 所示，基于神经网络的电机匝间短路故障诊断系统主要包括信号的预处理部分、特征提取部分和神经网络分类器三部分[1]。牵引电机通过牵引系统自有的电流传感器或附加安装的加速度传感器采集牵引电机信号电流和震动等信号。电机信号经过滤波等预处理，得到故障诊断系统可用的信号。为了能够充分反映牵引电机匝间短路的故障现象，需要选取信号中合适的量值作为故障特征输入到神经网络分类器。神经网络分类器通过故障特征对分类，可以检测动车组牵引绕组匝间短路故障、评估故障程度和定位匝间短路位置。

2 故障特征提取方法

当动车组牵引电机定子绕组发生匝间故障时，初期故障特征微弱，采用可靠的故障特征提取方法是能够在早期进行正确诊断的基本。表1 列举了目前常见的故障信号提取方法，与传统的频域分析方法FFT变换相比，小波变换、WVD 和Hilbert-huang Transform 变换更适合对牵引电机表现出的非平稳信号进行故障特征提取。

表1 常用故障特征提取方法

3 神经网络在故障诊中的应用

随着人工智能技术的发展，人工神经网络、SVM（支持向量机）、贝叶斯网络、随机森林等算法已经在成功应用于各个领域。其中，很多学者在研究基于神经网络的设备故障诊断技术。图2 为采用神经网络作为分类器对电机的故障进行识别。人工神经网络故障诊断与传统的故障诊断相比有主要有以下三个优点，首先，神经网络故障诊断方法不但能在模式空间内形成各种复杂的判决界面，而且网络具有自适应能力，网络既能自适应学习，又能自适应调节网络的大小；其次一般的神经网络故障诊断方法兼有模式识别和特征提取的功能；再次神经网络对输入模式信息的不完备性或特征的缺损不太敏感，也就是说神经网络具有容错性，和传统的故障诊断方法比较起来，神经网络故障诊断方法在背景噪声统计特性未知的情况下，其性能更好。

图2 神经网络对电机信号分类

目前应用于电机故障诊断的神经网络共有十余种，其中具有被学者具体研究的主要包括多层感知器(MLP)网络、BP 神经网络、径向基神经网络（RBF）、自组织映射神经网络（SOFM）、概率神经网络（PNN）、盒中脑(BSB)模型、细胞神经网络(CNN)和Elman 神经网络等。根据牵引电机的实际应用情况，采用自组织映射神经网络（SOFM）可以对牵引电机的匝间短路故障进行诊断，并可以对牵引电机的绝缘状态进行评估。

4 结论

智慧高铁对智能动车组和智能运维技术提出了新的要求。牵引电机定子匝间绝缘是电机绝缘最薄弱的绝缘结构，对其进行短路的故障监测和故障诊断意义重大。利用小波变换等先进的时频信号分析技术，提取牵引电机的故障分量；采用自组织映射神经网络（SOFM）对故障特征进行识别，可以检测牵引电机匝间短路故障、评估故障程度和故障定位。