基于数据驱动的高速列车牵引控制系统微小故障辨识

付彩欣， 赵塔

(中车长春轨道客车股份有限公司， 吉林, 长春 130000)

0 引言

随着我国城市交通水平的不断提高，轨道客车的应用在人们出行与货物运输等方面占据了很大的比重，列车的数量、质量、技术水平直接影响着整个城市运输行业的发展规模与发展速度。与此同时，列车运行安全性与稳定性给运输体系的现代化建设提出了要求。列车系统结构复杂、部件耦合程度高、参数种类多。随着运行时间的增加，牵引系统将暴露于恶劣的运行环境和超载条件下，这将会直接导致系统状态退化或系统故障的产生，而且运行过程中出现的故障一般难以分析处理。一旦发生突发故障、严重故障将会在各个系统之间相互传递，轻则导致列车停运，重则引发重大故障，危及人民群众的生命财产安全。牵引传动控制系统是高速列车的核心单元，主要包括受电弓、高压电器、变压器、变流器和牵引电机部分。其中，变压器、变流器和牵引电机构成了传动系统的主要电路。一般来说，高速列车牵引控制系统中的主要故障包括机械故障、电气故障和传感器故障。本研究主要针对列车牵引系统的故障诊断问题，采用一种改进主成分分析方法对实车数据的特征进行提取，根据故障特征实现系统故障检测，通过中南大学的牵引控制系统故障注入平台生成正常状态数据与故障状态数据用于分析，通过故障检测的结果验证方法的有效性。

目前，国内针对列车牵引系统故障诊断问题展开研究的院校主要集中在北京交通大学、西南交通大学、南京航空航天大学等。北京交通大学团队[1-3]针对列车牵引供电系统的远程故障诊断提出了相应的策略。可以看出，牵引系统的故障诊断问题是列车故障诊断问题的重要研究方向。与基于模型的诊断方法不同，数据驱动的故障诊断方法不需要精确的机理模型作为诊断前提，因此对于采样频率较高的牵引系统来说，更为适用。本文基于目前行业内对故障辨识的需求入手，通过一种改进的主成分分析与深度学习的联合方法解决牵引系统的微小故障辨识问题。

1 高速列车牵引系统结构分析

动力分散型高速列车牵引系统多采用交流传动，其牵引传动系统中高压设备主要包括受电弓、高压隔离开关、电流互感器、真空断路器、避雷器以及高压电缆组件[4-5]。其主要结构包括牵引变压器、四象限整流器、中间直流环节、牵引逆变器、牵引电机、齿轮箱等动力单元。动车组受电弓从接触网可以获得AC 25 kV/50 Hz电源，以满足车辆牵引特性的需求，牵引电机需要电压频率均可调节的三相交流电源。具体结构如图1所示。

图1 牵引传动系统原理图

牵引系统的主要作用是在牵引启动时将电能转化为机械能，制动时将机械能转化为电能[6]。从图1可以发现，列车牵引运行时，受电弓将接触网AC 25 kV单相工频交流电经过相关的高压电气设备传递给主变压器，主变压器降压输出单相交流电供给牵引变流器。牵引变流器中包括脉冲整流器、中间直流环节和牵引逆变器。目前，列车采用的三相异步电机较直流电机相比优势明显[7-8]。由于不存在换向器和电刷装置，可以充分地利用空间。在高速范围内因不受换向器电机中电抗电势及片间电压等换向条件的限制，可以输出较大的功率，再生制动时也能输出较大的功率。然而，牵引系统在大功率的情况下持续运行时系统会发生一系列微小变化与状态退化最终导致故障的产生。牵引电机的采样频率高，在实际运行过程中会采集到大量的数据用以分析，对于此类复杂的机械结构，耦合关系复杂，部件之间相关性强，传统的建模方法对前期模型建模准确度的要求极高，若无法获取到精确的解析模型则数据驱动方法是更好的选择。因此，本文采用一种改进的主成分分析与深度学习的联合方法实现故障辨识任务。

2 基于改进主成分分析与深度学习的故障辨识

主成分分析方法是一种可靠的、简单的多元统计分析工具，它可以捕捉变量之间的相关性。本文所采用的改进主成分分析方法是根据线性投影的思想挖掘更准确的信息，以实现对微小故障检测问题其主要原理是将主成分分析方法分解出的2个子空间继续分解，探寻更深层次的数据信息。

对于来自电气驱动系统的归一化数据X，其协方差矩阵S可以写为

(1)

对S进行奇异值分解可以得到：

(2)

其中，Λ0,1∈Rm×m=diag(λ0,1,…,λ0,m)，λ0,i按降序排列，i=1,…,m,P1=[P1,1P1,2]为S的特征向量，P1,1∈Rm×l,P1,2∈Rm×(m-l)为X的主方向和残余方向。l为保留的主成分个数。可以将X分解为2部分：

X=X1,1+X1,2

(3)

其中，X1,1和X1,2是X位于一阶主子空间和残余子空间的矩阵。

(4)

为了在二阶主子空间和残余子空间中获取更多的信息，再一次对X1,1和X1,2进行奇异值分解，可以得到：

X1,1=X2,1+X2,2

X1,2=X2,3+X2,4

(5)

假设P1,1与P2,1为X1,1的主元方向和残余方向，P2,3与P2,4为X1,2的主元方向和残余方向，X则可以写为

X=X2,1+X2,2+X2,3+X2,4

(6)

其中，

(7)

同样，X可以分解为2j个子集。其中，j为阶数。假设P(j+1),(2k-1)为Xj,k的主元方向，则Xj,k可以表示为

(8)

(9)

其中，lj,k和Λj,k为Xj,k的主空间中的主元数量和特征值数量。Xj,k的SPE检测可以表示为

(10)

(11)

(12)

故障诊断的最终目标是对所发生故障的幅值大小进行估计，在得到故障检测的结果后，通过全连接神经网络模型对网络参数进行训练。神经网络的损失函数是基于故障真实幅值与估计幅值进行定义的，具体如下：

(13)

(14)

3 实验验证

本文通过牵引系统的故障注入平台采集故障数据，故障平台为中南大学设计的列车牵引控制系统平台[4]。该平台是基于信号调节而制作的系统故障注入平台，所测试的系统为图2所示的列车设备级或部件级。该牵引控制系统故障注入平台可以自由设置故障注入时间与观测位置。对于实际系统中无法直接测量的故障注入位置可以通过现有的故障注入位置的信号变化情况所考量，平台使用方便，可以实现不同种类故障信号的注入，从而在故障诊断等系统的实车使用前对方法进行合理的测试与验证。

图2 高速列车牵引电机

本实验的基本实验条件为采集4组变量，分别为三相电流Ia、Ib、Ic和电机转速Rs。每组变量分别采集100 000个连续的样本点用于计算，其中包括前50 000个无故障连续点和后50 000个故障样本连续点。注入故障类型为牵引电机轴承故障，故障幅值的参数设置为3，具体训练样本如图3所示。

故障检测结果，如图4所示。其中，Tp表示一阶主子空间检测结果，Tr表示一阶余子空间检测结果，Tpp表示二阶主子空间检测结果，Tpr表示二阶余子空间检测结果。前50 000个样本点为无故障样本，后50 000个样本为故障样本。从图4可以明显地看到，在故障注入后检验统计量的变化极为明显，可以很清楚地看到故障的发生。图5给出了幅值为3的电机轴承故障辨识结果，从第100个样本开始注入故障，可以很明显地观察到故障的幅值估计结果。综上，实验验证证明了改进主成分分析与深度学习联合方法的有效性。

图5 故障辨识结果

本文研究的高速列车牵引电机系统是采样频率较高的机械系统，在实验设计过程中每秒可以生成100 000个样本点，因此改进主成分分析的方法可以解决对高频采样系统的故障检测问题，使之更易于在线实现。从方法的设计上，对联合方法的深度信息进一步挖掘可以很好地实现微小故障辨识、早期故障辨识等问题。在故障诊断的层面上对高速列车牵引系统中普遍存在的微小型故障更为敏感，能尽早地发现问题，并为实际列车的操作人员们提供更多的时间去补救维修。

4 总结

本文对高速列车牵引系统的微小故障辨识问题进行研究，根据改进主成分分析方法对实际数据的信息进一步挖掘实现故障检测。与偏最小二乘方法相比，改进主成分分析方法是通过对子空间的进一步奇异值分解得到，更注重于载荷与质量之间的相关性。通过相关性信息来提高传统主成分分析方法的故障检测能力，并结合深度学习方法联合实现微小故障的辨识，从结果可以看出，本文所提出的联合方法可以有效地实现牵引系统的故障辨识，并且对于这类非线性复杂系统的实际故障具有较高的敏感性，避免了基于模型的故障诊断方法中对模型参数的计算过程。

在轨道客车领域中，列车的稳定运行是保障人民群众生命财产安全的重要前提。作为列车中最为关键的牵引系统，能够有效地、准确地实现微小故障辨识问题，精确跟踪系统状态的意义重大，既能够将问题及危害尽早消除，也为车辆的库修与系统维护提供了理论指导。