大功率电力机车牵引变流器的故障诊断

陶宣彤

摘 要 本文利用MATLAB/Simulink建立牵引变流器故障仿真模型，通过小波分析提取定子三相电流的故障特征，构造故障特征向量，作为输入训练神经网络，利用训练完成的神经网络识别故障。最后使用非样本的故障数据测试该神经网络，结果表明该网络能准确的识别IGBT开路故障。

【关键词】牵引变流器 故障诊断 神经网络 小波分析

1 引言

牵引变流器作为大功率电力机车的核心部件之一，其在能量转换时起着关键性作用。对于牵引变流器而言，IGBT、支撑电容等是其中的关键部件，是整个牵引变流器功能实现的基础。机车的牵引变流器通常在大电压、大电流的条件下，在IGBT开通与关断的过程中，电路的电流变化率很大，继而由于回路中的分布电感而产生尖峰也很大，大大增加了开关管过压损坏的可能性；同时，在高频开关状态下，特别是在高电压、大电流条件下，IGBT发热造成过温的可能性更大，发热严重，更容易引发故障。因此，对开关管IGBT开展故障诊断研究有重要意义。

HXD1C机车牵引系统采用的是牵引变压器、牵引变流器及异步牵引电动机构成的交流传动系统。机车采用轴控方式，牵引系统共装有6套牵引绕组、6个四象限整流模块、6个牵引逆变模块及6台牵引电机，这些设备一一对应进行电气连接，并独立控制。牵引变流器采用IGBT作为功率器件，水冷散热，散热效率高。本文主要对牵引变流器逆变部分的IGBT开路故障进行故障诊断研究，逆变器拓扑简图如图1所示。

2 牵引变流器逆变部分仿真模型的建立

为获取故障诊断系统所需的开路故障信号，本文基于MATLAB/Simulink软件构建了基于矢量控制策略的仿真模型。“control”模块中包含了静止三相-两项变换（3/2变换）、转子磁链观测、PI调节等模块。通过仿真测量电机定子的三相电流，作为故障诊断的分析对象，搭建的仿真模型如图2所示。

3 小波分析的引入及故障特征的提取

变流器的输出电压或者输出电流波形的变化含有变流器故障位置和故障类型等信息，从中快速的、精确的提取出故障特征，是故障诊断研究的关键。近年来，小波分析备受研究者的重视，它不仅在数学上形成了一个新的分支，而且广泛应用于信号处理、图像处理和模式识别等领域。本文结合大量的资料，并做了多次的仿真实验对比，采用db3小波进行6层小波分解，提取三相电流的低频系数a6，获取每个系数对应的能量值，将能量值按顺序排成一个向量，构成对应于某一个故障的特征向量。

利用上述的提取故障特征向量的方法，对变流器的故障特征进行提取。

4 故障模式及编码

本文只考虑单只开关管故障的情况，变流器三相桥臂上一共有6个开关管，采用三位二进制数对故障进行编码，具体编码如表1所示。

5 神经网络故障模型的建立及仿真

误差逆传播（errorBackPropagation，简称BP）算法是迄今最成功的神经网络学习算法，现实任务中使用神经网络时，大多是在使用BP算法进行训练。开关管的断路故障与逆变器的输出电流波形变化之间具有较强的非线性关系，利用BP神经网络的学习能力以及其输入与输出的非线性映射关系，使得小波分析结果与故障类型之间的关系通过神经网络的学习并保存其中，用于故障诊断。

本文选用三层BP神经网络对变流器开关管开路故障进行诊断。输入层的神经元个数N1为3个，输出层的神经元个数为N3为3个，根据N2=2N1+1=7，可知隐层节点数为7个。隐含层采用正切传递函数（tansig），输出层采用对数S型传递函数（logsig），利用MATLAB神經网络工具箱来生成神经网络，采用Trainlm算法进行训练。

输入向量P1：

将训练之后的神经网络的权值和阈值冻结，输入非样本测试数据，用于验证网络性能。新的测试数据可以通过设置不同的仿真时间获得。

测试结果如表2所示。

由表2可知，实际输出与期望输出达成一致，所建立的神经网络具有较好的识别能力，能够进行故障诊断。

6 结束语

本文运用小波分析和神经网络技术对变流器逆变部分进行故障诊断研究。通过MATLAB/Simulink建模仿真，获取单管故障时定子三相电流的波形，利用小波分析提取故障特征，将处理过的故障特征数据输入神经网络对其进行训练，利用神经网络进行故障诊断。通过仿真实验证明，该方法可以有效的进行故障识别及定位。

参考文献

[1]刘志刚.电力电子学[M].北京：清华大学出版社，北京交通大学出版社，2004.

[2]周志华.机器学习[M].北京：清华大学出版社，2016.

[3]崔锦泰.小波分析导论[M].西安：西安交通大学出版社，1997.

[4]孙召瑞，贾友军，房玉胜，等.MATLAB神经网络工具箱在故障诊断中的应用[J].兰州工业高等专科学校学报，2004，11（04）：12-15.

作者单位

西南交通大学电气工程学院 四川省成都市 610031endprint