基于IBA-LSSVM的轨道交通辅助逆变器故障诊断
2022-04-12张佳佳高军伟
张佳佳， 高军伟
(1.青岛大学 自动化学院； 2.青岛大学 山东省工业控制技术重点实验室，山东 青岛 266071)
0 引言
轨道列车辅助逆变器(SIV)直接由受电弓取电,主要用于向空压机、空调设备、通风装置等用电设备供电[1]。据统计，辅助逆变系统故障引起地铁车辆故障的发生率最高，尤其以IGBT故障最为突出[2]。文献[3]提出了基于MEEMD和GRNN实现对故障信号提取和诊断，但仅针对频率变化、电压波动、脉冲暂态等故障进行了研究。针对多种开路故障，文献[4]采用小波分解方式，但需要繁复选择小波基；文献[5]采用EEMD分解及提取能量的方式，但该方法存在重构误差。该文采用ICEEMDAN分解法，自适应原始信号特征分解出IMFs，接着提取能量矩特征向量。最后采用IBA-LSSVM模型进行诊断，使用改进蝙蝠算法对影响LSSVM模型精度的两个参数进行优化，使参数组合能够最大化反映整个样本空间的特性。经过MATLAB仿真实验可以看出，该文采用的特征提取、诊断方法准确可靠，且兼具快速性。
1 模型搭建
参照实际轨道交通中某地铁列车的SIV主要技术参数，在MATLAB/SIMULINK环境下搭建SIV模型的电路如图1所示,仿真电路参照实际电路，主要技术参数如表1所示。
其中三相逆变桥中六个电压型IGBT的门极脉冲宽度调制频率为50 Hz，采用SPWM调制方式。
图1 主电路图
表1 主电路主要技术参数
2 故障信号特征提取
2.1 ICEEMDAN算法
CEEMDAN是在EEMD的基础上发展的一种改进的算法，解决了EEMD分解产生重构误差的问题[6]，但会在早期阶段会产生虚假分量，而ICEEMDAN方法可以有效改善这个问题，确保分解出来的分量有效性[7]。对于待分解信号x(n)，Ek(·)为IMF分解的第k个分量，w(i)表示高斯白噪声，E1(x)=x-M(x) ，符号<>表示取均值，M(x)表示包络计算。ICEEMDAN的分解步骤如下：
(1)定义E1(x)=x-M(x),对于xi(n)=x(n)+β0E1(w(i))，其中i=1,2,…，I，得到第一残差r1=
(2)通过r2=M
(3)对于j=3,4,…,J,rj=
(4)重复以上步骤直到得到所有分量。
2.2 能量矩故障特征提取
为降低特征向量维度，提升运算速度，结合实际选取经过ICEMMDAN法分解产生与原信号相关系数大的后5个IMFs分量。可根据式(1)来计算第k个IMF的能量。
(1)
(2)
式中：n为取样点的数量；Dkj是IMFk在j取样点的幅值大小。最后按式(3)做归一化处理。
T=(En-4/E,En-3/E,…En/E)
(3)
归一化能量矩可以在体现展示能量大小的同时显示能量分布特性，简单实用。
3 IBA- LSSVM的故障诊断模型
3.1 改进的蝙蝠寻优算法
蝙蝠算法是Yang X S在 2010年提出的一种元启发式算法，每只蝙蝠代表一个可行解[8]。蝙蝠在迭代过程中脉冲频率、速度和个体位置的更新方式如下：
fi=fmin+(fmax-fmin)·β
(4)
(5)
(6)
(7)
(8)
(9)
其中：γ与脉冲频率的增强系数∂为响度的衰减系数，结合实际情况该文中取γ=0.9，∂=0.9。
随着迭代不断进行，速度受上一代影响系数不变，以较大的速度进入局部寻优，导致算法收敛速度慢，局部搜索能力不足。采用指数递减惯性权重w来改进蝙蝠飞行的速度变化趋势，可以延续早期较优的全局搜索能力的同时提升后期的局部搜索能力：
w(t)=wmin*(wmax/wmin)1/(1+ct/tmax)
(10)
(11)
其中：wmax，wmin分别表w的最大最小值，选取为0.9和0.4；参数c决定了惯性权重下降的速度，取c=5。当tmax=100时指数递减惯性权重w随迭代次数t变化趋势如图2所示。
图2 变化趋势图
由于蝙蝠算法后期运行时受局部最优值影响较大，借鉴花朵授粉算法自花授粉过程的寻优策略[9]来获得跳出局部最优的能力。改进的局部搜索阶段位置更新公式：
(12)
(1)初始化参数:设定种群数量n,最大脉冲音量A0,最大脉冲率r0和最大迭代次数tmax；
(3)按照式(11)更新vi，按照式(4)(6)更新fi和xi；
(4)生成随机数rand，若rand≥ri，按式(12)产生随机新解，若rand (6)计算当下各蝙蝠位置的适应度，找出拥有最优适应度蝙蝠位置； (7)重复步骤(3)～(6)直到满足最优解条件或者到达最大迭代次数。 最小二乘支持向量机把SVM中的不等式约束变成等式约束,计算复杂度得到降低[10-11]，提高运算效率和收敛精度。使用LSSVM做分类预测时，RBF核函数的参数σ和错误惩罚因子C的选择对模型的学习能力和分类结果的有较大影响力。改进的蝙蝠算法具有并行全局寻优能力，在搜索过程中保证在算法收敛的同时，能保证算法避免早熟收敛.运用IBA来进行LSSVM的参数寻优，获得最佳(C，σ)组合。实施流程图如图3所示。 图3 IBA-LSSVM流程图 在实际列车运行中，极少发生三个或者三个以上IGBT开路的情况，常见IGBT单管和双管故障，共21种情况[12]。其中单管故障(6种)；双管故障包括三大类：同桥臂(3种)、不同桥臂相同位置(6种)、以及不同桥臂不同位置(6种)。通过关断相应IGBT门极信号模拟IGBT开路故障。以A相桥臂故障为例选取IGBT1，IGBT2，IGBT1和2，IGBT1和3，IGBT2和4，IGBT2和6，IGBT1和4，IGBT1和6开路故障及正常运行等9种情况为研究对象。 采用ode23t采样算法，得到仿真时间0.4 s，三相电压波形，如表2所示。 表2 三相电压波形 每种状态各相电压均以0.12 s为周期采集90组数据，随机选取训练集、测试集、验证集各30组。IGBT1故障A相电压经ICEEMDAN分解图如图4所示，最终得到的降维后的特征向量如表3所示。 图4 ICEEMDAN分解图 表3 部分情况特征向量表 图5 适应度变化曲线 表4 不同分类算法比较 为进一步突出 IBA-LSSVM分类效果，导入30组验证集，诊断结果如图6所示。 图6 各模型诊断结果 由标准的LSSVM分类预测模型对验证集的诊断的正确率达到96.667%， PSO-LSSVM、和BA-LSSVM分别为98.148%和98.519%，而IBA-LSSVM的正确率高达99.259%，说明IBA-LSSVM具有很高的诊断精度。 该文采用ICEEMDAN和改进蝙蝠算法对LSSVM参数寻优相结合的辅助逆变器IGBT开路故障诊断模型。首先对0.12 s内相电压信号分别采用ICEEMDAN分解得到多个固有模态函数(IMFs)，然后计算IMF的能量矩并且根据实际情况降维，从而获得能够准确区分不同信号特性的能量矩特征向量。降维后的特征向量能够较为准确地反映不同故障类型，大大提高了后期诊断的速率和准确率。优化算法部分为提高蝙蝠算法的寻优收敛速度和获得跳出局部最优的能力，在采用了指数递减线性权重w和基于花朵自花授粉策略的随机变异法。通过仿真实验可以看出，改进蝙蝠算法优化 LSSVM模型诊断速度和精度都具有很大优势。为列车辅助逆变器智能健康监测和快速诊断定位，提供了一定参考。3.2 IBA-LSSVM模型
4 仿真和实验研究
4.1 仿真实验
4.2 对比分析
5 结语
