一种基于支持向量分类机的接触器故障诊断方法

杨家伟，曾威嶂，朱文龙，徐海龙，张中景

（株洲中车时代电气股份有限公司， 湖南 株洲 412001）

0 引言

接触器被广泛应用于电力、配电与用电场合。其利用电流流过线圈产生电磁吸力与弹簧的反力特性，可频繁地接通与断开大电流控制电路或交、直流主电路，起到连接/隔离电气回路、控制系统逻辑时序的作用［1］。近些年，对接触器的研究多通过力学分析软件研究触头运行特性［2-4］。如文献［4］对接触器的动态特性进行了全面研究，通过建模和仿真分析，对接触器参数进行逐个分析和优化设计，但并未实现接触器关键参数关联关系的完全理论推导及实验验证。

在接触器正常工作服役期间，其运动特性及参数的变化很难被捕捉到。在大多数工业环境中，接触器的健康状态是通过研究其动作时间来判断的［5-7］；而实际工业应用时，接触器供电电压和温度大多数情况下是不稳定的，由此将带来接触器线圈电流、吸合力和动作时间等参数的变化。因此，仅仅通过研究接触器动作时间来判断接触器健康状态是远远不够的。

本文针对接触器吸合过程中衔铁的运动过程建立了动力学模型；并结合接触器动作动态过程，分析了接触器线圈电压、线圈电流、动作时间和接触器结构参数的关联关系。通过搭建实验台，进行了接触器故障模拟实验，并在实验数据基础上建立了基于支持向量分类机的故障诊断算法；同时，结合真实环境下列车牵引变流器充电过程数据进行了该诊断算法的验证实验。

1 接触器动作机理与常见故障

1.1 接触器机械系统模型

接触器通常由动铁心（衔铁）、静铁心、线圈、还原弹簧、动触头、静触头、灭弧罩等结构组成［8］，如图1所示。接触器吸合过程首先是接触器供电电源对线圈通电，由此产生磁场；在磁场作用下，接触器衔铁向下运动，使触点闭合，完成吸合过程。

图1 接触器机械系统力学模型Fig.1 Mechanical model of contactor mechanical system

当接触器线圈通电后，其周围产生磁场，衔铁受到一个向下的吸合力（电磁力），使得衔铁向下运动，而还原弹簧则产生一个向上的弹力。由此可得到接触器衔铁受迫运动的动力学方程：

式中：Fe——接触器线圈产生的吸合力；k——还原弹簧刚度；m——接触器衔铁质量；x(t)——衔铁向下运动实时行程。

接触器的吸合力与线圈匝数、相关磁路的磁阻和线圈电流有关。在接触器吸合过程，由于线圈匝数、磁阻基本不变，因此，电磁力的大小主要与吸合电压大小相关，即

式中：α——磁场参数，其值由线圈匝数、相关磁路的磁阻决定；i——线圈电流；U——线圈电压；R——线圈电阻。

1.2 接触器动作过程分析

由1.1节中受力分析可知，接触器吸合过程为受迫运动过程，可用非齐次二阶微分方程表示：

对某型号接触器而言，其刚度、衔铁质量、吸合行程、磁场参数及线圈电阻等参数在设计阶段已确定；但在使用过程中，当接触器性能退化时，其特征参数也将随之发生变化。通过式（7）可以看出，接触器动作时间、电压、电流参数之间存在关联关系，其很好地反映了接触器参数的变化规律。

1.3 接触器常见故障

受通断频繁、工作温度高等因素的影响，接触器在实际运用中出现故障的频率较高。其常见故障主要包括以下几种：

（1）卡分卡合。接触器由于性能退化、线圈老化、弹簧性能下降等原因，导致触头无法断开或者无法闭合，造成主电路无法进行正常的通断控制。

（2）辅助触头信号异常。接触器在吸合和断开过程中，辅助触头作为状态反馈结构，在频繁的动作下，会出现接触不良、信号丢失的情况，以致无法反馈接触器的吸合/断开状态信息。

（3）参数退化。在接触器寿命后期，其线圈绝缘性能、弹簧刚度及磁阻等性能参数都将发生退化，导致接触器动作响应迟缓。

2 故障诊断方法建立

通过对接触器动作机理分析得知，接触器的动作时间、电压、电流等参数可以反映其故障状态。根据这些参数的关联关系，本文提出一种基于支持向量分类机的接触器故障诊断方法，并对接触器常见的4种故障进行实验，采集了接触器电流、电压、动作时间等参数，结合实验样本数据训练模型对模型准确度进行了验证。

2.1 支持向量机算法

支持向量机（SVM）［9］是20世纪90年代由Vapnik提出的一种算法，可用于解决分类问题、拟合问题和回归问题。

支持向量分类机在分类中被广泛使用，其算法步骤如下：

2.2 接触器实验

通过搭建实验台，对接触器进行吸合实验，模拟不同类型故障；采集接触器的线圈电压、线圈电流和吸合时间参数用于建立故障诊断模型。

所搭建的接触器实验台如图2所示，其包括示波器（用于记录数据）、接触器（测试对象）、开关电源（用于向主触头端施加电压）、电流环（用于测试线圈电流）。

图2 实验台现场接线图Fig.2 Field experiment wiring

图3示出接触器实验原理。选取正常接触器，在接触器线圈两端施加109 V电压，通过电源的通与断，实现接触器的吸合和断开过程。记录接触器线圈电压、电流和动静触头电压曲线，如图4所示。

图3 接触器实验原理图Fig.3 Principle diagram of the field experiment

图4 正常接触器吸合过程电流电压波形Fig.4 Current and voltage waveforms of normal contactor in pull-in process

由图4可知，在109 V的供电电压情况下，此接触器的线圈电流为203 mA，吸合过程耗时57.6 ms。

将接触器衔铁固定，致使其无法完成吸合动作，模拟卡分故障。重复上述试验步骤，记录电压、电流波形，如图5所示。由图可知，在109 V供电电压工况下，此接触器的线圈电流不足200 mA，接触器无法完成吸合动作。

图5 卡分故障吸合过程电流、电压波形Fig.5 Current and voltage waveforms of the contactor with stuck open fault in the pull-in process

共计完成5种健康状态类别接触器实验，且每种类别接触器均进行30组实验。接触器包括：（1）正常接触器；（2）卡分故障接触器；（3）卡合故障接触器；（4）辅助触头信号异常故障接触器；（5）参数退化故障接触器。

2.3 支持向量分类机模型建立与验证

通过分析接触器的线圈电压、线圈电流和动作时间等参数，建立基于支持向量分类机的故障诊断方法，其诊断流程如图6所示。

图6 支持向量分类机故障诊断流程Fig.6 Fault diagnosis flow of support vector machine

基于SVM分类算法，将接触器中衔铁质量、弹簧刚度、线圈电流、线圈电压和动作时间作为输入，输出接触器健康度作为指标参数。不同故障类型情况下得到的指标参数不同。将各故障类型接触器进行标记，正常时，类别标签为0；卡分故障时，类别标签为1；卡合故障时，类别标签为2；辅助触头信号异常故障时，类别标签为3；参数退化故障时，类别标签为4。

将2.2节中每种接触器的30组数据均分成2个样本数据，其中15组作为训练集数据，15组作为测试集数据。

将训练集数据作为输入，选择多项式核函数进行模型训练，结果如图7所示。由图可知，对1组正常接触器和4种故障接触器训练集数据训练后，5种健康类别不存在相互重叠区间，其健康类别区分明显。

图7 样本集数据分类Fig.7 Sample-set data classification

输入剩余的15组测试集数据，基于训练数据建立的模型进行分析，得出5种接触器测试集数据诊断结果的类别标签结果如图8和表1所示。

图8 测试集数据诊断结果Fig.8 Diagnostic results of test-set data

由表1可知，基于支持向量分类机的诊断结果准确率均超过93%，具有很高的分类准确率，在工程上有较高的应用价值。

表1 测试集数据诊断结果Tab.1 Diagnostic results of test-set data

3 接触器故障诊断验证实验

本文基于某动车组牵引变流器进行电容器充电实验，实现接触器吸合和断开动作过程。该变流器主电路如图9所示，牵引变流器充电过程中，先闭合充电接触器KM4；当电容器Cd两端的中间电压上升到2 667 V时，闭合短接接触器KM1，而后将中间电压充至3 000 V。

图9 某动车组牵引变流器电容器充电回路Fig.9 Capacitor charging circuit of an EMU traction converter

采集充电接触器多次动作过程的数据，通过支持向量分类机方法进行诊断，结果如图10所示。

由图10可知，正常接触器的10次充电过程的诊断结果类别标签始终为0，代表接触器正常，与实际情况一致。可见，该支持向量分类机诊断方法准确。

图10 验证实验数据Fig.10 Validation experimental data

4 结语

本文建立了接触器吸合过程动力学模型，并得到接触器线圈电压、线圈电流、动作时间和接触器结构参数的关联关系。在此基础上，文章提出了一种适用于接触器故障诊断的支持向量分类机模型；同时，基于接触器实验台进行了模型训练及样本数据验证，发现其诊断准确率超93%；最后，结合某动车组牵引变流器进行了方法验证，结果验证了其诊断的准确性。可见，基于支持向量分类机的诊断方法在工程上有较高的应用价值。

本文通过支持向量分类机实现了4种常见的接触器故障分类研究，但尚未达到对接触器故障问题的全覆盖，如触头灼伤、灭弧罩损伤、线圈过热等问题。后期研究将扩展接触器故障诊断的覆盖面。