魏志磊，蘇宏升，李全林

（蘭州交通大學自動化與電氣工程學院，甘肅蘭州730070）

1 引言

機車變流器是電力機車能量轉(zhuǎn)換的關(guān)鍵部件，由大功率半導體整流管、晶閘管以及其它相關(guān)元件組成，其技術(shù)狀態(tài)良好與否直接影響到鐵道機車車輛的安全運行和鐵路運輸?shù)恼＿\營。而對變流器的故障研究，對于減少機車車輛運行的故障發(fā)生率，保證機車的安全運行具有重要意義。本文提出了遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法，并將此方法應用于電力機車主變流器的故障診斷中。

圖1 變流器主電路圖

2 電力機車主變流器

國產(chǎn)交直型電力機車主電路主要由受電弓、主變壓器、整流裝置、牽引電機及有關(guān)高壓電器組成,它將牽引接觸網(wǎng)的電能轉(zhuǎn)變?yōu)榱熊嚨臋C械能［1]。其主變流器的主電路大多數(shù)采用不等分三段半控橋相控整流調(diào)壓配以電阻制動低速加饋，電路原理圖如圖1所示。由于該電路結(jié)構(gòu)簡單，控制方便，所以廣泛應用于交直型電力機車中。

3 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)原理

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)結(jié)構(gòu)模型如圖2所示。

輸入層：從系統(tǒng)接收輸入信息，即為經(jīng)過歸一化處理計算出的故障特征值，X（x1，x2，...，xn）；隱含層：把從輸入得到的信息進行內(nèi)部學習和處理，通過權(quán)值和閾值連接輸入層和輸出層；輸出層：輸出層的節(jié)點數(shù)，即為故障模式的總數(shù)。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.2 遺傳算法

遺傳算法是一種基于自然選擇和自然遺傳的全局優(yōu)化算法。用遺傳算法對多個個體組成的群體進行操作，通過遺傳算法可以使個體間的信息得以交換，這樣群體中的個體一代一代地得以優(yōu)化，并逐步逼近最優(yōu)解。利用遺傳算法求解最優(yōu)問題的步驟為:首先對所需優(yōu)化的參數(shù)進行染色體編碼，并在遺傳空間隨機產(chǎn)生初始群體;然后計算出各個個體的適應度，其次根據(jù)適應度的大小將遺傳算子作用于群體，對其染色體進行選擇、基因突變（基因重組）、變異等遺傳操作，剔出適應度低的個體，保留適應度高的個體，從而產(chǎn)生新一代群體，使群體的收斂速度加快；最后通過這樣反復操作，向更優(yōu)解得方向優(yōu)化，直到滿足預定的收斂指標。

3.3 用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

用遺傳算法來訓練人工神經(jīng)網(wǎng)絡(luò)的研究工作20世紀90年代剛剛開始，目前普遍采用的網(wǎng)絡(luò)模型為BP網(wǎng)絡(luò)，但神經(jīng)網(wǎng)絡(luò)在訓練時權(quán)值的調(diào)整采用的是傳統(tǒng)的梯度下降法，而傳統(tǒng)的梯度降法是沿著誤差函數(shù)的梯度修改網(wǎng)絡(luò)連接參數(shù)，對于網(wǎng)絡(luò)的拓撲結(jié)構(gòu)的學習是十分困難的。而以編碼為基礎(chǔ)、隨機的遺傳算法既可以對神經(jīng)網(wǎng)絡(luò)連接權(quán)值進行優(yōu)化，也可以對神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)同時進行優(yōu)化，且能克服基于梯度學習算法中存在的學習收斂速度慢和易收斂于局部最優(yōu)等問題。鑒于此可將遺傳算法引入神經(jīng)網(wǎng)絡(luò)模型的訓練過程，建立機械故障診斷的遺傳神經(jīng)網(wǎng)絡(luò)模型。

根據(jù)遺傳算法的思想，用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的流程圖如圖3所示。

采用遺傳算法建立網(wǎng)絡(luò)模型的方法一是設(shè)第i個學習樣本的第j個網(wǎng)絡(luò)輸出值為Oij其期望值為Eij，則可以建立如下目標函數(shù)

方法二是用遺傳算法求其極小值，則可得到對應的神經(jīng)單元的聯(lián)結(jié)權(quán)值，式（1）中Oij為神經(jīng)單元聯(lián)結(jié)權(quán)值的函數(shù)，Eij為常數(shù)，從而F與神經(jīng)單元聯(lián)結(jié)權(quán)值構(gòu)成函數(shù)關(guān)系。用遺傳算法對式（1）進行優(yōu)化，整個網(wǎng)絡(luò)中所有單元的權(quán)值對應著式（1）的最小值，如果該最小值達到所要求的精度，即證明正確的網(wǎng)絡(luò)輸入輸出關(guān)系已經(jīng)建立起來了。

圖3 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的流程圖

4 基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的故障診斷方法的應用和分析

4.1 主變流器的故障信息提取

電力機車主變流器的組成元件主要為大功率整流二極管和晶閘管元件，所以變流器發(fā)生故障時表現(xiàn)為晶閘管或整流二極管的損壞。功率元件的故障可分為直通故障和開路故障兩種［2]。當變流器發(fā)生直通故障時，將會在短時內(nèi)燒壞與晶閘管串聯(lián)的熔斷器，最終表現(xiàn)為開路故障，所以開路故障基本上可反映主變流器的主要故障現(xiàn)象。利用Matlab平臺上的動態(tài)系統(tǒng)通用軟件Simulink中的電力系統(tǒng)工具箱（Power System Blockset，簡稱PSB）對變流器工作在額定運行情況下進行Simulink建模并仿真［3]。變流器部分故障及正常輸出波形如圖4所示，橫坐標為t/s，縱坐標為V/v。

4.2 應用與分析

圖4 變流器的輸出波形圖

通過分析主變流器的具體工作過程,著重考慮其輸出電流和輸出電壓兩個參數(shù)。因電感和牽引電機的作用，輸出電流發(fā)生滯后處于脈動狀態(tài)，且諧波含量大，而輸出電壓受變化負載的影響相當小，所以當主變流器的功率元件出現(xiàn)故障時，其輸出電壓波形將發(fā)生嚴重畸變，即可通過對輸出電壓波形特點的分析準確定位故障元件。由于變流器輸出波形中通常含有非平穩(wěn)信號和畸變信號，所以采用小波分析［4]，對輸出電壓波形進行故障特征矢量提?。?，5]。

在采用遺傳神經(jīng)網(wǎng)絡(luò)對變流器的故障進行診斷之前，先對主變流器的故障運行狀態(tài)進行編碼。對故障模式以大類和小類的方式進行編碼，用七位編碼X7X6X5X4X3X2X1，其中Xi=0或1，第5-7位用于大類編碼，第1-4位用于小類編碼。對應于每組特征信號的故障編碼作為神經(jīng)網(wǎng)絡(luò)的期望輸出。在每一大類下的小類編碼中，采用了循環(huán)編碼，這樣有利于神經(jīng)網(wǎng)絡(luò)對樣本的學習和提高診斷是的準確性［1]。

本文采用每一種故障類型對應于一個決策屬性的方法，如表1所示，根據(jù)仿真模型得到的輸出電壓信號進行小波包基函數(shù)分解，從而建立主變流器的故障特征表。這樣就可以通過將現(xiàn)場提取的信號進行小波去噪和特征提取，之后與故障特征表對應比較，確定故障類型，給出故障代碼，從而實現(xiàn)故障的診斷。

表1 變流器故障模式編碼

圖5 神經(jīng)網(wǎng)絡(luò)的訓練誤差曲線圖

圖6 遺傳神經(jīng)網(wǎng)絡(luò)優(yōu)化曲線圖

表2 測試樣本數(shù)據(jù)

根據(jù)上述的故障模式編碼可以將輸出節(jié)點數(shù)取7，按照一般的經(jīng)驗，隱層的節(jié)點數(shù)一般取2N+1（N為輸入的節(jié)點數(shù)），通過試驗取為20。設(shè)網(wǎng)絡(luò)輸出總誤差為10-2，用Matlab語言及神經(jīng)網(wǎng)絡(luò)工具箱生成神經(jīng)網(wǎng)絡(luò)，采用遺傳算法進行訓練。訓練的輸入?yún)?shù)為P1，期望值為t1。網(wǎng)絡(luò)輸出參數(shù)與期望值t1基本相等，建立神經(jīng)網(wǎng)絡(luò)模型，采用三層網(wǎng)絡(luò)，輸入層和隱含層采用tansig函數(shù)，輸出層采用purehn函數(shù)。參數(shù)設(shè)定輸入層單元數(shù)為8，隱含層單元數(shù)為20，輸出層單元數(shù)為7。設(shè)初始群體個數(shù)為50，迭代次數(shù)為250，選擇概率為0.09，交叉概率為0.8，變異概率為0.02，用訓練樣本對GA—BP進行訓練，即將變流器的38組故障模式的輸出電壓波形經(jīng)小波分析提取的訓練樣本數(shù)據(jù)輸入到GA—BP神經(jīng)網(wǎng)絡(luò)進行網(wǎng)絡(luò)訓練，其訓練誤差曲線圖和優(yōu)化曲線圖分別如圖5（橫坐標為迭代次數(shù)，縱坐標為訓練誤差）和圖6所示（橫坐標為遺傳算法迭代次數(shù)，縱坐標為最佳適應度值）。

遺傳神經(jīng)網(wǎng)絡(luò)經(jīng)訓練之后便可用于變流器的故障識別。從選取VD1故障、VD2故障、VT1故障、VT2故障、VT3故障、VT1和 VT2故障、VD3和 VT4故障、VT1和 VT5、VD2和 VT3故障、VD3和VD1故障、無故障中的輸出電壓波形經(jīng)小波分析提取的數(shù)據(jù)為測試樣本數(shù)據(jù)，表2中的數(shù)據(jù)即為用于遺傳神經(jīng)網(wǎng)絡(luò)診斷模型的測試樣本數(shù)據(jù)。將此11組數(shù)據(jù)輸入到已經(jīng)訓練好的遺傳神經(jīng)網(wǎng)絡(luò),其診斷結(jié)果如表3所示。從該表中可以看出，遺傳神經(jīng)網(wǎng)絡(luò)系統(tǒng)對第1、2、3、4、5、6、8、9、10、11 組模式的診斷結(jié)果與變流器實際故障模式相一致,而第7組模式的診斷結(jié)果與實際故障模式不同，故該網(wǎng)絡(luò)對故障模式診斷準確率為90.91%。由此可見遺傳神經(jīng)網(wǎng)絡(luò)能較好地辨識出各類故障。

5 結(jié)論

本文在分析變流器故障機理的基礎(chǔ)上,采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值，通過Matlab神經(jīng)網(wǎng)絡(luò)工具箱對網(wǎng)絡(luò)進行訓練和測試,以實現(xiàn)變流器的故障診斷。這樣遺傳神經(jīng)網(wǎng)絡(luò)就具有很強的優(yōu)化能力，提高了診斷的精度，同時加快了網(wǎng)絡(luò)的收斂速度，避免了陷人局部極小陷阱的問題，極大的提高了變流器的故障診斷系統(tǒng)的效率和準確性。

表3 遺傳神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

［1] 李全林，何忠韜.SOM神經(jīng)網(wǎng)絡(luò)在電力機車主變流器故障診斷中的應用［J] .鐵道機車車輛，2009（4）.

［2] 李勁松.故障振動診斷技術(shù)在機車狀態(tài)中的應用［J] .內(nèi)燃機車，2000（1）.

［3] 劉松柏，蔣新華，陳特放.電力機車主變流器故障診斷系統(tǒng)［J] .機車電傳動,2005（3）：57-59,62.

［4] 周小勇，葉銀忠.小波分析技術(shù)在故障診斷中的應用［J] .上海海運學院學報，2001，22（3）：l16 一l19.

［5] 王道平，張義忠.故障智能診斷系統(tǒng)的理論與方法［M] .北京：冶金工業(yè)出版社，2001.

［6] 湯紅誠，李著信.小波變換在故障診斷中的應用［J] .儀器儀表學報，2003，24（4增）：407-409.

［7] 龔 軍.相控交直電力機車微機控制系統(tǒng)的變流控制［J] .機車電傳動，1999，2.

［8] 王 軼，馮曉云.基于數(shù)據(jù)挖掘的機車牽引變流器故障診斷［D] .成都:西南交通大學,2005.

［9] 葛哲學，孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實現(xiàn)［M] .北京:電子工業(yè)出版社,2007.

［10] 丁福錫,杜永平.機車車輛故障診斷技術(shù)的發(fā)展［J] .鐵道機車車輛,2004（4）.