[发明专利]一种和谐型电力机车列车供电系统故障诊断方法

说明书

技术领域

本发明涉及一种故障诊断的检测方法，具体涉及和谐型电力机车列车供电系统的故障诊断方法。

背景技术

和谐型客运列车需要由列车供电系统向客车车厢的众多车载辅助设备供电，供电系统在大负荷状态下易发生故障。现阶段，多数供电系统检测设备仅对电压、电流功率进行检测，然而仅通过这些参数不能完全判断列车供电装置的状态，当供电系统发生故障时，检测设备难以判断故障类型，更难准确定位故障发生的位置。目前，针对供电系统故障诊断主要还是靠经验分析，也曾有使用粗糙集理论及RBP神经网络方法进行故障诊断，但是诊断准确性和效率并不理想。基于此，本发明提出基于小波分析、主成分分析与最小二乘支持向量机(LSSVM)的列车供电系统故障诊断方法。

发明内容

本发明提出了一种基于小波分析、主成分分析与最小二乘支持向量机(LSSVM)的列车供电系统故障诊断方法。

本发明的目标是通过下述方法和步骤实现的：

一种基于小波分析、主成分分析与LSSVM的列车供电系统故障诊断方法，其步骤为：

1、建立列车供电系统的模型，根据实际的情况，主电路状态可分为4大类52小类。

(1)元件没有故障，供电系统正常运行。

(2)VD1、VD2、VT3、VT4、19C中某一个元件开路，共5种故障。

(3)VD1、VD2、VT3、VT4、13L中某一个元件短路，共5种故障。

(4)单相整流桥两个元件故障，某一元件开路或短路，另一元件开路或短路，共41种故障。

2、在所有的故障状态下，对供电系统主电路进行建模，获得主电路输出的电压信号。选取合适的小波基函数，对所得的各个输出电压信号进行3层小波包分解，在不同分辨率下，进行各频带小波包分解子信号重构，统计各频带内重构信号的能量值，构造特征向量。

3、利用主成分分析法进行特征提取，将提取后的能量特征集样本归一化处理，选取90个样本。

4、选取其中48个样本数据对参数对LSSVM分类模型进行学习、训练，剩余的42组数据作为测试样本，基于高斯RBF核函数，惩罚因子C＝10，建立最小二乘支持向量机分类器，进行故障识别，实现了列车供电系统的故障诊断。

本发明具有如下有益效果：

1、本发明所提出的方法将小波分析、主成分分析与LSSVM方法结合起来，实现了列车供电系统主电路故障的诊断。

2、本发明方法使用LSSVM的训练方法，通过与RBP神经网络方法的识别率对比，显示了其在供电系统主电路故障诊断方面更佳的效果。

附图说明

图1为列车供电系统主电路简图。

图2为信号第一频段E_3，0能量图。

具体实施方式

下面结合附图附表对本发明做进一步说明。

本发明的一种和谐型电力机车列车供电系统故障诊断方法实施例，具体实施于HX_D3C型电力机车，包括以下步骤：

(1)列车供电系统主电路简图，如图1所示，主电路状态分为4大类52小类。

1)元件没有故障，供电系统正常运行。

2)只有一个元件开路，共5种故障。

3)只有一个元件短路，共5种故障。

4)单相整流桥两个元件故障，共41种故障。

(2)建立供电系统主电路模型，选取直流侧电路输出电压信号为研究对象，各得到各个故障状态下的直流侧输出电压时域波形。选取db5小波基函数，对各输出电压信号进行3层小波包分解重构，将信号频率在1000Hz内分成8个频段，每个频段的宽度为125Hz。

(3)通过对重构信号的能量直方图对比，发现在主要的故障状态下，信号能量都集中在第一频段信号中，如图2所示。其余7个频段的能量经过归一化处理后，组成一组七维特征向量特征集。

(4)利用主成分分析法进行特征提取，将特征提取后的能量特征集样本归一化处理，选取90个样本，其中48个样本对参数作训练集，另外42个样本为测试集，基于高斯RBF核函数，惩罚因子C＝10，程序最终识别正确率为92.65％。

结论

1、通过实例说明本发明所提出的方法将小波分析、主成分分析与LSSVM方法结合起来，能够实现列车供电系统主电路故障的诊断，且识别正确率较高。

2、通过与RBP神经网络方法的识别率对比，如表1所示，本发明方法使用LSSVM的训练方法识别率(92.65％)要高于RBP神经网络方法(88.24％)，显示了其在供电系统主电路故障诊断方面更佳的效果。