一种用于CRH2型高铁逆变器的微小故障估计系统的设计方法技术方案

本发明专利技术公开了一种用于CRH2型高铁逆变器的微小故障估计系统的设计方法，属于故障诊断与故障估计领域。该方法具体包括如下步骤：第一阶段：建立离线数据模型：1)采集高速列车稳态运行数据并对离线数据进行预处理；2)计算预处理后的数据所在旋转子空间的得分矩阵；3)确定故障估计值与故障幅值的非线性关系，以便于在线估计；第二阶段：在线故障估计：4)对在线数据进行处理；5)计算在线得分向量；6)利用故障估计器对存在的故障幅值进行估计。本发明专利技术设计了基于多元统计分析的估计方法，该方法结合了Kullback Leibler散度和神经网络逼近方法，能够实现较为精准的故障估计，并且在对微小故障估计的敏感性上有一定的优势。

【技术实现步骤摘要】
一种用于CRH2型高铁逆变器的微小故障估计系统的设计方法
本专利技术涉及一种用于CRH2型高铁逆变器的微小故障估计系统的设计方法，属于故障诊断与故障估计领域。
技术介绍
高速铁路由于其高效性，在过去的二十年内得到了迅速发展。逆变器作为电机的执行机构，是高铁动车组的重要设备之一，一般通过采集其传感器的信息来构成控制律。通常情况下，由于变频器与工作环境有直接的交互作用，它们的传感器容易受到故障的影响，这可能会导致电机的异常运转和牵引力的缺失，严重时甚至会导致紧急制动。因此，实现传感器故障的实时检测和故障估计对于提高高速铁路的可靠性是十分必要的。近几十年来，对逆变器的传感器进行故障检测和故障诊断的研究有很多，主要可以分为两类，包括基于模型的方法和基于知识的方法。对于基于模型的故障检测和诊断方法，它需要根据输出序列或工作机制建立电力牵引系统的数学模型。通常来说，可以利用逆变器中传感器的可用输入和输出信息的残差来指示故障。对于基于知识的方法，主要依赖于对逆变器先验知识的总结，以实现对故障的区分和诊断。数据驱动的故障检测和诊断方法来源于化工行业对采样数据进行直接分析的指标，如数据相关性、频谱、均值等。在不考虑系统数学模型的情况下，这些潜在信息是识别和诊断传感器故障的关键因素。近年来，为了改善过程监控性能，提出了一些改进的数据驱动方法。例如，设计了关键性能指标相关的偏最小二乘来获得更有意义的故障信息；设计与故障相关的主元分析法(PCA)来选择最佳变量，但这些方法很少被用在电气系统的故障诊断与估计领域。基于模型的微小故障估计方法需要精确的高速列车逆变器数学模型。然而，由于复杂的操作环境和未知噪声的影响，不能用精确的函数来表示。此外，关于高速列车的专家知识不能够完全获得。当发生微小故障时，往往不能有效使用基于知识的故障诊断方案。因此，我们考虑采用数据驱动的方法来估计CRH2型高速列车逆变器的微小故障。
技术实现思路
为了实现对CRH2型高速列车逆变器的普通故障和微小故障估计，本专利技术提出了一种用于CRH2型高铁逆变器的微小故障估计系统的设计方法。该设计方法结合了KullbackLeibler散度和神经网络逼近方法，可以有效实现对逆变器普通故障和微小故障的实时估计，并且该方法在精准性和对微小故障的敏感性上都具有很大的优势。本专利技术为解决其技术问题采用如下技术方案：一种用于CRH2型高铁逆变器的微小故障估计系统的设计方法，包括如下步骤：第一阶段：建立离线数据模型1)采集高速列车稳态运行数据并对离线数据进行预处理；2)计算预处理后的数据所在子空间的得分矩阵；3)确定故障幅值与故障指示器的非线性关系；第二阶段：在线故障估计4)对在线数据进行处理；5)计算在线得分向量；6)利用故障估计器对存在的故障幅值进行估计。所述步骤1)的具体过程如下，根据采集到的数据，实现数据从abc坐标系到dq坐标系的非线性投影，分别获取归一化后的主成分和残差成分的旋转子空间和特征向量，即确定离线数据投影在旋转主元子空间和旋转残差子空间下的不同生成集。所述步骤2)的具体过程如下，将预处理后的数据进行奇异值分解，并计算旋转主元子空间的得分矩阵，在此基础上，分别求取得分向量的均值与方差。所述步骤3)所述的故障幅值与故障估计器的非线性关系是单调递增的，这一非线性关系是利用神经网络进行拟合得到。所述步骤4)的具体过程如下，根据步骤1)中的方法，对在线实时采集的高铁运行数据进行非线性后的投影预处理。所述步骤5)的具体过程如下，需要根据步骤2)中的方法，计算在线数据旋转主元子空间的得分矩阵和得分向量。所述步骤6)的具体过程如下，需要根据步骤3)中的方法，获得在线数据实际故障幅值与故障估计幅值的关系，得到故障估计幅值。本专利技术的有益效果如下：本专利技术首先将旋转空间引入数据驱动的故障诊断和估计领域，然后提出了一种基于KullbackLeibler散度(KLD)和PCA的有效的故障幅值估计算法。这种方法能够有效地实现对故障的高精度估计，对微小故障也有很强的灵敏度。此外，由于故障幅值与估计幅值的正相关性，使得在线估计的窗口具有可移动性，因而这一设计方法对采样噪声不敏感，有很强的鲁棒性。附图说明图1是CRH2型高铁的三相电压型逆变器模型示意图。图2是信噪比SNR＝30dB时f1故障下旋转空间的数据模态。图3是信噪比SNR＝30dB，第一种故障估计器下对f1的故障估计结果。图4是信噪比SNR＝30dB，第二种故障估计器下对f1的故障估计结果。图5是信噪比SNR＝30dB，第一种故障估计下对f2的故障估计结果。图6是信噪比SNR＝30dB，第二种故障估计下对f2的故障估计结果。图7是这种微小故障估计系统设计方法的流程图结构。具体实施方式下面结合附图对本专利技术创造做进一步详细说明。本专利技术专利是用于CRH2型高铁逆变器的微小故障估计系统的设计方法，本实施案例包括如下步骤：第一阶段：建立离线数据模型1)采集高速列车稳态运行数据并对离线数据进行预处理；2)计算预处理后的数据所在子空间的得分矩阵；3)确定故障幅值与故障指示器的非线性关系，以便于在线诊断；第二阶段：在线故障估计4)对在线数据进行处理；5)计算在线得分向量；6)利用故障估计器对存在的故障幅值进行估计。下面根据实例，来验证本专利技术的优越性。所述步骤1)中，建立离线数据模型，这里选择对三个连续的输出电流信号进行分析。为了在简化过程的同时保证不失一般性，选择a相电流作为受损信号。附图1是CRH2型高铁的三相电压型逆变器模型示意图，考虑如下两种不同的初始电流传感器故障：第一种故障类型(初始偏置故障)：在0.5秒时，对a相电流ia注入故障f1＝0.5A。第二种故障类型(初始斜坡故障)：在0.5秒时，对a相电流ia注入故障f2＝2(t-0.5)A，其中，t表示时间。对于f1和f2故障下正常和有故障的电流信号的数据集，设置二者旋转空间的信噪比SNR＝30dB。在附图2中，可以看出，0.5秒后，恒偏置故障将在预处理过程中不断波动。在旋转数据空间中，这种波动异常体现为正弦波形式，其周期和振幅分别取决于同步角速度ω和注入故障异常值的大小。所述步骤1)中，实现离线训练数据Xoff坐标转换的转换矩阵可表示为：其中，C3S/2S是Clarke转换矩阵，C2S/2R是Park变换矩阵，C3S/2R是abc坐标系到dq坐标系的转换矩阵，θ是α坐标轴和a坐标轴的夹角。当Xdq,off∈RN×2＝[idiq]T，id，iq分别是dq坐标系下d轴和q轴的电流值，有：其中，Xdq,off是在dq坐标系下的离散数据，Xabc,off是abc坐标系下的离散数据。将等式(1)进行线性投影，Xdq,off可以化为：其中，和是分别属于Xdq,off的主成分和残差成分的子空间，二者都是旋转子空间；Ppc和Pres是分别属于Xdq,off的主成分和残差成分的向量。处理后的原始数据集在旋转空间内近似服从高斯分布。对数据进行归一化处理，使得id和iq具有相同的权重，并能够约简这一在线故障诊断算法。定义X＝[xk(1),…,xk(i),…,xk(m)]∈RN×m，其中k＝1,…,N而i＝1,…,m。xk(i)表示第k组的第i列数据，然后通过下式计算每一列的平均值和方差σ2(i)：根据和σ2本文档来自技高网...

【技术保护点】
1.一种用于CRH2型高铁逆变器的微小故障估计系统的设计方法，其特征在于包括如下步骤：第一阶段：建立离线数据模型1)采集高速列车稳态运行数据并对离线数据进行预处理；2)计算预处理后的数据所在子空间的得分矩阵；3)确定故障幅值与故障指示器的非线性关系；第二阶段：在线故障估计4)对在线数据进行处理；5)计算在线得分向量；6)利用故障估计器对存在的故障幅值进行估计。

【技术特征摘要】
1.一种用于CRH2型高铁逆变器的微小故障估计系统的设计方法，其特征在于包括如下步骤：第一阶段：建立离线数据模型1)采集高速列车稳态运行数据并对离线数据进行预处理；2)计算预处理后的数据所在子空间的得分矩阵；3)确定故障幅值与故障指示器的非线性关系；第二阶段：在线故障估计4)对在线数据进行处理；5)计算在线得分向量；6)利用故障估计器对存在的故障幅值进行估计。2.根据权利要求1所述的一种用于CRH2型高铁逆变器的微小故障估计系统的设计方法，其特征在于，所述步骤1)的具体过程如下，根据采集到的数据，实现数据从abc坐标系到dq坐标系的非线性投影，分别获取归一化后的主成分和残差成分的旋转子空间和特征向量，即确定离线数据投影在旋转主元子空间和旋转残差子空间下的不同生成集。3.根据权利要求1所述的一种用于CRH2型高铁逆变器的微小故障估计系统的设计方法，其特征在于，所述步骤2)的具体过程如下，将预处理后的数据进行奇异值分解，并计算旋转主元子...

【专利技术属性】
技术研发人员：陈宏田，姜斌，吴建萍，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32