高速列车牵引系统的早期故障诊断(txt+pdf+epub+mobi电子书下载)

作者:吴云凯、姜斌、朱志宇、陆宁云 编著

出版社:化学工业出版社

格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT

高速列车牵引系统的早期故障诊断

高速列车牵引系统的早期故障诊断试读:

前言

前 言

高速列车因其舒适、便捷、安全和准时,已成为我国主流的城际间交通工具。CRH(China Railway High-speed)动车组高速列车是一个大型复杂的机电耦合系统,作为其重要组成部分,牵引控制系统的可靠性对于高速列车的安全运营至关重要。随着在轨运行时间的增长,牵引控制系统中的很多部件都会发生不同程度的性能衰退并引发早期微小故障。这些故障由于特征微弱,不易被列车故障监控系统及时检测出,但随着故障的逐步加剧,有可能演变为重大的灾难事故,给高速列车的安全运行带来潜在危险。因此,针对动车组高速列车的牵引控制系统开展早期微小故障诊断的研究具有重要意义。

本书针对CRH动车组高速列车牵引控制系统中可能出现的早期微小故障开展检测和诊断(故障的定位和重构)的理论研究,主要研究对象包括悬挂控制系统、感应电机驱动电路、感应电机传感器、变流器控制系统、感应电机本体(定子和转子绕组)等。系统模型描述形式包括线性定常系统、T-S模糊系统、具有不确定性的非线性系统以及广义非线性系统。本书主要包括以下5个方面。

①系统地论述了线性系统基于ToMFIR残差的故障检测机理,主要包括:线性定常系统的ToMFIR残差理论、鲁棒ToMFIR残差理论、ToMFIR残差的近似计算理论、观测器残差修正理论等。构造了动车组列车悬挂系统的动态模型,包含轨道的垂向不平顺信号和多种类型的执行器早期微小故障。根据线性系统鲁棒ToMFIR残差理论和近似计算理论,实现悬挂系统执行器早期微小故障的检测。仿真结果表明,所提故障检测方案可以有效解决微小故障检测问题,在实时性和准确性方面都明显优于基于观测器残差的故障检测方法。

②针对T-S模糊系统中早期微小故障的检测和诊断问题,设计了基于T-S模糊ToMFIR残差的故障检测方案,进一步结合滑模观测器和基于ToMFIR残差的隔离阈值实现微小故障的隔离,最后基于自适应观测器估计出执行器的效能损失比例。所提方法不仅能消除原始的基于ToMFIR残差的故障检测对于系统结构的约束,而且给出了形式更为一般的基于ToMFIR残差的故障诊断架构。该算法成功应用于牵引电机控制系统中驱动电路微小故障的诊断,并获得较好的仿真验证效果。

③针对传感器早期微小故障往往呈现并发的特性,基于ToMFIR残差理论的进一步研究结果,给出了具有不确定性的非线性系统复合传感器故障的检测和定位方案,并应用于CRH2型动车组列车电机牵引控制系统的仿真中,成功实现了当电流传感器和转速传感器早期微小故障并发时的及时检测和精确定位。研究结果表明,基于ToMFIR残差的故障检测理论可以直接应用于非线性系统中,在解决实际系统(多为非线性系统)的早期故障诊断问题时,无需依赖繁琐的线性化手段,并可直接使用非线性系统的观测器设计方法。

④广义系统可以用来描述许多大型复杂系统,并在电力系统、机电系统中有着广泛的应用,因此本书针对广义系统开展执行器/传感器早期微小故障重构的研究。首先通过参数化执行器和传感器的故障项,构造增广的广义系统模型,其次通过广义估计器的设计,解耦系统中的扰动输入和输出测量噪声,为了获得最佳的故障重构效果,基于状态估计误差的数学表述提出了一个线性矩阵不等式优化问题,最终保证了在既定约束条件下的最优估计性能。以CRH2型动车组列车的三相逆变器控制系统为仿真应用对象,实现了对故障前后系统的状态、执行器/传感器早期微小故障以及输出测量噪声的准确估计。

⑤牵引电机的本体故障(定/转子绕组故障),是牵引电机控制系统中的主要故障类型。开展牵引电机早期本体故障的检测和诊断研究,不仅可以提高电机本身的可靠性,而且可以避免高速列车牵引控制系统发生重大故障。首先对三相笼式异步电机定/转子绕组的早期故障进行数学建模和趋势特性分析,构建了牵引电机d-q坐标系状态空间方程(包括可能的绕组故障和负载扰动),并针对此单输出系统提出了基于鲁棒观测器的故障检测和隔离方案,实现了定子绕组小范围绝缘层击穿(5%绝缘层击穿)故障下的检测和定位,具有较强的工程参考应用价值。编著者 2019年2月第1章 绪论1.1 研究的背景及意义

1964年,全世界首条真正意义上的高速铁路(东海道新干线)建成通车,“子弹头”高速列车Shinkansen以210km/h的速度刷新了当时列车在轨运行的最快纪录,开创了高速列车从无到有的新纪元。此后,法国的TGV、德国的ICE等高速列车相继开行。近十年,我国的高速铁路迅猛发展,目前已经建成世界上规模最大、运营速度最快的高铁网。CRH(China Railway High-speed)动车组列车是我国主要高速铁路干线上在轨运营的高速列车,其中主力车型CRH2和[1]CRH5型动车组列车已经成为我国高速轨道交通的中坚力量。图1.1 德国高速列车ICE脱轨

高速列车是一个大型复杂的现代控制系统,由于其绝大部分的在轨时间都处于高速运行状态,且与旅客的人身、财产安全息息相关,因此其在系统可靠性方面的要求非常高。然而,系统内部的一些早期微小故障,由于故障征兆微弱,不易被列车上的监控系统及时检测到,但随着故障的逐步加剧,有可能演变为重大的灾难事故。1998年德国ICE 高速列车发生严重脱轨事故(见图1.1),造成101人丧生的惨剧,其原因是轮轨轴承上的细微裂痕没有被及时发现,随着在轨运行时间的增长,轴承发生破裂,致使列车失控撞上路桥。2011年韩国KTX高速列车发生三节车厢脱轨事故(见图1.2),其原因竟然是用于固定车身的螺钉发生松浮。由此可见,早期微小故障也可能给整个高速列车系统带来巨大的潜在危害。图1.2 韩国高速列车KTX脱轨

CRH列车的信息控制系统如图1.3所示,其主要结构包括:列车网络系统、牵引传动控制系统、列车运行控制系统、制动控制系统等,是一个多层次、多尺度、多回路的闭环控制结构。如果把整个列车信息控制系统比作是人体的话,则牵引传动控制系统就是人的心脏,由此可见牵引系统是高速列车信息控制系统中最核心的单元。因此,围绕CRH动车组牵引控制系统展开早期微小故障诊断的研究,对于提高我国高速列车的运行可靠性有着极其重要的理论意义与工程价值。图1.3 CRH列车信息控制系统结构框图

本书以CRH动车组列车为实际工程应用背景,将牵引传动控制系统在早期微小故障诊断方面所面临的挑战概括如下。(1)外界干扰造成微小故障诊断困难。CRH动车组列车运行环境复杂多变,整个在轨运行过程需要应对雷电、大风、冰雪等极端天气。微小故障由于其征兆微弱,早期不会对整个牵引系统造成严重的影响,此时牵引传动系统的各项运行参数都在可接受的设计范围内。以牵引电机中最常见的转子故障为例,其故障原因主要是机械磨损,即典型的微小故障。在磨损初期,电机的各项性能均在正常范围以内,列车故障监控系统极难发现此类故障,同时运行过程中来自外部环境的干扰,使得微小故障极容易被掩盖。在干扰的不断作用下,使得机械磨损进一步加剧,最终发生转子断条,造成牵引电机停车。另一方面,CRH动车组牵引系统在设计之初,考虑到外界工况对于电气系统的影响,人为放宽了功率器件的工作范围,以此增强牵引传动系统的鲁棒性,这也为早期微小故障的检测和诊断设置了障碍。(2)闭环的控制结构会补偿故障对牵引系统的影响并且导致微小故障的传播和演变。高速列车牵引控制系统采用闭环控制结构,对于一定等级范围内的故障都有相当的容错能力。故障自发生伊始,系统都不会产生大幅的性能下降,即所谓的控制器“补偿作用”,这种补偿作用会使列车的监控系统对早期微小故障产生大量的故障漏报。由图1.4可知,CRH动车组列车的牵引系统涉及复杂的能量变换和传递,这一链式结构为微小故障的演变、传播和扩散提供了条件。一个局部的微小故障,通过设备及子系统之间的链路进行传播和扩散,使得本来与故障不相干的设备或元器件也产生“故障”的假象,进而导致整个牵引控制系统的误报警和误切换,给高速列车的正常运行带来巨大的安全隐患。[1]图1.4 牵引系统中的能量变换与传递途径示意图(3)微小故障并发给牵引控制系统的故障诊断带来新的难点。为保证CRH动车组列车的高可靠性,牵引传动控制系统除了配备大量的冗余硬件外,许多设备都是多套同时使用的,再加上列车运行环境的复杂多变,常会产生执行器/传感器微小故障并发、多传感器微小故障并发的情况。例如,牵引电机控制系统就配备有电流、转速、温度等各种类型的传感器,同时为了保证测量的准确可靠,这些传感器往往都有冗余配置,即通过多个传感器对于同一物理量的测量比较,从而获得可靠的测量信息,这也为微小故障的并发(也称为复合故障)提供了条件,同时给高速列车牵引控制系统的早期故障诊断带来了新的难点。1.2 微小故障诊断研究现状

微小故障是指一类故障征兆不明显,或故障初期对系统的性能影响微弱,但是经过一段时间的发展,会演变成可能对整个系统造成破坏性影响的故障,其主要特点是征兆微弱,容易被噪声信号淹没。文献[2]将微小故障分为三类:缓变微小故障、突变微小故障和间歇性微小故障。微小故障在早期具有隐蔽性和随机性,不容易被发现;中期具有渐变性,其演变和发展是一个缓慢的过程,这段时间是故障检测、诊断的窗口期,大多数的微小故障诊断工作都应在这个时间段内完成;微小故障的晚期具有突变性,往往在经历了中期的“量变”之后,会在某一个触发时刻“质变”为一个会造成系统异常的严重故障,而且后期可利用的故障处理时间较短。1.2.1 基于定性方法的微小故障诊断

定性的微小故障诊断方法主要是指基于图论的方法,具体来说有故障树分析法(Fault Tree Analysis Method, FTA)和符号有向图法(Sign Directed Graph Method, SDG)。FTA是一种基于树形逻辑的推理方法,从状态出发,从结果到原因,逐级推理,从而完成故障的[3][4]检测和定位,并成功应用于锅炉给水泵系统、发动机系统、[5]Tennessee Eastman (TE)化工过程中的早期故障检测以及故障源的定位。基于FTA的微小故障诊断方法具有直观明了、逻辑性强的优点,但是故障树的规模会随着系统复杂度的提升而增大,所以还无法应用于大型复杂系统中的微小故障诊断。而基于SDG的故障诊断则根据因果行为建立关系图,结合一定的搜索策略找出故障的源头并揭示故障演变的内在机理。在近些年的研究中,基于SDG的微小故障诊断方法常与主元分析(Principal Component Analysis, PCA)[6][7]

、定性趋势分析(Qualitative Trend Analysis, QTA) 等相结合,并在一定程度上实现了工程应用。与基于FTA的微小故障诊断方法类似,系统的复杂度对SDG的节点和支路数量、推理复杂度等都有着直接的影响,再加上节点阈值难以确定,所以此类方法很难有大范围的工程应用。1.2.2 基于定量方法的微小故障诊断1.2.2.1 基于解析模型的微小故障诊断

基于解析模型的微小故障诊断主要包括基于状态估计和在线近似的方法。

基于状态估计的微小故障诊断方法利用观测器或滤波器得到系统的观测输出,再与系统的实际输出生成观测残差,通过对残差的评估完成早期故障的检测和诊断。文献[8, 9]结合Luenberger观测器和滑模观测器(Sliding Mode Observer, SMO),实现了检测机制对系统干扰鲁棒和对微小故障敏感的目的。文献[10]为了确保观测器残差只对早期故障敏感,设计了一种基于未知输入观测器的诊断机制,从而实现检测机制与容错控制设计的解耦。文献[11]利用干扰补偿和自适应阈值技术设计了基于鲁棒观测器的早期故障检测机制,并成功应用于干扰信号可测的飞控系统,实现了舵机微小故障的检测和诊断。两级诊断的思想也常用于早期微小故障的诊断,其中两[12]级扩展卡尔曼滤波器被证明具有更加出色的诊断性能。状态估计是基于解析模型的故障诊断中应用最为广泛的方法,但其在应用于微小故障诊断时,面临如下的问题:

①状态估计的方法依赖于基于观测器残差和阈值的判断机制,微小故障会因为征兆微弱、对观测器残差影响小、阈值设置过宽等原因而被漏报;

②观测器残差同时依赖于观测器增益矩阵的选择,观测器增益选择不当,同样会导致微小故障的漏报和误报(此部分理论详见第2章)。针对这一问题,文献[13]设计了一种不依赖于观测器残差和阈值判断机制的微小故障检测方法。[14]

在线近似的方法是另一种基于解析模型的微小故障诊断方法。此类方法依据自适应理论,设计可在线调整的自适应率,使得所构造的模型精确匹配原来的系统,以在线近似故障函数的输出作为故障发生与否的判断标准。在这类方法中,系统的不确定性常以范数有界的加性扰动表示,通过设计自适应估计器来进行故障重构,同时完成故障的辨识和隔离,但是其缺点是故障重构的准确性(精度)尚未得到理论证明。1.2.2.2 基于数据驱动的微小故障诊断

基于数据驱动的微小故障诊断与基于解析模型的诊断方法最大不同之处在于其不依赖于系统的数学模型和先验知识,工程实用性更强。其基本思路是:在一定的代价函数约束下,依靠对历史数据的学习和挖掘,获取其中隐含的系统信息和故障信息,分别用以表征正常模式和故障模式,进而完成早期故障的检测和诊断。基于数据驱动的微小故障诊断主要分为:基于统计分析的方法、基于信号处理的方法和基于人工智能的方法。

基于统计分析的微小故障诊断主要针对历史数据进行统计分析,分别计算每个样本的监测统计量,并依据监控指标置信限(由正常样本估算得到)来分析当前样本故障与否。主元分析是当前应用最为广泛的多元统计分析方法,在早期微小故障诊断方面也有相关的理论和应用。文献[15] 基于主元分析提出了固体废物的检测方法,并应用于焚烧炉一类具有缓变、不确定性的早期微小故障的诊断。文献[16]将主元分析和指数加权滑动平均相结合,在化工过程的微小故障诊断中取得了一系列的应用。文献[17]在基于主元分析的微小故障检测设计中引入了系统各分量权重的概念,用以描述各个系统分量的量纲对于系统影响的重要程度。基于多级故障诊断的思路,文献[18]提出了基于主元分析投影的多级微小故障诊断机制。文献[19, 20]在基于主元分析的方法中结合了概率分布度量,采用Kullback-Leibler测度量化潜在分数与参照分数之间的残差,以提高微小故障的辨识精度。但是基于主元分析的方法需要假定数据服从高斯分布,限制了其在微小故障诊断领域内的应用。针对具有非正态分布的多变量系统,独立元分析能够把高维数据转换成不相关且相互独立的部分,在降低维数的同时检测并分离出噪声。在已有文献中,独立[21][22][23]元分析也常与主元分析、Morlet小波、回归技术、[24]Kurtogram算法 等相结合,在变速箱、滚动轴承和齿轮等部件和系统的微小故障诊断中都有应用。与主元分析方法相比,独立元分析虽然不要求数据服从高斯分布,但要求数据信息在时间序列上独立,这使得依据时间采样的系统在使用独立元分析处理数据时损失了时间上的信息,从而忽视了早期故障诊断中故障数据在时间上的相关[25][26]性。除此以外,基于偏最小二乘、非负矩阵分解、时间序[27][28]列分析和灰色理论的微小故障诊断都有相关的研究成果。

故障诊断其本质也是一个对信号处理和分析的过程,所以基于信号处理的微小故障诊断也是研究的热点。在早期微小故障发生时,信号的幅值、相位和频率等特性都会发生相应的变化,这给故障诊断提[29]供了可能。其中基于小波变换的方法应用最为广泛,其基本的诊断思路是通过多尺度地细化分析故障信号,从而捕获故障信号的细[30]节特征。谱分析 是另一种应用较为广泛的基于信号处理的微小故障诊断方法,主要应用领域为轴承和旋转机械等振动信号丰富且易[31]于采集的系统。基于经验模式分解的早期故障诊断思路是将经过平稳化处理的过程数据进行Hilbert变换得到频谱图,识别具有特定物理含义的频率并进行故障模式的分析。从理论上来说,经验模式分解法可用于任何类型的信号分解,但是也不可避免地存在“端点效应”,在应用于微小故障诊断时,那些能够反映故障征兆的信号由于幅值微弱,容易受端点效应和模态混叠的影响,使得整个诊断机制产[32]生误判。与经验模式分解相对应的还有基于形态信号处理方法的微小故障诊断,即通过构造一个合适的结构元素,也称为“探针”,并让其在信号中不断地搜寻、移动,挖掘能够表征故障信息的信号以及这些信号之间的关联性。但是在此类诊断机制中,微小故障信号不可避免会被滤波器弱化,当故障引起的脉冲信号完全被噪声信号掩盖时,基于经验模式分解的故障诊断方法就会失效。

很多时候故障类型和征兆之间并不是简单的对应关系,需要基于正常数据和故障数据,利用人工智能的方法训练各类学习型算法,从而达到早期微小故障诊断的目的。基于神经网络的方法通过网络间各层的学习建立故障征兆和类型之间的映射关系,故障征兆对应于输入层的节点,故障类型对应于输出层的节点,从而完成一个完整的由故障征兆到故障类型的逻辑映射,并在直流电机、油浸式电力变压器[33][34]、旋转机械等系统的微小故障检测和诊断中得到了应用。但是由于网络的学习需要提供海量的故障样本,所以对于无法获得大量故障数据的系统,基于人工智能的方法并不适用。针对这一问题,[35]基于支持向量机的微小故障诊断方法被提出。由于支持向量机适合小样本故障数据的学习和诊断,并能通过特定训练样本的学习达到高精度的故障识别,所以应用较为广泛。但同时,基于支持向量机的诊断精度很大程度上受故障样本的完备性和代表性的影响。基于模[36]糊逻辑的方法是另外一种应用较为广泛的基于人工智能的微小故障诊断方法,其可根据隶属度函数和模糊关系矩阵描述故障和征兆之间的关系,进而完成故障的检测和诊断。但是由于隶属度函数在选择和构造上主观性太强,且当故障征兆微弱时,如果故障特征选择不当,会大大降低故障的诊断精度,所以一般都是与其他基于人工智能的方法相结合。1.2.3 基于半定性半定量方法的微小故障诊断

为了克服定性、定量方法在早期微小故障诊断中的不足,近几年,一种将定性诊断方法和定量诊断方法相融合的半定性半定量微小故障诊断方法被提出,其中最为常见的是神经网络和专家系统相结合的方法。文献[37]充分利用神经网络的自学习、自组织能力以及专家系统的推理、决策和判断能力,设计了用于配电系统早期故障检测、诊断和健康维护的系统。文献[38]在智能化诊断方案中融合了神经网络与专家系统信息共享的数据库,实现了变压器微小故障的检测和定位。文献[39]在基于神经网络和专家系统的诊断中引入了模糊逻辑,进一步提高了变压器早期故障诊断的精度。

从研究结果来看,半定性半定量微小故障诊断方法虽然在一定程度上起到了扬长避短的作用,但是在提高诊断精度的同时也增加了诊断的计算负荷和运行成本。1.3 闭环系统故障诊断研究现状

闭环反馈的引入是为了满足系统对于稳定性和鲁棒性的要求,而闭环控制律的引入会改变系统的运行特性,同时也改变了变量之间的函数关系,从而导致基于开环系统的故障诊断方法的失效。而目前绝大多数的故障诊断算法都是基于开环控制系统设计的,因此非常有必要在闭环的前提下研究早期微小故障的检测和诊断。文献[2]就开环系统中的故障诊断机制直接应用于闭环系统而导致诊断性能下降的原因做了如下的归纳:①闭环反馈的引入提升了系统的鲁棒性,从而导致早期故障对于系统的影响进一步被削弱,使得漏报率增加;②闭环反馈的控制结构,给故障在系统内部传播提供了可能,往往产生一处故障多处信号异常的情况。

文献[40]通过理论分析和仿真验证阐述了闭环结构对于故障检测残差的影响,并且指出基于闭环系统的故障隔离也与开环系统有着迥然不同的结果。总体来说,基于闭环系统展开的故障诊断研究结果还很少。针对闭环控制系统故障参数已知的情况,基于模型匹配[41]的方法常应用于早期微小故障的诊断。当正常工况和故障工况[42]下的系统状态方程均已知时,也可以从系统层面来考虑微小故障的检测、隔离和重构问题。针对故障参数未知的情况,文献[43]基于最小二乘准则和强跟踪滤波器理论,使得估计结果对于系统动态的变化更加敏感,对干扰和不确定性更加鲁棒。文献[44]采用对状态和等价偏差联合估计的方法,并采用基于改进型贝叶斯算法的评价机制,对闭环控制的连续搅拌釜反应器中执行器和传感器早期微小故障诊断进行了研究,取得了很好的效果。针对未知干扰对于闭环系统故障诊断的影响,文献[45]基于鲁棒观测器设计了针对执行器早期微小故障的诊断方案,并且实现了故障执行器的准确隔离。闭环控制的另一应用典型,是网络化控制系统中的早期故障检测和诊断问题在文献[46]中得到了研究和应用。上述方法的思路都是构造观测器或滤波器,与真实的系统输出生成残差量,再通过一定的评价机制对残差进行分析和判断,从而得出诊断的结果。但是很多基于此思路的诊断方法忽视了对于残差评价、决策以及阈值选择的研究,这二者往往与闭环系统故障诊断的准确率息息相关,文献[47]分别针对这两个问题展开研究,都具有较强的工程借鉴意义。

上述基于模型的闭环系统故障诊断方法几乎都是针对线性系统,且控制律和残差的构造能够完全解耦,在工程实际中具有较大的局限性,因此基于数据处理的闭环系统故障诊断算法被相继提出,其中,[48]频域分析、定性趋势分析、Hilber-Huang变换等方法在实际闭环系统的故障诊断中都得到了实例验证。在基于先验知识和机器学习的[49][50]方法中,模糊数学和神经网络的方法应用最为广泛,除此之外,基于最小支持向量机和多层感知机的方法在闭环故障诊断中也有涉及应用。上述基于先验知识和机器学习的诊断策略在电网系统、液体传输设备、气动阀门和感应电机等系统中都有相关的实例应用。1.4 复合故障诊断研究现状

复合故障,也称为“多重故障”“并发故障”,是指两个或两个以[51]上的系统变量或系统特性偏离正常范围的故障。复合故障诊断的重点是故障的隔离和定位,因为在故障被分离之前,无法得知引起系统性能异常的原因是由单一故障引起还是由多个故障共同作用引起的。当前学术界对于复合故障诊断的研究主要分成:基于解析模型的方法、基于定性经验的方法、基于数据驱动的方法等几大类。[52]

基于解析模型的复合故障诊断方法主要基于对单一故障诊断方法的拓展。例如,针对每种可能发生的故障(将其看作是若干个单发的故障)设计观测器,使得所设计的每个观测器只对特定的单一故障敏感,并对其他类型的故障鲁棒。这种设计思路的主要问题是没有考虑各种故障之间相互混杂、相互掩盖的特性,并且基于线性变换的方法很难实现复合故障从征兆到故障类型之间的映射,只能处理一些故障间无复杂耦合关系的简单情况。

基于定性经验的复合故障诊断主要利用先验知识来描述系统的功能结构并建立用于逻辑推理的定性模型,通过与实际的系统进行对比,判断故障的发生与否。基于定性经验的复合故障诊断主要包括故[53][54]障树分析、符号有向图理论、符号键合图理论、Petri网理[55]论、半监督学习理论等定性分析手段。基于定性经验的复合故障诊断其主要的缺点是构造定性模型的工作量大,且繁复的故障组合会加大算法的复杂度,所以现有的结果大多基于特定的复合故障展开。与基于模型的方法相比,基于定性经验的方法还受故障规模、历史经验知识丰富程度的影响,所以在工程实际应用中所受到的限制更多。

基于数据驱动的复合故障诊断主要有基于统计分析、信号处理和定量人工智能的方法。此类方法可以利用所测信号提取和分析故障特征,或者依据采样数据或是历史数据直接进行诊断推理,可以弥补基于模型和基于定性经验方法的不足,成为复合故障诊断领域的研究热点。其中,基于统计分析的方法又可以细分为基于主成分分析[56][57]、贝叶斯理论、有限元分析、动态偏最小二乘和推广策略[58]概率因果模型 的方法。而基于信号处理的方法可以细分为基于[59][60][61]经验模态分解、小波分析、希尔伯特变换和近几年[62]逐渐兴起的盲信号处理技术。近几年,在基于定量人工智能的复合故障诊断中,出现了一些较为新颖的理论算法,例如,证据理论、[63]人工免疫系统、蚁群算法、云计算理论等,给复合故障诊断乃至整个故障诊断领域的研究注入了新鲜的血液。1.5 高速列车牵引系统故障诊断研究现状

文献[64]列举了CRH动车组列车牵引传动控制系统中常见的故障及原因:变流器故障、牵引电机绝缘不良故障、整流模块故障、四轴牵引电机速度传感器故障等。文献[65]借鉴了复杂网络可靠性研究中抗毁性测度的概念,对CRH动车组牵引传动控制系统中的重要部件和冗余不足部件进行筛选,为整个牵引系统的可靠性设计提供理论依据。文献[66]将整个动车组牵引系统的故障按照结构层次分为系统级、分系统级、装置级和部件级四个等级,并指出常见的分系统级故障有牵引变压器、整流器、中间电路、PWM (Pulse Width Modulation)逆变器的故障。当牵引系统中的整流元件出现开路故障时,其输出电压的波形会有明显的畸变,所以可以利用基于信号处理的方法来进行故障的检测和定位。基于这一诊断思想,文献[67]将输出电压进行小波分解用以提取故障的特征,再将能量特征值作为用于训练BP神经网络的输入参数,最后利用模式识别的方式完成故障的诊断,但是由于电网中谐波电压、白噪声电压以及电网波动的存在,使得整体的诊断精度有待进一步提高。文献[68]针对支持向量机在无限空间建立分类超平面容易导致误分类的问题,提出相应的改进策略,可有效地诊断电力机车整流装置的故障。文献[69]采用小波分析与神经网络相结合的方法,用以诊断变流器IGBT (Insulated Gate Bipolar Transistor)元件的短路故障。其中,小波分析用于故障特征的提取,同时充分利用神经网络的学习能力,获得故障特征与故障类型之间的非线性映射关系。文献[70]指出可以通过产生PWM谐波扭矩来辨识牵引电机转子槽破损故障。基于电力机车牵引电机故障前后系统动态特性的变化,文献[71]将递推最小二乘法应用于牵引电机匝间短路和接地短路故障的检测和识别。尽管上述文献对于电力机车牵引系统的故障做了大量的前期研究,但是针对牵引系统早期微小故障的检测和诊断的研究却未见报道。1.6 本书的主要内容及结构安排

本书着眼于早期微小故障的检测和诊断(包括故障的隔离定位以及故障的估计/重构)方法的理论研究,并致力于所提方法在CRH动车组高速列车牵引控制系统中的应用。分别展开了理论研究和仿真验证,取得了较为理想的研究成果,给CRH动车组列车牵引系统微小故障诊断技术的工程实际应用提供了基础。本书各章节的内容安排如下。

第1章阐述了研究背景和意义,并基于工程应用背景提出了四个挑战性问题。接下来简单概述了早期微小故障诊断、闭环系统故障诊断、复合故障诊断以及针对电力机车牵引传动控制系统的故障诊断方法的研究现状,并指出现行方案的不足之处。

第2章详细论述了基于ToMFIR (Total Measurable Fault Information Residual)残差的线性定常系统早期执行器微小故障的检测,并将检测算法应用于高速列车悬挂系统的作动器小幅度性能失效的故障检测中。在此章节中,假设系统中干扰信号可测,在仿真中利用轨道谱密度表征轨道的不平顺。

第3章研究了具有执行器早期故障的T-S模糊系统的故障检测、隔离和估计问题,从理论上给出了执行器微小故障的可检测性条件,并通过扰动观测器的设计估计系统中的未知扰动。该章节的诊断算法应用于牵引电机控制系统中的驱动电路微小故障的诊断。

第4章研究了非线性系统中多个传感器微小故障并发情况下故障的检测和隔离问题,并就CRH动车组列车牵引电机控制系统中速度传感器、电流传感器微小故障并发的情况,展开算法的仿真验证。

第5章针对具有不确定性和输出噪声的非线性系统,基于广义系统理论和广义观测器设计理论,研究了执行器、传感器早期微小故障并发情况下的故障重构和输出噪声估计的问题。所提诊断算法应用于CRH动车组列车的变流器控制系统中,可以有效诊断出变流器输出电压突变的故障以及电流传感器微小的缓变故障。

第6章基于CRH动车组列车牵引电机定子绕组和转子绕组的早期微小故障模型,研究了牵引电机控制系统中早期本体故障(针对电机本体)的检测和定位问题,实现了定子绕组小范围绝缘击穿(5%绝缘层击穿)故障的检测和定位。

第7章总结了本书的主要工作,并对未来的研究方向进行了分析和展望。第2章 基于ToMFIR残差的执行器早期故障检测方法及应用

鉴于现代控制系统的结构和集成度日趋复杂,针对这类系统的故障检测、诊断以及容错控制变得十分困难,再加上随着系统运行时间的增长,执行器、传感器以及系统内部的元部件都会产生不同程度的性能衰退,易诱发缓慢时变型的故障,即早期微小故障。该种类型故障征兆微弱,且极易受到闭环控制器的补偿作用以及系统噪声的干扰,致使基于状态估计误差的传统故障检测、诊断方法失效。针对闭环控制系统的微小故障诊断问题,文献[72]的作者做了一些前期研究工作并给出了一些新颖的研究成果,但是没有形成系统的研究体系,且受限于保守的系统约束条件,相关理论很难直接应用于工程实际中。因此需要另辟蹊径,从理论层面给出解决方案。

本章基于ToMFIR残差的概念,系统地论述了线性定常系统中执行器早期微小故障的检测方法,从理论方法层面论述了基于观测器残差的方法为何不适用于早期微小故障的检测,以及如何修正观测器残差。ToMFIR残差理论最早是在文献[73]中提出的,但是并没有就执行器故障、传感器故障和元器件级故障给出一套完整的故障检测体系,而且后期的工作大多集中于线性定常系统的故障检测,对于非线性系统以及故障的定位和重构等都没有相关的研究,使得该思想的工程化应用受到了极大的局限。本章节重点论述基于ToMFIR残差的线性系统执行器早期故障检测理论,其中故障的数学表示形式具有普适性,即包含加性、乘性以及多故障共发等特性,与原始文献相比,获得了一个更加一般的早期故障检测架构。

悬挂控制系统是CRH高速列车的重要组成部分,主要用于支撑列车车体以及转向架,同时隔绝由于轨道不平顺所产生的作用力,并保证车厢乘客的乘坐品质。随着列车在轨运行时间的增长,悬挂系统中的一些部件,例如螺旋弹簧、避震器、空气弹簧、主动/半主动式作动器都会产生一定程度的性能衰退,诱发诸如螺旋弹簧细微开裂、避震器轻微漏油/漏液、空气弹簧轻度漏气、作动器小幅度作动效能丧失等早期微小故障,给列车的行车安全带来潜在的危险。针对列车悬挂系统可能出现的故障,文献[74]提出了故障检测和性能监测的方法,但是对于上述所提到的征兆不明显的早期微小故障并未涉及,因此本章基于线性系统ToMFIR残差理论,针对动车组悬挂系统中主动式作动器小幅度作动效能丧失的早期微小故障进行检测,并获得了较为理想的仿真结果。2.1 线性系统ToMFIR残差相关理论2.1.1 线性定常系统的ToMFIR残差理论

考虑如下的线性定常系统G及其所对应的正则系统G0  (2.1)  (2.2)nmp

其中,x(t)∈R、u(t)∈R、y(t)∈R分别表示正则000nm系统的状态、控制输入以及测量输出;x(t)∈R、u(t)∈R、py(t)∈R分别表示真实系统的状态、控制输入以及测量输出;A∈nnpn×n×m×n×qR、B∈R、C∈R、D∈R分别为适维的系统矩阵。从定性的角度分析,β(t-T)Dθ[x(t),u(t)]表征早期故障对于系统0an×q动态的影响,其中D∈R为故障分布矩阵,函数β(t-T)用于描述0未知时刻T所发生故障的变化趋势,其形式可以表示如下:0  (2.3)

其中,标量α>0表示未知的故障演变速率。当α取值较小时,可00以用来表征故障的缓变特性,即可以用于表示早期微小故障;当α取0值较大时,β(t-T)趋近于阶跃函数,此时可以用来表示突变故0障。而故障的其他特性,诸如频率、幅值等由故障函数θ[x(t),aqu(t)]∈R表示。因为故障是状态和控制输入的函数,所以这种表述形式可以表征加性、乘性甚至是复合故障。

根据式(2.1)以及式(2.2)中线性定常系统G及其所对应的正则系统G的定义,将正则系统的输出记作y(t)=Gu(t),真实系0000统的输出记作y(t)=Gu(t)。一般来说,由于故障以及系统扰动等ꆡꆡ因素,G≠G,u(t)≠u(t)。令y(t)=Gu(t),其中y(t)表000示在真实控制输入u(t)的驱动下正则系统G的输出。0

定义2.1:  (2.4)

其中,输出残差r(t)=y(t)-y(t)表征真实系统和正则系统y0输出的差异;控制器残差r(t)=u(t)-u(t)表征闭环系统控制量u0的调节。定义2.1表明ToMFIR残差由输出残差和控制器残差两部分组成,通过进一步分析,可以得出如下结论:

①系统控制器没有补偿掉的故障信息,体现在输出残差的变化上;

②被系统控制器补偿掉的故障信息,体现在控制器残差的变化上。2.1.2 线性定常系统的观测器残差理论

考虑式(2.2)所示的线性定常系统G,构造如下形式的状态观测器  (2.5)

其中观测器增益L保证矩阵(A-LC)稳定。令状态估计误差,则  (2.6)

令观测器残差,则  (2.7)

式(2.7)表明观测器残差是观测器增益L的函数,其值依赖于观测器增益L的选择。在工程实际系统中,观测器增益的选择需要考虑诸多因素,同时要兼顾状态估计的速度以及观测器残差对于故障的敏感度,因此观测器增益的选择是一种折中的考量,所以会产生如下两种情况。

①基于观测器残差的误报: 观测器残差超出了检测阈值δ,但是系统实际上并未发生故障,残差的变化可能是由于工况变化所产生的系统波动,即,同时ToMFIR(t)ꆡ=y(t)-y(t)≤δ,其原因是(A-LC)选取得过于接近于0。

②基于观测器残差的漏报:在系统发生故障时,观测器残差仍未超出检测阈值δ,即,同时ToMFIR(t)ꆡ=y(t)-y(t)>δ,其原因是观测器增益L选择过大。

注释2.1:通过上述分析,可得如下结论:小观测器增益对于观测器残差有“放大”作用,极易产生故障的误报;高观测器增益则会“压缩”观测器残差中的故障信息,会导致故障漏报的发生。特别是后一种情况,由于早期微小故障中的信息十分微弱,如果再被观测器增益“压缩”掉部分故障信息,将导致故障完全检测不出,而不依赖于观测器增益选择的ToMFIR残差就不存在这个问题。另外需要指出的是,一些早期微小故障由于特征微弱,或者系统控制器具有较好的容错能力,故障发生时系统性能仍在可允许的设计范围内。但是由于“带病运行”,系统的运行开销会增大,同时系统内部的元器件的寿命会大幅缩短,整个系统的可靠性会降低,基于ToMFIR残差的故障检测对于此类系统是一种有效的健康监测机制。2.1.3 线性定常系统ToMFIR残差理论的拓展及其相关性质2.1.3.1 线性定常系统鲁棒ToMFIR残差理论

尽管式(2.2)所示线性定常系统G不含有系统扰动和不确定性,但定义2.1仍然是ToMFIR残差的通用定义架构。当系统中包含有扰动或者不确定性时,记此时的线性定常系统为G',设计控制器u(t)=u(t)+u(t),其中控制量u(t)用于维持诸如系统的稳定性、aba轨迹跟踪能力等系统性能,并且可以根据所发生的故障进行调节以保证系统的设计性能,当系统无故障时,u(t)=u(t)。u(t)是一a0b个鲁棒控制器,用于抑制扰动、不确定性对于系统性能的影响。基于以上论述,可以给出当线性定常系统G'包含有扰动、不确定性时的ToMFIR残差的表述形式。

定义2.2:  (2.8)

当系统无故障,并且u(t)可以完全抑制系统扰动和不确定性b时,。当系统有故障时,r'(t)或r'(t)非零。yu2.1.3.2 线性定常系统ToMFIR残差的近似计算理论

定理2.1:针对线性定常系统(2.2),ToMFIR残差的极限值与故障函数的极限值存在如下等式关系  (2.9)

证明:定义状态残差r(t)=x(t)-x(t),其可以表征真实系x0统状态与正则系统状态的差异,又称作模型跟随误差,则可得如下误差动态系统  (2.10)

令p(t)、b(t)分别为控制量残差r(t)驱动下正则系统G的u0状态和输出,则  (2.11)  (2.12)

根据式(2.10)  (2.13)

所以  (2.14)

根据式(2.10)~式(2.14)  (2.15)

推论2.1:根据式(2.15),当故障缓慢趋近于一个常值时,-1ToMFIR'(t)=r(t)+CABr(t)的极限值趋近于ToMFIR(t)的yu真值,此时ToMFIR'(t)的值可以作为ToMFIR残差的近似替代,从而避免了对Gr(t)的计算或仿真,在减轻计算、仿真负荷的同时0u保证了残差的精度。2.1.3.3 基于ToMFIR残差理论的观测器残差修正

在一些特定的工程应用背景中,由于正则系统的初始条件未知,导致r(t)较难计算,从而使得ToMFIR残差并不能直接获得,所以y有必要基于ToMFIR残差理论对观测器残差进行相应的修正。

定理2.2:针对线性定常系统(2.2)以及状态观测器(2.5),如-1果对观测器残差r(t)左乘矩阵M=I-CAL,其中I为适维的单位矩ob阵,则其极限值与ToMFIR残差的极限值存在如下关系:  (2.16)

证明:根据式(2.7)以及式(2.15)  (2.17)

注释2.2:定理2.2给出了基于ToMFIR理论的观测器残差的修正,即使用Mr(t)替代原观测器残差作为新的故障指示器。修正ob-1后的残差r'(t)=(I-CAL)r(t),当系统无故障时,limobobt→∞r'(t)=0;当系统中出现早期微小故障时,limr'(t)=limobt→∞obt→∞-1ToMFIR(t)=-CAP,其中P为早期微小故障的极限值或者为给定的故障的界。2.2 CRH悬挂系统作动器微小故障检测2.2.1 CRH高速列车悬挂系统建模

如图2.1所示,CRH动车组的转向架主要由转向架架构、轮对、轴箱装置、一系悬挂、二系悬挂、牵引装置、驱动装置以及基础制动[1]装置等部分构成。一系悬挂装置设在轴箱和转向架构架之间,二系悬挂装置设在转向架构架和车体之间,由两者共同构成的悬挂系统是动车转向架构成中最重要的部分。需要指出的是,悬挂装置严格来说不属于高速列车牵引控制系统的范畴,但是由于CRH动车组列车的牵引电机直接采用如图2.2所示的转向架架悬方式,转向架部件的故障也会对牵引控制系统的运行品质直接造成影响,所以悬挂系统早期故障检测的研究具有重要意义。[1]图2.1 动车转向架的基本结构[1]图2.2 CRH动车组牵引电机安装位置图(俯视图)

本书所考虑的悬挂系统模型来源于“动-拖-动”的编组结构,即模型中包括两节动车车体和一节拖车车体。如图2.3所示,每节车体包含两个自由度(沉浮、侧倾),每个转向架包含一个自由度(沉浮),如果把转向架的侧倾也考虑在建模中,则最终的模型还要再增加3个自由度,考虑到建模的复杂度,转向架的侧倾在本书中不作考虑。根据文献[75]中的参考模型以及文献[1]中的参数,构造一个9自由度的悬挂动态系统,其中:  (2.18)

车体的动态可以用如下的二阶矩阵等式表示:  (2.19)

试读结束[说明:试读内容隐藏了图片]

下载完整电子书

若在网站上没有找合适的书籍,可联系网站客服获取,各类电子版图书资料皆有。

客服微信:xzh432

登入/注册
卧槽~你还有脸回来
没有账号? 忘记密码?