[发明专利]基于牵引电机在线监测的电力机车空转滑行识别方法

权利要求书

1.一种基于牵引电机在线监测的电力机车空转滑行识别方法，其特征在于：包括如下步骤：

步骤一、在线采集各轴牵引电机的三相电压﹑三相电流和牵引转矩指令；

步骤二、建立包括负载转矩及电机转速为未知量的六阶电机模型，通过多采样率扩展卡尔曼滤波方法对六阶电机模型进行状态估计，获得与空转/滑行特征空间相关的辨识量：

步骤三、建立基于数据驱动的空转/滑行趋势识别模型对机车空转/滑行趋势进行判断；

步骤四、对机车的空转/滑行状态进行识别。

2.根据权利要求1所述的基于牵引电机在线监测的电力机车空转滑行识别方法，其特征在于：步骤二所述获得与空转/滑行特征空间相关的辨识量的方法包括如下子步骤：

（1）对各轴牵引电机的三相电压、三相电流进行坐标变换，得到d-q轴系各轴牵引电机的电压及电流值；

（2）构建包括负载转矩及电机转速为未知量的感应电机六阶离散化模型：

x(k+1)+A(k)x(k)+B(k)u(k)+w(k)y(k)=Cx(k)+v(k)]]>

式中，

输入变量u=[u_isd u_isq]^T，u_isd,u_isq为定子电压在dq轴的分量；

输出向量y=[i_isd i_isq]^T，i_isd,i_isq为定子电流在dq轴的分量；

状态变量x=[i_isd i_isq λ_ird λ_irq ω_ir T_ir]^T；其中，λ_ird，λ_irq为转子磁链在dq轴的分量；ω_ir为转子转速；T_ir为负载转矩；状态噪声w和测量噪声v都是零均值、方差分别为Q和R且互相独立的高斯白噪声；T为采样周期；

方程系数为：

A(k)=1-ξT0TητrTηωirTηλirq001-Tξ-TηωirTητrTηλird0TLmτr01-T1τr-Tωir-Tλirq00TLmτrTωvr1-t1τr-Tλird0-T3npLmJLrλirqT3npLmJLrλird001-TJ000001]]>

B(k)=TσLs000000TσLs0000T]]>

C=100000010000]]>

式中：ξ=(RsσLs+1-σστr),]]>η=LmLsLr-Lm2,]]>σ=1-Lm2LsLr,]]>τr=LrRr,]]>

其中R_s,R_r分别为定子电阻及转子电阻,L_s,L_r分别为定子电感及转子电感,L_m为互感；n_p为极对数；J为电机转动惯量；

（3）通过多采样率扩展卡尔曼滤波方法对六阶电机模型进行状态估计，获得与空转/滑行特征空间相关的辨识量：

设对被控对象输出向量的采样周期为T_o，对被输入向量u的采样周期为T_i，T₀=NT_i，N为输入多采样系统的采样重数，设置多采样率EKF算法初始值及P(00)，并将初始值及估计器输入用于输入多采样率EKF递推算法：

1）多采样率方法的状态预测：

2）状态误差协方差矩阵预测：

P_i(k+N|k)=F^NP_i(k|k)(F^N)^T+B_iwQ_i(B_iw)^T

式中：

F(k)=∂f[x(k),k]∂x|x(k)=x^(k)]]>

=1-ξT0ητrTηTω^ir(k)ηTλ^irq(k)001-ξT-ηTω^ir(k)ητrT-ηTλ^ird(k)0LmτrT01-1τrT-Tω^ir(k)-Tλ^irq(k)00LmτrTTω^ir(k)1-1τrTTλ^ird(k)0-T3npLmJLrλ^irq(k)T3npLmJLrλ^ird(k)001-TJ000001]]>

3）计算卡尔曼增益：

K_i(k+N)=P_i(k+N|k)C^T[CP_i(k+N|k)C^T+R(k+N)]^-1

4）状态更新：

x^(k+N|k+N)=x~(k+N|k)+Ki(k+N)[y(k+N)-Cx~(k+N|k)]]]>

5）状态误差协方差更新：

P_i(k+N|k+N)=P_i(k+N|k)-P_i(k+N|k)K_i(k+N)C

6）通过输入多采样率EKF方法进行状态估计，得到负载转矩T_ir及转子转速ω_ir，其中i=1,…n，n为机车总轴数；然后由转子转速计算得到车轮转速v_ir。