[发明专利]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

说明书

本发明公开了一种用于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。

技术领域

本发明涉及一种用于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。

背景技术

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。

发明内容

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，本发明提出了一种用于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。

本发明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。