列车牵引传动系统温度传感器实时故障诊断与容错估计*

doi:10.11985/2023.02.028

列车牵引传动系统温度传感器实时故障诊断与容错估计^*

侯鑫尧^,¹, 倪强², 李学明³, 黄庆³

1.广州铁路职业技术学院广州 510410

2.广东工业大学自动化学院广州 510006

3.中车株洲电力机车研究所有限公司株洲 412001

Real-time Fault Diagnosis and Fault-tolerant Estimation of Temperature Sensor in Train Traction Drive System

HOU Xinyao^,¹, NI Qiang², LI Xueming³, HUANG Qing³

1. Guangzhou Railway Vocational and Technical College, Guangzhou 510410

2. School of Automation, Guangdong University of Technology, Guangzhou 510006

3. CRRC Zhuzhou Electric Locomotive Research Institute, Zhuzhou 412001

通讯作者: 侯鑫尧，女，1988年生，硕士，讲师。主要研究方向为牵引传动系统控制、故障诊断与预测等。E-mail：houxinyao@gtxy.edu.cn

收稿日期: 2022-02-18 修回日期: 2022-09-22

基金资助:

国家自然科学基金(62103109)
广东省普通高校青年创新人才(2022KQNCX220)
广州市教育局高校科研(202235280)

Received: 2022-02-18 Revised: 2022-09-22

摘要

牵引传动系统的运行温度是列车运行状态与保护决策的重要指标，针对现有牵引传动系统中温度传感器故障诊断方法存在漏诊与误报断问题，提出了一种基于信息融合的多温度传感器智能故障诊断方法。该方法首先根据牵引传动系统温度检测原理，以系统中的水温传感器与油温传感器为故障诊断对象，提出基于动态主成分分析法的各温度传感器采样值的估算方法；然后基于各温度传感器的采样值与估计值的残差变化规律，提出故障检测与故障隔离的方法；最后，为了验证所提方法的有效性，基于列车实际运行数据，与现有的方法进行比较研究。试验结果表明，所提方法不仅能提高诊断精度，还能够在温度传感器故障情况下，估计出实际温度值，有效提升了列车的可用性，具有较高的实用价值。

关键词： 温度传感器; 实时诊断; 容错估计; 动态主成分分析法

Abstract

The temperature of traction drive system is an important index for the system operation status monitoring and protection decision-making. To solve the problems of missing diagnosis and false alarm in the existing fault diagnosis methods, an intelligent fault diagnosis method based on information fusion is proposed for multi-temperature sensors in traction drive system. Firstly, according to the temperature sampling mechanism of the traction drive system, a method for estimating the sampling values is proposed for the water temperature sensors and the oil temperature sensors based on the dynamic principal component analysis(PCA) algorithm. Then based on the variation law of residual between the sampled value and estimated value of each temperature sensor, a method of fault detection and fault isolation is proposed. Finally, the actual train operation data is used to verify the proposed algorithm. The experimental results show that compared with the existing methods, the proposed method can not only improve the diagnosis accuracy, but also estimate the actual temperature when the temperature sensor fails, which effectively improves the availability of the train and has good practical value.

Keywords： Temperature sensor; real-time diagnosis; fault tolerance estimation; DPCA

PDF (633KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

侯鑫尧, 倪强, 李学明, 黄庆. 列车牵引传动系统温度传感器实时故障诊断与容错估计^*[J]. 电气工程学报, 2023, 18(2): 269-276 doi:10.11985/2023.02.028

HOU Xinyao, NI Qiang, LI Xueming, HUANG Qing. Real-time Fault Diagnosis and Fault-tolerant Estimation of Temperature Sensor in Train Traction Drive System[J]. Chinese Journal of Electrical Engineering, 2023, 18(2): 269-276 doi:10.11985/2023.02.028

1 引言

牵引传动系统将从接触网获取的电能转化为列车前进的动能，是列车的核心动力变换装置，其健康状态将影响列车运行效率与行车安全，备受运营部门关注^[1]。牵引传动系统中关键部位的实时温度是表征机车传动设备工作环境与状态的一个重要指标^[2]，如果温度过高，需要对列车进行减功率运行、断开真空断路器等保护动作，以保证列车的安全运行^[3]。

温度传感器感知牵引传动系统关键部位温度，并通过相关信号采集电路转为与牵引传动控制系统相适应的电信号。由于牵引系统工作环境恶劣，在列车运行途中，可能出现温度传感器故障的情况，导致传感器测量值将偏离真实值。如果测量值比真实值偏高，将导致系统误动作，影响列车的正常运用^[4]。如果测量值比真实值偏低，将导致系统漏保护，对机车设备造成损害，给列车正常运行带来严重影响。因此如何有效地对列车温度传感器进行实时诊断对列车安全稳定运行具有重要意义^[5]。

近年来，列车牵引传动系统传感器故障诊断引起了国内外学者关注^[6]。传感器故障诊断方法大致可分为解析模型法、信号分析法与基于数据驱动的方法^[7]。解析模型法能够清晰描述系统结构与故障特征之间的关系，通过对传感器测量信号建立状态观测，然后根据观测输出与测量输出的残差变化规律，设置阈值来诊断传感器故障。文献[8-9]分别采用滑模观测器与龙伯格观测器进行测量值估计，基于估计值与实测值之间的残差，对列车脉冲整流器中的直流侧电压传感器与网侧电流传感器进行故障诊断。文献[10]采用自适应观测器与决策论相结合的方法，对牵引电机与逆变器系统的速度、电流与直流电压的3种传感器进行故障诊断。信号处理的方法直接从测量信号出发，无需建立数学模型，通过在时域、频域、时频分析的方式提取特征，来分析特定的故障信息。文献[11]基于三相电机电流，通过提取并比较正常工况与故障工况下不同相电流传感器的相关特征实现故障诊断。数据驱动的方法不依赖于数学模型，工程实用性强^[12]，在高速列车牵引传动系统故障诊断中，越来越受到国内外学者的关注^[13]。文献[14]提出了一种基于智能时间自适应集成极值学习机(Extreme learning machine, ELM)的三相逆变器传感器故障诊断方法，并基于半实物仿真验证了算法的有效性。文献[15]基于主成分分析法(Principal component analysis, PCA)对变频器供电的感应电机定子进行了故障诊断。为了改善PCA方法诊断性能，文献[16]提出了将深度PCA模型用于多传感器潜在故障诊断。针对高速列车非线性非高斯的时间序列数据特点，文献[17]进一步将PCA与概率事件相结合，用于传感器潜在故障诊断。为了提高模型的鲁棒性，文献[18]将赫林格距离引入了PCA框架。为此本文将结合列车温度传感器的数据关联及变化规律，将PCA的改进方法应用在温度传感器测量值的实时估计。

然而，以上故障诊断方法都是围绕电流与电压传感器展开研究，牵引传动系统运行温度是列车健康状态的重要评价因子，在系统中有许多温度传感器，但故障诊断方面研究相对较少。虽然电压、电流等传感器故障方法可以借鉴，但温度传感器的故障机理和特征差异较大，需要对其故障诊断方法进行研究。目前工程上普遍采用基于硬件冗余^[19]或传感器采样值读数异常或变化率^[20-21]来进行温度传感器故障诊断。采用基于硬件冗余的方法硬件成本较高，且仅采用两路冗余的情况下无法定位具体故障传感器。根据传感器采样值读数异常或变化过快来进行诊断，则无法诊断出传感器漂移故障，存在漏报风险。

为此本文在不改变现有硬件基础上，基于牵引系统各温度传感器间的关联关系，以温度传感器的历史正常样本数据为基础，提出了基于信息融合的多温度传感器智能故障诊断方法。首先基于动态主成分分析法对系统内温度传感器温度值进行估计，然后基于估计值与测试值的残差变化规律，对温度传感器的异常状态进行辨识与隔离，最后用现场故障案例对所提方法的有效性进行了验证。

2 系统温度监测与故障诊断机制

2.1 牵引传动系统中温度信号采集机制

为了确保列车主要部件的正常运行以及出现异常时及时有效保护，在列车牵引系统的牵引变压器、牵引变流器、牵引电机等主要部件内均装有温度传感器。通常牵引电机为强迫风冷方式，采用独立的牵引风机和通风管道进行冷却。而牵引变流器与牵引变压器则分别为水冷和油冷散热，采用油、水复合冷却系统对其进行冷却。

以某型动车组牵引系统为例，其复合冷却系统原理示意图如图1所示，牵引变流器的温度传感器分别安装于冷却水管进出口位置，用来测量内部进、出口水温的温度，牵引变压器温度传感器安装于牵引变压器内部顶端，用来测量内部油温温度。每套牵引系统通常包括4个水温传感器和2个油温传感器。控制系统实时采集这些温度值，并对温度异常进行诊断与保护。为此本文将对牵引传动系统的这6个温度传感器的故障展开研究，通过挖掘它们之间的相关性，实现每个温度值的高精度估计与故障诊断功能。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 牵引系统中油与水复合冷却原理图

2.2 现有温度传感器故障诊断方法

目前牵引系统中通常根据温度传感器采样值读数是否异常或变化过快^[13]，即简单超限报警方法来进行温度传感器故障诊断。此方法依据工程应用经验，设定温度传感器采样值及其变化率的正常工作范围，若超过此范围，则认为此温度传感器存在故障，其数学表达描述如式(1)所示

(1)

F = \{\begin{matrix} 0 T_{h 1} \leq T \leq T_{h 2} 且 - T_{h 3} \leq Δ T \leq T_{h 4} \\ 1 其 他 \end{matrix}

式中，F为传感器故障标志，为1代表发生故障，为0代表工作正常；T和ΔT分别表示温度传感器采样值及其变化率；T_h₁和T_h₂为温度传感器正常采样阈值上下限；T_h₃和T_h₄为温度传感器正常采样值变化率阈值上下限。

3 基于动态主成分分析法的故障诊断方法

3.1 动态主成分分析法基本原理

PCA^[14]是一种多变量统计方法，用于对含有噪声的和高度相关的测量数据进行分析。它采用线性降维技术，把高维信息投影到低维子空间，并保留主要过程信息，从而可用少数的主元描述高维的数据矩阵。假设X为n×m的数据矩阵，n对应数据样本数，m对应变量个数。则对矩阵X中的每个变量进行标准化处理后，可分解为如下形式

(2)

X = \hat{X} + E

式中， $\hat{X}$ 表示X的模型值；E表示建模误差。

$\hat{X}$ 和E可表示成如下形式

(3)

\hat{X} = T P^{T} = \sum_{i = 1}^{l} t_{i} p_{i}^{T}

(4)

E = T_{e} P_{e}^{T} = \sum_{i = l + 1}^{m} t_{i} p_{i}^{T}

式中， $l < m$ 为主元的个数，可采用百分比变化量测试^[15]、平行分析法等来进行确定；T和P分别表示主成分的得分矩阵和负荷矩阵； $t_{1}, t_{2}, \dots, t_{l}$ 且 $‖t_{1}‖ \geq ‖t_{2}‖ \geq \dots \geq ‖t_{l}‖$ 是主成分的分向量； $p_{i}$ 为协方差主成分特征向量，提取变量间关联信息。

X的分解使合成矩阵[PP_e]和[TT_e]均为正交矩阵，主成分分解使原始变量集减少成l个主成分。由于[PP_e]是正交的，因此 $\hat{X}$ 与E之间的协方差为0，即

(5)

\hat{X} \cdot E^{T} = 0

式(5)表示 $\hat{X}$ 的行向量与E是正交的，这些矩阵定义了R^m的互补子空间。一个记为x的通用样本矢量经过分解后其估计值幅值将减小，这种幅值减小是由主成分投影的滤波特性引起。

X在估计子空间的映射称为主成分空间(Principal component subspace, PCS)，可通过式(6)计算。

(6)

X P P^{T} = T P^{T} = \hat{X}

式中，将矩阵PP^T用C表示，C通常为秩亏矩阵，即l<m。

上述通用PCA方法是假定某时刻测量值对于前面时刻测量值来说是统计独立的^[17]，这对于长采样间隔是有效的，但对于动态系统，因采样间隔短，存在储能环节，其数据采样之间具有时序相关性，即当前采样值与历史采样值强相关。因此需要对数据矩阵进行扩张，增加历史时刻数据，以表示变量的动态关系。

令扩张后的数据矩阵为

(7)

X (h) = [\begin{matrix} x_{t}^{T} & x_{t - 1}^{T} & \dots & x_{t - h}^{T} \\ x_{t - 1}^{T} & x_{t - 2}^{T} & \dots & x_{t - h - 1}^{T} \\ ⋮ & ⋮ & ⋮ \\ x_{t + h - n}^{T} & x_{t + h - n - 1}^{T} & \dots & x_{t - n}^{T} \end{matrix}]

式中， $x_{t}$ 为t时刻在训练集中的m×1维测量向量；h为时滞因子。

通过对式(7)的数据矩阵进行PCA处理，可以从数据中得到包含系统输入的多变量自回归(Autoregression, AR)模型，基于式(7)的PCA方法称为动态主成分分析法(Dynamic principal component analysis, DPCA)。

3.2 基于DPCA的温度估计

设传感器测量值与估计值分别为 $x$ 和 $\hat{x}$ ，由式(6)可得

(8)

\hat{x} = x P P^{T} = x C

式中，x代表矩阵X的行向量，即一个传感器采样向量；C可基于历史故障数据样本得出。

设六个温度传感器采样值分别表示为入口水温传感器T_IW1，出口水温传感器T_OW1，入口水温传感器T_IW2，出口水温传感器T_OW2，入口油温传感器T_MT1和出口油温传感器T_MT2，则可扩张后的数据矩阵X(h)如式(9)所示

(9)

X (h) = [\begin{matrix} V (t) & V (t - 1) & \dots & V (t - h) \\ V (t - 1) & V (t - 2) & \dots & V (t - h + 1) \\ ⋮ & ⋮ & ⋮ \\ V (t + h - n) & V (t + h - n - 1) & \dots & V (t - n) \end{matrix}]

式中， $V = [T_{IW 1}, T_{OW 1}, T_{IW 2}, T_{OW 2}, T_{MT 1}, T_{M T 2}]$ 为温度传感器采样样本值矢量。

利用式(8)进行传感器测量值估计时，若x中包含故障传感器采样值，则故障传感器相关采样值仍然在估计中。为了消除故障传感器的影响，采用式(10)^[16]来重构第 $i$ 个传感器测量值 $z_{i}$

(10)

z_{i} = \frac{[\begin{matrix} x_{- i}^{T} & 0 & x_{+ i}^{T}] \end{matrix}}{1 - c_{i i}} c_{i}

式中， $C = [\begin{matrix} c_{1} & c_{2} & \dots & c_{m} \end{matrix}]$ ， $c_{i} = {[\begin{matrix} c_{1 i} & c_{2 i} & \dots & c_{m i} \end{matrix}]}^{T}$ ，下标 $- i$ ， $+ i$ 分别由代表原始向量的前 $i - 1$ 个元素和后 $m - i$ 个元素构成的向量。

以入口水温传感器故障检测的传感器测量值估算为例，基于式(8)进行某传感器估算时，其传感器采样值向量Z⁽¹⁾为

(11)

Z^{(1)} = [{\bar{T}}_{IW 1}, T_{OW 1}, T_{IW 2}, T_{OW 2}, T_{MT 1}, T_{MT 2}]

式中， ${\bar{T}}_{IW 1}$ 可由式(10)所示，将其他5个传感器采样值计算得到的入水口水温传感器重构值。

同理，利用式(10)可得到基于其他5个传感器重构替代的采样值向量，依次记为Z⁽²⁾~Z⁽⁶⁾，基于此重构替代采样值，利用DPCA算法，基于式(12)进行估算。

(12)

{\hat{Z}}^{(i)} = Z^{(i)} C

i = 1, 2,…, 6

3.3 温度传感器故障检测

基于上述分析，设传感器采样值矢量为x，则进行第i个传感器故障检测时，可基于式(13)来进行残差 $r_{j}^{(i)} (j = 1, 2, \dots, 6)$ 设计。

(13)

r_{j}^{(i)} = x_{j} - {\hat{z}}_{j}^{(i)}

式中， $r_{j}^{(i)}$ 表示进行第i个传感器故障检测时的第j个传感器采样值残差； $x_{j}$ 表示第j个传感器采样值， ${\hat{z}}_{j}^{(i)}$ 表示 ${\hat{Z}}^{(i)}$ 的第j个传感器估计值。

完成残差设计后，下一步是构造合适的检测量用于故障检测。在正常运行时，若系统无故障，则残差 $r_{j}^{(i)}$ 满足 $r_{j}^{(i)} ～ N (μ_{_{j 0}}^{(i)}, {(σ_{j 0}^{(i)})}^{2})$ ，其中， $μ_{_{j 0}}^{(i)} = 0$ ， $σ_{j 0}^{(i)}$ 与残差的测量噪声有关，可以通过正常的历史数据学习得到。

选择数据周期采样窗口长度为m，即每次截取m个 $r_{j}^{(i)}$ 的数据样本构造统计量，则其总体服从自由度为m的卡方分布^[17]。故障检测统计量函数可设置为

(14)

η_{j}^{(i)} (k) = \frac{\sum_{p = k - m + 1}^{k} (r_{j}^{(i)} {(p))}^{2}}{{(σ_{j 0}^{(i)})}^{2}}

式中，k为当前采样时刻。

选择相应的显著水平为 $α$ (0< $α$ <1)，则其拒绝域为 $p (χ^{2} > χ_{α}^{2} (m))$ 。建立如下故障检测决策逻辑

(15)

F_{j}^{(i)} = \{\begin{matrix} 1 η_{j}^{(i)} > χ_{α}^{2} (m) \\ 0 η_{j}^{(i)} \leq χ_{α}^{2} (m) \end{matrix}

式中， $χ_{α}^{2} (m)$ 表示自由度为 $m$ 且置信水平为 $α$ 的 $χ^{2}$ 分布临界值； $α$ 通常理解为容许出现误检测的概率。 $F_{j}^{(i)}$ = 1表示接受H₁，即系统发生故障； $F_{j}^{(i)}$ = 0表示接受H₀，即正常运行。

3.4 基于温度传感器的故障隔离

设各温度传感器故障标志位依次为F_IW1、F_OW1、F_IW2、F_OW2、F_TM1和F_TM2，可得各温度传感器故障的故障诊断规则如表1所示，基于表1即可实现各个故障的有效检测与隔离。

表1 故障诊断规则表

序号	条件	结论
1	F₁⁽¹⁾=1, F₂⁽¹⁾=0, F₃⁽¹⁾=0, F₄⁽¹⁾=0, F₅⁽¹⁾=0, F₆⁽¹⁾=0	F_IW1=1
2	F₁⁽²⁾= 0, F₂⁽²⁾=1, F₃⁽²⁾= 0, F₄⁽²⁾= 0, F₅⁽²⁾=0, F₆⁽²⁾= 0	F_OW1=1
3	F₁⁽³⁾= 0, F₂⁽³⁾= 0, F₃⁽³⁾=1, F₄⁽³⁾=0, F₅⁽³⁾=0, F₆⁽³⁾=0	F_IW2=1
4	F₁⁽⁴⁾= 0, F₂⁽⁴⁾=0, F₃⁽⁴⁾=0, F₄⁽⁴⁾=1, F₅⁽⁴⁾=0, F₆⁽⁴⁾=0	F_OW2=1
5	F₁⁽⁵⁾=0, F₂⁽⁵⁾= 0, F₃⁽⁵⁾= 0, F₄⁽⁵⁾= 0, F₅⁽⁵⁾= 1, F₆⁽⁵⁾=0	F_MT1=1
6	F₁⁽⁶⁾=0, F₂⁽⁶⁾=0, F₃⁽⁶⁾=0, F₄⁽⁶⁾=0, F₅⁽⁶⁾=0, F₆⁽⁶⁾=1	F_MT2=1

新窗口打开| 下载CSV

4 现场故障数据测试验证

为验证所提算法的有效性，本文以某实际列车的牵引传动系统温度采集数据为研究对象，包括4个入水口水温传感器与2个油温传感器的数据，数据样本共470个，每个样本包含17 500个采样点，采样周期为0.3 s，数据周期采样窗口长度为3，采用文献[22]中的评价指标故障检测率(False discovery rate, FDR)进行评价，与传统方法对比研究。FDR计算方法如式(16)所示

(16)

F D R = \frac{N u m (J > J_{th} | faulty)}{N_{f}} \times 100 %

式中，N_f为总的故障样本数；J表示故障检测统计量；J_th为相关阈值。

以一次入口水温传感器T_IW1故障为例，本文所提方法与传统方法测试相关结果如图2~6所示。图2为采用基于DPCA方法进行入口水温故障传感器故障检测时的温度估算效果。从图2与图3可以看出，无论入口水温传感器T_IW1是否发生故障，6个温度传感器均能很好地估算出真实温度，其中T_OW1、T_IW2、T_OW2、T_MT1和T_MT2估计误差均在1 ℃以内，T_IW1最大为5 ℃，满足应用需求。故障后，T_IW1估计值与测量值偏差迅速增大，此时系统用T_IW1的估计值代替测量值，实现温度测量的容错控制，提高系统的可用性。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 DPCA模型对传感器温度估算结果

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 DPCA模型对传感器温度估算误差

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 DPCA模型的故障检测统计量变化过程

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 本文所提方法与传统方法故障检测量变化对比

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 本文所提方法与传统方法故障检测结果对比

为了进一步验证本文所提算法的有效性，基于DPCA估计模型的6个故障检测统计量变化过程如图4所示，整个过程中除T_IW1对应的故障检测量在入口水温传感器故障时存在超阈值外，其余5个温度的故障检测量均处于故障阈值以下，与表1所示的入口水温T_IW1传感器故障的诊断规则一致。

基于DPCA估计的方法与传统方法的故障检测量变化及故障标志变化情况分别如图5、6所示，可以看出，相比于传统方法，出现实际发生故障而检测量低于阈值，而导致多次误诊断情况，本文所提出的DPCA方法的故障检测量变化较平缓，与实际故障同步。根据式(16)可以算出采用DPCA方法与传统方法在此次故障样本的FDR指标分别为98.71%和83.32%，表明本文所提方法能够有效检测故障，且明显优于传统方法。

5 结论

牵引传动系统关键部位温度是列车相关设备运行状态的重要指标，温度传感器故障诊断对列车安全稳定运行具有重要意义，针对目前工程上传统的诊断方法仍存在的漏报问题，本文提出了基于信息融合多传感器故障实时诊断方法，此方法创新性主要体现在如下三个方面。

(1) 针对各温度传感器检测值校准问题，充分利用牵引传动系统中各温度传感器之间的冗余关系，提出了基于DPCA方法的温度传感器温度容错估计方法。

(2) 基于估算温度的测量模型，通过构造相关统计量实现了温度传感器异常辨识与隔离方法。

(3) 通过与传统方法比较研究，用现场故障样本进行对比测试，结果表明，所提方法能有效降低漏报并具有容错估计功能，可提升列车可用性和智能化水平。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

, XU

, CHEN

, et al.

Real-time fault diagnosis of pulse rectifier in traction system based on structural model

[J]. IEEE Trans. on Intelligent Transportation Systems, 2020, 16(4):1-14.

DOI:10.1109/TITS.2015.2393752 URL [本文引用: 1]

[2]

徐绍龙, 倪强, 李学明, 等.

自动驾驶电力机车牵引变流器中IGBT寿命损耗优化策略

[J]. 中国电机工程学报, 2021, 41(18):6381-6389.

[本文引用: 1]

Shaolong

, NI

Qiang

, LI

Xueming

, et al.

Optimization strategy of IGBT life loss in traction converter of autonomous driving electric locomotive

[J]. Proceedings of the CSEE, 2021, 41(18):6381-6389.

[本文引用: 1]

[3]

王辰永, 崔光玮, 许玉清, 等.

HXD3B机车牵引变压器虚假过热故障的分析

[J]. 机车电传动, 2012(4):90-94.

[本文引用: 1]

WANG

Chenyong

, CUI

Guangwei

, XU

Yuqing

, et al.

Analysis of false overheating fault of traction transformer of HXD3B locomotive

[J]. Electric Drive for Locomotives, 2012(4):90-94.

[本文引用: 1]

[4]

徐绍龙, 李学明, 成正林.

温度传感器智能故障诊断和容错估计

[J]. 自动化仪表, 2021, 42(7):16-21.

[本文引用: 1]

Shaolong

, LI

Xueming

, CHENG

Zhenglin

Intelligent fault diagnosis and fault tolerant estimation of temperature sensors

[J]. Process Automation Instrumentation, 2021, 42(7):16-21.

[本文引用: 1]

[5]

CHEN

, JIANG

A review of fault detection and diagnosis for the traction system in high-speed trains

[J]. IEEE Trans. on Intelligent Transportation Systems, 2020, 21(2):450-456.

DOI:10.1109/TITS.6979 URL [本文引用: 1]

[6]

CHEN

, JIANG

, DING

, et al.

Data-driven fault diagnosis for traction systems in high-speed trains:A survey,challenges and perspectives

[J]. IEEE Trans. on Intelligent Transportation Systems, 2022, 23(3):1700-1716.

DOI:10.1109/TITS.2020.3029946 URL [本文引用: 1]

[7]

葛兴来, 谢东, 邓清丽.

车载牵引变流系统故障诊断与容错控制综述

[J]. 电源学报, 2020, 18(1):28-44.

DOI:10.13234/j.issn.2095-2805.2020.1.28 [本文引用: 1]

车载牵引变流系统作为高速列车的动力源，其安全可靠性对保障高速列车安全、高效、可靠的运行和维护至关重要。在非线性、强耦合和多工况等复杂条件和恶劣环境中长期运行，牵引变流系统中的各类部件都会出现不同程度的劣化失效，引发各类故障，给高速列车的安全运行带来极大挑战。为此，针对高速列车车载牵引变流系统功率器件、牵引控制单元、传感器和中间直流环节等故障率高的部件进行了故障诊断与容错控制方法的调研和总结，对比分析不同方法的研究思路和适用条件。最后，讨论车载牵引变流系统故障诊断与容错控制研究中亟待解决的问题，并对未来的研究做出展望。

Xinglai

, XIE

Dong

, DENG

Qingli

Overview of fault diagnosis and fault-tolerant control methods for vehicular traction converter system

[J]. Journal of Power Supply, 2020, 18(1):28-44.

DOI:10.13234/j.issn.2095-2805.2020.1.28 [本文引用: 1]

As the driving source of high-speed trains, the vehicular traction converter system is critical to ensuring their safe, efficient and reliable operation and maintenance. In the long-term operation under complex conditions and harsh environments such as nonlinearity, strong coupling, and multiple operating conditions, various components in the traction converter system may encounter different degrees of deterioration failure, causing various types of failures and further affecting the safe operation of high-speed trains seriously. With regard to this, the fault diagnosis and fault-tolerant control methods for the components with a high failure rate in the vehicular traction converter system of high-speed trains, including power devices, traction control unit, sensors, and intermediate DC-link, are investigated and summarized in this paper. Moreover, the research ideas and applicable conditions for different methods are compared and analyzed. Finally, some open problems and challenges in the research of fault diagnosis and fault-tolerant control of the vehicular traction converter system are discussed, and the promising research directions are pointed out.

[8]

YOUSSEF

A B

, EL

KHIL S K

, SLAMA-BELKHODJA

, et al.

State observer based sensor fault detection and isolation,and fault tolerant control of a single-phase PWM rectifier for electric railway traction

[J]. IEEE Trans. Power Electron., 2013, 28(12):5842-5853.

DOI:10.1109/TPEL.2013.2257862 URL [本文引用: 1]

[9]

XIA

, GUO

, DAI

, et al.

Sensor fault diagnosis and system reconfiguration approach for an electric traction PWM rectifier based on sliding mode observer

[J]. IEEE Trans. Power Electron., 2017, 53(5):5842-5853.

[本文引用: 1]

[10]

NAJAFABADI

T A

, SALMASI

F R

, JABEHDAR-MARALANI

Detection and isolation of speed-,DC-link voltage-,and current sensor faults based on an adaptive observer in induction-motor drives

[J]. IEEE Trans. on Industrial Electronics, 2011, 58(5):1662-1672.

DOI:10.1109/TIE.2010.2055775 URL [本文引用: 1]

[11]

CHAKRABORTY

, VERMA

Speed and current sensor fault detection and isolation technique for induction motor drive using axes transformation

[J]. IEEE Trans. on Industrial Electronics, 2015, 62(3):1943-1954.

DOI:10.1109/TIE.2014.2345337 URL [本文引用: 1]

[12]

ZHANG

, JIANG

, YAN

, et al.

Incipient voltage sensor fault isolation for rectifier in railway electrical traction systems

[J]. IEEE Transactions on Industrial Electronics, 2017, 64(8):6763-6774.

DOI:10.1109/TIE.2017.2696463 URL [本文引用: 1]

[13]

GOU

, XU

, XIA

, et al.

An online data-driven method for simultaneous diagnosis of IGBT and current sensor fault of three-phase PWM inverter in induction motor drives

[J]. IEEE Trans. on Power Electronics, 2020, 35(12):13281-13294.

DOI:10.1109/TPEL.2020.2994351 URL [本文引用: 2]

[14]

GOU

, XU

, XIA

An intelligent time-adaptive data-driven method for sensor fault diagnosis in induction motor drive system

[J]. IEEE Transactions on Industrial Electronics, 2019, 66(12):9817-9827.

DOI:10.1109/TIE.41 URL [本文引用: 2]

[15]

MARTINS

J F

, PIRES

V F

, PIRES

A J

PCA-based on-line diagnosis of induction motor stator fault feed by PWM inverter

[C]// 2006 IEEE International Symposium on Industrial Electronics, July 09-13,2006,Montreal,QC,Canada. IEEE, 2006, 3:2401-2405.

[本文引用: 2]

[16]

CHEN

, JIANG

, LU

, et al.

Deep PCA based real-time incipient fault detection and diagnosis methodology for electrical drive in high-speed trains

[J]. IEEE Transactions on Vehicular Technology, 2018, 67(6):4819-4830.

DOI:10.1109/TVT.25 URL [本文引用: 2]

[17]

CHEN

, JIANG

, CHEN

, et al.

Data-driven detection and diagnosis of incipient faults in electrical drives of high-speed trains

[J]. IEEE Transactions on Industrial Electronics, 2019, 66(6):4716-4723.

DOI:10.1109/TIE.2018.2863191 URL [本文引用: 3]

[18]

CHEN

, JIANG

, LU

A newly robust fault detection and diagnosis method for high-speed trains

[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(6):2198-2208.

DOI:10.1109/TITS.6979 URL [本文引用: 1]

[19]

纪长龙

HXD3B型机车主变压器温度传感器故障分析及改进

[J]. 铁路机车与动车, 2018(5):44-46.

[本文引用: 1]

Changlong

Failure analysis and improvement of temperature sensor of main transformer on HXD3B locomotive

[J]. Journal of Railway Locomotives and Trains, 2018(5):44-46.

[本文引用: 1]

[20]

何朝保, 张泽, 刘英.

CRH3型动车组牵引电机温度传感器故障分析及改进

[J]. 机车电传动, 2018(3):122-124.

[本文引用: 1]

Chaobao

, ZHANG

, LIU

Ying

Fault analysis and improvement of traction motor temperature sensors for CRH3 EMUs

[J]. Electric Drive for Locomotives, 2018(3):122-124.

[本文引用: 1]

[21]

赵振申

CRH380B型动车组走行部温度异常故障分析与研究

[J]. 铁道机车车辆, 2019, 39(6):92-95.

[本文引用: 1]

ZHAO

Zhenshen

Analysis & research on abnormal temperature failure of CRH380B EMU running gear

[J]. Railway Locomotive & Car., 2019, 39(6):92-95.

[本文引用: 1]

[22]

陈志文, 李学明, 徐绍龙, 等.

基于特征相关性的牵引系统主回路接地故障诊断

[J]. 自动化学报, 2021, 47(7):1517-1528.

[本文引用: 1]

CHEN

Zhiwen

, LI

Xueming

, XU

Shaolong

, et al.

Joint fault diagnosis method of multiclass faults for traction rectifier in high-speed train

[J]. Acta Automatica Sinica, 2021, 47(7):1517-1528.

[本文引用: 1]

Real-time fault diagnosis of pulse rectifier in traction system based on structural model

2020

... 牵引传动系统将从接触网获取的电能转化为列车前进的动能，是列车的核心动力变换装置，其健康状态将影响列车运行效率与行车安全，备受运营部门关注^[1].牵引传动系统中关键部位的实时温度是表征机车传动设备工作环境与状态的一个重要指标^[2]，如果温度过高，需要对列车进行减功率运行、断开真空断路器等保护动作，以保证列车的安全运行^[3]. ...

自动驾驶电力机车牵引变流器中IGBT寿命损耗优化策略

2021

Optimization strategy of IGBT life loss in traction converter of autonomous driving electric locomotive

2021

HXD3B机车牵引变压器虚假过热故障的分析

2012

Analysis of false overheating fault of traction transformer of HXD3B locomotive

2012

温度传感器智能故障诊断和容错估计

2021

... 温度传感器感知牵引传动系统关键部位温度，并通过相关信号采集电路转为与牵引传动控制系统相适应的电信号.由于牵引系统工作环境恶劣，在列车运行途中，可能出现温度传感器故障的情况，导致传感器测量值将偏离真实值.如果测量值比真实值偏高，将导致系统误动作，影响列车的正常运用^[4].如果测量值比真实值偏低，将导致系统漏保护，对机车设备造成损害，给列车正常运行带来严重影响.因此如何有效地对列车温度传感器进行实时诊断对列车安全稳定运行具有重要意义^[5]. ...

Intelligent fault diagnosis and fault tolerant estimation of temperature sensors

2021

A review of fault detection and diagnosis for the traction system in high-speed trains

2020

Data-driven fault diagnosis for traction systems in high-speed trains:A survey,challenges and perspectives

2022

... 近年来，列车牵引传动系统传感器故障诊断引起了国内外学者关注^[6].传感器故障诊断方法大致可分为解析模型法、信号分析法与基于数据驱动的方法^[7].解析模型法能够清晰描述系统结构与故障特征之间的关系，通过对传感器测量信号建立状态观测，然后根据观测输出与测量输出的残差变化规律，设置阈值来诊断传感器故障.文献[8-9]分别采用滑模观测器与龙伯格观测器进行测量值估计，基于估计值与实测值之间的残差，对列车脉冲整流器中的直流侧电压传感器与网侧电流传感器进行故障诊断.文献[10]采用自适应观测器与决策论相结合的方法，对牵引电机与逆变器系统的速度、电流与直流电压的3种传感器进行故障诊断.信号处理的方法直接从测量信号出发，无需建立数学模型，通过在时域、频域、时频分析的方式提取特征，来分析特定的故障信息.文献[11]基于三相电机电流，通过提取并比较正常工况与故障工况下不同相电流传感器的相关特征实现故障诊断.数据驱动的方法不依赖于数学模型，工程实用性强^[12]，在高速列车牵引传动系统故障诊断中，越来越受到国内外学者的关注^[13].文献[14]提出了一种基于智能时间自适应集成极值学习机(Extreme learning machine, ELM)的三相逆变器传感器故障诊断方法，并基于半实物仿真验证了算法的有效性.文献[15]基于主成分分析法(Principal component analysis, PCA)对变频器供电的感应电机定子进行了故障诊断.为了改善PCA方法诊断性能，文献[16]提出了将深度PCA模型用于多传感器潜在故障诊断.针对高速列车非线性非高斯的时间序列数据特点，文献[17]进一步将PCA与概率事件相结合，用于传感器潜在故障诊断.为了提高模型的鲁棒性，文献[18]将赫林格距离引入了PCA框架.为此本文将结合列车温度传感器的数据关联及变化规律，将PCA的改进方法应用在温度传感器测量值的实时估计. ...

车载牵引变流系统故障诊断与容错控制综述

2020

Overview of fault diagnosis and fault-tolerant control methods for vehicular traction converter system

2020

State observer based sensor fault detection and isolation,and fault tolerant control of a single-phase PWM rectifier for electric railway traction

2013

Sensor fault diagnosis and system reconfiguration approach for an electric traction PWM rectifier based on sliding mode observer

2017

Detection and isolation of speed-,DC-link voltage-,and current sensor faults based on an adaptive observer in induction-motor drives

2011

Speed and current sensor fault detection and isolation technique for induction motor drive using axes transformation

2015

Incipient voltage sensor fault isolation for rectifier in railway electrical traction systems

2017

An online data-driven method for simultaneous diagnosis of IGBT and current sensor fault of three-phase PWM inverter in induction motor drives

2020

... 目前牵引系统中通常根据温度传感器采样值读数是否异常或变化过快^[13]，即简单超限报警方法来进行温度传感器故障诊断.此方法依据工程应用经验，设定温度传感器采样值及其变化率的正常工作范围，若超过此范围，则认为此温度传感器存在故障，其数学表达描述如式(1)所示 ...

An intelligent time-adaptive data-driven method for sensor fault diagnosis in induction motor drive system

2019

... PCA^[14]是一种多变量统计方法，用于对含有噪声的和高度相关的测量数据进行分析.它采用线性降维技术，把高维信息投影到低维子空间，并保留主要过程信息，从而可用少数的主元描述高维的数据矩阵.假设X为n×m的数据矩阵，n对应数据样本数，m对应变量个数.则对矩阵X中的每个变量进行标准化处理后，可分解为如下形式 ...

PCA-based on-line diagnosis of induction motor stator fault feed by PWM inverter

2006

... 式中，

l < m

为主元的个数，可采用百分比变化量测试^[15]、平行分析法等来进行确定；T和P分别表示主成分的得分矩阵和负荷矩阵；

t_{1}, t_{2}, \dots, t_{l}

且

‖t_{1}‖ \geq ‖t_{2}‖ \geq \dots \geq ‖t_{l}‖

是主成分的分向量；

p_{i}

为协方差主成分特征向量，提取变量间关联信息. ...

Deep PCA based real-time incipient fault detection and diagnosis methodology for electrical drive in high-speed trains

2018

... 利用式(8)进行传感器测量值估计时，若x中包含故障传感器采样值，则故障传感器相关采样值仍然在估计中.为了消除故障传感器的影响，采用式(10)^[16]来重构第

i

个传感器测量值

z_{i}

...

Data-driven detection and diagnosis of incipient faults in electrical drives of high-speed trains

2019

... 上述通用PCA方法是假定某时刻测量值对于前面时刻测量值来说是统计独立的^[17]，这对于长采样间隔是有效的，但对于动态系统，因采样间隔短，存在储能环节，其数据采样之间具有时序相关性，即当前采样值与历史采样值强相关.因此需要对数据矩阵进行扩张，增加历史时刻数据，以表示变量的动态关系. ...

... 选择数据周期采样窗口长度为m，即每次截取m个

r_{j}^{(i)}

的数据样本构造统计量，则其总体服从自由度为m的卡方分布^[17].故障检测统计量函数可设置为 ...

A newly robust fault detection and diagnosis method for high-speed trains

2019

HXD3B型机车主变压器温度传感器故障分析及改进

2018

... 然而，以上故障诊断方法都是围绕电流与电压传感器展开研究，牵引传动系统运行温度是列车健康状态的重要评价因子，在系统中有许多温度传感器，但故障诊断方面研究相对较少.虽然电压、电流等传感器故障方法可以借鉴，但温度传感器的故障机理和特征差异较大，需要对其故障诊断方法进行研究.目前工程上普遍采用基于硬件冗余^[19]或传感器采样值读数异常或变化率^[20-21]来进行温度传感器故障诊断.采用基于硬件冗余的方法硬件成本较高，且仅采用两路冗余的情况下无法定位具体故障传感器.根据传感器采样值读数异常或变化过快来进行诊断，则无法诊断出传感器漂移故障，存在漏报风险. ...

Failure analysis and improvement of temperature sensor of main transformer on HXD3B locomotive

2018

CRH3型动车组牵引电机温度传感器故障分析及改进

2018

Fault analysis and improvement of traction motor temperature sensors for CRH3 EMUs

2018

CRH380B型动车组走行部温度异常故障分析与研究

2019

Analysis & research on abnormal temperature failure of CRH380B EMU running gear

2019

基于特征相关性的牵引系统主回路接地故障诊断

2021

... 为验证所提算法的有效性，本文以某实际列车的牵引传动系统温度采集数据为研究对象，包括4个入水口水温传感器与2个油温传感器的数据，数据样本共470个，每个样本包含17 500个采样点，采样周期为0.3 s，数据周期采样窗口长度为3，采用文献[22]中的评价指标故障检测率(False discovery rate, FDR)进行评价，与传统方法对比研究.FDR计算方法如式(16)所示 ...

Joint fault diagnosis method of multiclass faults for traction rectifier in high-speed train

2021

〈

〉