机车控制电源故障特征向量维数约简方法研究

打开文本图片集

摘 要：通过对电力机车控制系统中控制电源的电路结构特点分析，进行故障特征值提取，对所造成的高维数据无法进行模式识别这一特点。通过对传统的流形学习算法中LE理论进行改进，提出了基于马氏距离的LE算法理论，对LE算法中的邻域选择问题进行了深入的研究，使K具有自适应性，而且利用关联维数理论克服了非线性电路的故障特征提取中所造成的维数灾难，对其高维数据进行本征维数的估计，去除了不相关的信息维数，解决了流形学习理论中d的选取难点。最后通过验证得出该方法的有效性与准确性。

关键词：移相全桥变换器；流形学习；数据降维；马氏距离；关联维数；

中图分类号：TM46 文献标识码：A

Abstract： Through the analysis of the circuit structure characteristics of the control power supply in the electric locomotive control system，and extract the feature value of the fault.The pattern recognition of the high-dimensional data can not be carried out.By improving the LE theory in the traditional manifold learning algorithm，we propose a LE algorithm based on Mahalanobis distance.The neighborhood selection problem in LE algorithm is deeply studied，which makes K adaptive.Using correlation dimension theory，overcome the curse of dimensionality caused by fault feature extraction in nonlinear circuits，and the estimation of intrinsic dimension of high-dimensional data removes uelated information dimension，and solves the difficulty of D selection in manifold learning theory.Finally，the validity and accuracy of the method is obtained through verification.

Key Words： phase-shifted full-bridge converter；manifold learning；dimensionality reduction；mahalanobis distance；correlation dimension

1 引 言

机车的控制系统中，微机控制系统是其核心部件，为其提供电能的控制电源的工作情况直接影响到整个机车控制系统，因此要实时监控机车控制电源的工作状况，准确、有效地判断故障类型是提高机车控制电源在控制系统中安全、可靠运行的重要保障，而这一保障主要取决于非线性电路的故障特征提取，通过对电力机车控制系统中其电源的主要电路结构--移相全桥变换器进行特征值的提取运算，由于非线性电路的故障信号在一定尺度范围内存在着相似性与干扰性，因此在特征值提取过程中会带来不相关的特征值，进一步导致维数灾难的发生，为了克服这一缺陷必须对提取出来的高维数据进行精确地降维，保留故障信号的本质信息。

2 机车控制电源故障分析与仿真

主要研究的对象主要针对TB1395-93[1]《110V控制电源屏技术条件》指出电力机车控制系统中所使用的控制电源的输入、输出直流电压分别为Vin=600V、Vo=110V±2.5%，机车控制电源核心部件的电路结构为移相全桥零电压DC/DC变换器[2][3]，电路结构如图1所示。

Lr表示电感，Ci表示功率管上附加的稳压电容，Di表示功率管上起续流作用的二极管，Uab表示TR的一次电压作为输出电压数值，Us1表示TR的次边绕组电压数值，Ucd表示 两端的电压数值，Uo表示控制电源的输出电压数值。根据控制电源的电路结构属性为非线性因为为了更能逼真地表示电源的运行特征在仿真时需考虑谐波、噪音参数，通过对控制电源的Matlab/Simulink仿真将噪声的功率与采样周期分别设定为1e-5和100e-9s，对谐波的仿真则由电压的叠加来实现，通过仿真得出电源正常运行时的工作波形，如图2所示。

假设变换器中开关管IGBT的断开为电源运行时的故障状态，那么对于变换器中IGBT的Q1管发生故障时，电源运行时的電路图，如图3所示。

3 故障特征向量的维数约简

由于非线性电路的故障信号在一定尺度范围内存在着相似性与干扰性，因此所提取的特征值不准确而且维数过大，对于所引发的“维数灾难”，传统的流形学习在降维过程中以“流形学习使高维数据实现可视化[4，5]”这一标准，也就是将高维数据降到我们所能观察到的三维或者更低，但是这种做法往往会将有用的故障信息与无用的信息一同删减，最终导致故障诊断结果错误率极高。因为为了解决本证故障信息丢失的问题，就要对高维数据进行量化处理，达到精确地降维目的，保留住故障数据本质信息，最终提高故障判别率。

3.1 马氏距离的拉普拉斯映射算法

马氏距离 [6，7]，用来表示数据协方差的距离，欧氏距离用来表示样本相似性的度量，马氏距离最大的优点是在测量过程中点与点之间是局限于单位的影响。在对数据进行降维运算中欧氏距离与马氏距离的等价是基于数据的所有分量完全无关的基础上[6]，但是高维数据的每个分量之间均存在着一定的联系。因此依据此理论对高维数据的两个样本进行度量过程时，只需要考虑两个样本之间是否是同类关系，而不需要考虑单个样本属于哪一类。

3.2 基于关联维数本征维数的估计

3.2.1 关联维数的定义

在上式中，q取值的不同，Dq表示不同的状态，当q = 0时，D0为吸引子的分形维数，当q = 1时，D1为吸引子的信息维数，当q = 2时，D2为吸引子的关联维数，根据关联维数理论[10]指出当q = 2时，所表示的关联维数D2能够准确地反应出非线性系统运动状态的本证信息，在某种程度上很好地克服了吸引子的不均匀性和反应敏感的缺陷，进一步展示出了数据的动态结构，从而能够得到故障特征数据的本征维数。

3.2.2 本征维数的估计

式（8）中H（x）为单位阶跃函数，选择超球半径r时应使区间满足一定的关系即C（r）∝rD，则D =的数值表示为样本数据X的关联维数。而关联维数的求取，则可以根据曲线logC（r） - logr的斜率来判定，若在某一区间斜率不变即斜率的数值为关联维数 D[12][13]。

对于高维数据样本X，在进行降维处理过程中，可以构成维数为m的矩阵，而且维数m与关联维数D呈正比例关系，随着m的增大D也在增大，但是维数m增大的一定数值的时候，关联维数D不再增大，趋于恒定值，高维数据样本X的本征维数d就由关联维数D准确地表达出来。

4 基于马氏距离与关联维数的降维

在故障诊断中的应用

通过图4可以得出，在一定的区间内曲线的 logC（r） - logr斜率与m呈正比例关系，即随着m的增大也趋于增大，但是在区间（1.1-1.4） 曲线logC（r） - logr斜率不再随着m的增大而增大，成为恒定值，此时低维数据中的嵌入维数m为8，可以判定该高维故障特征向量的本征维数d = 8，因此将其降维到8维时就能够表达出其故障的本质信息，其所降维后的数据向量如图5所示，且对其所降维的数据向量保存为数据文件的格式，有“TWO.txt”。

然后降准确降维后的特征向量代入BP神经网络[16][17]中进一步实行故障特征的模式识别，通过BP网络进行经验模式训练，其最终的效果如图6所示，根据效果图可以看出，当训练步数值达到30时，其训练的误差值不再变化，达到预期的理想效果。并利用训练好的神经网络对其进行故障识别判断，通过对降维前与准确降维后的结果对比，如图7所示，发现经过精确降维后的故障检测率为100%。

5 结 论

通过对电力机车控制系统中的控制电源进行故障机理的分析，经过故障特征值的提取运算，在传统的流形学习理论中进行相关的改进，提出了基于马氏距离的LE算法理论，并且通过对LE算法中的邻域选择问题进行了深入的研究，使K具有自适应性，而且利用关联维数理论克服了非线性电路的故障特征提取中所造成的高维数据，并对其进行本征维数的计算，去除了不相关的信息维数，解决了对传统流形学习算法理论中d的选取问题，最后通过数据对比分析，得出该方法的正确性。

参考文献

[1] 中华人民共和国铁道部科学技术司.TB/T1395-2003，直流110 V机车控制电源柜技术条件[S].北京：中国铁道出版社，1—9.

[2] 林国庆.一种新型的零电压零电流转换DC-DC变换器[J].中国电机工程学报，2007，27（22）：106—109.

[3] 陈国呈.新型电力电子变换技术[M].北京：中国电力出版社，2004：83—84.

[4] 谭璐.高维数据的降维理论及应用[D].长沙：国防科学技术大学，2005：65—71.

[5] 黎敏，阳建宏，徐金梧，等.基于高维空间流形变化的设备状态趋势分析方法[J].机械工程学报，2009，45（2）：213—218.

[6] TSAI H H，TSENG H C，LAI Y S.Robust lossless image watermarking based on trimmed mean algorithm and support vector machine[J].Journal of Systems and Software，2010，83（6）：1015—1028.

[7] GIMENEZ E，GRESPI M，GARRIDO M S，et al.Multivariate outlier detection based on robust computation of Mahalanobis distances[J].International Journal of Applied Earth Observation and Geoinformation，2012，16（9）：94—100.

[8] 陳欢，黄德才.基于广义马氏距离的缺损数据补值算法[J].计算机科学，2001，38（5）：149—153.

[9] 秦庆强，张晓安.一种基于马氏距离的模拟电路软故障检测算法[J].计算机测量与控制，2009，17（10）：1886—1888.

[10] 秦庆强，张晓安.马氏距离在模拟电路硬故障检测中的应用研究[J].电子测量与仪器学报，2009，23 （7）：41—45.

[11] 邵辉.关联维数在机械设备故障诊断中的应用研究[J].中国安全科学学报，2006，16（3）：129—134.

[12] 贾丽会.分形理论及在信号处理中的应用[J].计算机技术与发展，2007，17（9）：203—206.

[13] 付强，李晨溪，张明曦.关于G-P算法计算混沌关联维的讨论[J].解放军理工大学学报，2014，15（3）：275—282.

[14] 宋丽伟.基于小波分析和神经网络的模拟电路[D].长沙：湖南大学，2012：28—34.

[15] 马辉，宋雪萍，赵鑫.小波包分析在转子裂纹故障检测中的应用[J].振动测试与诊断，2006，24（4）：324—327.

[16] 谢涛.基于多小波包神经网络及优化的模拟电路故障诊断研究[D].长沙：湖南大学，2012：31—37.

[17] 高洪深，陶有德.BP神经网络模型的改进[J].系统工程理论与实践，1996，1（1）：37—40.

推荐访问:向量 机车 故障 特征 电源