轨道交通车辆主电路短路故障诊断与预测方法研究

摘要

本文深入研究轨道交通车辆主电路短路故障诊断与预测方法。阐述了短路故障对轨道交通的严重影响，分析了现有诊断与预测方法的不足。详细介绍了基于数据驱动、模型驱动以及智能算法的诊断与预测方法，

关键词

轨道交通车辆；主电路短路故障；故障诊断；故障预测

一、引言

轨道交通作为现代城市公共交通的重要组成部分，其运行的可靠性和安全性至关重要。轨道交通车辆主电路承担着为车辆提供动力的关键任务，一旦发生短路故障，可能导致车辆停运、火灾等严重后果，不仅影响乘客出行，还可能造成巨大的经济损失和社会影响。因此，研究有效的主电路短路故障诊断与预测方法具有重要的现实意义。

二、轨道交通车辆主电路短路故障分析

2.1 主电路结构与工作原理

轨道交通车辆的运行依赖于其主电路系统，该主电路主要由受流器、牵引变压器、变流器以及牵引电机等关键部件构成。受流器作为与外界供电系统连接的接口，从接触网获取高压交流电，为车辆运行提供初始电能。获取的电能随后进入牵引变压器，牵引变压器依据电磁感应原理，将高压交流电降压，使其符合后续设备的输入要求。降压后的电能输送至变流器，变流器通过内部的电力电子器件，将交流电转换为频率和幅值均可调节的直流电或交流电，以适配牵引电机的工作特性。最终，牵引电机将电能转化为机械能，驱动车辆的车轮转动，实现车辆的运行。

2.2 短路故障类型与危害

短路故障是轨道交通车辆主电路中较为严重的故障类型，主要包含相间短路和接地短路。相间短路指的是不同相的带电导体之间直接短接，这种故障会致使电流瞬间急剧增大，远远超出电气设备的额定电流。过大的电流会产生大量热量，可能使电气设备的绝缘层烧毁，导致设备损坏，甚至引发火灾。接地短路则是指带电导体与大地或接地导体之间发生短接，这可能引发漏电事故，当人员不慎接触到漏电部位时，会遭受电击，严重威胁人员安全。

2.3 现有诊断与预测方法概述

当前，在轨道交通车辆主电路短路故障的诊断与预测方面，常用的诊断方法有基于电流、电压监测的阈值诊断法。该方法通过设定电流、电压的正常阈值范围，当监测到的电流、电压值超出该范围时，判定可能发生短路故障。还有基于信号分析的方法，它通过对电流、电压信号的特征进行分析，如信号的幅值、频率、相位等，来识别短路故障。在预测方法上，主要采用基于统计模型的方法，依据历史故障数据和运行数据，建立统计模型，预测故障发生的可能性。然而，这些现有方法存在一定的局限性。阈值诊断法容易受到外界干扰，导致误判，且对早期故障的敏感度较低，难以在故障萌芽阶段及时发现。基于信号分析的方法对复杂故障的诊断准确性有待提高，而基于统计模型的预测方法受数据量和数据质量的影响较大，若数据不完整或不准确，预测结果的可靠性将大打折扣。

三、短路故障诊断方法研究

3.1 基于数据驱动的诊断方法

基于数据驱动的诊断方法，以数据为核心。在数据采集与预处理阶段，借助各类传感器收集主电路的电流、电压、温度等关键数据。这些原始数据易受环境干扰，存在噪声和异常值，因此需要进行滤波、去噪等预处理操作，提高数据的准确性和可用性，为后续分析奠定基础。接着进行特征提取与选择，运用时域分析、频域分析等手段，挖掘数据中的有效特征，像电流的有效值、峰值以及频率成分等。由于数据维度可能过高，采用主成分分析（PCA）等方法筛选出最具代表性的特征，减少数据处理量，提升诊断效率。最后运用支持向量机（SVM）、神经网络等算法构建故障诊断模型，利用正常和故障状态下的数据进行训练，使模型能够精准识别短路故障。

3.2 基于模型驱动的诊断方法

基于模型驱动的诊断方法，侧重于建立主电路数学模型。依据主电路工作原理和电气特性，构建等效电路模型、状态空间模型等。这些模型反映了主电路正常运行时的电气参数关系。在故障检测与隔离环节，通过对数学模型的深入分析，利用残差生成技术，对比实际测量值与模型预测值，一旦残差超出设定阈值，便检测到故障发生。再通过逻辑推理，依据模型特性和故障特征，确定故障所在位置，实现故障隔离。

3.3 基于智能算法的诊断方法

基于智能算法的诊断方法，具有智能化和灵活性。模糊逻辑诊断将故障特征与模糊规则库进行匹配，利用模糊推理机制，对故障类型和程度进行判断。模糊规则库基于专家经验和历史数据建立，能够处理不确定性信息，适应复杂的故障情况。专家系统诊断则通过收集专家知识和经验，构建知识库，再结合推理机，根据输入的故障信息，在知识库中搜索匹配的知识，从而实现对短路故障的诊断，它充分发挥了专家的智慧，能够解决一些复杂疑难故障。

四、短路故障预测方法研究

4.1 基于机器学习的预测方法

在基于机器学习的预测方法中，时间序列预测模型发挥着重要作用。自回归移动平均（ARMA）模型依据时间序列数据自身的历史值和随机干扰项来构建模型。它通过分析主电路参数，如电流、电压等随时间的变化规律，捕捉数据中的周期性和趋势性特征，从而对未来的参数值进行预测。一旦预测值出现异常波动，便可能预示着潜在的短路故障。长短期记忆网络（LSTM）则擅长处理时间序列中的长期依赖问题。它能够记住过去较长时间内主电路参数的变化情况，通过独特的门控机制筛选和保存关键信息，有效预测主电路参数未来的变化趋势，提前察觉短路故障的隐患。

故障概率预测模型则另辟蹊径，根据历史故障数据和实时监测数据，运用贝叶斯网络等方法计算故障发生的概率。贝叶斯网络基于概率推理，将主电路的各种状态信息、故障历史以及实时监测到的参数作为节点，通过节点之间的条件概率关系，量化不同因素对短路故障发生概率的影响，为维修人员制定维护决策提供有力依据。

4.2 基于物理模型的预测方法

基于物理模型的预测方法中，设备老化模型考虑了电气设备的老化过程。电气设备在长期运行中，受温度、湿度、电应力等因素影响，性能逐渐下降。通过建立设备老化模型，结合设备的运行工况、使用时间等参数，能够预测设备在不同工况下的剩余寿命，评估短路故障发生的可能性。当设备接近使用寿命末期，短路故障发生的风险显著增加，可提前安排维护或更换。

故障传播模型专注于分析短路故障在主电路中的传播路径和影响范围。通过研究主电路的拓扑结构和电气特性，建立故障传播模型，预测短路故障一旦发生，可能波及的电气设备和系统，提前采取隔离和保护措施，降低故障造成的损失。

五、结论

本文研究的轨道交通车辆主电路短路故障诊断与预测方法，综合运用数据驱动、模型驱动和智能算法，提高了诊断的准确性和预测的可靠性。未来，可进一步结合物联网、大数据等技术，完善诊断与预测系统，为轨道交通车辆的安全运行提供更有力的保障。

参考文献;

[1]彭晓彤，王秋霞，林晨，等. 寒冷地区钢-混凝土混合结构建筑节能关键技术[Z]. 济南大学. 2013.

[2]杨丽，胡金鑫，柴金川. 城市轨道交通车辆辅助高压母线环形馈线控制方案[J]. 城市轨道交通研究，2023，26（9）：231-234，243.

[3]钟金林. 城市轨道交通车辆高速断路器控制原理及技术优化[J]. 电子世界，2021（6）：200-201.