详情

原文传递基于BP神经网络的列车零部件故障诊断研究

论文题名：	基于BP神经网络的列车零部件故障诊断研究
关键词：	高速动车组;列车零部件;故障诊断;BP神经网络
摘要：	交通运输业是一个国家的支柱产业，与人们的生活、生产息息相关。铁路作为交通运输业的重要组成部分，既是社会经济发展的重要载体，同时又为社会经济发展创造了前提条件。动车组作为一种高速的铁路交通运输工具，也经历了几十年的发展与壮大。早在上世纪50年代之后，全球经济和技术都有了高速发展，特别是铁路客运与公路、航空的竞争日益激烈，动车组以其快速、安全、灵活的特点得到了快速的发展。　　高速动车组的投入运营，标志着中国已经进入高速铁路国家的行列。高速铁路涉及很多高新技术问题，作为铁路运输装备的高速动车组就是这些高新技术的综合和表现。它涉及车体技术、转向架技术、牵引传动技术、故障诊断技术等。其中动车组的故障诊断技术是保障动车组安全运行的关键技术之一，它能对动车组故障的发展做出早期预报，对出现故障的原因做出判断，提出对策建议，从而避免或减少事故的发生。　　故障诊断技术是迅速发展起来的一门新技术，它是为适应各种工程需要而形成的多学科交叉的综合技术。它的发展是和人类对设备的维修方式紧密相连的。长期以来，由于技术水平的低下，人类对设备的维修方式有两种:一种是事后维修，即在设备出现问题后进行故障的分析与维护，此种方式不仅设备可能遭受破坏而且还会对人们的生活和生命造成极大的威胁;还有一种是定期维修，但此种方式不但没有减少故障，而且还会在没有故障出现的情况下浪费了维修资源。大约在20世纪60年代，美国军方提出了预知维修，即在设备的正常运行过程中就开始进行监测，以发现潜在的故障，此种方式能及早采取措施，防止突发性故障的产生，这种主动维修的方式很快就应用在各个领域，故障诊断技术很快发展起来。　　目前已有较多的诊断技术应用到动车组的故障诊断，但是诊断的效率与精度都相对较低。再随着动车组运营时间与运营规模的的增长，积累了大量的故障数据，需要进行数据挖掘的数据量急剧增大，传统的故障诊断方式已无法满足如此大规模的数据分析的需求，有的甚至无法得出诊断结论。为了解决上述问题，必须探寻一种效率更高，精度更准的方法应用到动车组故障数据分析中，以快速安全地获取更多有价值的信息。　　动车组故障诊断就是一个非线性现象。目前已有将BP神经网络算法在动车组故障诊断中的应用[1]。但传统的BP神经网络训练方法，是在单机上串行处理数据集，但是随着信息化社会的飞速发展，需要进行数据挖掘的数据量急剧增大，达到了海量数据的级别，因此传统的BP神经网络训练方法在处理海量数据集时会有很大的问题，比如耗时非常长，数据读写速度慢，硬件故障导致数据损坏或丢失，分析数据所获得的有价值的信息量相对较少，故障诊断精度较低，甚至是内存不足无法训练等问题。为了解决单机串行的BP神经网络训练方法存在的问题，采用并行方式是必然的选择，而在并行方式的选择中，新兴的云计算是一项非常适合的技术。　　动车组是一个十分复杂的大型机电设备，对其进行故障诊断技术及故障诊断装置的研究，实际上是一个庞大复杂的科研项目。本文仅以电动车组的关键部件之一的主变流器为研究对象，针对主变流器逆变环节常常发生的一些故障，探索其故障机理，提出了基于Spark的BP神经网络理论的变流器故障诊断方法。　　为了解决上述问题，本文提出的主要方法是对牵引变流器的工作原理及故障模式进行分析，利用一定技术可实现故障信号处理，并可获取牵引交流器的故障特征。在此基础上将BP神经网络应用于故障模式的识辨，探讨神经网络学习样本的设计方法和神经网络的设计，并将此BP神经网络算法改进成基于Spark平台的并行算法，解决传统BP神经网络训练方法在处理海量数据集时的耗时非常长、甚至是内存不足无法训练等问题。以此进行故障诊断的仿真，并验证这种识别方法的有效性及优势。　　总之，将Spark引入动车组故障数据分析，为了针对读写速度快，存储由HDFS或者本地存储实现。针对硬件故障可以通过存储冗余数据的方式来解决。这样可以对动车组故障数据实行安全、快速、有效的分析，获取更多有价值的信息，以进行故障预测、故障避免、故障维修等。　　按照本文提出的方法，首先分析了目前将智能故障诊断理论应用于CRH5型动车组牵引变流器中所存在的不足。通过对CRH5电动车组牵引变流器的内部结构和工作原理进行了简要研究，分析了牵引变流器的故障机理，确定了故障特征参数等。交流传动电力机车、高速电动车组中所用的牵引变流器主要是由四象限脉冲整流器和牵引逆变器组成。电动车组CRH5的牵引变流器YGNZQ213(户LY00000001o5O)系阿尔斯通技术引进经国产化后的变流装置，它由8个组件平台构成，分别是两个辅助组件平台，两个牵引模块组件平台，两个用户组件平台，一个冷却系统平台，一个电阻组件平台，8个平台通过中央线槽连接形成一个整体。牵引组件1和牵引组件2的结构基本相同，主要由四象限整流模块、逆变模块、支撑电容和水冷回路接口组成。　　牵引变流器是典型的大型以模拟电路为主的复杂电子电路，常见故障主要有:过电流故障、过电压故障、欠电压故障、过热故障、过载故障等等。牵引变流器的故障还可以按故障发生部位分为输入级故障、内部故障和输出级故障。输入级故障包括受电弓、主断路器或主变压器故障;输出级故障是指牵引电机的故障。内部故障是指变流器本身的故障，可分为:直流环节故障（整流器和中间直流环节的故障)，逆变器故障，控制系统故障。本文主要研究的是变流器内部的逆变器故障。逆变器中的功率半导体器件及其控制电路是最易发生故障的薄弱环节，其可靠性问题一直没有得到充分解决。据统计，82.5％的控制系统失效都是源于元件的故障，主要是IGBT或二极管的损坏。功率器件的故障可分为直通故障与开路故障，当故障为直通时，会很快烧坏功率器件从而表现为开路故障。因此研究功率器件的开路故障能基本上反映主要故障现象，进行准确的定位，确保机车的运行安全。　　详细学习和分析了CRH5型动车组变流器的电路结构和工作原理后，分析了牵引变流器的故障模型。通过对逆变器电源开路故障的分析，找出了逆变器开路故障的22种情况，并结合，得出了当在不同故障下的输出电流波形是不同的，因此可以从这些不同的输出电流波形中提出其故障类型的特征。　　然后详细学习了神经网络理论。神经网络是一种模仿人脑信息处理机制的网络系统，它是由大量简单的神经元连接而成，具有一些特点:具有很强的自学习能力，具有很强的容错性，并行结构与并行处理方式，非线性。然后阐述了BP神经网络的结构、基本原理和算法。BP神经网络的主要思想，包括正向传播信号和反向传播误差。在正向传播过程中，输入信号通过隐层处理后传递给输出层。若输出值与预期的值不等且大于误差可接受范围，则进入误差反向传播过程。误差通过隐层向输入层传递，进行误差调整。通过不断调整各层之间的权值，使得输出误差达到可接受范围或达到最大学习次数为止。　　最后主要学习了Spark起源与框架。在开源云计算平台Spark的基础上，结合传统BP神经网络理论，研究了BP神经网络算法的并行化方法及提出了基于Spark-BP的牵引变流器故障诊断方法。得出了变流器故障模式，神经网络的结构并进行编码。从而使神经网络相对固定下来。结合已有的特征向量，神经网络的设计方法以及Spark的编程方法，设计了一个动车组牵引变流器故障检测系统，将非样本数据输入到该系统中，得出故障类型，以此来验证故障神经网络的有效性。并进行了变流器逆变环节开路故障诊断的仿真和测试，研究表明这种识别方法是有效的。采用基于Spark的神经网络诊断方法，有利于提高故障诊断的性能，具有广阔的发展前景。最后，使用一定量的数据对标准BP算法与基于Spark的BP算进行性能测试比较，得出了本文提出的基于Spark的BP神经网络算法在动车组牵引变流器故障诊断中的应用效果显著，具有广阔的发展前景。　　本文提出的基于Spark的BP神经网络算法不仅仅可以应用于动车组牵引变流器的故障诊断，还可以推广到更多的其它应用领域，具有一定的理论和应用价值。
作者：	MYRADOV GUVANCH
专业：	COMPUTER TECHNOLOGY
导师：	ZHANG NING
授予学位：	硕士
授予学位单位：	北京交通大学
学位年度：	2017
正文语种：	中文