论文部分内容阅读
摘 要：在机车牵引变压器故障诊断中，传统诊断模型建模复杂，难以满足复杂故障识别的问题。针对这些问题，引入多核支持向量机（MKSVM），建立基于多核支持向量机（MKSVM）故障识别模型。最后通过仿真分析，给出了不同诊断模型方法下的故障识别率， 结果表明，所提出方法能够准确地识别牵引变压器的故障类型，提高了牵引变压器的故障诊断精度。
关键词：牵引变压器;故障诊断;多核支持向量机
牵引变压器作为电力机车牵引系统的重要部件，直接影响机车的安全行驶。研究机车牵引变压器故障诊断具有十分重要的意义。赵峰采用改进的灰关联度分析法，基于变压器油中溶解气体，准确地诊断出牵引变压器故障类型[1]。秦晨利用模糊RBF神经网络，建立了改进PSO优化RBF神经网络牵引变压器故障诊断模型，提高了故障的辨识度[2]。但神经网络由于自身局限性，易陷入局部最优情况，文献[3]采用支持向量机实现了牵引变压器故障的可靠识别。本文以电力机车的牵引变压器为研究对象，采用多核支持向量机对牵引变压器故障进行识别分析。
一、建模分析
（一）牵引变压器故障分析
牵引变压器主要故障表现为放电故障和过热故障。牵引变压器故障类别可分为中低温过热，高温过热，局部放电，低能放电，低能放电兼过热，高能放电，高能放电兼过热及无故障8类组成。研究发现变压器油中气体含量是故障的特征，当变压器发生放电故障时，氢气和乙炔变化明显，其次是甲烷、乙烷和乙烯[4]。发生过热故障时，甲烷和乙烯变化明显，其次是为氢气和乙炔。因此，分析牵引变压器油中溶解气体生成原理及其含量特征对于牵引变压器故障诊断有重要作用。
（二）支持向量机原理和算法
支持向量机（supportvectormachine，SVM）是由Vanpik提出的智能学习方法[6]。传统单核支持向量由于单核的局限性，难以适应复杂故障诊断问题。多核支持向量机是两个及以上的单核函数通过线性组合，得到支持向量机的核函数[7]。
（三）故障诊断步骤
二、仿真分析
选择某路段电力机车牵引变压器故障资料为样本。选取300组数据作为样本数据，200组数据作为网络训练样本数据，100组数据作为网络测试样本数据。用F1、F2、F3、F4、F5、F6、F7及F8分别表示中低温过热，高温过热，局部放电，低能放电，低能放电兼过热，高能放电，高能放电兼过热及无故障8类故障模式。
为了进一步说明本文所提方法的有效性，选取共60组为训练样本，剩余的样本为测试数据样本，与直接使用支持向量机（SVM）故障诊断方法进行比较分析，故障诊断结果对比如表1所示。
从表1中可以看出，基于MKSVM故障診断模型对牵引变压器的故障识别准确率明显高于BP神经网络、SVM故障诊断模型。
三、结论
本文研究了基于多核支持向量机的牵引变压器故障诊断方法，建立了高性能的牵引变压器故障诊断模型。以电力机车的牵引变压器为研究对象，仿真结果表明：多核支持向量机的故障诊断方法应用于电力机车牵引变压器的故障诊断中，故障识别准确率高。该方法为电力机车牵引变压器的故障诊断提供借鉴参考。
参考文献：
[1]赵峰，李硕.基于DGA和改进型灰关联度模型的牵引变压器故障诊断[J].高压电器，2015，51（1）：41-45.
[2]秦景，王玥，秦波，吴庆朝.改进PSO优化模糊RBF神经网络的牵引变压器故障诊断研究[J].组合机床与自动化加工技术，2016（7）：78-81.
[3]方科，黄元亮，刘新东.基于自适应PSO算法的LS-SVM牵引变压器绝缘故障诊断模型[J].电力自动化设备，2011，31（3）：85-89.
[4]李霞.SS_4改进型电力机车牵引变压器故障的跟踪分析[J].机车电传动，2016，57（2）：95-98.[5]蒋波涛，张博，黄新波.基于支持向量机的电机故障诊断方法综述[J].微电机，2018，51（7）：58-61.
[6]杜伟，房立清，齐子元，张前图.基于LFOA优化多核支持向量机的液压泵故障诊断[J].机械设计与研究，2018，34（01）：137-140.
关键词：牵引变压器;故障诊断;多核支持向量机
牵引变压器作为电力机车牵引系统的重要部件，直接影响机车的安全行驶。研究机车牵引变压器故障诊断具有十分重要的意义。赵峰采用改进的灰关联度分析法，基于变压器油中溶解气体，准确地诊断出牵引变压器故障类型[1]。秦晨利用模糊RBF神经网络，建立了改进PSO优化RBF神经网络牵引变压器故障诊断模型，提高了故障的辨识度[2]。但神经网络由于自身局限性，易陷入局部最优情况，文献[3]采用支持向量机实现了牵引变压器故障的可靠识别。本文以电力机车的牵引变压器为研究对象，采用多核支持向量机对牵引变压器故障进行识别分析。
一、建模分析
（一）牵引变压器故障分析
牵引变压器主要故障表现为放电故障和过热故障。牵引变压器故障类别可分为中低温过热，高温过热，局部放电，低能放电，低能放电兼过热，高能放电，高能放电兼过热及无故障8类组成。研究发现变压器油中气体含量是故障的特征，当变压器发生放电故障时，氢气和乙炔变化明显，其次是甲烷、乙烷和乙烯[4]。发生过热故障时，甲烷和乙烯变化明显，其次是为氢气和乙炔。因此，分析牵引变压器油中溶解气体生成原理及其含量特征对于牵引变压器故障诊断有重要作用。
（二）支持向量机原理和算法
支持向量机（supportvectormachine，SVM）是由Vanpik提出的智能学习方法[6]。传统单核支持向量由于单核的局限性，难以适应复杂故障诊断问题。多核支持向量机是两个及以上的单核函数通过线性组合，得到支持向量机的核函数[7]。
（三）故障诊断步骤
二、仿真分析
选择某路段电力机车牵引变压器故障资料为样本。选取300组数据作为样本数据，200组数据作为网络训练样本数据，100组数据作为网络测试样本数据。用F1、F2、F3、F4、F5、F6、F7及F8分别表示中低温过热，高温过热，局部放电，低能放电，低能放电兼过热，高能放电，高能放电兼过热及无故障8类故障模式。
为了进一步说明本文所提方法的有效性，选取共60组为训练样本，剩余的样本为测试数据样本，与直接使用支持向量机（SVM）故障诊断方法进行比较分析，故障诊断结果对比如表1所示。
从表1中可以看出，基于MKSVM故障診断模型对牵引变压器的故障识别准确率明显高于BP神经网络、SVM故障诊断模型。
三、结论
本文研究了基于多核支持向量机的牵引变压器故障诊断方法，建立了高性能的牵引变压器故障诊断模型。以电力机车的牵引变压器为研究对象，仿真结果表明：多核支持向量机的故障诊断方法应用于电力机车牵引变压器的故障诊断中，故障识别准确率高。该方法为电力机车牵引变压器的故障诊断提供借鉴参考。
参考文献：
[1]赵峰，李硕.基于DGA和改进型灰关联度模型的牵引变压器故障诊断[J].高压电器，2015，51（1）：41-45.
[2]秦景，王玥，秦波，吴庆朝.改进PSO优化模糊RBF神经网络的牵引变压器故障诊断研究[J].组合机床与自动化加工技术，2016（7）：78-81.
[3]方科，黄元亮，刘新东.基于自适应PSO算法的LS-SVM牵引变压器绝缘故障诊断模型[J].电力自动化设备，2011，31（3）：85-89.
[4]李霞.SS_4改进型电力机车牵引变压器故障的跟踪分析[J].机车电传动，2016，57（2）：95-98.[5]蒋波涛，张博，黄新波.基于支持向量机的电机故障诊断方法综述[J].微电机，2018，51（7）：58-61.
[6]杜伟，房立清，齐子元，张前图.基于LFOA优化多核支持向量机的液压泵故障诊断[J].机械设计与研究，2018，34（01）：137-140.