機車控制電源移相全橋變換器的故障診斷.pdf

1、隨著我國鐵路行業(yè)的迅速發(fā)展，其各項技術指標均已經達到世界領先地位，但是對鐵路安全及其可靠性的要求也逐漸地升高，目前，根據有關文獻指出列車的主要故障來源于微機系統(tǒng)的故障，而機車控制電源作為機車控制的核心部件，其是否安全可靠運行直接影響到微機系統(tǒng)的正常工作，鑒于機車控制電源電路結構的特殊性以及在機車運行過程中的重要性，必須針對機車控制電源的故障，對其進行合理、有效、快速地診斷以減輕由控制電源故障帶來的危害。
　　本文針對機車控制電源的

2、核心電路移相全橋變換器展開研究，首先介紹機車控制電源的結構與發(fā)展及其發(fā)生故障的原因，根據移相全橋變換器電路結構及其工作原理，依據機車控制電源的參數對其進行仿真，由于電路在實際工作過程中由于內部的非線性元件，其波形中會參雜很多噪音與諧波，因此在仿真過程中必須考慮此原因在仿真模型中加入噪音與諧波的仿真。然后利用“小波包算法與神經網絡算法相互結合的能量特征值”的診斷方法進行仿真測試，指出傳統(tǒng)的小波包變換在故障診斷中存在兩點困擾：首先小波包對故

3、障信號的分解層數過少時，故障信息不能夠完全呈現(xiàn)出來；其次分解層數過大時，其特征維數過大使其在BP神經網絡算法過程中訓練時間和故障診斷的整個過程時間加大，嚴重影響其準確率。依據前面所述的兩點問題本文所提出的改進，起初對信號利用小波包db3算法將其的高頻部分與低頻部分同時分解并進行多層次的分解以至于使故障信息徹底地呈現(xiàn)出來，但是在應用小波包算法理論中對于數據的分解，其形象的分解樹的最底一層所包含對信息蘊藏的節(jié)點，其數目將根據分解樹層次的增加

4、，節(jié)點數將以指數級形式增長，倘若將這些最底層的代表信息的節(jié)點數作為神經網絡輸入的特征向量，則在神經網絡算法中由于所參與的神經元數目龐大、結構復雜、難于收斂，最后使真?zhèn)€過程導致“維數災難”的發(fā)生。因此通過對流形學習算法中Laplacian Eigenmap算法的改進對所處理的數據進行維數約簡處理，通過流形學習算法使高維數據降維到“可視化”這一標準對樣本數據降到3維，有效地解決“維數災難”問題，但是對高維數據過度地降維使某些故障信息嚴重丟失