0 序言
牵引变流器作为电力机车电能转换的核心设备，在完成牵引变流功能的同时还保障电力机车主电路稳定运行，电力机车牵引变流器一旦出现问题将直接影响列车运行安全及运输效率的降低[1]。现阶段牵引变流器的检修依旧采用人工检修方式，检修人员根据检修工艺要求对牵引变流器各信号进行测量、比对、分析，获得检修结果。人工检修模式效率低、消耗较多人力、物力，与智能化检修理念不适配。本文使用BP神经网络建立故障诊断模型，对电力机车牵引变流器进行故障检测与诊断，并对模型进行训练、测试、验证，完成电力机车主变流器的智能化高效检测。
1 HXD1型机车牵引变流器简介
HXD1型电力机车是应用于干线铁路的大功率“交流-直流-交流”电传动机车，其中牵引变流柜由两套完全独立的变流器组成，这两套变流器各自包含两个并联的四象限整流器、一个牵引逆变器以及一个辅助逆变器，从而确保了机车在复杂工况下的机车稳定运行、能量高效转换、设备用电稳定。HXD1型电力机车牵引变流器支路工作原理图如图1所示。
图1 牵引变流器支路工作原理图
受电弓滑板从接触网接收交流电，该电流经由牵引变压器进行降压，降为为970V、50Hz的交流电，此电流被输送至牵引变流器的输入端，经过两组并联整流器的整流作用，转变为1800V的直流电[1]，进而，通过逆变器的逆变过程，该直流电再次被转换为交流电并输出，最终为牵引电机及其他相关用电设备提供所需电力，整个过程中牵引变流器发挥着至关重要的作用。
2牵引变流器故障分析
结合现场维修数据可知，牵引变流器故障主要有外部故障和自身故障组成，自身故障主要有变流器结构决定，外部故障主要由输入级、输出级故障决定[2]。在电力机车主电路中，牵引变流器是连接变压器和牵引电机的关键环节，变压器、牵引电机、连接线路的好坏将直接影响牵引变流器的故障率。结合现场检修数据，现阶段牵引变流器故障主要包括：元件短路、元件开路、元件出发脉冲丢失、元件被击穿损坏、线路短路等[2]。
针对上述变流器故障，要实现机车牵引变流器的故障诊断，必须在各支路中加装电信号监测装置，得到实时参数，诊断出牵引电机技术状态。但由于电力机车机构空间有限，在原有的电路中新增监测设备无疑会增加系统复杂性，维修检查成本，且影响机车运行安全，急需寻求新的检修、诊断思路，以提升牵引变流器得诊断、检修效率。
综上所述，本文通过采集电力机车变流器电压信号作为研究对象，对电压值与变流器故障进行综合分析，找到故障特征，基于改进的BP神经网络建立诊断模型，对变流器进行故障诊断，实现变流器故障的智能检测，为机车安全运行“保驾护航”。
3 变流器输出电压特征提取
传统的故障诊断方法主要基于信号处理、模式识别等技术，但在处理非平稳、非线性信号时存在一定的局限性。小波分析作为一种在信号处理领域广泛应用的时频分析方法，展现出了其独特的优势，特别是db3小波，作为常用的小波基函数之一，凭借其紧支撑性、正交性以及近似对称性等显著特性，特别适合于处理非平稳和非线性信号，这些特点与电力机车工作环境的复杂性高度契合。因此，本文将采用db3小波对牵引变流器的输出电压进行分析，旨在有效提取其中的故障特征，为后续的诊断和处理提供有力支持[3]。
选用HXD1牵引变流器直流侧电压进行小波变换，得到正常工作状态下的小波分解图如图2所示，采取db3小波分解后，得到能量系数，,……, , 。其中为原始信号。经db3小波分解后的AS1故障时输出电压分解图如图3所示。
图2 正常工作状态输出电压小波分解图
图3 AS1故障时输出电压小波分解图
4 变流器BP神经网络故障诊断模型设计
4.1 神经网络在电器故障诊断中的应用
神经网络通过模拟人脑的分析和故障识别机制，展现出了强大的联想、推测和记忆能力，使得其成为电器故障诊断领域的理想选择。在电气设备故障诊断中，神经网络的应用过程通常涉及对设备故障信号或数据的采集、处理与分类。首先，神经网络通过输入层接收电器设备的故障信号，这些信号可能包括电压、电流、温度等多种类型的参数。随后，在隐藏层的处理过程中，神经网络利用大量的神经元和连接权重，对输入信号进行非线性变换和特征提取，以捕捉故障信号中的关键信息。最后，输出层根据隐藏层的处理结果，输出具体的故障类型或诊断结果。
BP神经网络通过反向传播算法，不断调整网络中的连接权重，以最小化预测误差，从而实现对电器故障的有效诊断。为了进一步提高诊断性能，还可以采用共轭梯度法等优化算法，对BP神经网络的训练过程进行改进，加速收敛并避免陷入局部极小值。
4.2 BP神经网络的工作过程
BP神经网络采用前向传播机制，将输入数据从输入层开始，逐层传递至输出层，输出结果最终汇集成网络的整体预测[5]。为了准确评估网络的预测效果，需要得到损失函数值和每一层权重参数梯度。
在获得梯度信息后，BP神经网络利用梯度下降算法或其优化变种，对网络权重进行有针对性的更新调整。此过程旨在通过权重的持续优化，最小化损失函数，从而实现预测误差的有效降低。整个更新过程呈现为迭代优化的特性，每次迭代均根据前次结果精细调整权重，并重新执行前向传播与反向传播计算，直至满足预设的终止准则。
假设神经网络有输出层I个节点，隐含层有J个节点，输出层有K个节点。
为输入信号，
为实际输出，
为期望输出，有
，N为训练样本数，
为隐层输出，
表示输入节点i到隐层节点j的连接权值。表示从隐层节点j到输出节点k的连接权值。
神经网络的激励函数选择Sigmoid函数
，对于第P个样本有：
隐含层：
(4-1)
输出层：
(4-2)
由此，完成了输入层I到输出层K的对应映射关系。
(二)学习阶段(信号反向传输)
由于反向传输是由误差来调整的，因此定于P个样本误差为[4-3]:
(4-3)
全局误差为:
(4-4)
利用BP神经网络调整权值，其隐层权值的调整公式为l4-5]:
(4-5)
其中，0<
<1;
4.4 改进的BP神经网络
BP神经网络易于陷入局部最小值，这在一定程度上制约了其全局优化能力的发挥。因此，在实际应用中，需要采取相应策略以克服这一缺陷，从而确保BP神经网络在故障诊断中的准确性和可靠性[6]。在训练过程中，由于损失函数可能存在多个局部最小点，网络权重可能收敛到并非全局最优的局部解，从而影响故障诊断的精度和稳定性。其次，BP神经网络的训练过程对初始权重和学习率的选择较为敏感[5]。不合适的初始权重可能导致训练过程收敛缓慢甚至无法收敛，而学习率过大或过小都可能影响网络的训练效果，进而影响故障诊断的准确性 [4]。针对以上缺点问题，本文选用遗传算法对BP神经网络进行优化。
本文通过遗传算法对BP神经网络进行优化与改进，使预测输出值有更好的故障诊断效果。优化的算法流程图如下图4所示。
图4 遗传算法优化BP神经网络流程图
4.5 牵引变流器诊断故障分析
牵引变流器由整流器、牵引逆变器以及辅助逆变器等关键部分构成，每一部分的故障诊断都因其独特的功能和复杂性而显得尤为重要。因此，在实际应用中，需要对每一部分进行细致入微的故障诊断，以确保机车的整体性能和安全性。
(1) 整流器故障诊断
整流器作为牵引变流器的入口，其稳定性和可靠性对后续电路的正常工作至关重要。在故障诊断时，除了基本的电压和电流监测外，还需要进行以下扩充诊断：
1)输入电源质量分析：电网的波动和畸变可能影响整流器的正常工作。通过监测输入电源的电压波动、谐波含量等指标，可以评估电源质量对整流器性能的影响。
2)功率因数校正（PFC）功能检查。
(2) 牵引逆变器故障诊断
故障诊断时，除了基本的输出波形和参数监测外，还需要进行以下扩充诊断：
1)动态性能测试：在机车运行过程中，牵引逆变器需要快速响应负载变化。通过进行动态性能测试，如加速、减速等工况下的输出响应，可以评估逆变器的动态性能是否满足要求。
2)绝缘性能检查：牵引逆变器的高压输出端与机车车体之间需要保持良好的绝缘性能。定期进行绝缘电阻和耐压测试，可以确保逆变器的安全可靠运行。
3)故障诊断与记录系统分析：现代牵引逆变器通常配备有故障诊断与记录系统（FDRS）。通过分析FDRS记录的数据，可以深入了解逆变器的工作状态和历史故障信息，为预防性维护提供有力支持。
(3) 辅助逆变器故障诊断
辅助逆变器为电力机车的辅助设备提供稳定可靠的交流电源，其故障诊断同样不容忽视。在基本诊断的基础上，还需要进行以下扩充诊断：
1)负载适应性测试：辅助逆变器需要适应不同负载条件下的工作需求。通过模拟各种负载情况，如空调、照明等设备的启停和功率变化，可以评估辅助逆变器的负载适应能力。
2)电磁兼容性（EMC）测试：电力机车运行环境复杂多变，电磁干扰可能对辅助逆变器的正常工作造成影响。进行EMC测试可以评估逆变器在电磁干扰环境下的性能表现。
3)冗余设计检查：为了提高可靠性，辅助逆变器通常采用冗余设计[7]。定期检查冗余切换电路的工作状态，可以确保在主电路故障时能够及时切换到备用电路，保证机车的正常运行。
本文选取电力机车牵引变流器中的整流器、牵引逆变器、辅助逆变器作为故障诊断的三大部分，通过对输出电压的小波分析，体现在单组故障面上[8]。分别对选用的三大部分进行编码，故障编码分别用来表示，在故障编码中，表征元器件类型，当为01时，代表整流器，当为10时，代表牵引逆变器，当为11时，代表辅助逆变器故障。表示各元器件发生故障的部位，整个故障编码采用二进制编码。表1为障编码表。
表1故障编码
4.6 HXD1变流器BP神经网络故障诊断设计
本文对BP神经网络算法进行改进，对HXD1型电力机车进行故障诊断，对整流器、辅助逆变器、牵引逆变器进行故障分析及归纳，通过运用小波变换对输出电压信号进行细致分解，我们成功提取出了关键的特征向量，这些特征向量被组织成故障特征矩阵D，作为神经网络系统训练的重要输入数据。通过对神经网络系统进行深入训练，得以准确识别和解析故障信息，为后续的故障处理提供了有力支持。
使用MATLAB神经网络工具箱模块进行输入权值和输出权值提取，输入神经网系统，便课实现系统故障诊断。HXD1变流器BP神经网络故障诊断设计流程图如图5所示。
图5 HXD1变流器BP神经网络故障诊断设计流程图
5 变流器BP神经网络系统测试
将HXD1变流器BP神经网络故障诊断模型训练后，取10组数据进行模型正确率验证，故障测试表如表2所示。
表2 牵引变流器故障测试表
将测试数据的输出波进行小波变换，得到故障特征向量，得到的实际结果与预测值完全相同。
6 小结
本文以HXD1电力机车牵引变流器为研究对象，分析电路原理及潜在的故障形式。在此基础上，选用牵引变流器输出电压信号作为故障诊断的依据，利用db3小波分析对整流元件进行分析，从而提取出关键的故障特征向量。这些特征向量被用作牵引变流器BP神经网络故障诊断模型的输入，得到训练模型，经过精心设计和改进，成功构建了BP神经网络诊断模型，并完成了模型的训练过程。通过验证和测试，结果充分证明了本文所提出的HXD1变流器BP神经网络故障诊断模型的有效性和实用性。
