基于數字孿生的高速列車輔助供電系統故障診斷方法研究

呂新偉，劉江潯，李 婷，劉 輝，李 軍，尹 詩，黃家豪

（1.威勝集團有限公司，湖南 長沙 410205；2.中南大學交通運輸工程學院人工智能與機器人研究所（IAIR），湖南長沙 410075；3.新加坡國立大學設計與工程學院，新加坡 117583；4.德國CELISCA 重點實驗室，德國 羅斯托克18119）

引言

自1997 年開始，我國致力于發展高速列車，經過6 次大提速之后，中國高鐵技術已經位于世界前列，展現出大國實力。在第六次大提速中，對CRH系列動車組進行“引進、消化、吸收、再創新”，發揮了極其重要的作用，本文中的高速列車即為CRH 系列動車組［1-2］。近幾年，國家更是加大了對高速列車技術的投入，將“高鐵”打造成為中國的一道亮麗名片，因此對于高速列車運行時可靠性、穩定性的要求也越來越高。

隨著科學技術的快速發展，高速列車已經成為人們中長途出行的首要選擇，保證列車運行的安全可靠越來越重要。高速列車的組件故障而影響高速動車組正常行駛的情況越來越普遍，這對高速列車的安全性和穩定性構成了巨大的威脅。高速列車的運行環境復雜多樣，隨著使用年份的增長，設備的可靠性逐漸降低，出現各種各樣的問題，如果不能及時維修，會影響鐵路系統的正常功能，甚至引起毀滅性的災難，為了避免這類情況的出現，需要對高速列車的故障進行實時監控和檢測［3-4］。目前大部分的高速列車的故障診斷是基于歷史經驗或者是通過根據現有的故障數據，利用特征提取、數據清洗、時頻變化等技術進行數據處理，最后基于模糊算法等智能算法建立診斷模型［5］。此類方法大多受限于一般情況下故障數據少、類別單一、數據在傳輸過程中失真等問題，而數字孿生能夠在數字空間建立與物理空間一致的實體［6］，模擬不同故障情況，提高故障診斷方法的研究效率。

現有研究對于高速列車輔助供電系統的關注較少，輔助供電系統是高速列車的重要組件，不同的高速列車它的輔助供電系統也有差異，但所有輔助供電系統的功能都是為車載設備提供穩定的電能，保證各設備的正常運行［7］。一旦出現故障會導致列車的低壓負載失效，乘客的乘坐體驗會有所下降，而輔助電路的故障還可能影響到主電路，致使整列高速列車運行受阻，造成經濟損失，更甚會危害乘客生命安全，具有極大的隱患。因此，基于數字孿生的高速列車輔助電路故障診斷方法的研究具有極其重要的意義。本文作出的主要貢獻如下：

（1）大多數故障診斷方法的研究基于某一特定故障開展，當遷移到其他類型故障時，效率低下。因此，本文使用數字孿生技術，建立與現實空間相同的數字高速列車輔助供電系統，模擬可能發生的多種故障為故障診斷方法的研究提供幫助。

（2）現有的相關研究，需要研究對象長期使用后，收集產生的故障數據，這會產生較高的成本，對傳感器等測量技術的要求也更高，并且容易發生數據丟失和傳輸損耗，導致結果可靠性下降。而數字孿生模型能夠產生帶有標簽的故障數據，便于辨識，訓練出的機器學習模型，擁有自主學習的能力，能夠識別復雜多樣的輔助供電系統故障，并在學習過程中達到更高的準確性與快速性，具有較高的實際運用價值

（3）本文提取高速列車輔助供電系統中電力數據的特征，探索適用于復雜電路系統的最佳故障診斷模型，基于機器學習技術的理論基礎，研究不同人工智能算法對于故障診斷模型的影響，同時使用遺傳算法改進模型，構建優化混合模型并建立性能評價指標體系，對比設計方法與目前主流故障診斷方法的實驗結果，對模型性能進行評估，探索本文所研究的故障診斷方法運用于實際的可行性。

1 數字孿生技術基本原理

“數字孿生”這一概念早在2003 年就已經出現，由Michael Grieves 教授在課堂中第一次提出［8］。在這個階段數字孿生僅僅是一個物理空間內對象的數字仿真表示，提供豐富的三維視圖。

隨著物聯網（IOT）的發展，數字空間與物理空間的聯系越發緊密，利用計算機技術，根據物理實體的各項參數在數字空間中建立與物理空間一致的精細化仿真模型，能夠真實模擬實際運行情況，反映物理實體的狀態、性能等特征，這也允許數字孿生模型產生新的智能服務，與物理實體進行連接和交互，實現數據的實時動態傳輸［9］。

數字孿生概念模型（如圖1 所示）能夠廣泛地運用于各種物理設備和系統。在實際運行過程中，它與物理實體建立聯系，獲取動態數據，兩類數據結合共同更新原模型，并將結果輸送回物理實體［10］。數字孿生模型通過無縫銜接物理世界與數字世界能夠實現預測性維護、遠程監控、人機協作等一系列功能，是工業4.0 時代的重要創新技術［11］。

圖1 數字孿生概念模型Fig.1 Digital twin conceptual model

2 高速列車輔助變流器MATLAB/Simulink 仿真

2.1 輔助變流器概述

輔助變流器、蓄電池、充電機都是輔助供電系統的主要部件［12］。動力分散式列車的輔助供電系統能夠將電能輸送到各節車廂，為列車上的低功率設備供電。動力集中式列車為了保障發生故障時的正常供電，會配備多個輔助供電系統，以備不時之需［13］。

CRH5 動車組在TC01，TC08，TP03 和TP06 車上共設置了4 臺輸出功率為200 kVA 的輔助變流器，總功率為800 kVA。TC01 和TC08 車分別配置了2 臺充電機和2 組蓄電池組。車上輔助負載由輔助變流器和三相AC380 V/50 Hz 電源共同供電［14］。

輔助變流器為高速列車的照明系統、空調系統等提供電源，是輔助供電系統的關鍵部件，保障列車正常行駛。從電路角度來看，輔助變流器包括輸入濾波器，斬波器、高頻變壓器、三相輔助逆變器、隔離開關、輔助變流器控制器等內容［15］。通過查閱資料，結合實際運用狀況，對于高速列車輔助變流器進行建模仿真，模擬實際運用過程中的狀態以及可能出現的故障，為后續故障診斷方法的研究提供幫助。

2.2 輔助變流器仿真實驗數據

將查閱參數與物理模型相結合，在MATLAB/Simulink 中建立高速列車輔助變流器數字模型，如圖2 所示。該模型能夠仿照物理空間中的輔助變流器電路運行，在保證真實性的情況下，可以直接通過計算機指令控制，方便研究者進行研究分析，減少實驗成本［16］。

圖2 輔助變流器MATLAB/Simulink 仿真模型Fig.2 MATLAB/Simulink simulation model of auxiliary converter

由于實際數據獲取難度較大，考慮到機器學習算法在特定問題上的廣泛適用，本文選擇開源數據集進行方法研究與效果檢驗，該數據集與前文設計的仿真模型相適應，能夠較為真實地反映輔助變流器的工作特性，因此所設計的模型方法在實際研究中具有通用性。表1 展示了采樣數據的最小值、最大值、平均值、標準差總共四類統計特征。

表1 采樣數據統計特征Tab.1 Statistical characteristics of sampling data

3 基于神經網絡和優化算法的故障診斷模型

3.1 BP 神經網絡概述

BP 神經網絡是一種具有多神經層，輸出信號逐層向前傳遞的神經網絡，back-propagation 為核心算法，其具有模型簡單、學習性好、自適應能力強等優點［17］。

神經網絡模型是一個非參數的模型，通過調整連接權重來訓練神經網絡，經過訓練的網絡能夠根據網絡參數生成測試數據的響應，無需預先確定輸入和輸出之間的函數關系式。神經網絡依賴于誤差校正來微調節點的權重，這是通過使用反向傳播算法或梯度下降算法來完成的［18］。典型神經網絡結構如圖3 所示。

圖3 BP 神經網絡結構簡圖Fig.3 Sketch of BP neural network structure

3.2 遺傳算法原理與實現

遺傳算法（Genetic Algorithm）是一種強大的隨機選擇算法，被廣泛用于人工智能和機器學習領域。遺傳算法模擬自然界建立一個種群，通過一系列仿真操作，使其中的個體發生隨機概率變化，進行選擇，保留優良個體，將信息遺傳到下一代，不斷循環，直到尋找到問題的最優近似解［19］。

在遺傳過程當中，適應度函數也被稱為評價函數，通過計算個體的適應度，判斷是否保留該個體。適應度計算公式為：

式中F表示適應度，k為系數，yi為實際輸出，oi為理論輸出。

遺傳算法基本操作分為：

（1）選擇操作：在當前進化的種群中選擇出優秀個體，進行交叉和遺傳，將信息傳遞到下一代。

式中Fi為個體i的適應度，Pi為個體i的選擇概率，N為種群個體數目。

（2）交叉操作：種群中的個體之間兩兩交叉，產生新的個體，選擇優秀個體重復操作。

式中akj和alj分別為k和l染色體上的j號位基因，b為0～1 之間的任意值。

（3）變異操作：在生物進化過程中，染色體會以一定概率（通常取值0.001～0.01 之間）發生變異。

式中amax，amin為基因aij的最大值和最小值；；g為完成進化次數；Gmax為終止次數；r為0～1 之間的任意值［20］。

權值閾值是影響BP 神經網絡模型故障診斷性能的重要因素，因此引入遺傳算法，反復迭代，尋找最優權值閾值，替換模型的初始參數，改善BP 神經網絡模型的分類性能，從而建立出更加有效的機器學習模型［21］。遺傳算法迭代尋找最優權值閾值的流程如圖4 所示。

圖4 遺傳算法尋優流程圖Fig.4 Genetic algorithm optimization flowchart

4 高速列車輔助供電系統故障診斷實驗研究

4.1 BP 神經網絡超參數優化

在建立的種群不斷進化的過程中，利用適應度函數進行評估，找到當前類故障數據集下的最優權值閾值，作為GA-BP 神經網絡模型的初始參數，最后利用數據集檢驗模型故障診斷性能。

如圖5 所示，隨著進化次數的增大，適應度值不斷減小，而最佳適應度在進化33 次之后達到最優，基本保持不變，此時繼續增加進化次數，平均適應度在靠近最佳適應度的同時變化趨向于平穩，因理論與實際的差異，平均適應度無法與最佳適應度重合，所以將多次進化后接近平穩的平均適應度視為最優，獲得當前情況下的最佳權值閾值。設置好GABP 神經網絡模型的初始參數進行檢驗，模型分類的均方誤差（MSE）在迭代訓練150 次后達到最小值0.040385，呈現逐步減小的趨勢，具有良好的收斂性，如圖6 所示。

圖5 適應度曲線Fig.5 Fitness curve

圖6 MSE 曲線Fig.6 MSE curve

4.2 實驗結果對比分析

分類結果可以歸結成 4 種情況：真正類（TP），假正類（FP），真負類（TN），假負類（FN）［22］。對于模型的分類效果有兩種評價指標：精確率（Precision）和準確率（Accuracy）。對于這4 個指標的計算全部基于分類結果的混淆矩陣。0 代表無故障，1 代表三相電路A 相和Gnd 之間故障，2 代表三相電路A相和B 相之間故障，3 代表三相電路A、B 相和Gnd之間故障，4 代表三相電路所有三相之間故障，5 代表三相電路三相對稱故障。各模型故障診斷性能如表2 所示。

表2 各模型故障診斷性能Tab.2 Fault diagnosis performance of each model

精確率（Precision）表示分類為正類的樣本中真正為正類的概率：

準確率（Accuracy）表示對于所有樣本分類正確的概率：

BP 神經網絡模型的故障診斷效果普遍較好，對于各類故障的診斷均能達到80%以上的準確率。在利用遺傳算法對模型進行優化，尋找到最優權值閾值后，GA-BP 神經網絡模型的故障診斷能力進一步提升，平均診斷精確率為86.7%，準確率為95.6%，在所有機器學習模型中達到最高值，說明遺傳算法提升BP 神經網絡性能的效果良好。但是對于三相電路所有三相之間故障，三相電路三相對稱故障診斷穩定性較差，并且其分類準確率還有待提高，需要獲取更多的樣本數據，提升模型的特征提取能力，使模型能夠更好地區分各類故障數據，完成高速列車輔助供電系統故障診斷任務。

5 結語

本文前期通過查閱資料與書籍，了解高速列車輔助供電系統的結構與原理，學習主要組成部件的功能與工作原理，并基于此，利用數字孿生技術在MATLAB Simulink 中建立輔助變流器的數字模型，對于輔助變流器三相輸電線路可能出現的故障進行模擬研究，建立相應的機器學習模型，以故障數據集作為訓練測試對象，結果證明本文研究的故障診斷方法能夠根據電路數據完成高速列車輔助供電系統的故障診斷。主要研究成果如下：

（1）基于數字孿生技術，結合查閱的資料信息，建立了高速列車輔助變流器的數字仿真模型，與物理實體保持一致，建立數字孿生體與實體的映射關系，模擬三相輸電線路多種故障情況。收集仿真故障數據，并進行可視化處理，分析數據特征，作為故障診斷方法研究的依據。

（2）建 立Adaboost 模 型、WD-Adaboost 模 型、WPD-Adaboost 模型、BP 神經網絡模型、SVM 模型、GA-BP 神經網絡模型共6 種類故障診斷模型。其中SVM 的徑向基函數的參數γ分別選擇0.2 和0.4。針對不同類別故障數據，機器學習模型能夠有效進行診斷，保持較高準確率。采用小波包分解方法比小波分解方法對Adaboost 模型的優化效果更好。搭建遺傳算法篩選BP 神經網絡模型最優權值閾值，能在一定程度上提升模型性能。

（3）統計不同機器學習模型的各項診斷結果評價指標，表明本文所研究的故障診斷方法，具有強適應性、高穩定性和高準確率，適用于高速列車輔助供電系統的實時檢測與診斷，以便及時維修。