牵引供电系统健康管理技术(PHM)的研究

牵引供电系统健康管理技术（PHM)的研究
发表时间：2018-07-09T10:22:15.127Z 来源：《电力设备》2018年第6期作者：肖鹏
[导读] 摘要：随着人们对铁路系统出行的依赖性越来越大，牵引供电系统故障处理和维护工作愈加重要，目前牵引供电系统的状态监测还是单一性的，处理方式还是停留在传统的被动运行维护上。

（中铁电气化局集团西安电化公司陕西宝鸡 721000）
摘要：随着人们对铁路系统出行的依赖性越来越大，牵引供电系统故障处理和维护工作愈加重要，目前牵引供电系统的状态监测还是单一性的，处理方式还是停留在传统的被动运行维护上。

本文从航空航天领域引进一种全新的健康管理技术—PHM,通过对状态监测的数据进行多元化信息融合，对系统健康进行评估，通过智能推理算法进行故障预测，进而给出维护决策，从而达到对牵引供电系统故障预测和健康管理。

关键词：牵引供电、多元化信息、智能推理、故障预测、健康管理
引言
随着我国高速铁路网络的建成，乘坐高铁出行已经成为人们的首选交通方式，牵引供电系统作为铁路动力来源，如何保证牵引供电系统安全可靠，也就成为保证铁路可靠性、安全性、高效性的关键。

从目前来看，随着牵引供电系统长时间运行，受到设备的老化、性能的下降、外界环境等因素影响，系统的故障率也在不断的攀升。

这就给故障处理和运行维护造成了很大的压力。

传统的故障处理办法就是哪里出了问题就去维护哪里，总体来看就是处于被动的维护，传统的故障处理和维护主要的问题是：（1）整个故障处理过程会花费很多时间。

从时间跨度来看，从出现故障到诊断出问题所在，再到给出决策，最后处理掉问题，整个故障处理的周期很长，特别是对目前要求安全高效的运营环境，如果处理不及时或者不到位，将给整个线路网和列车运行造成影响，有损铁路系统形象。

（2）对故障状态的分析有偏差。

截至目前为止，我们状态监测更多的是基于传感器，比如变压器温度监测和油色谱监测、设备温度监测，都是通过单一指标进行监测，单纯的监测某个设备，这样的结果就是即使发现某个设备出现异常，但是要想真正的诊断出故障问题所在，也不是单纯的只检测出现异常的设备，因为还要考虑设备之间的耦合作用以及逻辑上的关系，维修缺乏系统性，对复杂故障分析处理上存在偏
差。

（3）整个处理故障过程不是主动的。

传统故障处理的模式是出现问题再去解决和维护，比如当设备出现故障时，通过传感器发出报警，人机识别后再去解决，但是此时故障已经发生，整个处理过程不是主动的。

1.PHM技术的引进
我们对牵引供电系统运行的整个过程进行划分，大致分为四部分，分别是安全运行、故障前后期、故障处理、正常运行。

牵引供电系统运行流程图如下。

图1 牵引供电系统运行流程图
由上图我们可以清晰的看出牵引供电系统运行流程是故障前和故障后以及故障处理后的正常运行，故障前和故障发生都能定义为潜在故障。

如何将牵引供电系统故障后的处理和维护转变为故障预测和主动维护，变被动为主动，安全运行—故障预测—维护处理，省去故障潜在期和故障处理后面三个环节，就成为其健康管理的重点课题。

目前在航空航天领域有一种健康维护的技术—PHM（预测与健康管理技术），是综合利用现代信息技术以及现在最前沿的人工智能技术而提出的一种全新健康管理维护的思想。

最早PHM技术是为了降低飞机的故障率和更好的维护系统而提出来的，70年代迫使人们提出了健康管理的思想来监控各系统，随着在飞行器状态系统上的监测和发动机上的检测，大大降低了飞机的故障率，从而达到了健康维护的理念，最终随着在美军F-35攻击机（JSF）项目中的应用，PHM技术名字最终被确定，即故障预测和健康管理。

如今PHM技术越来越多的应用在在航空航天、国防军事以及工业各领域中去，比如直升机健康管理、波音飞机健康管理、美国海军战舰健康管理、NASA航天器健康管理等，其体现的基本思想是类似的。

同样的，PHM技术也可以应用在牵引供电系统中，基本思想都是一样的，只不过和航天领域相比，数据的信息和处理方式不同，本文将深入探讨研究PHM在牵引供电系统中的应用研究。

2.PHM技术在牵引供电系统中的理论应用研究
PHM技术的原理首先利用各种传感器进行数据采集，在进行信息融合结合智能推理算法进行健康评估，在故障发生之前进行预测，再结合多种信息给出维护方案。

其基本理论可以分为六部分：
1）数据采集； 2）信息处理； 3）状态监测；
4）健康评估： 5）故障预测； 6) 维护决策
结合牵引供电系统的特点和性质，基本思路还是延续PHM基本思路，区别就在于对数据采集模块利用信息融合进行了拓展，牵引供电系统的PHM技术流程如下图：
图2 牵引供电系统的PHM技术流程 2.1 数据采集 2.1.1传统数据采集
数据采集是PHM技术的第一步，也是决定故障预测和健康管理的关键，因为数据的准确性和全面性是后期数据处理的基本点。

目前来看，数据的采集依然是基于传感器，根据不同设备和材料对应不同的数据采集原理，也就对应不同种类的传感器，传感器主要有光纤传感器、压电传感器、光电传感器以及目前最前沿的基于碳化硅的传感器。

在牵引供电系统领域应用最多的还是基于应变物理量的光纤传感器，如温度传感器、位移传感器等。

牵引供电系统电气设备的监测主要包括以下几点： 1）绝缘监测。

绝缘性能是衡量所有带电设备性能的重要指标，电气设备的故障往往都是因为绝缘的下降或者损伤累积造成的，主要在变压器、互感器、避雷器等安装绝缘监测。

2）温度监测。

电气设备的故障往往都是通过气体和温度的改变体现出来的，所以可以利用温度传感器，通过监测温度变化来判断设备正常与否，比如在断路器触头，开关柜和变压器油等安装温度监测装置。

3）局部放电的监测。

对于长时间服役的设备，其绝缘出现问题时都会出现局部放电等现象，也是导致事故发生的主要原因，在设备局部可以安装放电监测装置来进行状态监测。

上述数据采集方式还是存在一些明显的问题： 1）对电气设备的监测还是过于单一，没有考虑设备之间的相互耦合，没有形成一个相互关联的闭合系统，对故障可能造成误判。

2）信息采集不够全面，监测点太少，监测到的数据容易受到外界干扰，影响数据采集的准确性。

3）故障处理依然是被动的，只能算半自动故障预测，因为当系统温度出现异常，说明电流对该部位的绝缘已经造成击穿，该部位已经出现故障，还是没有达到及时的预测。

2.1.2 多元数据采集
如何更加全面系统的采集信息，就必须进行数据处理和信息融合。

牵引供电系统主要是由牵引变电所（包括电缆）和接触网两部分构成，下面对其具体分析。

牵引变电所：对于变电所重点研究综合自动化系统、电力监控系统、故障录波、数据网等监测到的数据，为了增加数据的全面性，变压器传感器包括油温传感器、油色谱传感器、局部放电传感器、吸收比传感器、介损传感器、微水含量传感器，馈线电缆和断路器触头增设温度传感器等。

接触网：对于接触网重点研究接触网检测车（拉出值、导高、线间距、硬点、接触压力）和6C系统（CPC、CCV、CCH、CPV、CCH、CPV、CCG）监测到的数据。

对采集到的数据进行综合分析，信息融合技术便提供了这个条件，信息融合指在一定准则下对多个传感器的数据进行分析和综合，通过最高效的方式把通过智能算法吧尽可能多的数据融合在一起，从而完成所评估和决策的信息处理过程。

2.2 数据处理
数据处理包括特征提取和数据挖掘。

接受来自传感器以及其它数据处理模块的信号信息，对采集到的数据进行特征提取，特征提取的方式很多，如小波分析等，提取的目的是进行数据挖掘，从数据库中挖掘未知的、隐含的、具有潜在价值的信息。

2.3 状态监测
接受来自传感器、数据处理以及其它状态监测模块的数据。

其功能主要是将这些数据同预定的失效判据等进行比较来监测系统当前的状态，简单来说，就是将采集到的数据同标准的数据进行对比，根据采集到的数据偏离情况来判断设备性能的可靠性，并且可根据预定的各种参数指标极限值/阈值来提供故障报警能力。

2.4 健康评估
健康评估就是根据状态监测到的数据来判断与正常值的偏离程度，即故障级别，给出设备的阀值、使用寿命、性能趋势，健康评估是PHM技术最显著的特点之一。

健康评估的过程就是根据监测到的数据，结合设备的基本参数和运行情况、环境参数、历史运行记录以及历史故障记录，通过信息融合，运用智能推理算法，对将要发生或者已经发生的故障进行级别判断，故障诊断、分析原因，进而给出维护决策意见，达到对系统健康管理的目的。

2.5 故障预测
故障预测是PHM技术最显著、也是最核心的功能。

故障预测就是利用信息融合技术综合所有数据，包括在线监测的数据、周围环境、产品参数、历史失效数据、历史故障失效数据。

利用智能推理算法估计其阀值、使用寿命、性能趋势，预测将来的健康状况。

PHM技术与传统的故障处理方式相比最大的特点在于从基于传感器的故障到智能故障预测，目前在航空航天系统中PHM技术有三种比较成熟的方法，分别是基于模型的故障诊断与预测、基于状态信息的故障诊断与预测、基于知识的故障诊断与预测（数据驱动和统计可靠性2种）。

2.5.1基于模型的故障诊断与预测
基于模型的故障预测与预测，顾名思义就是首先要建立系统模型，在模型的基础上试验和验证，这种故障诊断的模型一般比较成熟可靠，都是领域专家通过大量的数据验证给出的，这种模型也能深入到对象的本质，对象系统的故障特征通常与模型参数相近或者紧密相连。

模型也可以通过修正来提高精度。

工程当中特别是牵引供电系统，想要建立和对象系统相似的模型还是很困难，一是工程中的对于模型的建立需要很高的精度和复杂的动态，二是这块的专家系统还不完善。

所以单纯的基于模型的故障诊断还是太局限，目前已经对其做了相应的发展，提出了解决的方案，包括卡尔曼滤波、扩展卡尔曼滤波、无味滤波和粒子滤波。

2.5.2基于状态信息的故障诊断与预测
基于状态信息的故障诊断与预测，也就是我们熟悉的基于状态的维修(Condition-based Maintenance, CBM)，通过传感器采集观察对象系统的性能和功能以及故障信息点，对系统进行实时监控，通过计算机智能算法进行诊断和决策，合理安排维修时间和调度，降低设备全周期寿命，缩短维修时间。

CBM的优点就是故障诊断和维修置信度很高，CBM主要用在设备的维护上，极大的提高了维护力度，提高了故障维护率。

2.5.3基于知识的故障诊断与预测
基于知识的故障诊断与预测是在前两个基础上通过人工智能算法衍化出来的故障预测，也是现在PHM最前沿的理论研究，基于知识的故障诊断与预测最大的特点是不需要给出精确数学模型，这就极大的推广了其应用范围，优点是应用广泛，不受模型、状态等约束给出定性推理，但是目前为止在工程上单纯的应用模糊逻辑推理还是很少见，因为它能给出定性推理，不能给出定量分析。

因此，一般将其与信息技术相融合，一种是基于数据的智能算法推理，一种是基于统计可靠性的智能推理算法。

a.基于数据的智能推理算法
对于无法建立数学模型的，利用采集到的数据，可以利用数据进行智能推理。

基于数据的智能推理算法有神经网络（ANN）、模糊神经网络（FNN）等。

ANN最大的特点就是容错性和学习性很强，可以通过模型训练，达到学习的目的，这样就使得ANN的自适应性很强大，利用ANN的非线性特性和智能学习机制，来建立监测到的故障与产品的故障损伤之间的关系。

利用已知的“异常特征-故障损伤”退化轨迹，或通常故障注入建立与特征分析结果关联的退化轨迹，对ANN模型进行“训练/学习”，BP算法（误差反向传播(Error Back Propagation, BP)）是神经网络最主要的算法。

b.基于统计可靠性的智能推理算法
对于无法建立数学模型和数据量有限的情况下，但是如果有足够的历史数据，就可以运用历史失效数据，利用统计算法来进行故障预测。

常见的基于统计可靠性的智能推理算法有贝叶斯算法、模糊petri网等。

其优点就是对于不确定性、模糊性、并发、同步、异步等用一般方法难以解决的问题能够较为准确的分析，由于缺少细节信息，所以为了提高可信度，需要添加合理的置信度。

2.6 维护决策
维护决策或者管理是PHM最后一道工序，PHM技术和传统故障处理最大的区别就是在故障发生前处理掉故障，在系统健康评估和故障预测基础上，结合各种专家知识资源，提供一整套维护决策的管理。

要想做到管理，就必须建立完整的专家知识库，也就是利用专家系统技术，利用该知识库将自动进行维护决策的生成、资源的合理分配、执行部门的协同配合等。

3.PHM技术在牵引供电系统中的应用前景
本文在总结牵引供电系统传统的故障处理和维护管理的基础上，引进一种新的故障预测和健康管理技术，从基于传感器的诊断到智能故障预测的转变。

重点介绍了PHM技术在牵引供电系统中的六大部分理论，特别是数据采集、健康评估和故障预测三部分。

从近几年PHM 在航空航天等领域的应用来看，PHM技术展现出越来越大的价值，技术越来越成熟。

故障预警和健康管理在牵引供电系统中的可操作性也很大，PHM技术将为牵引供电系统运行维护提供全方位的基础理论和维护决策，为建立安全、高效、可靠的铁路运输系统提供保证。