程海鹏 李志超 刘佳朋 张全国

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]。……