小波包與徑向基神經(jīng)網(wǎng)絡(luò)的電力電子裝置故障診斷

付麗君,王光興,任慧軒

(沈陽理工大學(xué) 信息科學(xué)與工程學(xué)院，沈陽 110159)

?

小波包與徑向基神經(jīng)網(wǎng)絡(luò)的電力電子裝置故障診斷

付麗君,王光興,任慧軒

(沈陽理工大學(xué) 信息科學(xué)與工程學(xué)院，沈陽 110159)

為提高人工神經(jīng)網(wǎng)絡(luò)對電力電子裝置進行故障診斷的準(zhǔn)確性與快速性，提出一種小波包與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合并應(yīng)用于電力電子裝置故障診斷的方法。以三相橋式逆變電路為例，對電路的故障信號采用小波包分解，有效地提取出故障特征后利用RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。仿真結(jié)果表明，該方法具有更快的收斂速度和更高的診斷精度，能夠有效地進行電力電子電路的故障診斷。

RBF網(wǎng)絡(luò)；故障診斷；小波包；故障特征

電力電子技術(shù)是使用電力電子器件(如IGBT等)對電能進行控制變換的技術(shù)。電力電子技術(shù)不僅可以用于一般工業(yè)，也可廣泛用于交通運輸、電力系統(tǒng)、新能源技術(shù)等，甚至在照明等家用電器及其他領(lǐng)域中也有一定的應(yīng)用。因此這些電力電子設(shè)備一旦發(fā)生故障,小則造成交通阻塞、電器產(chǎn)品損壞,大則會威脅人民生命安全,甚至造成重大的災(zāi)難事故以及人員傷亡,嚴(yán)重影響國民經(jīng)濟的正常運轉(zhuǎn)。所以,對電力電子裝置進行故障診斷非常重要。目前，人們只能從輸出波形來診斷它是否有故障，以及何種故障，現(xiàn)已有多種方法用于電力電子電路的故障診斷。文獻[1]利用BP 網(wǎng)絡(luò)來診斷無功發(fā)生器中逆變器主回路元件開路故障；文獻[2]采用傅里葉分析方法實現(xiàn)了對三相變流器主電路的故障診斷；文獻[3]提出了采用小波分析和神經(jīng)網(wǎng)絡(luò)診斷電力電子裝置故障診斷的方法。

BP網(wǎng)絡(luò)原理簡單且容易實現(xiàn),已被廣泛應(yīng)用于眾多領(lǐng)域。但是由于BP神經(jīng)網(wǎng)絡(luò)具有收斂速度慢、學(xué)習(xí)效率低和易陷入局部極小等局限性[4],特別是BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選取會影響到網(wǎng)絡(luò)的學(xué)習(xí)和泛化能力。針對BP 網(wǎng)絡(luò)的以上缺陷,許多學(xué)者提出了很多改進的學(xué)習(xí)算法。本文提出小波包與RBF神經(jīng)網(wǎng)絡(luò)算法相結(jié)合并應(yīng)用于電力電子裝置故障診斷方法，提高了故障的診斷速度與診斷精度。

1　逆變電路故障分類和編碼

1.1故障的分類

本文以三相橋式逆變電路[5]作為診斷實例，電路如圖1所示。

圖1　三相橋式逆變電路

表1　故障類型表

由于三相橋式逆變電路在實際應(yīng)用中出現(xiàn)故障比較多的往往是IGBT的斷路故障和短路故障[6]。這兩種故障所產(chǎn)生的后果和所造成的損失也比較嚴(yán)重。另外由于短路故障下的波形相對簡單，而且發(fā)生短路故障時存在的時間也比較短，因此本文僅以IGBT的斷路故障為例來進行分析，由于在實際系統(tǒng)運行時多個IGBT同時發(fā)生故障的可能性比較小，因此為了簡化分析，假設(shè)最多同時有兩路橋臂發(fā)生故障，其設(shè)置的故障類型如表1所示。

1.2故障的編碼

為了便于神經(jīng)網(wǎng)絡(luò)能將所有的故障區(qū)分開來，用5位二進制編碼N5N4N3N2N1來對表1中的故障分類進行編碼，其中Ni=0、1，用來作為神經(jīng)網(wǎng)絡(luò)的輸出。例如：第一種故障所對應(yīng)的編碼為00001。編碼結(jié)果如表2所示。

表2　故障編碼

2　基于小波包變換的特征提取

2.1小波包分解技術(shù)

小波包分解[7]也可稱為小波包或者子帶樹以及最佳子帶樹結(jié)構(gòu)。它的具體概念是用分析樹來表示小波包，即利用多次迭代的小波轉(zhuǎn)換來分析輸入信號的細節(jié)部分?；谛〔ò纸獾姆椒ɡ^承和發(fā)展了短時傅里葉變換局部化的思想，同時又克服了窗口大小不隨頻率變換等缺點，在電力電子裝置故障診斷中已被廣泛應(yīng)用。小波包變換[8](Wavelet Packet Transform，WPT) 能將頻帶進行多層次劃分，并能夠根據(jù)被分析信號的特征選擇相應(yīng)的頻帶，使之與信號頻譜相匹配，它是在多分辨率分析的基礎(chǔ)上，為信號提供了一種更為準(zhǔn)確的分析方法。

以一個三層小波包分解為例來進行說明，圖2中A表示低頻，S表示原始信號，D表示高頻，末尾的序號數(shù)表示小波包分解的層數(shù)(即尺度數(shù))則分解有如圖2所示。

圖2　三層小波包分解示意圖

2.2小波包能量特征提取

小波包分解可以將信號分解在全頻帶上，進而將得到的不同頻帶上的能量作為故障診斷的重要信息。對電力電子電路輸出電壓信號Uab進行小波包分解，提取出從低頻到高頻的信號特征，在對小波包分解的系數(shù)進行重構(gòu)，就可得到各頻帶信號的能量。具體定義如下：

1) 對三相橋式逆變電路的輸出電壓Uab進行3層小波包分解，采用的函數(shù)為wpdec，具體格式：G=wpdec(Uab,3,’db1’,’shannon’)。

2) 對小波包分解系數(shù)進行重構(gòu)，提取出各頻帶范圍的信號。重構(gòu)系數(shù)采用的函數(shù)wprcoef，對第三層的所有節(jié)點進行系數(shù)重構(gòu)。

3) 求各個頻帶信號的能量。

4) 構(gòu)造特征向量，如果能量E的數(shù)值較大，為了加快神經(jīng)網(wǎng)絡(luò)的收斂性需要進行歸一化處理。

根據(jù)以上定義，采用db1為小波基函數(shù)，對輸出電壓進行小波包分解，最后得到的重構(gòu)部分波形以及部分?jǐn)?shù)據(jù)樣本如圖3及表3所示(其中S代表重構(gòu)系數(shù))。

圖3　重構(gòu)系數(shù)波形

表3　部分?jǐn)?shù)據(jù)樣本

3　徑向基神經(jīng)網(wǎng)絡(luò)原理

3.1RBF神經(jīng)網(wǎng)絡(luò)

徑向基(RBF)神經(jīng)網(wǎng)絡(luò)可以任意精度逼近任意的非線性函數(shù)，具有全局逼近能力和收斂速度快的優(yōu)點，是一種性能較好的前饋型網(wǎng)絡(luò)。被廣泛應(yīng)用于自適應(yīng)濾波、函數(shù)逼近、非線性時間序列預(yù)測等眾多領(lǐng)域。

3.2RBF網(wǎng)絡(luò)的Matlab函數(shù)及其功能

各函數(shù)功能如表4所示。

表4　函數(shù)功能表

其中newrbe()函數(shù)的功能是建立一個徑向基神經(jīng)網(wǎng)絡(luò)。它的格式為

net=newrbe(X,Y,SPREAD)

各個參數(shù)說明如下：X為輸入向量；Y為目標(biāo)向量；SPREAD為徑向基函數(shù)的分布密度，默認(rèn)為1。

3.3小波包與RBF網(wǎng)絡(luò)的結(jié)合

小波包與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要有兩種方式，一種是小波包變換被有效用來提取故障特征信息，之后在將這些故障特征信息送入故障分處理器進行故障診斷；另一種是把小波與神經(jīng)網(wǎng)絡(luò)結(jié)合起來，即形成小波神經(jīng)網(wǎng)絡(luò)或小波網(wǎng)絡(luò)。它是在小波分析研究基礎(chǔ)上提出的一種前饋網(wǎng)絡(luò)。其基本思想是用小波元代替了神經(jīng)元，小波神經(jīng)網(wǎng)絡(luò)由于把神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特性和小波的局部特性結(jié)合起來，具有自適應(yīng)分辨性、良好的容錯性、逼近能力強、網(wǎng)絡(luò)學(xué)習(xí)收斂速度快以及有效避免了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時局部最小值問題等優(yōu)點。

4　實例分析

為檢驗小波包RBF神經(jīng)網(wǎng)絡(luò)的快速性與準(zhǔn)確性，對圖1故障模型進行仿真，創(chuàng)建RBF神經(jīng)網(wǎng)絡(luò)[8]，設(shè)輸入向量X為小波包故障特征提取結(jié)果，輸出向量Y如表2所示，設(shè)定樣本目標(biāo)的誤差為0.01，擴展系數(shù)為1，訓(xùn)練次數(shù)為1000，對其進行訓(xùn)練，最后得到的訓(xùn)練過程曲線以及部分實際輸出結(jié)果如圖4及表5所示。

由圖4可以看出，當(dāng)訓(xùn)練次數(shù)達到16次之后神經(jīng)網(wǎng)絡(luò)就已經(jīng)很好地收斂于期望輸出。將實際輸出用Yi(i=1～6)表示，令Yi>0.5時，Yi=1：Yi<0.5時，Yi=0，通過表2與表5對照可以看出，利用本文所提方法對測試樣本的診斷準(zhǔn)確率可達到95%，由此可見此方法可以提高神經(jīng)網(wǎng)絡(luò)的收斂速度，同時也提高了故障診斷的準(zhǔn)確度。

圖4　RBF網(wǎng)絡(luò)誤差訓(xùn)練曲線圖

表5　部分實際輸出

最終得到網(wǎng)絡(luò)的部分輸入到隱層權(quán)值為

W1=[3.4716-2.8575 3.1709

-1.0612 2.1588-1.0949

1.4438-2.4628-0.5847

-0.2776 4.8081-3.4901

-5.9092 1.7600-6.3767

-4.8437-1.2289 3.3298

-0.6897-0.7014-0.7889

-1.0495-0.9336 2.1407]

部分隱含層閾值為

B1=[-3.00533.9368-0.24076.1455-0.11094.8361]

部分隱層到輸出層權(quán)值為

W2=[-4.4138-9.0753-0.0564

-1.8209 2.0019 9.4277

-1.2252 4.6967 2.6274

2.3185 1.1446-4.5502

-0.9217 0.2439 0.8616

-1.0008-3.0645 3.5176

-9.9381-1.1515]

部分輸出層閾值為

B2=[2.57510.51003.1796-1.11822.2916-0.7814]

5　結(jié)束語

基于小波包算法和RBF神經(jīng)網(wǎng)絡(luò)算法相結(jié)合進行電力電子裝置的故障診斷。由于BP神經(jīng)網(wǎng)絡(luò)具有收斂速度慢且容易陷入局部極小點等局限性，本文首先對采集到的故障數(shù)據(jù)進行小波包分解，然后將提取到的小波包系數(shù)能量作為故障特征向量并送入RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，使其既具有RBF網(wǎng)絡(luò)較強的自學(xué)習(xí)能力和快速收斂等優(yōu)點，又具有小波包在頻域良好的局部化特性。仿真結(jié)果表明，所提故障診斷方法既提高了故障診斷的準(zhǔn)確性，同時也加快了網(wǎng)絡(luò)的收斂速度。說明此方法應(yīng)用于電力電子裝置故障診斷是非常有效的。

[1]王旭,王文輝.人工神經(jīng)元網(wǎng)絡(luò)原理與應(yīng)用[M].沈陽:東北大學(xué)出版社,2000.

[2]柳凌,錢祥忠.基于MATLAB的三相橋式SPWM逆變器建模與仿真 [J].電子設(shè)計工程,2014,22(14):1-4.

[3]李微,譚陽紅,彭永進.基于小波分析及網(wǎng)絡(luò)的電力電子電路故障診斷方法[J].電機與控制學(xué)報,2005,9(6):554-557.

[4]洪乃剛.電力電子和電力拖動控制系統(tǒng)的Matlab仿真[M].北京:機械工業(yè)出版社,2006.

[5]陳治佐.復(fù)雜系統(tǒng)的故障檢測和診斷方法研究[D].上海:上海交通大學(xué),2013.

[6]王兆安,黃俊.電力電子技術(shù)[M].北京:機械工業(yè)出版社,2006.

[7]WANG Jiu-he,YIN Hong-ren,ZHANG Jin-long,et al.Study on power decoupling control of three phasevoltagesource PWM rectifiers[C].Power Electronics and Motion Control Conference,Katholieke university,2006.

[8]薛定宇,陳陽泉.基于MATLAB/Simulink的系統(tǒng)仿真技術(shù)與應(yīng)用[M].北京：清華大學(xué)出版社，2002.

(責(zé)任編輯：馬金發(fā))

Wavelet Packet with RBF Neural Network Fault Diagnosis of Power Electronic Device

FU Lijun,WANG Guangxing,REN Huixuan

(Shenyang Ligong Univercity,Shenyang 110159,China)

In order to make artificial neural network much more accurate and faster in fault diagnosis for power electronic device and speed,a new method of fault diagnosis using wavelet packet and RBF neural network which is applied to power electronic devices was proposed.In the case of three-phase bridge inverter circuit,when going wrong ,at first fault signal of circuit is decomposed with the wavelet packet and the fault feature is extracted effectively.Then training is conducted by using RBF neural network.Simulation results show that the proposed method has faster convergence speed and higher diagnosis accuracy,and can be effectively carried out in power electronic circuits.

RBF network；fault diagnosis；wavelet packet；fault feature

2015-05-25

付麗君(1962—),女,副教授,研究方向:運動控制系統(tǒng)智能監(jiān)控。

TP277

A