基于核極限學習機的電力電子電路故障診斷的研究

姜濤+高瑞

摘 要：電力電子技術誕生于上世紀九十年代，緊接著就發(fā)展成為一門新興的科學技術。電力電子器件主要完成對電能的控制和轉換，這是電力電子技術的核心思想。在這一思想的引領下，其在改造傳統(tǒng)產業(yè)、發(fā)展高新技術等多種領域里發(fā)揮著舉足輕重的作用。從另一方面來講就使得電力電子電路在不同領域的各類設備中取得了廣泛的應用。因此對于它的故障檢測與診斷就顯得尤為重要，其一旦出現(xiàn)故障，輕則設備停機造成經(jīng)濟損失，重則導致人員傷亡。為此文章設計一種基于核極限學習機的電力電子電路故障診斷的方法，對于電力電子電路出錯率較高的問題，利用Simulink軟件搭建故障仿真模型。采集不同故障下單周期固定采樣點數(shù)據(jù)，將此數(shù)據(jù)利用小波包分解重構的方法提取能量作為特征，并將該特征作為極限學習機故障分類輸入。但因電力電子電路具有較強的非線性，傳統(tǒng)的極限學習機算法得不到較好的分類結果。因此課題引入核函數(shù)的思想，利用核極限學習機的方法對其進一步分類測試，經(jīng)過調整參數(shù)可以得到較好的分類效果，從理論的角度說明了此方法的合理性。

關鍵詞：電力電子電路；simulink仿真；小波包；核極限學習機；故障診斷

中圖分類號：TN710 文獻標志碼：A 文章編號：2095-2945（2017）30-0014-04

1 概述

隨著電力電子技術的快速發(fā)展，電力電子產品在社會生產及生活等方面得到了廣泛應用，如電氣牽引裝置、電力傳動系統(tǒng)、航空電源、變頻器等。電源或電機驅動器的核心部分通常由電力電子裝置擔當。因此，電力電子裝置是整個工程電源系統(tǒng)的關鍵，一旦其發(fā)生故障將導致設備停產，造成巨大的經(jīng)濟損失，更有可能造成人員的傷亡，引發(fā)嚴重事故[1]。在一些有高可靠性要求的應用場合，如航空軍事系統(tǒng)中，一旦其發(fā)生故障將會給國防安全帶來嚴重危害。

三相整流電路廣泛應用于電力電子裝置中。晶閘管本身損壞以及觸發(fā)脈沖一場導致的不導通和誤導通都會使該晶閘管所在的整流電路發(fā)生故障并引發(fā)整流電壓的畸變。因此，對電力電子電路實現(xiàn)在線實時監(jiān)測和故障診斷顯得很有必要。在對故障診斷快速性和準確性要求越來越高的同時，人們也不斷尋找如何對三相全控整流電路中故障晶閘管快速、準確地定位，應用先進的算法實現(xiàn)智能故障診斷也越來越受到重視。對于故障診斷主要應用的方法有以下幾種：

（1）信號處理的方法：其主要是確定故障檢測有用信息，獲取此類信息并對其進行相關分析操作，最終得出結論。其中信息分析的方法有傅里葉分析、小波變換，或者提取信號的幅值、相位、頻率等信息。

（2）解析模型的方法：在確定診斷系統(tǒng)數(shù)學模型的基礎

上，通過狀態(tài)估計和參數(shù)估計的方法，確定系統(tǒng)故障的類別。但這種方法主要用于故障的前期檢測，對故障發(fā)生后的分類就存在些許不足。

（3）基于知識的故障診斷：基于知識的故障診斷方法主要基于人工智能的學習算法，通過對系統(tǒng)各類故障進行學習，從而構建整個系統(tǒng)的故障診斷模型。對于復雜系統(tǒng)此方法同樣具有適用性，只是故障診斷時間會相對延長。例如人工神經(jīng)網(wǎng)絡、支持向量機等算法。

2 整流電路及故障分類

2.1 三相橋式整流電路

目前在各種整流電路中，三相橋式可控整流電路是應用比較廣泛的。通常將陰極連接在一起的稱為共陰極組，即晶閘管（VT1、VT3、VT5），陽極連接在一起的稱為共陽極組，即晶閘管（VT2、VT4、VT6）。同時在三相橋式整流電路工作時，為了保證晶閘管導通順序依次為VT1～VT6，因此在對各晶閘管命名時，將三相橋共陰極組與a、b、c三相電源連接的三只晶閘管命名為VT1、VT3、VT5，共陽極組與a、b、c三相電源相連接的三只晶閘管為VT4、VT6、VT2，如圖1所示。

工作原理：

為了搞清楚觸發(fā)角α變化時個晶閘管導通順序，分析整流后輸出電壓波形規(guī)則，本文選擇α=00時整流后的輸出波形加以說明。如圖2為α=00的情況，即在自然換相點觸發(fā)換相。

在第Ⅰ階段，三相電壓中Ua電壓最高，因此共陰極組中晶閘管VT1被觸發(fā)導通，與之對應的Ub電壓最低，所以共陽極組的晶閘管VT6被觸發(fā)導通，此時電流由a相經(jīng)VT1流向負載，再經(jīng)VT6流入b相，變壓器a、b兩相工作，共陰極組的a相電流為正，共陽極組的b相電流為負，加在負載上的整流電壓為Ud=Ua-Ub=Uab。

經(jīng)過600后進入第Ⅱ階段，這時a相電壓仍然最高，晶閘管VT1繼續(xù)導通，同時最低電壓由b相變?yōu)閏相，在經(jīng)過自然換相點后晶閘管VT2被觸發(fā)導通，電流即從b相換到c相，此時晶閘管VT6因承受反向電壓而關斷，此時的電流回路為：a相流出經(jīng)VT1、負載、VT6流回電源c相，對應變壓器a、c兩相工作，這時a相電流為正，c相電流為負。在負載上的電壓為Ud=Ua-Uc=Uac。

再經(jīng)過600后進入第Ⅲ階段，此時最高電壓變?yōu)閎相，在經(jīng)過自然換相點后，共陰極組晶閘管VT3被導通，電流即從a相換到b相，因電位依然最低c相晶閘管繼續(xù)導通，此時變壓器b、c兩相參與工作，此時負載上的電壓變?yōu)閁d=Ub-Uc=Ubc。

以此類推可以得到Uba，Uca，Ucb的電壓。于是得到晶閘管的導通情況及輸出整流電壓的情況如表1所示：

2.2 三相整流電路仿真及故障分類

2.2.1 仿真建立及參數(shù)設置

（1）Simulink環(huán)境下仿真模塊的建立

根據(jù)三相橋式全控整流電路結構搭建仿真平臺，將所用各模塊找到并放入文檔中，對其進行電氣連接，對于參數(shù)的設置可以通過雙擊模塊器件，在對話框中進行設置。如圖3為系統(tǒng)仿真接線圖。

（2）模塊各參數(shù)的設置

三相電源電壓設置為404V，頻率設置為50Hz，相角相差1200，Va的初相角設置為00。同步6脈沖觸發(fā)器模塊用于觸發(fā)三相全控整流橋的6只晶閘管，同步6脈沖觸發(fā)器可以給雙脈沖，雙脈沖間隔為600。將6脈沖觸發(fā)器中發(fā)出的脈沖信號一次傳送到對應的晶閘管中。endprint

2.2.2 三相橋式整流電路故障分類

根據(jù)三相橋式整流電路的工作原理，晶閘管的導通順序為：（VT6、VT1）-（VT1、VT2）-（VT2、VT3）-（VT3、VT4）-（VT4、VT5）-（VT5、VT6）。正常工作時整流輸出電壓每周期以相同的趨勢脈動六次，即每工頻周期由六個形狀相同的波頭組成。

當電路中晶閘管出現(xiàn)故障時，電壓波形就會按照一定規(guī)律產生畸變。如VT1故障時，晶閘管的導通次序變?yōu)椋海╒T5、VT6）-（無）-（VT2、VT3）-（VT3、VT4）-（VT4、VT5）-（VT5、VT6）； 故障時，晶閘管的導通次序變?yōu)椋海╒T6、VT1）-（VT6、VT1）-（無）-（VT3、VT4）-（VT4、VT5）-（VT5、VT6）；當VT1、VT3故障時，晶閘管的導通次序變?yōu)椋海╒T5、VT6）-（無）-（無）-（VT4、VT5）-（VT4、VT5）-（VT5、VT6）；當VT1、VT2故障時，晶閘管的導通次序變?yōu)椋海╒T5、VT6）-（VT5、VT6）-（無）-（VT3、VT4）-（VT4、VT5）-（VT5、VT6）。綜上所述，課題將故障情況分為以下7類[3]，見表2所示。

其中正常及7大類故障類型單周期波形如圖4所示（觸發(fā)角為30度）：

3 核極限學習機的分類應用

3.1 極限學習機算法原理

極限學習機（Extreme Learning Machine，ELM）是一種新型算法，此算法由南洋理工大學黃廣斌教授提出。極限學習機針對單隱含層前饋神經(jīng)網(wǎng)絡結構，在運行過程中其輸入層與隱含層之間的連接權值和隱含層神經(jīng)元閾值的產生是隨機的，并且在之后的訓練中不再進行調整。整個過程中需要設置的參數(shù)只有隱含層神經(jīng)元個數(shù)，最終通過嚴格的理論推理獲得最優(yōu)解的過程。極限學習機網(wǎng)絡結構如圖5所示。

極限學習機和BP神經(jīng)網(wǎng)絡的主要區(qū)別在于連接權值的設定。BP神經(jīng)網(wǎng)絡的所有連接權值是在訓練過程中時刻迭代調整的，而極限學習機的連接權值只能在初始時刻隨機給定，因而不需時刻調整。

由于電力電子電路存在較強的非線性，而傳統(tǒng)的極限學習機在解決非線性分類問題中還存在一定不足。為了提高極限學習機得非線性分類性能，本文考慮結合支持向量機的核函數(shù)思想，將非線性的核映射引入到極限學習機中。核函數(shù)具有強大的非線性映射能力，能夠克服維數(shù)災難，對于線性不可分的問題可以映射到高維空間使其線性可分?；A的極限學習機是無核的，其只有一個隱含層，當輸入權值給定以后，這個隱含層恰恰就是一個非線性的顯式映射，將輸入樣本映射到另外一個空間中，使其在該空間線性可分，而實驗發(fā)現(xiàn)，對于分類問題極限學習機常常需要較多的隱含層結點，這也就是說需要將樣本映射到高維空間，這與核函數(shù)最初的思想是等價的，所以課題借鑒核函數(shù)內積的理論，可以不必采用這種顯示的映射方式，而直接采用核函數(shù)來代替極限學習機隱藏結點的映射。經(jīng)過研究發(fā)現(xiàn)將核方法與極限學習機結合起來理論和實踐上都是可行的，它提高了極限學習機的穩(wěn)健性和非線性逼近能力[4-6]。

3.2 電力電子電路分類實現(xiàn)

課題對仿真的各類故障下的整流電壓進行采樣。由于電路中某處晶閘管發(fā)生故障后，輸出波形為非平穩(wěn)信號，并且不同故障下整流電壓輸出波形中各個頻率成分的能量不同，為此課題提出了基于各頻段能量作為特征的故障診斷識別信息。故障識別過程如圖6所示。通過計算不同故障波形中各頻率成分能量值作為核極限學習機分類特征，并對不同故障進行標簽標識，在能夠表征各個故障特征的同時，使得輸入數(shù)據(jù)大大減少。

針對三相橋式整流電路正常及各類故障，因系統(tǒng)為阻感負載，其觸發(fā)角變化范圍是00-900，為此課題在仿真采樣時，對于每一類故障采取觸發(fā)角每間隔2.50進行采樣，采樣時間間隔為0.0002s，以A相電壓由負變正過零點為采樣起始點，每周期采樣100個點，具體數(shù)據(jù)見表3。課題選取穩(wěn)定后第二個周期的波形，首先將采樣數(shù)據(jù)從Simulink中將其導入工作空間中，存入.mat文件。以上述單周期波形做小波包分解，然后對其分解后最終節(jié)點的低頻和高頻信號做能量計算，以此作為核極限學習機的故障特征，如表4所示。

3.3 核極限學習機分類結果

通過上述小波包分解重組后，將其波形能量作為特征。使用Matlab實現(xiàn)極限學習機（KELM）故障診斷算法。首先進行故障大類分類，其中包含7種故障類型；對于核極限學習機而言，其輸入神經(jīng)元個數(shù)為8，輸出神經(jīng)元個數(shù)為7，經(jīng)過測試訓練設置其他合適參數(shù)后，將標簽定義后的各類故障輸入，然后將上述數(shù)據(jù)進行歸一化處理，將所有數(shù)據(jù)都轉化為[0，1]之間的數(shù)。這樣做的優(yōu)點在于，取消了各維數(shù)據(jù)間數(shù)量級差別，減小由于輸入數(shù)據(jù)數(shù)量級偏差過大導致的網(wǎng)絡預測誤差。

其次，將特征數(shù)據(jù)導入數(shù)據(jù)庫，得到9維、1443組數(shù)據(jù)，前8維為故障特征信號，最后一維為故障類別標識。分別是一只晶閘管故障 組數(shù)據(jù)，并從中取出212組數(shù)據(jù)做訓練，10組數(shù)據(jù)做測試；同一相電壓的兩只晶閘管故障 組數(shù)據(jù)，從中取出101組數(shù)據(jù)做訓練，10組數(shù)據(jù)做測試；同一半橋兩只晶閘管故障 組數(shù)據(jù)從中取出212組數(shù)據(jù)做訓練，10組數(shù)據(jù)做測試；序號相鄰的兩只晶閘管故障 組數(shù)據(jù)，從中取出212組數(shù)據(jù)做訓練，10組數(shù)據(jù)做測試；第五類故障 組數(shù)據(jù)，從中取出212組數(shù)據(jù)做訓練，10組數(shù)據(jù)做測試；第六類故障 組數(shù)據(jù)，從中取出212組數(shù)據(jù)做訓練，10組數(shù)據(jù)做測試；第七類故障 組數(shù)據(jù)，從中取出212組數(shù)據(jù)做訓練，10組數(shù)據(jù)做測試；總計有1373組訓練數(shù)據(jù)，和70組測試數(shù)據(jù)。根據(jù)故障類別標定信號的期望輸出值。

最后，用訓練好的KELM模型對故障診斷特征信號進行分類，極限學習機（KELM）故障診斷的識別結果如圖7所示。

圖中橫坐標表示測量樣本個數(shù)，縱坐標為故障標簽標識，圖中“o”代表真實故障類別，“*”代表KELM算法的預測結果。反映在圖中即當“*”與“o”重合時代表該組測量參數(shù)識別準確；如果出現(xiàn)“*”偏離“o”的現(xiàn)象，即KELM算法預測錯誤。上述核極限學習機對七大類故障類型分類訓練與測試準確率分別為：

訓練集正確率Accuracy = 96.5134%（1218/1262）；

測試集正確率Accuracy = 91.4286%（64/70）。

由此可見核極限學習機在電力電子電路故障診斷方面具有較高的準確率。

4 結束語

本論文針對電力電子電路晶閘管容易出現(xiàn)故障的現(xiàn)狀，通過Simulink仿真軟件實現(xiàn)對其各類故障的波形仿真，并對固定周期采樣后，將其波形數(shù)據(jù)通過小波包分解重構后，進行故障標簽定義，同時利用核極限學習機的方法，高效準確地判斷出故障類型?；诤藰O限學習機的電力電子電路故障診斷的研究為電力電子電路故障排查提供了一種快速有效的手段，全面提高了故障排查工作效率和質量。

參考文獻：

[1]吳 .電力電子電路故障特征參數(shù)提取與健康預報研究[D].南京：南京航空航天大學，2008.

[2]劉華姿.基于虛擬儀器的電力電子整流裝置的故障診斷系統(tǒng)研究[D].長沙：中南大學，2008.

[3]陳如清.大功率電力電子裝置在線故障診斷[D].西安：西安理工大學，2004.

[4]遇炳杰.基于極限學習機的變莊器故障診斷[D].保定：華北電力大學，2014.

[5]馬立新，范麗君.基于小波包神經(jīng)網(wǎng)絡的整流電路晶閘管故障識別[J].能源研究與信息，2016（1）：45-50.

[6]林敏.極限學習機在航空發(fā)動機氣路故障診斷中的應用[D].上海：上海交通大學，2015.endprint