倪巧云
(湖北工業(yè)大學(xué),湖北武漢430064)
在現(xiàn)代電子設(shè)備中,電力電子電路的應(yīng)用非常廣泛,且國內(nèi)外研究人員高度重視對其健康管理的研究,早期研究的內(nèi)容集中在電力電子電路故障診斷方面。為了及時(shí)在電力電子電路故障發(fā)生前發(fā)現(xiàn)問題,研究人員越來越重視對故障預(yù)測的研究,即:依據(jù)電路在運(yùn)行中的退化和趨勢,預(yù)測其未來的健康水平。下面,筆者主要探討電力電子電路故障診斷與預(yù)測技術(shù)。
小波是小的波形。小波分析是分析信號的頻率與時(shí)間的方法,其能在頻域、時(shí)域上表征信號的局部特征,且其頻率窗、時(shí)間窗均可改變,即利用平移、伸縮燈運(yùn)算功能多尺度細(xì)化分析信號,以提取出信號中的有用信息。研究發(fā)現(xiàn),小波分析表現(xiàn)出多分辨率分析的特征,即:低頻部分的時(shí)間分辨率較低,頻率分辨率較高;高頻部分的時(shí)間分辨率較高,頻率分辨率較低。其目的是構(gòu)造在頻率上與平方可積的實(shí)數(shù)空間L2(R)高度逼近的正交小波基,用以發(fā)揮不同帶寬的帶通濾波器的作用。據(jù)此特性,可提取出信號中的有用信息,并忽視其中的干擾信號或噪聲。
馬氏距離由統(tǒng)計(jì)學(xué)家P.C.Mahalanobis提出,即指數(shù)據(jù)的協(xié)方差距離,其可有效計(jì)算出某一樣本與樣本集的間隔距離或相似性。馬氏距離的性能在模式識別中比歐式距離更優(yōu),且量綱不會對其產(chǎn)生影響,即數(shù)據(jù)單位不會對點(diǎn)間馬氏距離產(chǎn)生影響,同時(shí)馬氏距離考慮進(jìn)了特性間的聯(lián)系且從測量尺度中獨(dú)立開來。研究發(fā)現(xiàn),在馬氏距離的計(jì)算中,總體樣本數(shù)n要求比樣本維數(shù)m大,否則會得到無效的總體樣本協(xié)方差矩陣逆矩陣,繼而使馬氏距離計(jì)算失敗。
下面,筆者在電力電子電路軟、硬故障診斷中引入小波分析與馬氏距離,其中前者用來分析電路信號和提取故障的特征參數(shù);后者用來度量某一電路故障與待測電路的距離和求取待測電路與一切故障類型的馬氏距離,且若某一馬氏距離出現(xiàn)最小值,則對應(yīng)故障便為待測電路的故障。圖1所示為基于小波分析與馬氏距離的電力電子電路故障診斷流程圖。
圖1 電路故障診斷流程圖
圖1所示的電力電子電路故障診斷流程圖由建立字典、故障診斷組成,即:
(1)建立故障字典:首先,創(chuàng)建Pspice電路文件,并分析軟、硬故障可能有的模式,繼而建立故障集;其后,對處于故障、健康狀態(tài)的電路分別開展蒙特卡洛仿真分析,并采樣求取測量點(diǎn)對應(yīng)的電壓值;最后,分析數(shù)據(jù),并算得某一故障對應(yīng)的故障特征向量,繼而建立故障字典。
(2)故障診斷:首先,通過對待測電路輸出電壓采樣,以獲得數(shù)據(jù)和求取故障特征參數(shù);其后,根據(jù)特征與故障字典提供的數(shù)據(jù),求取未知故障電路的特征參數(shù)與每一故障(故障字典)的馬氏距離,并找到與最小馬氏距離對應(yīng)的故障號,即為待測電路故障。
為了檢驗(yàn)基于小波分析與馬氏距離的電力電子電路故障診斷方法是否有效,可通過反復(fù)分析和診斷待測電路的未知故障,以確定診斷結(jié)果的準(zhǔn)確度和故障診斷的準(zhǔn)確率。
AR模型(自回歸模型)是一類具備連續(xù)功率譜的線性時(shí)間序列信號模型,其常用在平穩(wěn)隨機(jī)序列的研究中。其中,平穩(wěn)隨機(jī)序列產(chǎn)生于典型噪聲源對線性系統(tǒng)的激勵作用,噪聲源通常選擇白噪聲。關(guān)于AR模型,可用下列公式表示其差分方程:
可見,根據(jù)x(n)前p個(gè)點(diǎn),可算得x(n)的值及AR模型的參數(shù)ai。AR模型參數(shù)常用最小二乘法、Burg遞推法、列文森法、自相關(guān)函數(shù)法和Yula-Walker法進(jìn)行求解。其中,最小二乘法(或最小平方法)是通過最小化誤差的平方來尋求數(shù)據(jù)的最佳函數(shù)匹配,其可快速求得未知數(shù)據(jù)及使其與實(shí)際數(shù)據(jù)的誤差平方和最?。籅urg遞推法是先用格型預(yù)測誤差濾波器來求取前、后向預(yù)測誤差的最小平均功率,再運(yùn)用列文森遞推公式計(jì)算AR模型系數(shù)、輸入噪聲方差,其中針對AR信號,運(yùn)用Burg算法可提高估計(jì)的精確度。
BP算法是BP神經(jīng)網(wǎng)絡(luò)(多層前饋神經(jīng)網(wǎng)絡(luò))在學(xué)習(xí)中運(yùn)用的誤差逆?zhèn)鞑ニ惴?,其原理為:先從樣本?shù)據(jù)與網(wǎng)絡(luò)輸出中獲得誤差函數(shù),再運(yùn)用梯度下降法求取誤差函數(shù)的最小值,然后不斷修正神經(jīng)網(wǎng)絡(luò)連接權(quán)值,以使網(wǎng)絡(luò)誤差在允許范圍內(nèi)?;镜腂P算法由信號前向傳播、誤差反向傳播兩部分組成,即:網(wǎng)絡(luò)輸出按“輸入→輸出”的方向進(jìn)行計(jì)算;權(quán)值與閾值按“輸出→輸入”的方向進(jìn)行修正。其中,在誤差反向傳播過程中,先對每一層神經(jīng)元逐層算出輸出誤差,再逐層運(yùn)用梯度下降法算出連接權(quán)值、閾值,直到整個(gè)網(wǎng)絡(luò)全局的誤差滿足給定極值的要求,自此可從權(quán)值與閾值中獲得歷史數(shù)據(jù)與未來值得關(guān)系,并用于預(yù)測數(shù)據(jù)。在實(shí)際使用中,BP神經(jīng)網(wǎng)絡(luò)要求重點(diǎn)考慮期望誤差、學(xué)習(xí)速率、閾值初值、網(wǎng)絡(luò)權(quán)值、隱層神經(jīng)元數(shù)目和輸入層個(gè)數(shù)的選取。
在神經(jīng)網(wǎng)絡(luò)中,BP算法被認(rèn)為是最成熟、使用最多的訓(xùn)練算法。其中,神經(jīng)網(wǎng)絡(luò)初值可隨機(jī)初始化,但其易向局部最小點(diǎn)收斂,則為了克服隨機(jī)選取的缺點(diǎn),建議在神經(jīng)網(wǎng)絡(luò)初值計(jì)算中引入遺傳算法,用以增強(qiáng)所得模型的曲線擬合能力。其中,遺傳算法的演算步驟為選擇→交叉→變異。神經(jīng)網(wǎng)絡(luò)初值經(jīng)遺傳算法優(yōu)化后,可賦予網(wǎng)絡(luò),用以訓(xùn)練網(wǎng)絡(luò),繼而獲得網(wǎng)絡(luò)參數(shù)。
電力電子電路健康狀態(tài)衡量值的波動具有非線性、復(fù)雜性(亦或混沌特性),故可運(yùn)用混沌信號分析法來進(jìn)行數(shù)據(jù)分析,繼而優(yōu)化電路的預(yù)測效果。下文,筆者從混沌時(shí)間序列相空間重構(gòu)理論的角度,探討AR模型、BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果的優(yōu)化(圖2),即:先按相空間重構(gòu)理論獲得嵌入維數(shù)m、時(shí)間延遲τ,并相空間重構(gòu)數(shù)據(jù),其后再用AR模型、BP模型訓(xùn)練和預(yù)測數(shù)據(jù)矩陣。
圖2 相空間重構(gòu)后的預(yù)測流程
綜上研究,基于小波分析和馬氏距離的電力電子電路故障診斷方法可高效檢測參數(shù)性、結(jié)構(gòu)性故障,且基本可準(zhǔn)確定位故障點(diǎn)。同時(shí),本文談及的AR模型預(yù)測算法、BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法等方法可有效預(yù)測電力電子電路的健康狀態(tài)和剩余壽命。但針對電力電子電路故障診斷與預(yù)測技術(shù)的研究仍待完善,值得高度重視。