基于小波變換和神經(jīng)網(wǎng)絡(luò)的PWM逆變電路故障診斷*

劉 玲

(四川工商學(xué)院，四川 成都 611475)

0 引言

隨著電力電子技術(shù)的發(fā)展，基于PWM逆變電路供電的電動(dòng)機(jī)變頻調(diào)速系統(tǒng)在工業(yè)上、軌道交通領(lǐng)域應(yīng)用廣泛。PWM逆變電路作為變頻裝置中電能變換的主體，應(yīng)用場合復(fù)雜，在運(yùn)行過程中要承受主要的電熱應(yīng)力，故障率較高。

目前，對逆變電路的故障診斷研究取得了一定成果。文獻(xiàn)[1]將逆變電路的故障診斷方法分為基于電壓的方法和基于電流的方法。文獻(xiàn)[2]利用小波包分解從逆變器的上、中、下橋臂電壓提取出故障特征向量，再將特征向量輸入SOM神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷。文獻(xiàn)[3]提出一種基于電流矢量特征分析的逆變器單開關(guān)管開路故障診斷方法。文獻(xiàn)[4]根據(jù)相電流平均值和平均絕對值殘差來進(jìn)行故障診斷。本文以電壓型PWM逆變電路為研究對象，提出利用小波變換提取輸出電流的故障特征，以神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障模式分類的方法。

1 PWM逆變電路的開路故障分析

電壓型PWM逆變電路是由六個(gè)IGBT構(gòu)成的三相全橋電路，其拓?fù)浣Y(jié)構(gòu)如圖1所示。功率器件的短路和開路是PWM逆變電路最頻發(fā)的故障。短路故障因存在時(shí)間短且影響嚴(yán)重，目前在逆變電路的驅(qū)動(dòng)電路中已集成短路故障監(jiān)測和過流過壓保護(hù)以減少短路故障帶來的危害[5]。與短路故障相比，功率器件的開路故障影響相對較小，系統(tǒng)故障響應(yīng)比較慢，雖不會(huì)導(dǎo)致系統(tǒng)立即崩潰，但很容易引起系統(tǒng)其他部件的二次故障，造成更大的損失。為此，本文主要研究的是PWM逆變電路功率器件的開路故障。

圖1 PWM逆變電路主電路拓?fù)鋱D

由于實(shí)際中3個(gè)功率器件同時(shí)發(fā)生故障的概率較小，本文研究最多同時(shí)只有兩個(gè)功率器件發(fā)生開路故障的情況，根據(jù)故障類型可將開路故障分為5大類22種情況，如表1所示。

表1 逆變電路開路故障類型

由于難以直接獲得逆變電路的內(nèi)部信息，因此一般通過檢測輸出電壓或輸出電流來判斷電路是否發(fā)生故障。與輸出電壓診斷法相比，輸出電流診斷法無需使用較多的傳感器，更具有優(yōu)勢。

使用MATLAB中的Simulink建立仿真模型，并對22種故障類型進(jìn)行仿真，獲得不同工況下輸出電流波形，部分故障仿真波形如圖2所示。

由圖2可知，與正常工況相比，故障工況下輸出電流的波形發(fā)生明顯畸變，而且在不同故障工況下由于故障位置的不同，引起輸出電流波形或缺相、或某相丟失大部分正半周或負(fù)半周的波形。由于不同故障對應(yīng)的輸出電流波形有明顯不同，因此，可以從輸出電流波形中提取相應(yīng)故障的故障特征。

2 基于小波變換的故障特征提取

小波分析實(shí)質(zhì)是對被檢測信號的多帶通濾波，不同工況下的逆變電路輸出電流波形的各頻帶成分是不同的，通過分析輸出電流頻率分量的變化可以確定故障是否發(fā)生及進(jìn)行故障定位。

本文選用db3小波基對逆變電路的輸出電流信號進(jìn)行 6層分解，提取一個(gè)低頻系數(shù)和6個(gè)高頻系數(shù)。由于小波分解后高頻能量值相對低頻能量比較小，無法表征故障特征，故本文只提取各相輸出電流的低頻能量值。實(shí)驗(yàn)中還發(fā)現(xiàn)，某些故障工況下，三相輸出電流的小波能量特征值僅略有不同，不宜區(qū)分，如T5開路和T6開路，T1T3開路和T2T4開路等。分析不同故障工況的仿真波形發(fā)現(xiàn)，不同故障下輸出電流波形在相位上有不同的體現(xiàn)，為此增設(shè)波形參數(shù)。假設(shè)波形參數(shù)為Qi(i=A,B,C)，以輸出電流波形的前半個(gè)周期中波峰值(p1)與后半個(gè)周期中波峰值(p2)比值大小來確定Q值，即：

圖2 部分故障仿真波形

由此，將三相低頻能量值與三相波形參數(shù)合并，構(gòu)成相應(yīng)故障的特征向量，如表2所示。

表2 開路故障的故障特征向量

基于小波變換提取的特征向量，與故障之間的對應(yīng)關(guān)系是一種復(fù)雜的非線性映射，需要選擇合適的分類器來實(shí)現(xiàn)故障診斷。

3 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，其核心是通過一邊向后傳遞誤差，一邊修正誤差的方法來不斷調(diào)節(jié)權(quán)值和閾值，以實(shí)現(xiàn)或逼近所希望的輸入輸出映射關(guān)系[6]。

3.1 神經(jīng)網(wǎng)絡(luò)的搭建

網(wǎng)絡(luò)的隱含層和輸出層采用的神經(jīng)元激活函數(shù)分別是正切S型傳遞函數(shù)(tansig)和對數(shù)S型傳遞函數(shù)(logsig)，訓(xùn)練函數(shù)采用Levenberg-Marquardt(LM) 規(guī)則訓(xùn)練的trainlm函數(shù)。

LM是一種改進(jìn)的BP算法，具有局部收斂性和全局性，可克服傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部極小值的缺陷[8]，其權(quán)值和閾值的調(diào)整率為:

(1)

式中J為誤差相對權(quán)值和閾值的雅可比矩陣，e(x)為誤差向量，μ是阻尼因子，I為單元矩陣。在LM算法中，每一次迭代就是尋找一個(gè)合適的μ。當(dāng)μ很大時(shí)，式(1)就接近梯度下降法。由于LM算法提供了快速收斂的正則化方法，它的收斂速度比梯度下降法快得多。

3.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的目的是使其能夠?qū)收咸卣鬟M(jìn)行識別分類，從而完成對逆變電路的故障診斷。本文設(shè)定總誤差為0.001，訓(xùn)練次數(shù)為2 000。由圖3可知，搭建的神經(jīng)網(wǎng)絡(luò)經(jīng)過61次訓(xùn)練達(dá)到了目標(biāo)誤差，且誤差僅為0.000 891。

圖3 網(wǎng)絡(luò)訓(xùn)練結(jié)果示意圖

為了測試所搭建神經(jīng)網(wǎng)絡(luò)的正確性，加入±10%電壓噪聲的非訓(xùn)練樣本數(shù)據(jù)到已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，部分測試樣本診斷結(jié)果如表3所示。經(jīng)統(tǒng)計(jì)，測試樣本的故障診斷正確率達(dá)到96%。

表3 部分測試樣本輸出結(jié)果

通過分析故障診斷試驗(yàn)結(jié)果可知，使用BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對故障類型的準(zhǔn)確定位。

4 結(jié)束語

本文提出了基于小波變換的故障特征提取和基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法，采用MATLAB實(shí)現(xiàn)電路仿真、故障特征向量提取和BP神經(jīng)網(wǎng)絡(luò)的搭建，并進(jìn)行故障診斷試驗(yàn)。結(jié)果表明，將輸出電流進(jìn)行小波分解，增補(bǔ)波形參數(shù)，可以很好地反映故障特征；基于BP神經(jīng)網(wǎng)絡(luò)的故障分類器，能實(shí)現(xiàn)PWM逆變電路1只或2只IGBT開路故障的精確定位。該方法無需建立復(fù)雜的模型，具有故障特征提取簡單、診斷正確率高、診斷速度快的特點(diǎn)。