基于PCA-BLS的三相整流裝置故障診斷

張世奇，王榮杰,2，司玉鵬，王禮寶，曾超俊

(1．集美大學輪機工程學院，福建 廈門 361021；2.福建省船舶與海洋工程重點實驗室，福建 廈門 361021)

0 引言

整流裝置作為電力電子器件的主要裝置，其運行狀態(tài)對設(shè)備安全穩(wěn)定的運行有著重要作用。一旦整流裝置發(fā)生故障，輕則造成電子元器件的損壞及相關(guān)設(shè)備的癱瘓，重則造成人命安全問題或重大財產(chǎn)損失[1-2]，因此，對整流裝置進行有效的故障診斷具有重要的意義。目前，針對故障信號的特征提取方法主要有小波變換[3]、奇異值分解(singular value decomposition，SVD)[4]、經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition，EMD)[5]、快速傅里葉變換(fast fourier transform，F(xiàn)FT)[6-7]、K-SVD[8]等，以及在這些方法的基礎(chǔ)上做出改進的變體形式，如：卷積神經(jīng)網(wǎng)絡(luò)[9]、RBF神經(jīng)網(wǎng)絡(luò)[10]、BP神經(jīng)網(wǎng)絡(luò)[11]、隨機森林[12]、支持向量機[13-15]等診斷方法，雖然這些方法被成功地應(yīng)用于不同的故障診斷領(lǐng)域，但實現(xiàn)起來較為復(fù)雜。為此本文提出了一種基于主元分析(principal component analysis，PCA)和寬度學習系統(tǒng)(broad learning system，BLS)相結(jié)合的三相整流裝置故障診斷方法，并以MATLAB仿真實驗驗證了該方法的有效性。

1 PCA原理

根據(jù)PCA原理[16]，基于PCA的整流裝置故障信號特征提取算法如下。

1)計算樣本均值，假設(shè)n類故障訓練樣本X=[x1,x2,…，xn],則X的均值為

(1)

2)計算樣本的協(xié)方差矩陣為

(2)

3)計算樣本協(xié)方差矩陣的特征值λ和特征向量A為

CX·A=λ·A。

(3)

式中:特征值λ有n個，每個λi對應(yīng)一個特征向量Ai。

4)計算累計方差貢獻率，并根據(jù)累計方差貢獻率的大小確定所要降維的主元，有

(4)

式中:p為前q行主元數(shù)的累計方差貢獻率，且p≥0.9，對于所得到的降維矩陣，合理選擇p的值,確定降維后的q行主元數(shù)(q≤n)，依照特征值大小將特征向量重新排序，取前q行形成降維之后的特征矩陣Aq。

5)用得到的Aq實現(xiàn)原始數(shù)據(jù)的降維，有

Y=Aq·X。

(5)

2 BLS網(wǎng)絡(luò)模型

BLS是基于隨機向量函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)和單層前饋神經(jīng)網(wǎng)絡(luò)提出的一種單層增量式神經(jīng)網(wǎng)絡(luò)[17-19]，相較于傳統(tǒng)的深層網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)在保證一定精度的同時，具有快速、簡潔、支持增量式的在線模型更新等性質(zhì)。BLS的網(wǎng)絡(luò)結(jié)構(gòu)見圖1。

BLS實現(xiàn)步驟如下。

1)設(shè)樣本輸入數(shù)據(jù)X為m×n的矩陣，m為樣本維數(shù)，n為樣本個數(shù)。將輸入數(shù)據(jù)集X通過線性映射和激活函數(shù)Φi輸入到BLS網(wǎng)絡(luò)的特征映射層，則有

Zi=Φi(XWei+βei),i=1,…,n。

(6)

式中:Zi表示第i個特征節(jié)點；Wei,βei分別為連接于特征映射層隨機生成的權(quán)重和偏置。

2)由映射節(jié)點經(jīng)過線性映射和激活函數(shù)變換得到增強節(jié)點，則有

Hj=ξj(ZnWhj+βhj),j=1,…,m。

(7)

式中:Hj表示第j個增強節(jié)點;Whj,βhj分別為連接于增強層隨機生成的權(quán)重和偏置。

Y=[Zn|Hm]Wm。

(8)

4)通過偽逆的運算得到輸出層的權(quán)重，BLS網(wǎng)絡(luò)構(gòu)建完成，即有

Wm=[Zn|Hm]+Y。

(9)

3 基于PCA-BLS的故障診斷方法

電子元器件是電力電子電路的核心部件，具有十分重要的地位。目前，電力電子電路發(fā)生的故障主要為整流元器件斷開或直通故障，其特征表現(xiàn)為負載的輸出波形的突變，在不同故障狀態(tài)下所對應(yīng)的波形極其相似，特征向量的相關(guān)性高，信息量繁雜，故障類型的辨別難度大。所以，為了減少特征向量的相關(guān)性，提出了基于PCA-BLS的診斷方法，將PCA和BLS相結(jié)合，應(yīng)用于電力電子電路的故障診斷，

首先，對故障信號進行采樣，每類故障提取的特征向量構(gòu)成故障數(shù)據(jù)的特征矩陣，然后采用PCA對特征矩陣進行處理，PCA特征提取方法僅通過方差確定信息，且各主成分之間相互正交，消除了特征矩陣出現(xiàn)的低秩、或者原始數(shù)據(jù)成分間相關(guān)的情況，降低了數(shù)據(jù)的相關(guān)性，且PCA計算簡單，易于實現(xiàn)，通過線性投影將高維的數(shù)據(jù)映射到低維的空間中，保留了原數(shù)據(jù)絕大多數(shù)基本特性，使投影維度上數(shù)據(jù)的信息量盡可能大而數(shù)據(jù)維度減少，再將PCA降維數(shù)據(jù)作為BLS網(wǎng)絡(luò)的輸入層，通過淺層拓寬網(wǎng)絡(luò)的構(gòu)建,以及特征節(jié)點與增強節(jié)點的映射再次對特征矩陣進行特征提取，同時所有的節(jié)點與輸出層相連，通過偽逆的運算得到相應(yīng)輸出層的權(quán)值，最后建立故障預(yù)測信息與故障元器件的對應(yīng)關(guān)系，對診斷模型進行學習訓練?；赑CA-BLS的故障診斷方法通過淺層網(wǎng)絡(luò)的對應(yīng)關(guān)系，高效、快速地進行故障識別，大大的縮短了運算的時間，該方法不僅在診斷精確度上有一定的保證，而且大大減少了數(shù)據(jù)的復(fù)雜度和相關(guān)度。

應(yīng)用PCA-BLS方法的三相整流電路故障診斷流程如圖2所示，具體操作步驟如下。

1)選擇合適的故障信號進行特征提取，并作為輸入數(shù)據(jù)的特征矩陣;

2)合理選擇累計方差貢獻率，確定主元數(shù)，對原始輸入數(shù)據(jù)進行降維，將該數(shù)據(jù)作為BLS的輸入層；

3)為故障診斷模型選擇初始參數(shù)，構(gòu)建故障源編碼，使之與BLS網(wǎng)絡(luò)輸出值一一對應(yīng)，并根據(jù)輸入與輸出的數(shù)據(jù)確定BLS網(wǎng)絡(luò)的結(jié)構(gòu)和規(guī)模；

4)將步驟2)中得到的BLS輸入層經(jīng)線性映射和激活函數(shù)構(gòu)造出特征層的特征節(jié)點，并由特征層的特征節(jié)點對應(yīng)地生成增強層的增強節(jié)點，所有節(jié)點均輸出至輸出層；

正所謂成才先成人，培養(yǎng)人才的首要前提是將其培養(yǎng)成合格的社會人，思政工作作為高校思想政治教育的主體，在高校管理和辦學中顯得尤為重要。隨著素質(zhì)教育的推進，高校思政工作也應(yīng)當改革，把人本理念納入到工作中，以學生的需求為工作的起點，發(fā)揮創(chuàng)新精神，開創(chuàng)新的工作方式，以服務(wù)學生為根本。只有這樣才能為社會培養(yǎng)出思想政治素質(zhì)過硬、專業(yè)知識扎實、道德高尚的新型綜合性人才。

5)通過偽逆的運算生成BLS網(wǎng)絡(luò)的輸出權(quán)值，完成基于PCA-BLS故障診斷模型的構(gòu)建，實現(xiàn)故障診斷。

4 仿真實驗分析

4.1 仿真模型

本實驗對三相橋式全控整流電路進行具體地研究及分析，其基本的電路圖如圖3所示。在MATLAB Simulink上構(gòu)造的仿真圖如圖4。

圖3中,當三相電源向該電路提供交流電壓時，根據(jù)三相電流的特性和橋式電路特性，晶閘管導(dǎo)通順序依次為VT1→VT2→VT3→VT4→VT5→VT6，且不管晶閘管如何導(dǎo)通，負載均處于在線電壓的正半周期的運行線路中。

4.2 三相整流裝置故障分析

在本仿真實驗中，所有的元件都為理想的器件，只有在晶閘管的陽極A和陰極K間有正向電壓提供的電流通過，并且在門極有觸發(fā)脈沖時才能使其導(dǎo)通，除去該條件外，晶閘管不會導(dǎo)通。在三相整流電路的實際運行中，晶閘管的斷路和短路所引發(fā)的故障最為常見，當電路中有一個晶閘管短路時，會產(chǎn)生過電壓，從而導(dǎo)致另一個晶閘管也被擊穿而短路，并產(chǎn)生連鎖反應(yīng)，進而使整個電路短路。一般在工程上，均配備硬件短路保護電路進行保護[10]，在發(fā)生短路情況下快速切斷故障單元，等效為開路故障處理，因此本文僅對晶閘管的斷路故障進行研究，且后文所提到的故障均為斷路故障。

對于故障特征的提取，本實驗采用提取負載電壓Ud的波形。由于在不同種類的故障對應(yīng)下Ud信號波形不一樣，且電路運行時，不管晶閘管是否導(dǎo)通，負載均處于在線電壓的正半周期的運行線路中，將其作為特征向量，任何一個晶閘管發(fā)生故障時，都能立即清晰明了地顯示出故障的特征。Ud的波形測量簡單、提取方便，應(yīng)用于實際操作中也較易實現(xiàn)，可以簡便的分析出各類故障并進行診斷，因而，本實驗將Ud的信號波形作為特征提取的對象。

在MATLAB Simulink的仿真模型中，對各種故障情形進行仿真，應(yīng)用示波器在輸出負載端提取信號波形，取其中一個周期，提取不同故障狀態(tài)所對應(yīng)的仿真實驗的Ud波形數(shù)據(jù)，對每種故障狀態(tài)提取合適個數(shù)的故障樣本(合適個數(shù)的樣本數(shù)即要求這些故障樣本點連起來的曲線與原波形形狀相似)，組成該類故障的特征向量，使該特征向量保留原故障類型的全部特征。

對于晶閘管觸發(fā)角的選擇，實驗僅選取60°觸發(fā)角的情形。一般而言，同時發(fā)生故障的晶閘管數(shù)在兩只以內(nèi)，3只及3只以上晶閘管同時出現(xiàn)故障的概率極小，不在本文研究范圍。

將故障的種類分為以下5大類共22種小類別：

1)第1類,將無故障狀態(tài)單獨作為一類，以便區(qū)分故障狀態(tài)與正常工作狀態(tài);

2)第2類,VT1～VT6其中一個發(fā)生故障；

3)第3類,不同組同相的兩管同時故障，如VT1，4，VT3，6，VT5，2;

4)第4類,同組不同相的兩晶閘管同時故障，如VT1，3，VT1，5，VT3，5，VT2，4，VT2，6，VT4，6;

5)第5類,不同組不同相兩晶閘管同時故障，如VT1，2，VT2，3，VT3，4，VT4，5，VT5，6，VT1，6。

從電路開始運行，再到運行完一個周期，用示波器采集相應(yīng)的輸出電壓波形，則上述5大類別故障的電壓輸出波形圖如圖5～圖9所示。

從所有故障類型的整流電路輸出電壓波形可以看出，雖然VT1、VT2、VT3、VT4各自發(fā)生故障，以及4個晶閘管兩兩組合發(fā)生故障時，其電壓輸出波形均呈一定的規(guī)律性，可從缺失波段對應(yīng)的時間間隔來進行判別，但識別起來需要將每個波形進行一一對應(yīng)，計算量和工作量較大，不利于故障快速準確的識別，而且VT5、VT6發(fā)生故障時，在一個周期內(nèi)的故障特征毫無規(guī)律性可言，無法從時間間隔中找到根據(jù)。綜合所有的故障波形圖，僅僅通過采集波形缺失的時間間隔來判斷故障類型無法實現(xiàn)所有故障類別的識別。

4.3 實驗分析

為了保證采樣點能夠完整的表現(xiàn)出故障特征，一方面取樣的數(shù)據(jù)點要達到一定的數(shù)量才能提取故障的相應(yīng)特征，另一方面為了避免提取特征的冗余，要減少取樣的數(shù)據(jù)。通過大量實驗確定在每種故障對應(yīng)的整流電路輸出電壓波形中提取20個數(shù)據(jù)點最為合適。

通過仿真模型得到22種故障的輸出信號波形，在每種故障下的Ud波形圖中等時間間隔提取20個Ud的值，作為故障診斷的特征向量。對每種故障類型進行仿真實驗，每一種故障得到8組樣本數(shù)據(jù)，共得到176組樣本數(shù)據(jù)。在進行分類實驗時，選取每種故障類型中的4組樣本數(shù)據(jù)為訓練樣本，其余4組樣本數(shù)據(jù)為測試樣本。然后將所有的樣本數(shù)據(jù)整合起來作為原始特征矩陣，并將該矩陣經(jīng)PCA降維，主貢獻率取95%，使原始數(shù)據(jù)的維數(shù)由20維變?yōu)?維，得到的降維特征矩陣作為BLS網(wǎng)絡(luò)的輸入層，再將每種故障類型進行編碼，組成BLS網(wǎng)絡(luò)的輸出層，使樣本數(shù)據(jù)與輸出層編碼一一對應(yīng)。最后選擇合適網(wǎng)絡(luò)結(jié)構(gòu)并初始化相關(guān)參數(shù)，對輸入層數(shù)據(jù)進行訓練和測試，得到PCA-BLS的故障診斷模型的精確度。

為了驗證本文所提方法的抗噪性能，在原始數(shù)據(jù)的測試樣本中分別加入SNR(signal noise ratio)為20,15,10,5,0 dB的加性高斯白噪聲來模擬工業(yè)環(huán)境下的噪聲污染，共得到440組噪聲測試樣本。Psignal、Pnoise分別為信號與噪聲的能量，信號中的噪聲污染越嚴重，SNR的值越小，SNR的表達式為

SNR=10·lg(Psignal/Pnoise)。

(10)

對于PCA特征提取的有效性，實驗選擇了基于PCA和BLS的PCA-BLS方法、基于小波變換和BLS的WT-BLS方法、基于SVD和BLS的SVD-BLS方法作為對比，來驗證基于BLS的不同特征提取方法在不同噪聲環(huán)境下的診斷性能。通過不同的特征提取方式使原始數(shù)據(jù)的維度降為5，將其作為BLS網(wǎng)絡(luò)的輸入層，再通過BLS模型對輸入層數(shù)據(jù)進行分類，其中BLS網(wǎng)絡(luò)結(jié)構(gòu)保持不變。同時每種方法進行10次實驗，所得到測試樣本的精確度取均值，所得診斷率見表1。

表1 基于BLS的不同特征提取方法在不同噪聲環(huán)境下的診斷率

由于小波變換常用于大數(shù)據(jù)的壓縮，常會忽略數(shù)據(jù)中不重要的部分(高頻分量)，從而導(dǎo)致數(shù)據(jù)特征部分的缺失，對于小數(shù)據(jù)樣本的處理效果不是很好。而SVD通過原始數(shù)據(jù)直接構(gòu)建方陣，舍棄較小的奇異值，從而達到數(shù)據(jù)降維的目的。PCA則是利用去中心化的原始數(shù)據(jù)進行分解，通過計算原始數(shù)據(jù)的協(xié)方差矩陣的特征值及特征向量，選擇合適累計方差貢獻率來確定主元數(shù)，然后對原始數(shù)據(jù)變換降維，在較大程度上保留了原始數(shù)據(jù)的特征，且經(jīng)PCA 處理的數(shù)據(jù)較契合BLS網(wǎng)絡(luò)，兩者結(jié)合可更好地降低數(shù)據(jù)間的相關(guān)性，可以更加準確、高效地診斷出故障。由表1可知，雖然其他兩種方法都能對數(shù)據(jù)降維，但PCA-BLS方法精確度最高，這表明基于PCA的特征提取方法能較好地去除數(shù)據(jù)相關(guān)性，較大程度上保留原始數(shù)據(jù)特性。在抗噪性能上，隨著SNR值得增加，3類診斷方法的診斷率都有所提升，但PCA-BLS方法的抗噪性能最好，即使在SNR=0 dB的噪聲影響下仍得到了98%以上的診斷率。實驗結(jié)果表明，基于PCA的特征提取方法具有良好的數(shù)據(jù)處理效果，PCA-BLS方法在不同噪聲環(huán)境下具有最佳的診斷精度。

對于BLS的故障分類方法，實驗選取了基于PCA和BP神經(jīng)網(wǎng)絡(luò)的PCA-BPNN分類方法、基于PCA和SVM的PCA-SVM分類方法、基于PCA和BLS的PCA-BLS分類方法，在不同噪聲環(huán)境下對這3種方法的診斷性能進行對比。其中：PCA-BPNN中BP神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點數(shù)設(shè)置為10，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置與BLS模型一致；PCA-BLS網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為5-10-5；PCA-SVM采用二分類模型。構(gòu)建22個故障診斷模型，然后按流程逐一對故障樣本進行診斷，對比實驗結(jié)果為10次重復(fù)實驗所得測試精確度的均值，所得診斷率見表2。

表2 基于PCA的不同分類模型在不同噪聲環(huán)境下的診斷率

雖然BP神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛，在訓練樣本較多的情況下可以實現(xiàn)故障分類，但對于小樣本的分類不利，且存在精確度不高，訓練時間長等缺點。而對于SVM分類方法，需要構(gòu)建22個診斷模型，然后一一組建起來，對故障逐一進行判斷，進行流程式的診斷，且參數(shù)的選擇具有一定的難度，得到診斷結(jié)果的時間具有不確定性，操作起來較為麻煩。BLS模型通過增量學習高效重建擴展網(wǎng)絡(luò)，避免了大規(guī)模耗時的網(wǎng)絡(luò)訓練，在保證訓練速度的情況下，在淺層的模型下可以精準快速地對故障進行診斷。由表2中數(shù)據(jù)可知，基于BLS的故障診斷模型的測試精度在噪聲環(huán)境和無噪聲環(huán)境的情況下均優(yōu)于其他方法，PCA-BLS方法診斷精度最高。

總之，采用PCA的特征提取方法可有效地去除數(shù)據(jù)的冗余，保持數(shù)據(jù)的有效性，并且有一定的降噪作用；采用BLS的分類算法擁有較好的識別性能，兩者相結(jié)合可實現(xiàn)故障快速準確的定位。

5 結(jié)語

本文提出了一種基于PCA-BLS的故障診斷方法，結(jié)合了兩者優(yōu)點，首先采集不同故障類型數(shù)據(jù)，并整合為矩陣，用PCA對原始數(shù)據(jù)矩陣降維，將PCA的輸出矩陣作為BLS網(wǎng)絡(luò)的輸入，通過建立特征節(jié)點和增強節(jié)點的淺層模型對特征矩陣進行分類，識別定位故障。通過三相橋式全控整流電路故障仿真實驗研究表明，PCA可以在盡量保證信息不損失的情況下消除特征向量的相關(guān)性，并可根據(jù)具體求解的問題靈活選取特征提取的維數(shù)，簡化了BLS網(wǎng)絡(luò)結(jié)構(gòu)，減少了訓練時間，BLS分類模型能快速、穩(wěn)定、準確、高效地診斷出故障。通過不同噪聲環(huán)境下的多種診斷方法的對比，基于PCA-BLS的故障診斷方法具有一定優(yōu)勢，且該方法可推廣至其他電力電子電路的故障診斷中。