基于小波包熵及雙重優(yōu)化神經(jīng)網(wǎng)絡(luò)的牽引逆變器開路故障診斷

趙苗苗，陳小強(qiáng),2，王英,2，賀彥強(qiáng)

(1.蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070；2.光電技術(shù)與智能控制教育部重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070)

伴隨我國(guó)軌道交通的逐漸發(fā)展，高速鐵路成為鐵路發(fā)展的重要趨勢(shì)[1]。高速動(dòng)車組(Electric Multiple Units，EMUs)作為高速鐵路不可或缺的執(zhí)行單元，其安全性和可靠性關(guān)系到整個(gè)高速鐵路的行車安全[2]。電力牽引傳動(dòng)系統(tǒng)為EMUs提供原動(dòng)力，所受負(fù)載突變、電磁干擾、自身老化等不確定因素影響較大，運(yùn)行環(huán)境復(fù)雜，使得牽引變流器的功率模塊器件(IGBT)極易發(fā)生故障[3]，據(jù)工業(yè)調(diào)查顯示，該部件故障率達(dá)60%以上[4]。因此，及時(shí)診斷和定位牽引變流器故障點(diǎn)是保障牽引傳動(dòng)系統(tǒng)安全可靠運(yùn)行的必要前提。IGBT的開路和短路故障是牽引變流器最主要的2種故障類型。對(duì)于IGBT短路故障，現(xiàn)有的IGBT模塊驅(qū)動(dòng)電路已經(jīng)集成了較完備的短路故障檢測(cè)和硬件保護(hù)裝置[5]。而IGBT的開路故障由于長(zhǎng)時(shí)間開路引起網(wǎng)側(cè)電流和直流側(cè)電壓波動(dòng)增大，導(dǎo)致牽引電機(jī)異常運(yùn)行[6]，引發(fā)其他關(guān)聯(lián)器件的二次故障。目前牽引變流器功率模塊器件IGBT的開路故障診斷技術(shù)主要有3種方法[7]：基于模型解析的診斷方法，通過建立系統(tǒng)動(dòng)態(tài)解析模型得到先驗(yàn)信號(hào)與系統(tǒng)實(shí)際測(cè)量信號(hào)比較構(gòu)建殘差信號(hào)，設(shè)定閾值并與殘差信號(hào)對(duì)比確定故障點(diǎn)。有混雜模型[8]、狀態(tài)觀測(cè)器[9]、滑模觀測(cè)器[10]、鍵合圖模型[11]、等價(jià)空間和濾波器[12]等?；谛盘?hào)處理的診斷方法通過分析系統(tǒng)所測(cè)信號(hào)的幅值、相位、諧波等信息提取故障特征，檢測(cè)故障位置[13]。故障特征提取方法主要有傅里葉分解、小波(包)變換[14]、經(jīng)驗(yàn)?zāi)B(tài)分解[15]和譜峭度[16]等?；谛盘?hào)處理方法診斷耗時(shí)久且易受系統(tǒng)噪聲和負(fù)載擾動(dòng)的影響；基于知識(shí)的故障診斷方法不需要建立準(zhǔn)確的數(shù)學(xué)模型，但大量的計(jì)算導(dǎo)致診斷速度依舊較慢，常見的方法有神經(jīng)網(wǎng)絡(luò)[17]、模糊算法以及小波神經(jīng)網(wǎng)絡(luò)[18]等。三電平牽引逆變器相比兩電平牽引逆變器降低了開關(guān)頻率，承受電壓高，但故障種類冗雜。因此，針對(duì)三電平牽引逆變器，提出一種小波包熵結(jié)合雙重優(yōu)化神經(jīng)網(wǎng)絡(luò)的牽引逆變器開路故障診斷方法。采用PSO算法和GA同時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行優(yōu)化，得到滿足條件的最優(yōu)權(quán)、閾值訓(xùn)練和預(yù)測(cè)網(wǎng)絡(luò)，提高了故障診斷的可靠性，結(jié)合小波包熵提取特征數(shù)據(jù)可以精確定位故障功率管。

1 牽引逆變器故障工作模式分析

1.1 三電平牽引逆變器拓?fù)浣Y(jié)構(gòu)

以CRH2型動(dòng)車組為例，其牽引傳動(dòng)系統(tǒng)框圖如圖1所示，該列車有2個(gè)動(dòng)力(供電)單元，牽引變流器包含脈沖整流器、中間直流回路和三電平牽引逆變器。該三電平牽引逆變器是電壓源型逆變器，在牽引工況下逆變得到三相交流電供給牽引電機(jī)，再生制動(dòng)工況下整流得到直流電，輸送到整流器反饋給牽引供電網(wǎng)，主電路如圖2所示。圖中，ud是直流側(cè)電壓，C1，C2為支撐電容，iN為逆變器輸出側(cè)三相相電流。

圖1 CRH2型動(dòng)車組牽引傳動(dòng)系統(tǒng)框圖Fig.1 Block diagram of traction drive system of CRH2 EMU

圖2 三電平牽引逆變器主電路原理Fig.2 Schematic of the main circuit of the three-level inverter

1.2 三電平牽引逆變器開路故障分析

實(shí)際運(yùn)行中牽引逆變單元發(fā)生故障情況多為1個(gè)或2個(gè)IGBT開路故障，3個(gè)及以上功率管故障的現(xiàn)象極少，但三電平逆變器有12個(gè)功率管，故對(duì)于多管故障的診斷也不容忽視。

以圖2三電平牽引逆變器主電路圖為例分析，對(duì)于開關(guān)管IGBT開路故障分類如下：

1)單獨(dú)1個(gè)開關(guān)管發(fā)生開路故障，共12種模式，例：Sa1和Sa2等。

2)單相橋臂上、下半橋各有1個(gè)開關(guān)管發(fā)生開路故障，共12種模式，例：Sa1和Sa3，Sa2和Sa3等；單相橋臂上半橋或下半橋2個(gè)開關(guān)管發(fā)生開路故障，共6種模式，例：Sa1和Sa2，Sa3和Sa4等；不同兩橋臂2個(gè)開關(guān)管開路故障，有48種模式，例：Sa2和Sb1，Sa1和Sc1等。

3)不同橋臂3個(gè)開關(guān)管故障，有64種模式，例：Sa1，Sb1和Sc1等；不同兩橋臂分別1個(gè)、2個(gè)開關(guān)管開路故障，共144種模式，例：Sa1，Sb1和Sb2等。

根據(jù)三電平牽引逆變器三相對(duì)稱，以A相單管開路故障為例，正常工作模式和故障模式下電流iN流向如圖3所示，通過圖3可以發(fā)現(xiàn)開關(guān)管IGBT發(fā)生故障會(huì)引起牽引逆變器運(yùn)行拓?fù)浣Y(jié)構(gòu)發(fā)生變化，從而導(dǎo)致牽引逆變器輸出側(cè)三相電流iN波形特征發(fā)生變化。圖4為三電平牽引逆變器A相上橋臂單管故障仿真波形，分析不同故障模式下iN波動(dòng)情況，得到故障情況下電流特征變化：?jiǎn)喂躍a1開路故障時(shí)A相電流正半軸幅值減小，Sa2開路故障時(shí)A相電流正半軸幅值為0；Sa3開路故障時(shí)A相電流負(fù)半軸幅值為0，Sa4開路故障時(shí)A相電流負(fù)半軸幅值減小。多管故障的電流幅值變化是單管故障下電流特征量的疊加，且電流幅值特征遇零為零。故本文選取三電平牽引逆變器輸出側(cè)三相相電流iN作為故障特征量。

圖3 正常和故障模式下逆變器電流i N流向?qū)Ρ菷ig.3 Comparison of inverter current i N flow in normal and fault modes

圖4 A相上橋臂單管故障仿真電流波形Fig.4 A-phase upper arm single tube fault simulation current waveform

2 故障特征提取

2.1 小波包信號(hào)分解

提取正常模式和故障模式下逆變器輸出側(cè)電流iN，根據(jù)實(shí)際需要，本文對(duì)三電平牽引逆變器輸出側(cè)電流信號(hào)進(jìn)行3層小波包分解，分解示意圖如圖5所示。圖5中，pij的位置是第j層上的第i個(gè)節(jié)點(diǎn)，記為節(jié)點(diǎn)(j,i)，其中p10是原始信號(hào)。

圖5 3層小波包分解示意圖Fig.5 Schematic diagram of 3-layer wavelet packet decomposition

小波包算法包括分解算法和重構(gòu)算法。小波包分解算法遞推公式為：

其中：f(t)是原始時(shí)間信號(hào)；G，H為小波分解濾波器；t為離散時(shí)間序列，t=1,2,…,N；j=1,2,…,J；i=1,2,…,2j；J=log2N。小波包重構(gòu)算法遞推公式為：

其 中：j=J-1,J-2,…,1,0；J=log2N；i=2j,2j-1,…,2,1；h,g為小波重構(gòu)濾波器，在1 s時(shí)觸發(fā)Sa2開路故障，以小波分解第3層第1個(gè)節(jié)點(diǎn)為例，一個(gè)周期采樣400個(gè)點(diǎn)，設(shè)置3個(gè)周期后觸發(fā)故障，故障相電流變化及分解系數(shù)如圖6所示。通過圖6可知故障電流比正常電流具有更多的頻率分量。

圖6 A相電流波形和小波包分解系數(shù)Fig.6 A phase current waveform and wavelet packagedecomposition coefficient

2.2 能量熵信號(hào)提取

對(duì)信號(hào)f(t)進(jìn)行3層小波包分解，所得8個(gè)頻率段進(jìn)行重構(gòu)，重構(gòu)后的序列表示為Sj(i)。引入滑動(dòng)時(shí)間窗為Cn(Pn(δ),ω,δ)，其中Pn(δ)=1+nδ為時(shí)間窗的初始位置，n為初始信號(hào)步數(shù)，ω=1,2,…,N為窗寬因子，δ=1,2,…,N為滑動(dòng)步長(zhǎng)。因此尺度j下信號(hào)對(duì)應(yīng)時(shí)間窗Cn內(nèi)第i點(diǎn)的能量可以表示為：

在尺度j下對(duì)應(yīng)時(shí)間窗Cn內(nèi)總能量表示為：

時(shí)間窗內(nèi)的相對(duì)小波包能量為：

與此對(duì)應(yīng)的小波包熵為：

以Sa2故障為例，在1 s時(shí)觸發(fā)故障，故障前后熵值對(duì)比如圖7所示?？梢钥闯觯收夏Ｊ较氯嚯娏鞯撵刂颠h(yuǎn)大于正常模式下的熵值，故障特征更明顯。三電平逆變器發(fā)生故障后，其故障電流通過小波包分解，故障信息存儲(chǔ)在子頻帶中，對(duì)小波包3層分解所得14個(gè)節(jié)點(diǎn)根據(jù)式(6)進(jìn)行熵值計(jì)算，獲得14維故障特征向量作為故障診斷檢測(cè)數(shù)據(jù)。

圖7 Sa2故障前后小波包熵變化Fig.7 Wavelet entropy changes of Sa2 before and after fault

3 雙重優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)對(duì)故障診斷擬合能力較高，但網(wǎng)絡(luò)預(yù)測(cè)結(jié)果中某些樣本點(diǎn)的預(yù)測(cè)誤差較大。且在逼近任意非線性映射關(guān)系的過程中，容易陷入某些局部最小值，這種情況下，系統(tǒng)的誤差不會(huì)減小，診斷時(shí)間則更長(zhǎng)。因此提出PSO結(jié)合GA優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值ωij，ωjk和閾值xi,aj,bk的更新。使2種算法優(yōu)劣互補(bǔ)，PSO-GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法流程框圖如圖8所示。

圖8 PSO-GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法流程圖Fig.8 PSO-GA optimized BPneural network algorithm process block diagram

4 實(shí)驗(yàn)驗(yàn)證

搭建三電平牽引逆變器的仿真模型，選取直流側(cè)電壓ud為2 600 V，支撐電容為2.125 mF，驗(yàn)證所使用BP神經(jīng)網(wǎng)絡(luò)的正確性[17]。選取三電平逆變器典型的11種故障模式輸出側(cè)電流信號(hào)經(jīng)過3層小波包分解所得節(jié)點(diǎn)的小波包熵值作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，樣本總數(shù)為11×14=154組故障數(shù)據(jù)。根據(jù)樣本數(shù)據(jù)確定BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)q=14，輸出層節(jié)點(diǎn)m=11，隱含層節(jié)點(diǎn)l根據(jù)式(7)確定大致范圍，式(7)中，a為0～15之間的常數(shù)。分類誤差同隱含層節(jié)點(diǎn)數(shù)關(guān)系見圖9，選取隱含層節(jié)點(diǎn)數(shù)l=28。

圖9 預(yù)測(cè)誤差和隱含層節(jié)點(diǎn)數(shù)關(guān)系Fig.9 Predicting error and hidden layer node relationship

BP神經(jīng)網(wǎng)絡(luò)是14×28×11的結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)均采用Sigmoid函數(shù)，訓(xùn)練方法采用反向傳播的LM算法，減少算法運(yùn)行計(jì)算量。實(shí)驗(yàn)過程中，將154組數(shù)據(jù)樣本分為2部分，選取98組采樣數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，剩余數(shù)據(jù)為測(cè)試數(shù)據(jù)。PSO-GA優(yōu)化算法種群粒子數(shù)c為154，每個(gè)粒子的維數(shù)d為2，迭代進(jìn)化次數(shù)為200次，經(jīng)過多次試驗(yàn)，選取PSO-GA優(yōu)化算法的適應(yīng)度閾值為0.1，BP神經(jīng)網(wǎng)絡(luò)誤差閾值為0.01。

在相同的樣本數(shù)據(jù)情況下，本文所提出PSOGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方法與BP神經(jīng)網(wǎng)絡(luò)、GA優(yōu)化BP，PSO優(yōu)化BP算法迭代200次的誤差損失率和故障識(shí)別誤差對(duì)比分別如圖10和圖11所示。由圖10和圖11可知，PSO-GA-BP算法對(duì)于三電平牽引逆變器故障診斷，誤差率隨迭代次數(shù)下降速度明顯比其他3種快，相同情況下，誤差最小，故障診斷精確度最高。

圖10 4種方法的迭代損失率對(duì)比Fig.10 Comparison of the iterative loss rate of the four methods

圖11 故障識(shí)別誤差對(duì)比Fig.11 Comparison of fault recognition errors

5 實(shí)用性分析

5.1 抗干擾性

實(shí)際鐵路運(yùn)行中噪聲不可避免，為研究該診斷方法對(duì)鐵路沿線噪聲的抗干擾性，以Sa2故障為例，對(duì)故障相網(wǎng)側(cè)電流iN加入信噪比(SNR)為5 dB的高斯白噪聲，噪聲對(duì)故障模式下小波包熵的影響如圖12所示。

圖12 噪聲對(duì)小波包熵影響對(duì)比Fig.12 Comparison of the influence of noise on wavelet packet entropy

圖12表明，噪聲會(huì)對(duì)三電平逆變器故障成分的提取造成干擾，為驗(yàn)證噪聲對(duì)本文所提出檢測(cè)方法的影響，引入相似度函數(shù)表征噪聲對(duì)小波包熵的影響程度，定義如下：

其中：σ為信噪比大??；W(j,i)Cn為原始故障信號(hào)的熵值，W′(j,i)Cn為故障信號(hào)加噪后的熵值，相似度值ε∈[0,1]，相似度值越大，噪聲對(duì)信號(hào)的影響程度越小。對(duì)故障信號(hào)加入0～30 dB的高斯白噪聲，繪制相似度函數(shù)曲線，如圖13所示。根據(jù)信噪比在0～30 dB范圍內(nèi)的相似度值可知，所使用的小波包熵具有一定抗噪能力，只有當(dāng)噪聲值極大時(shí)才會(huì)影響故障信號(hào)熵值的分布。

圖13 相似度函數(shù)曲線Fig.13 Similarity function curve

根據(jù)我國(guó)鐵路環(huán)境噪聲邊界限值[19]可知，鐵路沿線邊界噪聲限值在晝間和夜間均為70 dB，因此本文提出的診斷方法在實(shí)際運(yùn)行中能滿足抗噪性需求，不需要額外對(duì)信號(hào)進(jìn)行降噪處理。

5.2 實(shí)時(shí)性

本實(shí)驗(yàn)使用CPU型號(hào)為Inter(R)Core(TM)i5-8250U，主頻1.80 GHz，內(nèi)存8 GB，GPU為Rade‐on(TM)540的計(jì)算機(jī)中的Matlab 2018軟件平臺(tái)進(jìn)行仿真。表1是本文提出診斷方法與已有文獻(xiàn)診斷方法時(shí)間性能比較，測(cè)試進(jìn)行多次重復(fù)驗(yàn)證，取其平均值作為最終標(biāo)準(zhǔn)。可以看出，PSO-GA-BP診斷算法在迭代次數(shù)、診斷準(zhǔn)確率方面均優(yōu)于其他3種算法，由于算法的復(fù)雜度提高，診斷時(shí)間沒有顯著減少，但該時(shí)長(zhǎng)在器件保護(hù)動(dòng)作時(shí)間范圍之內(nèi)，實(shí)時(shí)性高。

表1 時(shí)間性能比較Table 1 Time performance comparison

6 結(jié)論

1)對(duì)三電平牽引逆變器IGBT開路故障提出了一種基于小波包熵結(jié)合雙重優(yōu)化神經(jīng)網(wǎng)絡(luò)的診斷方法。選取三電平逆變器輸出側(cè)三相電流為特征信號(hào)，通過小波包熵提取故障特征量并進(jìn)行編碼。

2)采用PSO-GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明，該方法能實(shí)現(xiàn)單管開路故障以及多管開路故障的精確定位。

3)算法結(jié)合了PSO算法和GA，準(zhǔn)確率達(dá)到99.10%，性能優(yōu)于BP，GA-BP，PSO-BP等神經(jīng)網(wǎng)絡(luò)，避免了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)陷入局部最小值的缺陷，可靠性較高，適用于在線故障診斷。