基于組合神經(jīng)網(wǎng)絡(luò)的級聯(lián)式變頻器故障仿真分析

趙旭ZHAO Xu

（鶴壁職業(yè)技術(shù)學(xué)院，鶴壁458030）

0 引言

變頻器（Variable-frequency Drive，VFD）技術(shù)自20 世紀(jì)60 年代在高新技術(shù)工業(yè)領(lǐng)域批量化應(yīng)用以來，經(jīng)過近六十多年的發(fā)展VFD 的各類新技術(shù)在工業(yè)民用領(lǐng)域的應(yīng)用逐漸成熟、日新月異，特別是長期困擾技術(shù)人員的高壓大功率變頻調(diào)速技術(shù)方面，由于伴隨著新工藝、新材料、新發(fā)現(xiàn)、新經(jīng)驗的不斷發(fā)展與成熟，相關(guān)問題已經(jīng)得到了進一步解決，從而極大的擴展了VFD 的應(yīng)用場景，進而使得人們能夠高效、合理、節(jié)能使用各類能源成為了現(xiàn)實[1]。

在當(dāng)今社會，高壓變頻技術(shù)已廣泛應(yīng)用在變頻節(jié)能（風(fēng)機、水泵）、自動化系統(tǒng)（化纖行業(yè)、玻璃工業(yè)、配料行業(yè)）、提升工藝、產(chǎn)品質(zhì)量方面（起重和機床等各種機械設(shè)備）等領(lǐng)域[2-3]。本文研究的級聯(lián)式變頻器，為級聯(lián)型多電平高壓變頻器簡稱，是一種特殊形式的高壓變頻器。與傳統(tǒng)的普通變頻器相比，它最大的問題在于主電路功率器件增多，容易造成電路運行過程中過熱，由此產(chǎn)生的故障問題較為突出[4]，特別是因電路中的功率管發(fā)生直通、開路問題而引起的故障率較高[5]。大多數(shù)故障可以通吃系統(tǒng)自檢進行排除，但功率器件開路故障因其對變頻器輸出電壓、電流影響小而不易被發(fā)現(xiàn)，會對生產(chǎn)安全、設(shè)備穩(wěn)定性帶來不小的隱患。由于此類問題廣泛存在于功率半導(dǎo)體器件，如何消除此類問題帶來的隱患，將是我們進行研究必須要重視及考慮的問題，因此，研究級聯(lián)式變頻器故障診斷問題，對于變頻器穩(wěn)定長期、穩(wěn)定可靠運行具有現(xiàn)實意義，迄今為止仍是各學(xué)者重要的研究方向。本文提出了一種了基于組合神經(jīng)網(wǎng)絡(luò)的級聯(lián)式變頻器故障分析系統(tǒng)，以滿足生產(chǎn)應(yīng)用的需求，達到了預(yù)期的設(shè)定目標(biāo)要求。

1 故障診斷基本流程

本文設(shè)計的經(jīng)過優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷的基本思路是：

①根據(jù)實際情況，建立級聯(lián)式變頻器仿真模型，采集所需數(shù)據(jù)并實時進行存儲。

②特征提?。簩Σ杉瘮?shù)據(jù)進行數(shù)據(jù)分析，利用模型及小波包測算出信號的歪度值并提取其障特征值，并利用歪度值、故障特征構(gòu)造特征向量，將其作為我們優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷的輸入樣本。

③利用模型對輸入樣本進行訓(xùn)練，根據(jù)訓(xùn)練結(jié)果利用遺傳算法優(yōu)化網(wǎng)絡(luò)的權(quán)值、閾值，通過多種途徑獲取最優(yōu)的網(wǎng)絡(luò)權(quán)值和閾值，直到訓(xùn)練誤差達到預(yù)期設(shè)定精度目標(biāo)。

④利用優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)對訓(xùn)練好的樣本進行估值診斷，分析網(wǎng)絡(luò)輸出值并判斷屬于哪種估值類型。

優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷的基本流程如圖1所示。

圖1 優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷流程圖

2 特征量的提取

特征量的提取在優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷過程中非常重要，它與故障診斷結(jié)果的準(zhǔn)確度與精確度密切相關(guān)。通常有兩類方法用以解決這個問題：一方面，采用傅里葉變換為基礎(chǔ)的信號處理方法，優(yōu)點是可以進行時頻分析，缺點是處理對象局限性較大，尤其是處理含有分布不均的高頻諧波的故障信號時較為困難；一方面，采用小波包分析，它是一種新的時頻分析方法，其基本思想是利用二進小波分解的多分辨進行信號分析，進而在不同頻域（低頻和高頻）內(nèi)進行處理分解，它最大的特點是能將信號進行時域和頻域局部化，尤其是能迅速捕捉非平穩(wěn)魚突變信號進行精確特征提取，能夠較為精確的反映信號的時頻特征。本文采用小波包分析的方法對級聯(lián)式變頻器進行估值特征提取。

由于dbN 小波具有緊支撐的特性，即伴隨著N 的變大其支撐長度也會不斷變大，進而消失矩陣也會隨之變大，其正則性、幅頻特性則會更好，故在特征提取中經(jīng)常采用dbN 小波。在故障特征提取過程，小波分解的分解層數(shù)是我們必須要考慮個一個因素。當(dāng)分解層數(shù)較大時，信號分解較為精細，會導(dǎo)致某些故障分解過于精細而被分到本不應(yīng)該分到的頻域內(nèi)；當(dāng)分解層數(shù)較小時，由于分解不精細，會出現(xiàn)各種頻域（低頻至高頻）混雜，很難提取到精確故障特征信息。結(jié)合實踐，本文對故障信號進行4 層小波分解來提取故障特征。具體方法如下：

①將存儲的信號進行j 層小波包分解，提取第j 層的特征量（含低頻至高頻各種頻率）。

②利用小波包分解圖及提取信號的特征，求解信號最優(yōu)小波包分解樹，其結(jié)構(gòu)如圖2 所示。圖中，Si，j表示的第j層的第i 個節(jié)點，其中，i=0，1，2，3，j=0，1，2，…，16。

圖2 最優(yōu)小波包分解樹結(jié)構(gòu)

③分析信號輸出電壓（或電流），獲取特征頻帶的總能量。設(shè)節(jié)點S4，j（j=0，1，…16）所對應(yīng)的頻帶能量為E4，j（j=0，1，…16），則有

其中：dj，k（j=0，1，…16，k=1，2，…n）表示S4，j的小波系數(shù)。

④特征向量構(gòu)造。當(dāng)級聯(lián)式變頻器發(fā)生性能故障時，會影響信號不同頻帶內(nèi)的能量，因此我們需要以頻帶能量為元素構(gòu)建特征向量。

特征向量T 構(gòu)造為：

當(dāng)頻帶能量較大時，需要進行歸一化處理，令

其中：向量T′為歸一化后的特征向量。

3 基于改進的組合神經(jīng)網(wǎng)絡(luò)故障診斷

對于功率器件故障診斷，本文選用電壓信號為采樣信號，采樣頻率fs 為1800Hz，分析500 個采樣點。我們在進行故障診斷前，要先對仿真電壓信號進行適當(dāng)預(yù)處理。其具體步驟如下所示：

①令A(yù) 相、B 相、C 相處于開路狀態(tài)，分別計算其電壓信號的歪度值，采用4 層dbN 小波分解計算出最優(yōu)小波包分解樹，提取其故障特征信號，具體如圖3 所示。

圖3 最優(yōu)小波包分解樹和原始波形

②根據(jù)最優(yōu)小波包分解樹計算出各個頻域（低頻至高頻）信號的能量總和。首先，一方面我們要重構(gòu)所有小波包的分解系數(shù)，一方面我們要提取各個頻域（低頻至高頻）信號Si，j，然后求解出對應(yīng)的頻域（低頻至高頻）能量Ei，j。通過比較頻域（低頻至高頻）能量，選擇最優(yōu)小波包樹，其中分別為E11，E21，E31，E41。

③根據(jù)第一步和第二步結(jié)果構(gòu)造特征向量。A 相、B相、C 相均處于開路狀態(tài)，采集此時的仿真電壓信號，利用其歪度值的絕對值與②中頻帶能量構(gòu)建故障特征向量，命名為T，其中，由于各頻帶能量較大，所以將特征向量T 進行歸一化處理，處理后的特征向量命名為T*，其中。

④特征向量T*作為優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)的輸入向量。首先挑選部分特征向量作為組合神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，然后對其權(quán)值與閾值初始化并進行優(yōu)化，得到最優(yōu)組合神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，并將其作為訓(xùn)練樣本進行故障診斷前的訓(xùn)練。

⑤進行數(shù)據(jù)模擬仿真測試。

⑥對比測試。經(jīng)過對結(jié)果分析并進行仿真，通過結(jié)果來驗證提出的組合神經(jīng)網(wǎng)絡(luò)進行故障診斷的有效性、穩(wěn)定性及實用性，可以滿足級聯(lián)式變頻器對故障診斷的要求。

提出的遺傳算法優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷流程圖如圖4 所示。

圖4 組合神經(jīng)網(wǎng)絡(luò)故障診斷流程圖

為了使網(wǎng)絡(luò)的輸出數(shù)據(jù)顯示結(jié)果簡單清晰，方便通過觀察清晰的觀察故障類型，對組合神經(jīng)網(wǎng)絡(luò)的輸出設(shè)置如下，如表1 所示。

表1 組合神經(jīng)網(wǎng)絡(luò)的輸出設(shè)置

根據(jù)級聯(lián)式變頻器故障特點，我們采集了100 組仿真電壓信號數(shù)據(jù)，其中80 組作為訓(xùn)練樣本來訓(xùn)練遺傳算法優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)，20 組作為測試樣本。其網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖5 所示。從圖5 我們可以觀察出，神經(jīng)網(wǎng)絡(luò)模型經(jīng)過迭代18-20 次就達到了較高的訓(xùn)練誤差精度（0.001）。同時，為了測試系統(tǒng)的穩(wěn)定性，是否存在幸存偏差，我們進行了通過多次的仿真實驗，對采樣數(shù)據(jù)進行訓(xùn)練、測試，來驗證網(wǎng)絡(luò)性能，經(jīng)過驗證所提出的組合神經(jīng)網(wǎng)絡(luò)故障診斷準(zhǔn)確率為98%，達到了預(yù)期訓(xùn)練精度目標(biāo)要求，滿足了級聯(lián)式變頻器對故障診斷的快速性、精確性和實時性要求。

圖5 優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線圖

4 結(jié)論

本文對級聯(lián)式變頻器在處于開路故障時產(chǎn)生的數(shù)據(jù)進行了仿真實驗，利用級聯(lián)式變頻器仿真模型，通過小波包特有的頻域能量方法對所采集的數(shù)據(jù)信號進行故障的特征提取，同時連同仿真數(shù)據(jù)的歪度值的絕對值構(gòu)成特征向量，作為提出優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)的輸入。經(jīng)過模擬訓(xùn)練、故障測試，仿真測試，本文提出的故障診斷模型能夠及時、準(zhǔn)確的提取級聯(lián)式變頻器斷路狀態(tài)時的故障特征并進行有效分析，仿真結(jié)果驗證了改進的組合神經(jīng)網(wǎng)絡(luò)能夠滿足級聯(lián)式變頻器故障診斷的實時性、穩(wěn)定性、高效性，達到了預(yù)期設(shè)定要求。