開關電源濾波電容失效故障診斷模型①

周 蕾， 劉 虎， 陳伯倫， 李 馨

(淮陰工學院a.計算機與軟件工程學院，b.化學工程學院，江蘇 淮安 223003)

0 引 言

開關電源具有輸出穩(wěn)定、體積小、效率高等特點,已成為電氣設備不可或缺的一部分，其工作的穩(wěn)定性直接影響著用電設備的可靠性和安全性[1]，對開關電源故障診斷方法的研究具有重要的現實意義。

導致開關電源發(fā)生故障的原因很多，其中高壓濾波電容失效造成開關電源故障最為常見，約占百分之六十以上[2,3]。李奇等[4]通過檢測串聯等效電阻(ESR)的方法，實現了對濾波電容性能的監(jiān)測，該方法需拆解電源測量關鍵點位信號。張瑋等[5]采用低壓側輸出端紋波變化趨勢判別法計算電容性能，該方法僅適用于判斷低壓側電容故障。何春等[6]利用模塊化BP神經網絡進行電路故障診斷，該方法需測量電源內部節(jié)點信號，電路的多樣性仍是待解決問題。郭志軍等[7]提出一種基于小波包神經網絡的開關電源電路故障診斷方法，Wei等[8]利用深度學習技術對電網運行的故障報告進行處理，實現故障的分類診斷。張朝龍等[9]利用混沌粒子群優(yōu)化算法，優(yōu)化DBN的學習率，提升模擬電路早期故障診斷的正確率。

針對開關電源主要的電容故障診斷問題，設計一種數據采集裝置對開關電源所在電網電壓進行隔離、濾波、數據采集，降低了外界干擾，并提出一種基于改進深度置信網絡的故障診斷模型。

1 電網電壓數據采集與預處理

開關電源電解電容的退化會導致輸出電壓的異常波動，為檢測電容失效導致的開關電源故障，設計了電網電壓數據采集裝置，如圖1所示。

將開關電源與數據采集裝置插在同一插排上，利用裝置的高頻電壓隔離互感器進行電網電壓的檢測。為檢查不同失效程度濾波電容對電壓產生的影響效果，選擇測試的濾波電容均為同一生產批次，但處于不同失效狀態(tài)的產品。

將示波器與數據采集模塊的AD端口相連，分別采集電容在正常狀態(tài)、失效程度50%左右以及失效程度超過75%三種不同狀態(tài)下的電網電壓波形，并利用MATLAB對一個樣本采集周期的電壓信號進行仿真輸出。仿真結果顯示，電容在正常狀態(tài)下的波形明顯平緩，失效程度越高，波形變化越明顯，失效程度與電壓信號的畸變程度有非常明顯的正相關，與正常信號相比，同一頻段的能量也有區(qū)別，可以看出通過提取電網電壓信號的畸變程度估算濾波電容失效百分比是可行的。

基于上述方法采集電壓數據，分別選取電容退化三種不同狀態(tài)的樣本數據組成數據集，并對不同退化狀態(tài)的電壓數據記錄加上不同的分類標簽。

為提高后續(xù)模型處理的執(zhí)行效率和精度，采集的原始信號還需要進一步進行降噪、去重和歸一化處理，具體處理流程如圖2所示。

對經過預處理后的數據集數據隨機選取其中80%的數據作為訓練集，剩余數據組成測試集，作為模型處理的數據集數據。

2 基于深度置信網絡故障診斷模型

2.1 深度置信網絡

2013年，以Tamils Elvan P為主的課題組[10]首次將深度置信網絡(Deep Belief Network，DBN)應用到故障檢測方面，DBN在故障預測和識別方面的優(yōu)越性逐漸被人們所重視。

DBN由若干層受限玻爾茲曼機RBM(Restricted Boltzmann Machines)和BP(Back Propagation)神經網絡組成。RBM是一個由可見層v和隱藏層h構成的神經網絡，層內神經元間無連接，層間神經元全連接，每個RBM隱藏層的輸出作為下一層RBM可視層的輸入。

RBM是一種能量模型，對一組給定的狀態(tài)(v,h)，其能量定義如式(1)：

(1)

公式(1)中，θ為RBM的模型參數{wi,j,ai,bj}，vi為可視層單元i，hj為隱藏層單元j，ai和bj分別是vi和hj的偏置，wi,j是vi與hj之間的權重。

在能量模型定義的函數基礎上，可以得到(v,h)的聯合概率分布為式(2)，(3)：

(2)

(3)

其中配分函數Z(θ)是歸一化因子。

由于神經元的狀態(tài)和激活條件相互獨立，所以vi和hj激活的概率分別為式(4)，(5)：

(4)

(5)

式中σ( )為激活函數。

2.2 開關電源故障診斷模型

基于深度置信網絡的開關電源故障診斷模型訓練過程包含無監(jiān)督的正向預訓練和有監(jiān)督的反向微調兩部分。正向預訓練采用隨機的無監(jiān)督學習模型，每一個RBM訓練完畢，將隱藏層獲得的輸出特征向量，作為下一個RBM可視層的輸入特征向量，直到訓練完所有的RBM，采用極大似然法使p(v)的值最大求出RBM參數θ，利用對比散度(Contrastive Divergence，CD)算法[11]進行計算，提高執(zhí)行效率；反向微調則以正向預訓練好的模型參數作為初始化參數，通過BP算法計算誤差，完成各層模型參數的調節(jié)和優(yōu)化。預訓練使得每層RBM達到局部最優(yōu)，在此基礎上反向微調可以達到全局最優(yōu)，模型的基本工作過程如圖3所示。

DBN開關電源故障診斷模型逐層正向預訓練過程如下：

(1)初始化學習率、隱藏節(jié)點數、各層單元之間的權重和偏置、網絡層數以及每層節(jié)點數等網絡參數；

(2)初始可視層接收訓練樣本作為輸入的特征向量，根據前面設置好的權重、偏置等參數，由公式(5)計算隱藏層各個結點的激活概率，確定結點的激活狀態(tài)；

(3)將前面計算出來的隱藏層各個結點的激活狀態(tài)作為輸入，由公式(4)重構可視層各個結點的激活概率，作為下一個隱藏層輸入的特征向量；

(4)重復前面的流程，將每一個隱藏層的輸出作為下一個可視層的輸入，直到完成所有RBM的訓練任務。

2.3 動態(tài)調參優(yōu)化算法設計

DBN模型中每個超參的調節(jié)對尋找最優(yōu)解有著重要的影響，提出一種動態(tài)調參優(yōu)化算法(DBN-DF)進行超參的設置和更新。下面以學習率、可視層和隱藏層各單元之間的權重參數設置為例，介紹動態(tài)調參的優(yōu)化算法。

學習率的選取對算法執(zhí)行的效率和性能都有較大影響。傳統(tǒng)DBN模型采用固定大小的學習率，無法根據運行過程中的實際情況動態(tài)調整，為提高算法執(zhí)行效率和精度，引入一種動態(tài)學習率算法，首先設置初始學習率，一般在0.01到0.8之間，在訓練過程中根據總誤差值動態(tài)調整，具體調整公式如下：

ε=ε*λ

(6)

若總誤差E減小，則公式(6)中λ取值設置為1.0001到1.01之間，以增大學習率ε的值；若E增大或不變，則設置λ取值在0.99到0.9999之間，以減少學習率ε的值。動態(tài)學習率可有效加快模型訓練速度，緩解易陷入局部最優(yōu)的問題。

對于各層之間權重的更新操作，傳統(tǒng)DBN采用隨機梯度下降法，每次從訓練樣本中隨機選取一部分樣本計算梯度并進行參數更新，由于梯度越大更新步長越大，可能導致收斂速度降低并易來回振蕩。為了加快收斂速度以及減少權重更新量的振蕩，在算法中添加動量項來控制權重的更新，其更新規(guī)則如公式(7)和(8)：

(7)

(8)

其中α為動量系數，一般取值在(0,1)之間。E為總誤差，sp和tp分別為期望輸出和實際輸出。

3 實驗分析

DBN模型中包含眾多超參數：每次訓練的樣本量、網絡訓練的迭代次數、學習率等，對模型每個參數的設置值進行多組測試實驗，通過對結果的分析，最終采用三層平穩(wěn)型DBN作為故障診斷模型，隱藏層結點數為100，激活函數選擇Tanh，初始學習率設置為0.01，每次訓練樣本量設置為100。

為驗證模型的實驗效果，將提出的DBN優(yōu)化模型DBN-DF與傳統(tǒng)的DBN模型、BP神經網絡模型分別進行仿真實驗，每個模型進行10次實驗，每次實驗得到不同模型的準確率如表1所示。

表1 不同模型10次實驗結果對比

實驗結果顯示DBN-DF模型對高壓濾波電容失效造成的開關電源故障診斷的準確率比傳統(tǒng)DBN模型和BP模型均有明顯的提高，故障識別準確率最高可達97.6%。每次實驗中，模型運行的迭代次數對故障識別的準確率也有很大的影響，隨著次數的增加，模型準確率也相應提高，最終趨于穩(wěn)定。

4 結 語

根據開關電源所在電網電壓畸變特性，提出一種開關電源濾波電容故障診斷方法，基于改進深度置信網絡構建開關電源故障診斷模型，設計數據采集裝置，該裝置采用高頻電壓隔離互感器檢測電網電壓，對電網電壓進行濾波并實時采集數據。故障診斷模型對濾波電容失效進行三分類判斷，其中對濾波電容正常狀態(tài)識別率為100%，濾波電容失效50%左右和失效75%以上的狀態(tài)識別率達到90%以上。此結果證明利用深度置信網絡診斷濾波電容故障的優(yōu)越性，診斷過程無需拆解開關電源，降低了電路多樣性所造成的影響，簡化了電源故障檢測步驟，在此基礎上，下一步將繼續(xù)研究其他原因導致的電源故障的診斷，進一步優(yōu)化故障診斷模型，使其能更好地應用于復雜的開關電源故障診斷中。