基于頻譜分析和改進(jìn)BP網(wǎng)絡(luò)的UPS系統(tǒng)三相SPWM逆變電路故障診斷研究*

黃藝娜

(漳州職業(yè)技術(shù)學(xué)院智能制造學(xué)院 福建漳州 363000)

隨著電力電子技術(shù)的發(fā)展，由逆變器供電的電動(dòng)機(jī)變頻調(diào)速系統(tǒng)在工業(yè)生產(chǎn)中得到越來越廣泛的應(yīng)用，在故障發(fā)生時(shí)必須快速準(zhǔn)確地確定故障情況，才能采取相應(yīng)的措施恢復(fù)系統(tǒng)，保證工業(yè)生產(chǎn)的正常運(yùn)行[1]。因此，進(jìn)行逆變電路的故障診斷研究具有實(shí)際應(yīng)用意義。目前，有很多對(duì)于電力電子電路故障診斷方法的研究，如文獻(xiàn)[1]提出一種三電平逆變器混雜建模及開路故障診斷方法，文獻(xiàn)[2]提出了基于電流滯環(huán)控制的三相逆變器故障診斷研究，文獻(xiàn)[3]提出了逆變器IGBT器件在線診斷方法。文章運(yùn)用頻譜分析對(duì)故障信號(hào)進(jìn)行特征量提取，引入動(dòng)量算法改進(jìn)標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)，對(duì)UPS系統(tǒng)三相SPWM逆變電路主電路的功率管開路故障進(jìn)行了故障診斷的仿真研究與驗(yàn)證。

1UPS系統(tǒng)三相SPWM逆變電路故障分析文章選取如圖1所示的三相電壓型SPWM逆變電路進(jìn)行故障診斷研究。由于實(shí)際應(yīng)用中，主電路的功率管開路故障較為常見，且多個(gè)功率管同時(shí)開路故障發(fā)生的概率較小，因此針對(duì)最多同時(shí)只有2個(gè)功率管開路故障進(jìn)行診斷分析，故障分類如下：

圖1 UPS系統(tǒng)三相電壓型逆變電路圖

第一類：無功率管故障，即正常運(yùn)行。

第二類：只有一個(gè)功率管開路故障，即V1、V2、V3、V4、V5、V6中任意一個(gè)發(fā)生故障。

第三類：接同一相的2個(gè)功率管開路故障，即V1與V2、V3與V4、V5與V6中任意一組兩個(gè)功率管同時(shí)發(fā)生故障。

第四類：上、下橋臂中任意2個(gè)功率管開路故障，即V1與V3、V1與V5、V3與V5、V2與V4、V2與V6、V4與V6中任意一組兩個(gè)功率管同時(shí)發(fā)生故障。

第五類：上下橋臂各1個(gè)且不同相的功率管開路故障，即V1與V6、V1與V4、V3與V2、V3與V6、V5與V2、V5與V4中任意一組兩個(gè)功率管同時(shí)發(fā)生故障。

為便于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，可將三相SPWM電路的故障類型用六位編碼X1X2X3X4X5X6表示，其中Xi=1或0，前三位表示故障大類，后三位表示故障小類，具體編碼見表1。

2 故障特征提取

故障診斷時(shí)選擇有效的可反映故障情況的特征信號(hào)非常關(guān)鍵。文章利用MATLAB/Simulink建立三相SPWM逆變電路的仿真模型，通過關(guān)斷IGBT管的驅(qū)動(dòng)信號(hào)來仿真功率管的各種開路故障，測試其三相輸出的線電壓波形，圖2給出了部分故障波形，從左至右依次為無故障、V1、V2、V3、V4、V5、V6故障時(shí)的三相輸出線電壓波形，由波形分析可知，當(dāng)功率器件發(fā)生開路故障時(shí)，線電壓波形會(huì)發(fā)生畸變，且具有一定的規(guī)律，因此可選取輸出線電壓作為故障特征信號(hào)。

圖2 故障輸出線電壓波形

逆變電路故障時(shí)的輸出線電壓波形是非正弦周期波形，通過傅里葉變換即頻譜分析可得到其各階頻譜數(shù)據(jù)，這些數(shù)據(jù)包含了相應(yīng)故障信息。通過頻譜分析，可知IGBT開路故障時(shí)，輸出線電壓的頻譜會(huì)發(fā)生相應(yīng)變化，即在不同故障時(shí)輸出線電壓的各階頻譜與正常運(yùn)行時(shí)的頻譜是不同的。由于許多信號(hào)中都會(huì)包含有重復(fù)的故障特征信息，因此可通過對(duì)不同故障情況下的數(shù)據(jù)進(jìn)行比對(duì)化簡，去掉一些包含相同故障特征信息的數(shù)據(jù)，找出能夠反應(yīng)某故障區(qū)別于其他故障的一組數(shù)據(jù)，用此作為故障特征量。

為提取故障特征量，通過對(duì)三路輸出線電壓進(jìn)行頻譜數(shù)據(jù)分析，選取了線電壓Uab的直流分量、基波幅值、基波相位、二次諧波相位、線電壓Ubc的直流分量、二次諧波相位這六個(gè)特征量用以區(qū)分22種故障。

3神經(jīng)網(wǎng)絡(luò)算法

逆變電路有較強(qiáng)的非線性，利用人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力以及其輸入輸出之間的非線性映射關(guān)系，可把故障波形與故障原因間的關(guān)系通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后保存在其結(jié)構(gòu)和權(quán)中，將某時(shí)刻的波形的數(shù)據(jù)作為該神經(jīng)網(wǎng)絡(luò)的輸入，輸出即為對(duì)應(yīng)的故障類型，從而實(shí)現(xiàn)故障的自動(dòng)診斷[4-6]。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層、輸出層組成，如圖3所示[4]。輸入層和輸出層的神經(jīng)元個(gè)數(shù)一般由實(shí)際問題決定，輸入層的神經(jīng)元個(gè)數(shù)由是故障特征量來決定，輸出層神經(jīng)元個(gè)數(shù)由目標(biāo)向量決定，隱含層的神經(jīng)元個(gè)數(shù)確定沒有統(tǒng)一的規(guī)定，合理選擇隱層節(jié)點(diǎn)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力和泛化能力有重要影響[5]。

圖3 三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

BP神經(jīng)網(wǎng)絡(luò)算法[7-8]：

(1)正向計(jì)算。將第p個(gè)樣本(xp={xp1， xp2…xpn})順序輸入到網(wǎng)絡(luò)中，分別計(jì)算隱含層輸出值和輸出層輸出值，即：

(1)

(2)

激活函數(shù)常采用 S 型 Sigmoid函數(shù)

(3)

(3)反向計(jì)算。計(jì)算權(quán)值的增量：

(4)

(5)

而

(6)

(7)

(4)更改權(quán)值：

whkn(i+1)=whkn(i)+Δwhkn(i+1)

(8)

womk(i+1)=womk(i)+Δwomk(i+1)

(9)

(5)置i=i+1，返回式(1)。

傳統(tǒng)的BP算法主要存在以下問題：①采用非線性優(yōu)化易形成局部極小而得不到全局最優(yōu)值；②迭代算法次數(shù)多使學(xué)習(xí)效率低，收斂速度慢；③隱含層和節(jié)點(diǎn)數(shù)的選擇無理論指導(dǎo)。

BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)方法主要有動(dòng)量BP算法、學(xué)習(xí)速率可變的BP算法、擬牛頓算法、彈性BP算法、變梯度BP算法、LM(Levenberg-Marquardt)算法等[5]。文章采用了動(dòng)量BP算法對(duì)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，加速了算法收斂并有效避免了訓(xùn)練中陷入局部極小值的問題。權(quán)值調(diào)整公式如式(10)所示。

(10)

式中，Δwij(n+1)表示第n+1次迭代計(jì)算時(shí)連接權(quán)的修正值，Δwij(n)表示前一次迭代時(shí)所得的連接權(quán)修正值，α為學(xué)習(xí)速率，λ為動(dòng)量因子，λΔwij(n)是附加動(dòng)量項(xiàng)，利用附加動(dòng)量項(xiàng)可以平滑梯度方向的劇烈變化，增加算法的穩(wěn)定性。

4神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本設(shè)計(jì)及訓(xùn)練

文章選用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。為了提高神經(jīng)網(wǎng)絡(luò)的泛化能力，選取了負(fù)載功率10KW、30KW時(shí)的故障特征數(shù)據(jù)共44個(gè)學(xué)習(xí)樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，同時(shí)為了減少計(jì)算量及提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，對(duì)故障特征數(shù)據(jù)進(jìn)行歸一化處理，文中采用的歸一化處理公式為：(X-Xmin)/(Xmax-Xmin)，式中，X表示當(dāng)前數(shù)值；Xmin表示本列數(shù)據(jù)的最小值；Xmax表示本列數(shù)據(jù)的最大值。

表1中給出了負(fù)載功率10KW時(shí)的學(xué)習(xí)樣本數(shù)據(jù)及相應(yīng)的故障編碼，表中X1X2X3X4X5X6分別為線電壓Uab的直流分量、基波幅值、基波相位、二次諧波相位、線電壓Ubc的直流分量、二次諧波相位的歸一化值。

表1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本

輸入層神經(jīng)元個(gè)數(shù)N1=6，輸出層神經(jīng)元個(gè)數(shù)N3=6。通過反復(fù)仿真驗(yàn)證，選用隱含層節(jié)點(diǎn)數(shù)N2=12。網(wǎng)絡(luò)的初始權(quán)值由隨機(jī)函數(shù)給定，網(wǎng)絡(luò)訓(xùn)練誤差為0.0001，動(dòng)量因子為0.92，學(xué)習(xí)速率為0.2，第一層傳遞函數(shù)為tansig，第二層傳遞函數(shù)為logsig。網(wǎng)絡(luò)訓(xùn)練過程是一個(gè)不斷修正權(quán)值和閾值的過程，通過調(diào)整，使網(wǎng)絡(luò)的輸出誤差達(dá)到最小，以滿足實(shí)際應(yīng)用的要求。網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖4所示。

圖4 改進(jìn)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

5 仿真測試結(jié)果分析

仿真實(shí)驗(yàn)中，另外選取了電壓Uab的直流分量、二次諧波相位、線電壓Ubc的直流分量、二次諧波相位這四個(gè)故障特征量構(gòu)造神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本，并進(jìn)行了訓(xùn)練。用加不同比例噪聲信號(hào)的測試樣本對(duì)訓(xùn)練好的兩個(gè)網(wǎng)絡(luò)進(jìn)行測試，測試結(jié)果如表2所示。由表2可知，選取6個(gè)故障特征量的訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有更好的性能，在含1%、5%、10%噪聲測試樣本的測試中，其測試準(zhǔn)確率都達(dá)到了100%。

表2 故障診斷結(jié)果比較表

為了與文章提出的改進(jìn)的神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，選取同樣的學(xué)習(xí)樣本用標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練誤差曲線如圖5所示。 與圖4比較可知，采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的迭代步數(shù)要小得多，訓(xùn)練時(shí)間更短。同時(shí)也對(duì)兩種網(wǎng)絡(luò)用加不同比例噪聲的測試樣本進(jìn)行測試，測試結(jié)果如表2所示，改進(jìn)的神經(jīng)網(wǎng)絡(luò)在噪聲較大時(shí)的測試準(zhǔn)確率更高。

圖5 標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

為了進(jìn)一步驗(yàn)證該方法的可行性，采用非學(xué)習(xí)樣本數(shù)據(jù)作為測試樣本，對(duì)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真驗(yàn)證。通過改變負(fù)載功率共得到44個(gè)測試樣本，診斷正確率可達(dá)到95.45%以上，仿真結(jié)果表明訓(xùn)練的網(wǎng)絡(luò)可進(jìn)行較為準(zhǔn)確的診斷。

6結(jié)語

文章通過對(duì)UPS系統(tǒng)逆變電路輸出線電壓信號(hào)進(jìn)行頻譜分析，利用仿真驗(yàn)證合理選擇故障特征向量，采用動(dòng)量法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷，通過多種仿真測試結(jié)果表明，該診斷方法可實(shí)現(xiàn)對(duì)UPS系統(tǒng)三相SPWM逆變電路的故障診斷，同時(shí)可達(dá)到較高的精度。