基于IAFSA-SVM的岸電電源IGBT電氣故障診斷

李偉昊,吳佳彬,崔廣開,王冠妍,張 晨,王郭靖,岳曉豐

(1.天津水運(yùn)工程勘察設(shè)計(jì)院有限公司,天津 300456;2.天津東方泰瑞科技有限公司,天津 300192)

隨著中國經(jīng)濟(jì)的快速發(fā)展,能源消耗問題和環(huán)境污染問題日益加劇。船舶在港口停泊期間,采用柴油發(fā)電機(jī)進(jìn)行發(fā)電所產(chǎn)生的污染物是造成空氣污染的主要原因之一[1],同時(shí)還產(chǎn)生了較大的資源浪費(fèi)。為強(qiáng)化船舶大氣污染物排放控制,落實(shí)船舶靠港使用岸電要求,2018年12月,交通運(yùn)輸部印發(fā)《交通運(yùn)輸部關(guān)于印發(fā)船舶大氣污染物排放控制區(qū)實(shí)施方案的通知》,《通知》對須使用岸電的船舶進(jìn)行了具體說明。因此,船舶岸電技術(shù)以接入港口陸地電網(wǎng)取代停泊期間的柴油發(fā)電機(jī)發(fā)電的方法,逐漸成為解決能源消耗問題和環(huán)境污染問題的主要途徑。目前,我國擁有許多港口岸電碼頭,然而大部分遠(yuǎn)洋船舶負(fù)載用電頻率為60 Hz,與我國陸地電網(wǎng)的供電頻率50 Hz不符,因此陸地電源不能夠直接為停泊船舶供電[2]。船舶用電的特殊性也對岸電電源的電能質(zhì)量提出了更高的要求,變頻電源作為岸電系統(tǒng)核心部件,其運(yùn)行的可靠性決定了岸電系統(tǒng)的穩(wěn)定性。

岸電變頻電源由移相整流變壓器、功率單元、輸出濾波器和控制部分組成,其控制為電壓外環(huán)電流內(nèi)環(huán)的雙閉環(huán)控制模式。絕緣柵雙極性晶體管(Insulated Gate Bipolar Transistor,IGBT)是變頻電源內(nèi)部核心元器件之一,以其為主的驅(qū)動電路位于主電路和控制電路之間,在變頻電源內(nèi)部擔(dān)任非常重要的角色[3]。IGBT不僅具有高可靠性、驅(qū)動簡單、易保護(hù)、開關(guān)頻率高的特點(diǎn)且無需緩沖電路。通常情況下,可通過開發(fā)高電壓、大電流、頻率高的高壓IGBT來獲得不同頻率的電流[4]。但由于變頻系統(tǒng)的功率器件為電力電子元件,其特性較其他設(shè)備軟,短時(shí)過壓過載能力比較脆弱,對工作環(huán)境要求較高,故出現(xiàn)故障后具有排除故障時(shí)間長、修復(fù)費(fèi)用高等特點(diǎn)。因此,利用人工智能技術(shù),對IGBT故障的類型、機(jī)理特征及影響因素進(jìn)行分析,尋找故障原因與特征參數(shù)之間的內(nèi)在規(guī)律,運(yùn)用大數(shù)據(jù)及人工智能進(jìn)行類比、分析,對可能產(chǎn)生的IGBT故障進(jìn)行前期預(yù)測,并采取相應(yīng)的技術(shù)措施,能夠極大提升岸電使用的穩(wěn)定性和運(yùn)行的經(jīng)濟(jì)性,對于岸電系統(tǒng)的正常使用以及安全性的提升有著重要意義。目前關(guān)于岸電系統(tǒng)逆變器故障診斷的研究較少,但其主要組成與普通逆變器相似,可以利用相關(guān)的理論方法來研究和討論岸電電源逆變器的故障診斷[5]。IGBT故障診斷方法主要是基于人工智能算法對電流、電壓信號的分析。PENG等[6]提出了一種基于有限控制集模型預(yù)測控制(FCS-MPC)識別單個(gè)開路開關(guān)故障的故障診斷方法,其采用矩陣變換器(MC)拓?fù)涞臅r(shí)間離散模型和成本函數(shù)來選擇下一個(gè)采樣周期的最佳開關(guān)狀態(tài),并通過監(jiān)測負(fù)載電流和判斷開關(guān)狀態(tài)來定位故障開關(guān)實(shí)現(xiàn)IGBT故障診斷。WANG等[7]基于核熵分量分析理論,結(jié)合極限學(xué)習(xí)機(jī)分類算法,探討了應(yīng)用名為KECA-ELM的集成方法處理超級降壓轉(zhuǎn)換器電路(SCC)中的硬故障和軟故障診斷的可行性。ZHOU等[8]提出了一種基于正常和故障條件下電容器電壓的相似性分析的子模塊電壓相似性、實(shí)時(shí)、快速的模塊化多電平轉(zhuǎn)換器(MMC)開路故障檢測和定位(FDL)方法,實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出的方法可以在一個(gè)基本周期內(nèi)快速準(zhǔn)確地檢測和定位開路故障。

本文提出了一種改進(jìn)的人工魚群算法(Improved Artificial Fish Swarm Algorithm,IAFSA)結(jié)合支持向量機(jī)(SVM)的故障診斷算法,通過短時(shí)傅立葉變換(Short-Time Fourier Transform,STFT)的變頻器輸出電流的功率譜密度(PSD)特征為輸入特征,將IAFSA引入,作為SVM的參數(shù)優(yōu)化算法。IAFSA將步長修正因子和全局隨機(jī)行為作為改進(jìn)方法引入到人工魚群算法(Artificial Fish Swarm Algorithm,AFSA)當(dāng)中的魚群步長來提高全局搜索和局部搜索的性能,提出基于該改進(jìn)方法的IAFSA,并構(gòu)建IGBT故障診斷模型,為IGBT故障診斷提供一種新的可能性。

1 岸電變頻電源供電方式及指標(biāo)

目前,基于變頻電源的岸電供電方式主要分為“一對一”和“一對多”供電[9]。本文研究基于“一對一”供電方式,即一艘船舶?？科陂g的用電只由一個(gè)變頻電源所供應(yīng)。在該供電方式下,碼頭變電站相互獨(dú)立,其中一個(gè)或多個(gè)故障并不會影響其他變電站。

目前,船舶岸電配電電壓等級分為低壓和高壓2種,低壓岸電電源輸出為440 V/60 Hz、400 V/50 Hz,高壓岸電電源輸出為6.6 kV/60 Hz、6 kV/50 Hz,本文所提及的岸電變頻電源以岸電高壓上船式為例(圖1),其中陸地輸出高壓為10 kV/50 Hz的電源作為岸電系統(tǒng)的輸入,主電路由功率單元串聯(lián)構(gòu)成多電平變頻電源,其控制部分采用電壓外環(huán)電流內(nèi)環(huán)的雙閉環(huán)控制模式,最終輸入到船舶用電系統(tǒng)中為6.6 kV/60 Hz高壓交流電,其中逆變單元的系統(tǒng)拓?fù)浣Y(jié)構(gòu)如圖2所示。此外,根據(jù)JTS155—2012《碼頭船舶岸電設(shè)施建設(shè)技術(shù)規(guī)范》中所規(guī)定的岸電供電系統(tǒng)標(biāo)準(zhǔn),變頻電源性能指標(biāo)峰值時(shí)間Tp、調(diào)節(jié)時(shí)間Ts以及超調(diào)量Mp須分別滿足0.4 s、1.5 s和5%的要求。

圖1 典型岸電電源供電系統(tǒng)結(jié)構(gòu)Fig.1 The typical shore power supply system structure

圖2 變頻電源逆變單元拓?fù)浣Y(jié)構(gòu)Fig.2 The inverter unit topology of variable frequency power supply

2 基于SVM的診斷模型

2.1 支持向量機(jī)(SVM)

支持向量機(jī)(SVM)是一種二分類模型。它的基本模型是一個(gè)線性分類器,在特征空間上定義了最大邊距,最大邊距將其與感知器區(qū)分開來。支持向量機(jī)的學(xué)習(xí)策略是最大化邊距,對于做出標(biāo)記的兩組向量,給出一個(gè)最優(yōu)分割超曲面把這兩組向量分割到兩邊,使得兩組向量中離此超平面最近的向量(即所謂支持向量)到此超平面的距離都盡可能遠(yuǎn),可以形式化為求解凸二次規(guī)劃的問題,也等價(jià)于最小化正則化鉸鏈損失函數(shù)的問題[10]。

SVM還包含內(nèi)核函數(shù),這使得它可以成為一個(gè)非線性分類器。在處理線性不可分問題時(shí)通過將核函數(shù)映射到更高維度的空間中進(jìn)行線性可分來解決。其中,高斯核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)(RBF)等核函數(shù)是SVM常用的核函數(shù)[11]。本文采用具有較好的泛化能力以及快速學(xué)習(xí)收斂能力的RBF函數(shù)作為最終選擇的核函數(shù)。在IGBT故障診斷模型中,構(gòu)建非線性SVM分類器需要確定兩個(gè)主要參數(shù)：懲罰因子c以及核函數(shù)參數(shù)g。

2.2 人工魚群算法(AFSA)

在自然界中,魚能夠自行尋找或尾隨其他魚尋找食物,即魚群聚集地即為生存所需要的物質(zhì)存在最多的地方。人工魚群算法就是根據(jù)這一行為,通過構(gòu)建人工魚群模仿魚群聚集(即魚為保證生存和躲避危害而產(chǎn)生的聚集,遵循分隔、對準(zhǔn)、內(nèi)聚規(guī)則)、追尾(即當(dāng)魚群中的一條或者幾條魚發(fā)現(xiàn)食物時(shí),其相近的魚會迅速向其聚攏)以及覓食(即魚在水域中自由移動,一旦發(fā)現(xiàn)食物則迅速游往食物點(diǎn))等生存行為來實(shí)現(xiàn)參數(shù)尋優(yōu)的仿生智能算法[12]。AFSA實(shí)現(xiàn)步驟如下：

(1)初始化基礎(chǔ)參數(shù),包括魚群規(guī)模(N)、每條魚的初始位置、視野(Visual)、步長(Step)、魚群的擁擠度(δ)以及尋優(yōu)次數(shù)(Trynumber);

(2)計(jì)算魚群中每個(gè)個(gè)體的適應(yīng)值,并選取其中最優(yōu)值賦值給公告牌;

(3)對魚群各個(gè)體進(jìn)行評分,選取需要執(zhí)行的生存行為,包括聚集、追尾、覓食以及評分行為;

(4)執(zhí)行(3)所選擇行為,更新自身,生成新的魚群;

(5)對魚群所有個(gè)體進(jìn)行評分,若其中個(gè)體評分優(yōu)于公告牌,則公告牌數(shù)值更新為該個(gè)體數(shù)值;

(6)當(dāng)公告牌最優(yōu)解達(dá)到設(shè)定閾值或完成循環(huán)次數(shù),迭代終止,否則繼續(xù)跳轉(zhuǎn)至步驟(3)進(jìn)行循環(huán)。

2.3 改進(jìn)的人工魚群算法(IAFSA)

傳統(tǒng)的AFSA中人工魚的步長被設(shè)定為一個(gè)固定值,過小的步長則會造成收斂緩慢的問題,更容易陷入局部最優(yōu),并導(dǎo)致尋優(yōu)時(shí)間過長優(yōu)化成本增加等問題;但是如果設(shè)置較大的人工魚步長,則在尋優(yōu)過程中很容易跳過所要尋找的最優(yōu)值,也會導(dǎo)致尋優(yōu)失敗,參數(shù)優(yōu)化時(shí)間變長等問題。為解決這一問題,本文采用自適應(yīng)變步長來改進(jìn)AFSA,通過該方法,在同一個(gè)循環(huán)中,增加離更優(yōu)解距離較遠(yuǎn)的人工魚的步長,以加速收斂過程;降低距離較近的人工魚的步長,同樣提高了收斂速度。本文在IAFSA中引入修正因子β,定義如下

(1)

Visuali+1=Visuali×β

(2)

Step=a×Visual

(3)

式中：a為視野步長系數(shù)(0

此外,為防止尋優(yōu)過程陷入局部最優(yōu),本文引入了全局隨機(jī)行為來解決這一問題,即引入公告板機(jī)制,若公告板中最優(yōu)值在循環(huán)一定次數(shù)之后的變化范圍仍然小于設(shè)定閾值ε,考慮其陷入了局部最優(yōu),將魚群中最差評分的指定個(gè)數(shù)的個(gè)體實(shí)行全局隨機(jī)行為,以式(4)實(shí)行

xi+1=xi+α×Visual×rand()

(4)

式中：α為設(shè)定值,其值越大越容易脫離局部最優(yōu),計(jì)算量也隨之增加。

2.4 基于IAFSA的IGBT診斷模型

經(jīng)過IAFSA來選取SVM的最優(yōu)參數(shù),構(gòu)建IGBT故障診斷模型,以得到最優(yōu)分類結(jié)果,圖3為模型流程圖。

圖3 IGBT故障診斷流程圖Fig.3 The flow chart of IGBT fault diagnosis

3 IAFSA算法驗(yàn)證

為驗(yàn)證IAFSA的有效性,選擇了3個(gè)測試函數(shù)與AFSA進(jìn)行對比[13],AFSA和IAFSA初始參數(shù)設(shè)置如表1所示。

表1 AFSA和IAFSA初始參數(shù)Tab.1 The initial parameters of AFSA and IAFSA

測試函數(shù)f1(x1,x2),f2(x1,x2),f3(x1,x2)定義如式(5)～式(7)所示,其中-4≤xi≤4。

(5)

(6)

f3(x1,x2)=-[x12-10cos(2πx1)+x22-10cos(2πx2)]-20

(7)

f1(x1,x2)在定義域內(nèi)只有一個(gè)極值點(diǎn),求取該極值即為該函數(shù)最優(yōu)解,在(0,0)處取得最小值為-1;f2(x1,x2)在定義域內(nèi)有無數(shù)個(gè)極值點(diǎn),但只有一個(gè)最大值,求取最大值即為該函數(shù)最優(yōu)解,但容易陷入局部最優(yōu)點(diǎn)即局部極值點(diǎn),在(0,0)處取得最大值為1;f3(x1,x2)在定義域內(nèi)求取最大值即為該函數(shù)最優(yōu)解,但由于其復(fù)雜多峰的函數(shù)特性,同樣容易陷入局部最優(yōu)點(diǎn)即局部極值點(diǎn),在(0,0)處取得最大值0。圖4、圖5和圖6分別為AFSA和IAFSA在三個(gè)函數(shù)上的求解最優(yōu)解的過程,結(jié)果表明,IAFSA在求解過程中表現(xiàn)出了更好的收斂速度和性能,能夠在較少的迭代次數(shù)中得到最優(yōu)解,并且能夠很好地解決局部最優(yōu)的問題。

圖4 對f1(x)的求最優(yōu)解過程Fig.4 The process of finding the optimal solution for f1(x)

圖5 對f2(x)的求最優(yōu)解過程Fig.5 The process of finding the optimal solution for f2(x)

圖6 對f3(x)的求最優(yōu)解過程Fig.6 The process of finding the optimal solution for f3(x)

4 仿真

4.1 特征提取

實(shí)驗(yàn)以拓?fù)浣Y(jié)構(gòu)中的一組6個(gè)IGBT構(gòu)成變頻電源逆變單元的受控通斷為例,通過MATLAB進(jìn)行仿真,變頻電源仿真模型圖如圖7所示。對變頻器中的6個(gè)IGBT進(jìn)行編號,分別為VT1、VT2、VT3、VT4、VT5、VT6,對應(yīng)單管故障命名為F1、F2、F3、F4、F5、F6。經(jīng)研究發(fā)現(xiàn),IGBT故障發(fā)生時(shí),大多數(shù)情況只有最多2個(gè)IGBT發(fā)生故障。此外,由于逆變單元在同一相上的兩個(gè)IGBT同時(shí)發(fā)生故障時(shí)就已損壞[14],因此在本文中排除這種情況。經(jīng)過組合,得到18種故障類型如表2所示。

表2 故障類型及對應(yīng)標(biāo)簽Tab.2 The fault type and the corresponding labels

圖7 變頻電源仿真模型圖Fig.7 The variable frequency power supply simulation model diagram

本文對18種故障類型分別進(jìn)行仿真得到12組數(shù)據(jù),共216組數(shù)據(jù)樣本。對每種故障類型選取其中的6組樣本作為訓(xùn)練數(shù)據(jù),剩余6組樣本作為測試數(shù)據(jù)進(jìn)行驗(yàn)證模型有效性實(shí)驗(yàn)。變頻電源輸出信號在故障時(shí)和正常狀態(tài)下是不同的,在發(fā)生故障時(shí)輸出在同一頻帶下具有不同的能量值,通過STFT對輸出信號進(jìn)行分析,并計(jì)算PSD分析不同頻段的能量值來進(jìn)行故障診斷。

在本文中,STFT采用窗長為256的海明窗進(jìn)行分析,以避免頻譜泄漏導(dǎo)致的幅度信息不準(zhǔn)確的問題[15]。離散時(shí)間序列的STFT計(jì)算式如下

(8)

(9)

由于經(jīng)STFT后提取的特征數(shù)值較大,采用歸一化對特征進(jìn)一步處理,計(jì)算式如下

(10)

式中：y為最終的特征值;x為當(dāng)前特征值;xmin和xmax分別為特征數(shù)據(jù)的最小值和最大值。

4.2 IGBT仿真故障診斷結(jié)果

利用改進(jìn)的人工魚群算法選擇SVM最優(yōu)參數(shù),將經(jīng)特征提取之后的特征序列作為輸入,實(shí)驗(yàn)樣本被分為18類,得到分類結(jié)果。此外為驗(yàn)證IAFSA對于SVM參數(shù)優(yōu)化在IGBT故障診斷中的有效性,本文還使用了隨機(jī)參數(shù)、粒子群優(yōu)化算法(PSO)和AFSA對SVM進(jìn)行參數(shù)更新,完成了分類任務(wù)。PSO的初始種群大小設(shè)置為20,加速因子為c1=1.0,c2=1.6,迭代次數(shù)設(shè)置為100[16];AFSA的初始魚群數(shù)量為30,迭代次數(shù)為100,擁擠度因子為0.5,最大尋優(yōu)次數(shù)設(shè)置為15,初始步長為1,視野范圍設(shè)置為1.5。IAFSA具體參數(shù)設(shè)置見表2。

隨機(jī)參數(shù)和各算法下的基于SVM的IGBT故障診斷分類準(zhǔn)確率如表3所示。

表3 各參數(shù)SVM分類準(zhǔn)確率Tab.3 The accuracy of SVM with different parameters

4.3 結(jié)果分析

通過驗(yàn)證結(jié)果進(jìn)行可視化如圖8所示,可以得出隨機(jī)參數(shù)下的SVM雖然可能達(dá)到較好的分類性能,但不可避免的具有較差的泛化性,訓(xùn)練集測試集分類準(zhǔn)確度相差較大。此外,基于IAFSA的SVM分類準(zhǔn)確度明顯優(yōu)于PSO和AFSA算法下的SVM分類器,分類準(zhǔn)確度達(dá)到了訓(xùn)練集100.00%和測試集90.93%。結(jié)果表明,IAFSA可以通過引入自適應(yīng)變步長和全局隨機(jī)行為來改進(jìn)AFSA,進(jìn)而對SVM參數(shù)進(jìn)行優(yōu)化,可以顯著提高IGBT故障診斷模型的泛化能力和分類性能。

8-a 隨機(jī)參數(shù) 8-b PSO算法

5 結(jié)論

本文對IGBT的故障診斷進(jìn)行研究,建立岸電變頻電源的仿真模型,計(jì)算經(jīng)過STFT變換的輸出電流PSD作為診斷模型的特征。以此為基礎(chǔ),通過自適應(yīng)變步長和全局隨機(jī)行為構(gòu)建IAFSA優(yōu)化SVM參數(shù),提高SVM的泛化性,在對18種故障數(shù)據(jù)樣本分類時(shí)達(dá)到了90.93%的準(zhǔn)確度,可以很好地識別岸電變頻電源中IGBT的故障類型,以便進(jìn)行后續(xù)維修。