采用SDAE-FFNN網(wǎng)絡(luò)的PMSM逆變器開路故障診斷研究

馮 莉,羅洪林,許水清

(1.重慶交通大學(xué) 交通運(yùn)輸學(xué)院, 重慶 400074;2.合肥工業(yè)大學(xué) 電氣與自動(dòng)化工程學(xué)院, 合肥 230009)

0 引言

逆變器作為新能源汽車動(dòng)力驅(qū)動(dòng)系統(tǒng)的重要組件之一,也作為永磁同步電機(jī)(permanent magnet synchronous motor,PMSM)的驅(qū)動(dòng)元件,其重要性非同小可。逆變器將車載直流電轉(zhuǎn)化為交流電,是驅(qū)動(dòng)新能源動(dòng)力汽車行駛的重要樞紐組件。當(dāng)其發(fā)生故障時(shí),車輛將無法實(shí)現(xiàn)驅(qū)動(dòng),嚴(yán)重時(shí)將對(duì)人們出行的安全產(chǎn)生影響,甚至發(fā)生車毀人亡的事故,因此,提升逆變器的故障診斷技術(shù)顯得尤為重要。若能夠盡早地監(jiān)測出故障源,并進(jìn)行故障識(shí)別,采取相應(yīng)的維修措施,及時(shí)進(jìn)行降級(jí)處理,減小災(zāi)害的發(fā)生,就能保障汽車行駛的安全。數(shù)據(jù)表明,在變頻調(diào)速系統(tǒng)的逆變器故障中IGBT元器件的故障占比高達(dá)82%[1],因此,對(duì)電機(jī)驅(qū)動(dòng)系統(tǒng)中逆變器IGBT元器件展開故障診斷研究勢在必行。

目前,國內(nèi)外學(xué)者對(duì)逆變器的故障診斷展開的研究不計(jì)其數(shù)。電機(jī)驅(qū)動(dòng)系統(tǒng)逆變器開路故障研究表明,電流檢測法[2-3]、電壓檢測法[4]和數(shù)據(jù)驅(qū)動(dòng)的智能檢測法[5-6]是現(xiàn)代深度故障診斷的新方向。在基于大數(shù)據(jù)的背景下,數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)智能故障診斷技術(shù)是未來研究發(fā)展的新趨勢。Tian等[7]基于建立FTPMSM系統(tǒng)故障模型提出了基于非故障相電流Lissajous圖的故障特征提取方法。Zhang等[8]提出了一種級(jí)聯(lián)式開路故障診斷方法,但邏輯性較為復(fù)雜,在開關(guān)管組合類型較多情況下進(jìn)行故障識(shí)別判斷更為困難。韓素敏等[9]將線電壓作為測量值,由FFT提取測量值特征,獲取了大量故障數(shù)據(jù),為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試奠定了良好的基礎(chǔ),最后通過BP神經(jīng)網(wǎng)絡(luò)模擬出逆變器開路故障與特征值一一對(duì)應(yīng)關(guān)系,但未能證明在小樣本數(shù)據(jù)背景下仍能高效、精確地完成對(duì)三相電壓源型逆變器的故障診斷。王麗華等[10]將故障信號(hào)進(jìn)行降維處理,利用傅里葉變換提取特征,建立了4層的BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)三電平變頻器逆變器的故障診斷,解決了2只開關(guān)管同時(shí)發(fā)生故障的問題,若能再提高故障識(shí)別精確度將會(huì)更好。趙暉等[11]通過提取相電壓、電感電流及開關(guān)頻率處諧波分量作為故障特征,構(gòu)建人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)逆變器的故障診斷,但未與其他神經(jīng)網(wǎng)絡(luò)做對(duì)比,且未能夠?qū)τ诟訌?fù)雜的故障情形進(jìn)行分析。姜媛媛等[12]使用在EMD基礎(chǔ)上改進(jìn)的VMD對(duì)樣本進(jìn)行變分模態(tài)分解,并利用小波變換提取各模態(tài)分量的小波能量獲得特征值,通過CNN卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷,CNN的復(fù)雜性使其在建模之初較難滿足數(shù)據(jù)驅(qū)動(dòng)的條件,雖然檢測效率較高,但故障識(shí)別準(zhǔn)確率有待提高。丁毅等[13]采用電壓源作為測量信號(hào),提出一種基于小波分析和量子神經(jīng)網(wǎng)絡(luò)的三電平逆變器開路故障診斷方法,訓(xùn)練準(zhǔn)確率與診斷準(zhǔn)確度具有很好的優(yōu)勢且運(yùn)行效率高效,適用于在線診斷,但缺點(diǎn)是電壓檢測法原理較復(fù)雜,操作性不易。龍瀚宏等[14]提出一種基于深度學(xué)習(xí)模塊化的逆變器子模塊開路故障診斷方法,且故障識(shí)別時(shí)可采用較多故障種類。

基于高安全性和高可靠性的設(shè)計(jì)原則,逆變器在大多數(shù)運(yùn)行時(shí)段都處于正常工作的狀態(tài)。發(fā)生故障時(shí),故障信號(hào)的有效時(shí)間非常短,使得基于數(shù)據(jù)驅(qū)動(dòng)的智能故障診斷技術(shù)在應(yīng)用上面臨著特征信號(hào)難以捕捉和早期故障特征可分性差的問題。有研究表明,工程上少數(shù)的簡單經(jīng)驗(yàn)特征無法獲得較高分類精度,導(dǎo)致其在一些應(yīng)用上受阻。此外,在沒有先驗(yàn)知識(shí)的特征提取方法下,采取何種特征提取方法會(huì)對(duì)最終故障診斷識(shí)別的精確度造成不同影響。有更多的研究表明[15-17],當(dāng)特征量不夠時(shí),很難保證診斷模型具有良好的魯棒性與泛化性,而融合多種特征提取方法形成高維特征數(shù)據(jù)集能夠提升診斷模型對(duì)故障識(shí)別的準(zhǔn)確度。

基于上述方法的優(yōu)點(diǎn)與不足,提出了一種融合堆疊降噪自編碼器和前饋神經(jīng)網(wǎng)絡(luò)(stacked denoising autoencoder-feedforward neural network,SDAE-FFNN)的三相永磁同步電機(jī)逆變器開路故障診斷方法。首先,利用Simulink仿真得到基于三相逆變器開路故障的永磁同步電機(jī)輸出的定子電流故障信號(hào)[18-21]。然后,融合6種頻域特征提取方法提取故障信號(hào)特征并整合形成高維特征數(shù)據(jù)集。最后,采用提出的融合堆疊降噪自編碼器和前饋神經(jīng)網(wǎng)絡(luò)的方法完成故障診斷。與傳統(tǒng)深度學(xué)習(xí)方法進(jìn)行對(duì)比,驗(yàn)證了該方法在故障診斷應(yīng)用上的有效性和可行性。

1 三相逆變器電路故障仿真分析

1.1 逆變器故障模擬仿真分析

逆變器作為永磁同步電機(jī)的關(guān)鍵驅(qū)動(dòng)部件,發(fā)生故障概率最大的地方是功率管IGBT,因此對(duì)三相永磁同步電機(jī)逆變器進(jìn)行故障仿真模擬,提取三相永磁同步電機(jī)輸出定子電流作為實(shí)驗(yàn)故障信號(hào)的研究對(duì)象。三相逆變器拓?fù)浣Y(jié)構(gòu)如圖1所示,通過Matlab/Simulink搭建的三相永磁同步電機(jī)驅(qū)動(dòng)系統(tǒng)仿真模型結(jié)構(gòu)如圖2所示。

圖1 三相逆變器拓?fù)浣Y(jié)構(gòu)圖

實(shí)驗(yàn)設(shè)定轉(zhuǎn)速為1 000 rad/s,轉(zhuǎn)矩為10 N·m,三相永磁同步電機(jī)驅(qū)動(dòng)系統(tǒng)正常運(yùn)行。根據(jù)逆變器開路故障發(fā)生率較高的單橋臂和雙橋臂開路故障情況進(jìn)行研究,故障類型大致可以分為以下4種:

1) 單橋臂開關(guān)器件IGBT發(fā)生開路故障;

2) 同橋臂雙管開關(guān)器件IGBT發(fā)生開路故障;

3) 同相位雙管開關(guān)器件IGBT發(fā)生開路故障;

4) 交叉雙管開關(guān)器件IGBT發(fā)生開路故障。

利用Matlab/Simulink搭建如圖1所示的三相全橋逆變器模型,采用脈沖控制信號(hào)的控制策略來控制開關(guān)管IGBT的開斷。根據(jù)表1所示的故障類型與故障位置進(jìn)行逐一仿真。

表1 模擬三相逆變器電路IGBT開路故障類型

無故障發(fā)生時(shí),電流波形如圖3所示。有故障發(fā)生時(shí),電流波形如圖4所示?？梢钥闯?永磁同步電機(jī)在剛啟動(dòng)時(shí)電流波形有一定的抖動(dòng),經(jīng)過0.02 s后逐漸達(dá)到初始給定值,響應(yīng)速度很快。設(shè)置的故障響應(yīng)起始點(diǎn)均為0.07 s,從圖4中可明顯看出電流波形發(fā)生不規(guī)則抖動(dòng)。

圖3 正常工作狀態(tài)下輸出的電流波形

圖4 故障時(shí)輸出的電流波形曲線

從圖4(a)得知,在只有A相上橋臂IGBT發(fā)生故障的情況下,B、C相的輸出電流波形會(huì)嚴(yán)重變形,但沒有周期波形缺失現(xiàn)象;從圖4(b)得知,在A、B相上橋臂IGBT發(fā)生故障的情況下,A、B相電流無正半周期波形,根據(jù)三相電流矢量之和始終為零的原則,C相電流受故障影響只存在下半周期波形,且該相的輸出信號(hào)波形也會(huì)發(fā)生嚴(yán)重變形;從圖4(c)得知,在A相上、下橋臂IGBT均發(fā)生故障的情況下,A相上、下橋臂均不導(dǎo)通,A相定子電流輸出值在發(fā)生故障后始終為零,且B、C相輸出電流波形發(fā)生嚴(yán)重變形,但沒有周期波形缺失現(xiàn)象;從圖4(d)得知,在A相上橋臂IGBT和B相下橋臂IGBT同時(shí)發(fā)生故障的情況下,A相電流無正半周期波形,B相電流無負(fù)半周期波形,C相電流受故障影響波形發(fā)生嚴(yán)重變形,但沒有周期波形缺失現(xiàn)象。

1.2 故障特征提取

根據(jù)逆變器的工作原理,對(duì)每個(gè)IGBT進(jìn)行實(shí)時(shí)監(jiān)測非常困難。但逆變器作為驅(qū)動(dòng)元件作用于永磁同步電機(jī)時(shí)的輸出電流具有周期性,且故障發(fā)生時(shí)的故障特征信息也應(yīng)包含在周期信號(hào)中。為此,將電機(jī)的輸出電流作為研究對(duì)象,并采取融合多種頻域特征提取的方法,將時(shí)域信號(hào)轉(zhuǎn)換到頻域中,得到多種頻域特征向量,以便神經(jīng)網(wǎng)絡(luò)更好地進(jìn)行故障識(shí)別分類。

采取的頻域特征提取方法為快速傅里葉變換法(FFT)、短時(shí)傅里葉變換(STFT)、Gabor變換、小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解法(EMD)和線性正則變換法(LCT)。

由式(1)可知,快速傅里葉變換(FFT)是一種將離散信號(hào)分解為不同頻率的正弦波,得到頻域數(shù)據(jù)信號(hào),便于進(jìn)行信號(hào)分析的方法。采用ADC數(shù)模轉(zhuǎn)換的方法,將連續(xù)變化的模擬故障信號(hào)轉(zhuǎn)化為離散信號(hào),便于對(duì)信號(hào)進(jìn)行快速傅里葉變換。

(1)

短時(shí)傅里葉變換(STFT)不僅考慮到頻域特征的變化,還考慮到時(shí)序變化。給定一個(gè)時(shí)間寬度很短的窗函數(shù)γ(t),滑動(dòng)窗口,則信號(hào)z(t)的STFT變換定義為:

(2)

式中:*代表復(fù)數(shù)共軛。正是γ(t)的時(shí)間移位與頻率移位,使得STFT變換不僅具有頻域特性還具有時(shí)域特性。

Gabor變換則是在STFT基礎(chǔ)上,使用了一個(gè)高斯函數(shù)作為窗函數(shù),通過頻率參數(shù)與高斯函數(shù)參數(shù)的選擇,在一定程度上解決了STFT只能局部分析信號(hào)的問題。相反,Gabor變換能夠在整體信號(hào)上提供任一局部時(shí)間內(nèi)信號(hào)的變化程度,其定義為:

(3)

小波變換繼承了傅里葉變換的思想,克服了窗口大小不隨頻率變化的缺點(diǎn),反映了全頻帶的故障信號(hào),可以更精細(xì)地刻畫及分析信號(hào)特征。對(duì)于信號(hào),其小波變換由母小波Ψa,b定義為:

(4)

經(jīng)驗(yàn)?zāi)B(tài)分解法(EMD)能夠自適應(yīng)地將信號(hào)分解成若干個(gè)固有模態(tài)函數(shù)(IMF),通過分離每個(gè)IMF分量得到完整頻率分布,取得信號(hào)有效部分,最終獲得最優(yōu)變分問題的解。

將每種故障類型的采樣率均設(shè)置為1 000 Hz,采用6種頻域特征提取方法后,得到12維特征向量數(shù)據(jù)集,每一維選取960個(gè)采樣點(diǎn),打亂順序后隨機(jī)在每一維選取768個(gè)采樣點(diǎn)作為訓(xùn)練集,剩下每一維192個(gè)采樣點(diǎn)作為驗(yàn)證集。

以單橋臂故障類型、故障位置V1、取故障數(shù)據(jù)的960個(gè)采樣點(diǎn)為例,分別繪出其FFT頻譜圖、STFT頻譜圖、Gabor變換頻譜圖、小波變換頻譜圖和IMF模態(tài)分量圖,如圖5所示。

由于不同頻域特征提取方法造成的特征數(shù)值差異較大,為減少數(shù)據(jù)樣本差異大造成的計(jì)算誤差,保障與原數(shù)據(jù)結(jié)構(gòu)相對(duì)不變,將提取后的特征數(shù)據(jù)進(jìn)行歸一化處理:

(5)

將特征向量整合形成高維特征數(shù)據(jù)集,采用二進(jìn)制的方式對(duì)數(shù)據(jù)集設(shè)置標(biāo)簽,隨機(jī)打亂后劃分訓(xùn)練集與驗(yàn)證集。最后利用提出的SDAE-FFNN網(wǎng)絡(luò)模型進(jìn)行故障識(shí)別。

1.3 故障診斷流程

本文利用Matlab/Simulink軟件模擬三相逆變器開路故障,得到三相永磁同步電機(jī)的輸出定子電流?；赟DAE-FFNN網(wǎng)絡(luò)模型對(duì)三相永磁同步電機(jī)逆變器開路故障進(jìn)行故障識(shí)別,具體流程如圖6所示。

圖6 故障診斷流程框圖

步驟1采集信號(hào)。采集三相逆變器在各種故障類型下的永磁同步電機(jī)輸出電流故障信號(hào)。

步驟2頻域特征提取。分別利用快速傅里葉變換、短時(shí)傅里葉變換、Gabor變換、小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解和線性正則變換等頻域特征提取方法,對(duì)故障信號(hào)進(jìn)行特征提取,得到多個(gè)故障特征向量。

步驟3數(shù)據(jù)重構(gòu)。將所有特征向量進(jìn)行歸一化處理,并整合形成高維特征數(shù)據(jù)集。

步驟4SDAE-FFNN網(wǎng)絡(luò)模型設(shè)計(jì)與訓(xùn)練。對(duì)重構(gòu)數(shù)據(jù)設(shè)置標(biāo)簽,劃分訓(xùn)練集和測試集。

步驟5故障診斷。為驗(yàn)證方法的可行性,與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、DBN網(wǎng)絡(luò)模型和AE神經(jīng)網(wǎng)絡(luò)模型的故障分類識(shí)別進(jìn)行對(duì)比分析。

2 理論基礎(chǔ)

2.1 SDAE-FFNN網(wǎng)絡(luò)模型

簡單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)所得到的淺層特征很難滿足分類識(shí)別的預(yù)期效果。為獲取更為深層的特征,一種更深層的神經(jīng)網(wǎng)絡(luò)堆疊降噪自編碼器(stacked denoising auto encoder,SDAE)被廣泛采用[22]。對(duì)輸入層添加噪音信號(hào),使輸入信號(hào)具有良好的魯棒性,并且使得深層特征具有防止過擬合的能力。輸入帶噪音的信號(hào)后由輸入層和隱藏層構(gòu)成的編碼器進(jìn)行降維特征提取;得到的特征則由隱藏層和輸出層構(gòu)成解碼器進(jìn)行數(shù)據(jù)重構(gòu),作為輸出。SDAE網(wǎng)絡(luò)[23]由多個(gè)AE堆疊而成,SDAE網(wǎng)絡(luò)模型結(jié)構(gòu)如圖7所示。

圖7 堆疊降噪自編碼器結(jié)構(gòu)示意圖

SDAE訓(xùn)練流程如下。

(6)

式中:σ為Sigmoid激活函數(shù);ω1為連接輸入層與隱藏層的權(quán)重矩陣;b1為編碼過程的偏置。

(7)

式中:ω1′為連接隱藏層與輸出層的權(quán)重矩陣;b1′為解碼過程的偏置。

步驟4采用最小均方差式(8)作為優(yōu)化代價(jià)函數(shù),且采用梯度下降方法不斷更新權(quán)重和偏置:

(8)

(9)

(10)

本文將SDAE網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)相結(jié)合[24],將最后一層DAE模型得到的最優(yōu)權(quán)重ωk和偏置bk作為前饋神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù),特征hk作為前饋神經(jīng)網(wǎng)絡(luò)的輸入,如圖8所示。

圖8 SDAE-FFNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

FFNN神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)傳遞模型為:

(11)

采用交叉熵作為優(yōu)化函數(shù),函數(shù)表達(dá)式為:

(13)

Sigmoid函數(shù)表達(dá)式為:

(14)

2.2 網(wǎng)絡(luò)層數(shù)以及神經(jīng)元數(shù)的設(shè)計(jì)

隱藏層的層數(shù)與節(jié)點(diǎn)數(shù)的合理選擇決定模型的預(yù)測準(zhǔn)確率和運(yùn)算效率,因此在設(shè)計(jì)SDAE-FFNN網(wǎng)絡(luò)之初,首先要進(jìn)行網(wǎng)絡(luò)層數(shù)的選擇。SDAE模型設(shè)為3個(gè)DAE網(wǎng)絡(luò)結(jié)構(gòu),以減小神經(jīng)網(wǎng)絡(luò)的規(guī)模,降低各層之間誤差,增加分類精確度。輸入層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)設(shè)為12,隱藏層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)設(shè)為200,輸出層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)設(shè)為2。超參數(shù)設(shè)置如下:學(xué)習(xí)率為0.1,去噪因子為0.5,數(shù)據(jù)批量大小為6,迭代次數(shù)為300。

3 故障分析結(jié)果對(duì)比

3.1 基于SDAE-FFNN的故障識(shí)別仿真

對(duì)模擬的表1所示的4種具體位置故障類型分別進(jìn)行故障診斷識(shí)別,訓(xùn)練迭代曲線如圖9所示。

圖9 SDAE-FFNN網(wǎng)絡(luò)的訓(xùn)練迭代曲線

基于SDAE-FFNN網(wǎng)絡(luò)模型的三相永磁同步電機(jī)逆變器開路故障識(shí)別方法準(zhǔn)確率如表2所示。所提識(shí)別方法平均故障識(shí)別率為98.802 1%,達(dá)到了預(yù)期效果,表明該模型在不同故障類型下均可以保持較高的識(shí)別準(zhǔn)確率。

表2 基于SDAE-FFNN網(wǎng)絡(luò)模型的故障識(shí)別方法準(zhǔn)確率

3.2 不同特征提取方法下故障診斷結(jié)果對(duì)比

為驗(yàn)證融合多種特征提取方法形成的高維特征數(shù)據(jù)集能夠提升診斷模型對(duì)故障識(shí)別的準(zhǔn)確率。以單橋臂故障類型、故障位置V1為例,將所提方法與部分單一特征提取的方法進(jìn)行對(duì)比,且均采用SDAE-FFNN網(wǎng)絡(luò)模型,結(jié)果如表3所示。由此可知,融合多種頻域特征提取方法的故障診斷準(zhǔn)確率明顯更高,優(yōu)于單一特征提取方法下的故障診斷準(zhǔn)確率。

表3 不同特征提取方法下的識(shí)別準(zhǔn)確率

3.3 與傳統(tǒng)深度學(xué)習(xí)方法對(duì)比

為驗(yàn)證所提模型的有效性,將傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、DBN神經(jīng)網(wǎng)絡(luò)、AE神經(jīng)網(wǎng)絡(luò)與所提方法識(shí)別4種故障類型的結(jié)果進(jìn)行對(duì)比,結(jié)果如表4所示。由此可知,采用SDAE-FFNN網(wǎng)絡(luò)的深度學(xué)習(xí)方法對(duì)三相PMSM逆變器開路故障識(shí)別準(zhǔn)確率有所提升,且優(yōu)于傳統(tǒng)深度學(xué)習(xí)方法的識(shí)別準(zhǔn)確率。

表4 與傳統(tǒng)深度學(xué)習(xí)方法識(shí)別準(zhǔn)確率對(duì)比

4 結(jié)論

模擬注入了三相逆變器開路故障類型,得到三相永磁同步電機(jī)輸出的定子電流故障信號(hào),融合多種頻域特征提取方法,提出了SDAE-FFNN的故障診斷識(shí)別方法,并經(jīng)過仿真分析驗(yàn)證了該方法的可行性與實(shí)用性。

實(shí)驗(yàn)結(jié)果表明,采用SDAE-FFNN網(wǎng)絡(luò)模型的三相永磁同步電機(jī)逆變器開路故障診斷具有良好的故障分類識(shí)別能力。實(shí)驗(yàn)中選取BP神經(jīng)網(wǎng)絡(luò)模型、DBN神經(jīng)網(wǎng)絡(luò)模型和AE神經(jīng)網(wǎng)絡(luò)模型與SDAE-FFNN模型進(jìn)行比較,所提方法在故障分類準(zhǔn)確率上有所提升。因此,SDAE-FFNN網(wǎng)絡(luò)模型在三相永磁同步電機(jī)逆變器開路故障診斷方面具有一定的工程實(shí)用價(jià)值。