基于互相似性度量的航空電源系統(tǒng)故障診斷

黃湛鈞，胡 康，張 安，董林林，陳驍驊

（西北工業(yè)大學(xué)航空學(xué)院，陜西 西安 718400）

0 引言

近年來，航空工業(yè)市場規(guī)模不斷擴(kuò)大[1]，飛機(jī)燃料燃燒引發(fā)的碳排放問題日趨嚴(yán)重[2]。此外，傳統(tǒng)飛機(jī)大量采用液壓、機(jī)械能等進(jìn)行子系統(tǒng)的驅(qū)動(dòng)，降低了飛機(jī)的安全性和可維護(hù)性[3]。為了提高飛機(jī)的可靠性并推進(jìn)綠色航空，多電飛機(jī)在近年得到了大量的研究和應(yīng)用，旨在采用大量電驅(qū)動(dòng)系統(tǒng)代替原有液壓作動(dòng)系統(tǒng)[4]。在這種背景下，國內(nèi)外學(xué)者提出許多新型機(jī)載電源系統(tǒng)結(jié)構(gòu)，如文獻(xiàn)[5]中的集成式機(jī)載電源系統(tǒng)，相比于傳統(tǒng)飛機(jī)電源結(jié)構(gòu)采用了更多的交直流變換器。電力電子技術(shù)在多電飛機(jī)上的大規(guī)模應(yīng)用，也為飛機(jī)的安全運(yùn)行帶來了新的隱患。電子元器件的故障具有突發(fā)性和不可預(yù)測性[6]，這會(huì)為飛機(jī)電源系統(tǒng)乃至整機(jī)的安全運(yùn)行帶來巨大威脅。因此，飛機(jī)電源系統(tǒng)關(guān)鍵拓?fù)涞墓收显\斷具有重大意義。

逆變器是傳統(tǒng)及未來多電飛機(jī)的重要電力轉(zhuǎn)換裝置。逆變器中的開關(guān)器件長期工作于高頻和大功率狀態(tài)下，其短路和開路故障一直受到工業(yè)界的關(guān)注。短路故障會(huì)瞬間在回路中產(chǎn)生巨大電流應(yīng)力造成周圍器件損毀，但這類故障容易檢測并由斷路器及時(shí)隔離[7]。而開路故障不易被及時(shí)檢測，因此會(huì)導(dǎo)致回路中其他元器件長時(shí)間承受過高電應(yīng)力，最終引發(fā)二次故障。因此，逆變器的開路故障診斷對(duì)機(jī)載電源系統(tǒng)的安全運(yùn)行十分重要。

實(shí)際上，各應(yīng)用場景下的逆變器開路故障診斷在過去已經(jīng)得到了深入的研究[8-10]。許多方法通過監(jiān)測一定基本周期內(nèi)逆變器的輸出電信號(hào)來實(shí)時(shí)提取輸出波形的異常特征，基于此實(shí)現(xiàn)逆變器開路故障的檢測和定位。例如，文獻(xiàn)[11]采集一個(gè)基本周期內(nèi)的三相電流數(shù)據(jù)，將離散信號(hào)序列進(jìn)行積分和點(diǎn)乘運(yùn)算，構(gòu)建時(shí)域特征值，最后利用改進(jìn)極限學(xué)習(xí)機(jī)作為分類器生成故障診斷模型。文獻(xiàn)[12]為適應(yīng)負(fù)載變化，將三相電流值進(jìn)行歸一化處理，再利用一個(gè)基本電流周期內(nèi)的離散數(shù)據(jù)進(jìn)行積分，將歸一化電流的有效值和殘差作為診斷變量，最后通過設(shè)計(jì)模糊邏輯表實(shí)現(xiàn)了兩電平逆變器的開路故障診斷。文獻(xiàn)[13]基于一個(gè)基本周期內(nèi)三相電流的平均值、有效值和兩者之比作為故障診斷特征值，利用袋裝樹分類算法進(jìn)行開路故障模式的識(shí)別。文獻(xiàn)[14]用三路輸出電流作為初始信號(hào)，基于快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）得到其在頻域下的頻率分量，Relief 算法降維后基于隨機(jī)向量函數(shù)鏈神經(jīng)網(wǎng)絡(luò)（Random Vector Functional Link Network，RVFL）得到逆變器開路故障診斷模型。數(shù)據(jù)采集模塊作為故障診斷算法的輸入源，所傳遞信號(hào)序列的數(shù)據(jù)質(zhì)量對(duì)算法實(shí)現(xiàn)有極大的影響。在上述故障診斷場景中，逆變器輸出頻率大多為50～60 Hz，故障診斷算法的采樣頻率限制在10～50 kHz范圍內(nèi)[15-17]。然而，航空電源系統(tǒng)的標(biāo)準(zhǔn)輸出頻率為400 Hz，達(dá)到中頻范疇[1]。輸出頻率的大幅增加，導(dǎo)致現(xiàn)有故障診斷采樣率下獲得的采樣點(diǎn)在中頻基波內(nèi)稀疏分布，采樣點(diǎn)數(shù)量大幅減少。將此時(shí)采集得到的一個(gè)基本周期內(nèi)的信號(hào)序列稱為稀疏信號(hào)序列。由于正弦周期內(nèi)采樣點(diǎn)數(shù)相對(duì)較少，離散信號(hào)序列對(duì)正弦波形的表征能力較弱，所以采樣中的噪聲和數(shù)據(jù)丟失問題會(huì)更容易造成信號(hào)數(shù)據(jù)質(zhì)量的下降[18-19]。甚至導(dǎo)致由離散數(shù)據(jù)點(diǎn)重構(gòu)所得的波形發(fā)生畸變，正弦信號(hào)的振幅、對(duì)稱性等特征與實(shí)際相異，異常特征可能使診斷算法出現(xiàn)失效或誤診。這為現(xiàn)有大多數(shù)故障診斷方法遷移應(yīng)用于航空電源系統(tǒng)帶來挑戰(zhàn)。提高信號(hào)采集設(shè)備的頻率和精度有利于解決該問題，但這會(huì)大大增加故障診斷模塊所需的硬件成本，與航空經(jīng)濟(jì)型原則相悖。因此，在不增加采樣成本前提下，設(shè)計(jì)一種能夠基于數(shù)據(jù)缺失的稀疏信號(hào)序列的航空電源系統(tǒng)開路故障診斷方法，具有極高的實(shí)用價(jià)值。

針對(duì)以上問題，本文提出一種新型航空電源系統(tǒng)開路故障診斷方法，能夠在20 kHz的采樣頻率和少量數(shù)據(jù)點(diǎn)缺失情況下，基于一個(gè)基本周期內(nèi)電流數(shù)據(jù)實(shí)現(xiàn)電源系統(tǒng)中逆變器開路故障的診斷和故障開關(guān)管的定位。首先，電源系統(tǒng)的三相輸出電流作為被測信號(hào)，利用派克矢量變換對(duì)三相電流數(shù)據(jù)進(jìn)行歸一化處理。其次，結(jié)合一個(gè)基本周期內(nèi)正弦波形的特性，消除了三相電流波形的相位差異。再次，利用動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping，DTW）算法，在不改變各故障模式下電流波形特征的同時(shí)，實(shí)現(xiàn)了非等長信號(hào)序列的數(shù)據(jù)點(diǎn)的增補(bǔ)與匹配，使各信號(hào)序列可進(jìn)行相似性度量。繼次，時(shí)域特征指標(biāo)絕對(duì)相似度和相對(duì)相似度被構(gòu)建，特征指標(biāo)通過衡量電流波形整體相似度，減弱了稀疏序列和缺失數(shù)據(jù)點(diǎn)對(duì)時(shí)域指標(biāo)穩(wěn)定性的影響。最后，基于K-近鄰算法（K-Nearest Neighbor，KNN）生成故障診斷模型。本文的貢獻(xiàn)如下：

1）針對(duì)數(shù)據(jù)發(fā)生缺失的非等長電流信號(hào)序列，基于DTW 算法解決了各相電流無法匹配運(yùn)算的問題，使所提方法可在數(shù)據(jù)點(diǎn)少量缺失時(shí)實(shí)施；

2）提出了互相似性度量的三相電流時(shí)域特征提取方法，減弱了稀疏序列和缺失數(shù)據(jù)點(diǎn)對(duì)時(shí)域指標(biāo)穩(wěn)定性的影響，能夠基于稀疏信號(hào)序列有效實(shí)現(xiàn)各開路故障下輸出波形的特征提取。

1 故障模式分析

一種混合電力飛機(jī)的電源系統(tǒng)結(jié)構(gòu)如圖1所示。電源系統(tǒng)中逆變器由3個(gè)橋臂構(gòu)成，每個(gè)橋臂上分布有2個(gè)絕緣柵雙極型晶體管（IGBT）。T1～T6中每一時(shí)刻都有2個(gè)IGBT同時(shí)導(dǎo)通，開關(guān)管的導(dǎo)通時(shí)序和對(duì)應(yīng)的輸出電壓波形如圖2所示。IGBT開路故障包括單管開路和雙管開路，如表1所示，共有21種故障模式。

表1 開路故障模式Tab.1 Open-circuit fault mode

圖1 混合電力飛機(jī)電源系統(tǒng)結(jié)構(gòu)Fig.1 Hybrid electrical aircraft power system structure

圖2 IGBT 開通相序和對(duì)應(yīng)輸出電壓波形Fig.2 IGBTs conduction sequence and corresponding output voltage waveform

2 互相似性度量故障診斷算法

三相輸出電流為故障診斷算法的輸入。首先，為使所構(gòu)建特征值適應(yīng)航空電源的負(fù)載變化，對(duì)三相電流進(jìn)行派克矢量歸一化處理；其次，為在后續(xù)進(jìn)行電流波形相似性度量，基于正弦波形特性消除了三相電流信號(hào)固有的相位差異；再次，針對(duì)數(shù)據(jù)缺失的被測稀疏信號(hào)序列，基于DTW算法進(jìn)行各序列數(shù)據(jù)元素的補(bǔ)齊與匹配，為相-相波形相似度計(jì)算創(chuàng)造基礎(chǔ)；繼次，基于各序列元素匹配關(guān)系構(gòu)建絕對(duì)相似度和相對(duì)相似度特征值表征波形宏觀時(shí)域特征，減弱了數(shù)據(jù)缺失和稀疏信號(hào)序列對(duì)故障診斷的負(fù)面影響；最后，基于KNN分類器生成航空電源系統(tǒng)故障診斷模型，便于工程應(yīng)用。算法實(shí)現(xiàn)在以下章節(jié)中具體描述，算法整體流程如圖3所示。

圖3 故障診斷算法流程圖Fig.3 Fault diagnosis algorithm flowchart

2.1 派克矢量歸一化

利用控制環(huán)路中采樣的三相電流ia、ib、ic作為診斷算法輸入信號(hào)，無需安裝多余傳感器。首先進(jìn)行歸一化操作，派克矢量變換是一種將三相電流由abc坐標(biāo)系轉(zhuǎn)換到αβ坐標(biāo)系下的方法，如公式（1）和（2）：

式中：ia、ib、ic為電源系統(tǒng)出電流；Im為交流電峰值；ω為角頻率；iα和iβ分別電流矢量在α軸和β軸的投影。電流矢量的模值 |is|如公式（3）所示：

三相電流的歸一化公式如式（4）：

該方法將各負(fù)載狀態(tài)下的被測三相電流均歸一化到[-1，1]的區(qū)間內(nèi)，負(fù)載切換引起的電流幅值變化不再為后續(xù)算法的設(shè)計(jì)造成影響。輸出電流歸一化到統(tǒng)一的范圍區(qū)間，使得后續(xù)波形相似度指標(biāo)變化僅受逆變器運(yùn)行狀態(tài)影響，所構(gòu)建特征值更能清晰反應(yīng)故障信息。

2.2 三相信號(hào)相位差消除

時(shí)間序列相似度衡量算法是在一個(gè)時(shí)間窗內(nèi)，讓不同序列的數(shù)據(jù)點(diǎn)進(jìn)行運(yùn)算，數(shù)據(jù)點(diǎn)的整體距離作為序列相似度的衡量指標(biāo)。正常狀態(tài)下，由于固有相位影響一個(gè)基本周期內(nèi)的三相電流波形在時(shí)間窗內(nèi)局部差異較大，?的波形相似度較低。為進(jìn)行波形相似度指標(biāo)的構(gòu)建，需要對(duì)信號(hào)序列切片重構(gòu)，消除相位差對(duì)波形相似度衡量的影響。

如圖4 a） 所示，為T1開路時(shí)的故障波形。故障后三相電流的波形仍近似為正弦波形。正弦函數(shù)在一個(gè)基本周期內(nèi)只存在一個(gè)波谷。本文基于波谷值進(jìn)行數(shù)據(jù)切片和重構(gòu)。首先，一個(gè)基本周期內(nèi)三相電流的離散序列可表示為式（5）：

圖4 T1 故障電流相位消除結(jié)果Fig.4 Current phase elimination result under T1 fault

將波谷值作為數(shù)據(jù)切片的斷點(diǎn)，找到該值在序列中的索引位置M，如式（6）所示：

基于索引M將一相電流序列拆分為和?，如式（7）所示：

如圖4 b）所示，為T1 開路后一個(gè)周期內(nèi)三相歸一化電流經(jīng)相位消除前后的波形圖。整體的電流波形幅值被限制在[-1,1]的范圍內(nèi)，三相波形的相位差被消除。同時(shí)，經(jīng)過處理的波形仍保留了對(duì)應(yīng)的開路故障特征。

對(duì)于單橋臂雙開路的故障模式，如T12開路故障時(shí)，A 相被測電流始終接近0。此時(shí)A 相波形不再具有正弦特性，相位消除也失去意義，因此該故障模式下無需進(jìn)行序列重構(gòu)。針對(duì)這一情況，每相電流序列在執(zhí)行重構(gòu)前需要進(jìn)行閾值判斷，由式（9）和式（10）判斷是否執(zhí)行重構(gòu)，

式中：ek為歸一化電流序列的振幅；Fk為序列重構(gòu)標(biāo)志位，F(xiàn)k為1時(shí)對(duì)該序列執(zhí)行重構(gòu)，否則保留原有序列；ξ為判斷電流波形是否符合單橋臂雙開路故障的閾值，由于整體處于[-1,1]的區(qū)間，本文將ξ取為0.2。

所提方法設(shè)定了閾值判斷各信號(hào)序列間相位消除操作的必要性?；趩沃芷趦?nèi)正弦波形的特性消除了三相電流信號(hào)固有的相位差，以進(jìn)行后續(xù)波形相似性度量。消相后的各信號(hào)波形仍保留了幅值衰減、偏差疊加等典型故障特征。

2.3 基于DTW 的相似性度量

為減輕稀疏信號(hào)序列和數(shù)據(jù)缺失問題對(duì)故障診斷特征值的影響，利用一個(gè)周期內(nèi)三相電流波形的宏觀相似性作為診斷特征。

傳統(tǒng)的相似性度量方法不適用于非等長信號(hào)序列，如歐式距離和余弦相似度，其應(yīng)用對(duì)象均為2個(gè)等長的離散序列，在計(jì)算時(shí)只有對(duì)應(yīng)位置的數(shù)據(jù)點(diǎn)才可進(jìn)行匹配。若兩序列非等長，離散序列的元素下標(biāo)無法一一對(duì)應(yīng)，計(jì)算無法完成。若盲目進(jìn)行數(shù)據(jù)點(diǎn)的補(bǔ)齊，則可能使計(jì)算結(jié)果出現(xiàn)較大誤差。

為此，本文采用動(dòng)態(tài)時(shí)間規(guī)整算法，重新規(guī)劃非等長信號(hào)序列的元素匹配關(guān)系，構(gòu)建相似度指標(biāo)。DTW算法用于比較2個(gè)時(shí)間序列的相似性，被廣泛用于整流器、電車、衛(wèi)星和軸承等設(shè)備的故障診斷[20-23]。

式中：P為A相電流序列長度；Q為B相電流序列長度。

根據(jù)式（12）計(jì)算距離矩陣D。

式中：D1,1為矩陣第1行第1列所在元素；D1,p為矩陣D第1行其他元素；Dq,1為矩陣D第1列其他元素。距離矩陣D的第1行和第1列中元素確定后，其余元素根據(jù)公式（13）計(jì)算：

距離矩陣D計(jì)算完成后，根據(jù)該矩陣，由路徑尋優(yōu)結(jié)果，可以得出2個(gè)非等長序列中各元素的匹配關(guān)系，如式（14）所示：

式中：從元素D1,1開始至元素DQ,P結(jié)束，開始路徑尋優(yōu)，得出路徑上的矩陣元素，其下標(biāo)為2個(gè)離散序列和中的元素對(duì)應(yīng)關(guān)系。若元素Dq,p位于最優(yōu)路徑上，意味著序列中的數(shù)據(jù)點(diǎn)和序列中的數(shù)據(jù)點(diǎn)在進(jìn)行波形相似度指標(biāo)計(jì)算時(shí)相匹配。

相似度指標(biāo)的計(jì)算根據(jù)該匹配關(guān)系進(jìn)行。以下為T1開路時(shí)一個(gè)周期內(nèi)某兩相電流的離散序列，它們各自隨機(jī)缺失部分?jǐn)?shù)據(jù)點(diǎn)，得到2個(gè)數(shù)據(jù)缺失后的非等長稀疏離散電流序列。2個(gè)非等長序列的DTW路徑尋優(yōu)結(jié)果和匹配結(jié)果如圖5所示。

圖5 DTW 路徑尋優(yōu)和信號(hào)序列匹配結(jié)果Fig.5 DTW path optimization and signal sequence matching result

DTW信號(hào)序列匹配的實(shí)質(zhì)是局部補(bǔ)點(diǎn)，在保證使2條離散序列各自形狀不發(fā)生過大畸變，形狀相似部分不發(fā)生匹配錯(cuò)誤的前提下，使2條非等長離散序列等長，為2序列的數(shù)據(jù)運(yùn)算創(chuàng)造基礎(chǔ)。由此，非等長序列和經(jīng)過DTW匹配后，通過數(shù)據(jù)點(diǎn)補(bǔ)齊操作得到2條等長序列記為和，如式（15）所示：

基于以上等長序列，絕對(duì)值相似度 |D|構(gòu)建如式（16）所示：

絕對(duì)相似度 |D|在正常和逆變器故障狀態(tài)下的變化顯著。在正常狀態(tài)下，經(jīng)過歸一化和相位消除處理后的兩相電流波形高度重合，因此 |D|的近似值為0，故障發(fā)生后會(huì)迅速偏離0值。但由于 |D|無法反應(yīng)電流波形疊加的直流分量的正負(fù)特性。所以對(duì)于某些故障狀態(tài)，如T16和T25的開路故障，和十分接近。

所提絕對(duì)相似度和相對(duì)相似度反應(yīng)相-相間電流波形的整體相似性，是一種時(shí)域波形宏觀特征，目的是減弱稀疏信號(hào)序列和數(shù)據(jù)缺失對(duì)時(shí)域特征指標(biāo)構(gòu)建的負(fù)面影響。數(shù)據(jù)缺失問題導(dǎo)致波形局部故障特征模糊的同時(shí)，也會(huì)導(dǎo)致傳統(tǒng)相似性度量方法失效，DTW算法的引入實(shí)現(xiàn)了非等長序列數(shù)據(jù)元素的增補(bǔ)和匹配，使基于非等長信號(hào)序列的相似性度量得以完成，為D和 |D|指標(biāo)的構(gòu)建創(chuàng)造了基礎(chǔ)。

2.4 基于K-近鄰算法的故障模式分類器

K-近鄰算法是一種常用且效果良好的機(jī)器學(xué)習(xí)分類算法。數(shù)據(jù)集的輸入樣本如式（18）所示：

將由以上樣本構(gòu)成的數(shù)據(jù)集輸入后，對(duì)于每個(gè)測試樣本，計(jì)算它與訓(xùn)練數(shù)據(jù)集中每個(gè)樣本之間的距離。根據(jù)計(jì)算得到的距離，統(tǒng)計(jì)K個(gè)最近鄰居中每個(gè)類別的出現(xiàn)次數(shù)，選擇出現(xiàn)最多次的類別作為預(yù)測結(jié)果。該算法的訓(xùn)練過程非常簡單，沒有顯式的訓(xùn)練階段，有利于進(jìn)行工程應(yīng)用。

3 結(jié)果與分析

為驗(yàn)證本文所提算法的可行性和性能，基于SIMULINK搭建了航空電源系統(tǒng)進(jìn)行仿真驗(yàn)證。為驗(yàn)證算法在不同負(fù)載階段和負(fù)載切換時(shí)的有效性，選取兩類電氣負(fù)載進(jìn)行切換。逆變模塊采用閉環(huán)控制，輸出電壓有效值穩(wěn)定在115 V。系統(tǒng)參數(shù)設(shè)置如表2所示。

表2 電源系統(tǒng)參數(shù)Tab.2 Power system parameters

根據(jù)IGBT在橋臂中的分布位置和對(duì)稱性，選擇T1、T12和T24作為典型故障模式進(jìn)行驗(yàn)證和分析。在KNN分類器進(jìn)行訓(xùn)練之前，進(jìn)行故障診斷數(shù)據(jù)集的獲取。正常工作和開路故障模式共有22 種運(yùn)行狀態(tài)，每個(gè)運(yùn)行狀態(tài)下采樣獲得100組電流樣本。實(shí)驗(yàn)對(duì)采集得到的三相電流序列進(jìn)行隨機(jī)缺失處理。令每個(gè)序列隨機(jī)缺失10%～15%的數(shù)據(jù)點(diǎn)，得到數(shù)據(jù)缺失后的低質(zhì)量稀疏電流序列?；谠撔蛄械玫讲ㄐ蜗嗨贫忍卣髦迪蛄?，數(shù)據(jù)集最終的維度為2 200×7。

在KNN 分類器的訓(xùn)練中，隨機(jī)取數(shù)據(jù)集中70%的數(shù)據(jù)作為訓(xùn)練集，剩余30%的數(shù)據(jù)作為測試集。KNN的分類結(jié)果如圖6所示。

圖6 KNN 分類準(zhǔn)確率混淆矩陣Fig.6 Confusion matrix of KNN classification

為驗(yàn)證故障診斷模型在不同故障模式下的實(shí)時(shí)診斷能力，本文選擇T1、T12和T24這3種典型故障模式進(jìn)行性能驗(yàn)證，如圖7～9所示。

圖7 T1 故障時(shí)算法處理結(jié)果Fig.7 Algorithm processing results under T1 fault

圖8 T12 故障時(shí)算法處理結(jié)果Fig.8 Algorithm processing results under T12 fault

圖9 T24 故障時(shí)算法處理結(jié)果Fig.9 Algorithm processing results under T24 fault

圖7～9分別為T1、T12和T24故障狀態(tài)下所提算法處理結(jié)果圖。具體組成為：圖a）為電源系統(tǒng)實(shí)時(shí)輸出的原始三相電流波形，0.2 s時(shí)發(fā)生對(duì)應(yīng)故障；圖b）為IGBT開路故障前后，三相電流波形經(jīng)歸一化后的結(jié)果；圖c）為開路故障前后，本文所構(gòu)建的相對(duì)相似度D和絕對(duì)相似度 |D|的變化情況，不同故障模式下，D和 |D|能夠分別做出快速表征；圖d）為KNN分類器根據(jù)相似度指標(biāo)對(duì)電源系統(tǒng)運(yùn)行狀態(tài)的實(shí)時(shí)判別結(jié)果。開路故障發(fā)生后，故障診斷模型的識(shí)別結(jié)果正確，響應(yīng)時(shí)間小于5 ms。

航空電源系統(tǒng)在實(shí)際的運(yùn)行過程中輸出電流受負(fù)載影響較大，且存在三相不對(duì)稱的工況。為驗(yàn)證本文所提算法在不同負(fù)載下的適應(yīng)性，進(jìn)行測試，結(jié)果如圖10。

圖10 負(fù)載切換時(shí)算法處理結(jié)果Fig.10 Algorithm processing results when load change

如圖10 a）所示，0～0.2 s 負(fù)載狀態(tài)為三相對(duì)稱負(fù)載，0.2 s 后切換為三相不對(duì)稱負(fù)載。在負(fù)載過渡階段，三相電流波形發(fā)生異?；?，造成相似度特征值在0.2 s附近發(fā)生小范圍波動(dòng)，但并未造成分類器對(duì)電源系統(tǒng)運(yùn)行狀態(tài)的誤判。在三相不對(duì)稱穩(wěn)態(tài)下，所構(gòu)建特征變量仍穩(wěn)定于0值附近，KNN分類器輸出結(jié)果正確，如圖10 d）所示。因此，本文所提的算法能夠適應(yīng)負(fù)載變化和三相不對(duì)稱工況。

上述典型故障模式和負(fù)載變化下的算法驗(yàn)證均對(duì)原始采樣電流數(shù)據(jù)進(jìn)行了10%～15%的數(shù)據(jù)點(diǎn)隨機(jī)缺失處理，以說明故障診斷模型在基于低質(zhì)量信號(hào)序列時(shí)得優(yōu)良性能。此外，本文依據(jù)現(xiàn)有的逆變器故障診斷文獻(xiàn)，選擇了幾種在低頻逆變器上取得良好效果的先進(jìn)故障診斷算法，基于上述仿真模型獲得的低質(zhì)量稀疏信號(hào)序列，進(jìn)行了算法的對(duì)比驗(yàn)證，如表3所示。文獻(xiàn)[11]在構(gòu)建時(shí)域特征值時(shí)，三相電流序列的數(shù)據(jù)元素需要嚴(yán)格對(duì)齊，因此在數(shù)據(jù)缺失時(shí)無法完成計(jì)算；文獻(xiàn)[13]和[14]所采用的故障診斷特征值在數(shù)據(jù)缺失時(shí)能夠完成計(jì)算，但受數(shù)據(jù)缺失影響波動(dòng)較大，診斷算法容易出現(xiàn)故障模式的誤判，診斷精度下降嚴(yán)重。文獻(xiàn)[15]為基于深度學(xué)習(xí)的故障診斷方法，所應(yīng)用的模型結(jié)構(gòu)十分復(fù)雜，特征向量的維度達(dá)到30，所構(gòu)建特征值受數(shù)據(jù)缺失擾動(dòng)較大，因此精確度較低。文獻(xiàn)[24]所提方法具有強(qiáng)大的抗噪能力，但只針對(duì)逆變器單開路故障，因此具有較大缺陷。此外，文章對(duì)比了不同方法的特征提取速度和計(jì)算復(fù)雜度?；? 000個(gè)周期內(nèi)的電流樣本，以不同的特征提取方法獲取故障特征變量。文獻(xiàn)[11]和[13]為時(shí)域特征提取方法，計(jì)算復(fù)雜度較低，特征變量的生成時(shí)間最短。本文所提互相似性度量特征提取方法計(jì)算復(fù)雜度為中等，時(shí)間消耗處于正常范圍內(nèi)。文獻(xiàn)[15]的故障向量維度極高，且包含時(shí)域和頻域兩類特征變量，因此特征提取時(shí)間較長。文獻(xiàn)[24]的特征變量計(jì)算過程十分復(fù)雜，高的計(jì)算復(fù)雜度導(dǎo)致特征提取耗時(shí)最長。本文所提算法主要針對(duì)稀疏序列信號(hào)缺失時(shí)航空電源系統(tǒng)的開路故障診斷問題。在所提場景測試集中，基于互相似性度量和KNN的方法取得了100%的分類準(zhǔn)確度，相比于其他方法能夠有效解決該問題。各個(gè)維度的比較也證明了所提方法的優(yōu)良性能。

表3 方法性能對(duì)比Tab.3 Comparison of method performance

4 結(jié)語

針對(duì)航空中頻電源系統(tǒng)重要拓?fù)涞拈_路故障診斷問題，本文在不增加傳感器硬件成本的前提下，考慮故障診斷數(shù)據(jù)采集中實(shí)際存在的數(shù)據(jù)丟失問題，提出一種基于低質(zhì)量稀疏信號(hào)序列的逆變器開路故障診斷方法。采集三相電流信號(hào)并進(jìn)行歸一化處理?；贒TW算法，實(shí)現(xiàn)了低質(zhì)量離散信號(hào)序列數(shù)據(jù)點(diǎn)的補(bǔ)齊和匹配。構(gòu)建了絕對(duì)和相對(duì)相似度作為故障診斷特征值，以衡量三相電流的宏觀相似程度，減弱了信號(hào)序列稀疏性和數(shù)據(jù)缺失對(duì)故障診斷的負(fù)面影響。最終，基于KNN 分類器生成了航空電源系統(tǒng)開路故障診斷模型。通過驗(yàn)證分析，在被測稀疏信號(hào)序列發(fā)生少量的數(shù)據(jù)缺失情況下，所提故障診斷方法可精確實(shí)現(xiàn)中頻航空電源系統(tǒng)的開路故障診斷。