BP神經(jīng)網(wǎng)絡(luò)在電力電子電路故障診斷中的應(yīng)用

摘要：本文主要介紹和研究了BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)，對其設(shè)計過程和應(yīng)用做了系統(tǒng)的闡述。在此基礎(chǔ)上就BP神經(jīng)網(wǎng)絡(luò)的原理及算法做了進一步的研究。在研究電力電子電路故障模式的基礎(chǔ)上，敘述了應(yīng)用神經(jīng)網(wǎng)絡(luò)診斷電力電子故障的一般步驟。最后討論了BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用中存在的問題與不足。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò) 電力電子 故障診斷

0 引言

目前電力電子技術(shù)已應(yīng)用于生活的許多方面，例如國防、通信、商業(yè)、交通等領(lǐng)域。在運轉(zhuǎn)過程中萬一這些電力電子設(shè)備發(fā)生了故障，將會造成非常嚴重的后果，不僅會造成財產(chǎn)上的損失，更可能危及到人們的生命安全。介于這些原因如果能夠在事故發(fā)生之前就可以對電力電子電路進行準確的診斷，那么就可以避免了財產(chǎn)和生命的損失，更能夠提高電力電子設(shè)備的管理水平[1]。有一個難點是由于電力電子設(shè)備種類很多而且組成復(fù)雜，對這些設(shè)備的故障進行診斷，就是對其中所有的電路進行檢測，因此檢測具有一定的難度。用于診斷的方法非常多也在不斷發(fā)生著變化，隨著科技的進步診斷方法更加自動化和智能化。在用于故障診斷的方法中人工神經(jīng)網(wǎng)絡(luò)由于具有的非線性、容錯性、并行性等優(yōu)點，廣泛應(yīng)用于電力電子電路的故障診斷中。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年以Rumelhart和McCelland為主的科學家小組提出。BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ニ惴ㄓ柧毘鰜淼亩鄬忧梆伨W(wǎng)絡(luò)，這種網(wǎng)絡(luò)具有極高的存儲能力，可以存儲大量的輸出模式映射關(guān)系，而不需要在事前進行描述。它主要通過最速下降法進行學習，利用反向傳播的方式來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)誤差平方和達到最小值。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。目前BP神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用至各個領(lǐng)域。

1.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

1.1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計。經(jīng)研究分析表明，當隱含層的神經(jīng)元可以適應(yīng)具體要求進行設(shè)計時，即說明三層前向神經(jīng)網(wǎng)絡(luò)可以進行BP神經(jīng)網(wǎng)絡(luò)設(shè)計。本文僅以三層神經(jīng)網(wǎng)絡(luò)為研究對象。其典型結(jié)構(gòu)如圖1

1.1.2 BP網(wǎng)絡(luò)的學習樣本設(shè)計。在BP神經(jīng)網(wǎng)絡(luò)中，直接影響其訓練效果的就是其學習樣本設(shè)計。而在此環(huán)節(jié)中最基本的要求就是準備樣本數(shù)據(jù)。輸入層神經(jīng)元的多少主要取決于要輸入樣本的維數(shù)，這就會對整個網(wǎng)絡(luò)的負責性造成影響。同時，在數(shù)據(jù)輸入過程中還要考慮一些其他因素，例如對數(shù)據(jù)進行標準化從而防止sigmoid函數(shù)進行輸出飽和區(qū)；輸入的數(shù)據(jù)之間應(yīng)能保證其不相關(guān)或相關(guān)性較小；數(shù)據(jù)的每個類型中，不能忽視隨機噪聲的影響；參數(shù)變化范圍的一致性和樣本分布的正常性也應(yīng)當在考慮的范圍之內(nèi)。

1.2 BP神經(jīng)網(wǎng)絡(luò)原理與算法

1.3 人工神經(jīng)網(wǎng)絡(luò)在電力電子故障診斷中的實際應(yīng)用

1.3.1 故障模式。電力電子中容易出現(xiàn)的故障包括參數(shù)故障和結(jié)構(gòu)故障。參數(shù)故障會導(dǎo)致裝置的正常特性發(fā)生嚴重的改變，不能正常作用，例如電阻、電感等元器件的參數(shù)發(fā)生偏移和開關(guān)管的性能已不能正常使用。結(jié)構(gòu)性故障主要指因各元件尤其指功率器件的破壞而出現(xiàn)的電力結(jié)構(gòu)改變。例如電容、電感和開關(guān)器件的開路及短路[2]。電器元件故障模式有軟故障和硬故障兩種。當電器元件出現(xiàn)短路和開路從而引發(fā)的故障被稱為硬故障。電氣軟件沒有短路或開路但其實際大小與正常值之間有所偏離導(dǎo)致電路的不正常特性，這時的故障模式為軟故障。從實際情況可知，硬故障所占比例較大，約為80%。電容故障模式主要包括開路、短路、軟故障偏大和軟故障偏小四種。在整個系統(tǒng)中電容發(fā)生故障的概率最大。在硬故障模式中，鉭電容器通常是短路而陶瓷電容和鋁電容通常是開路。開關(guān)器件作為電力電子變換器的關(guān)鍵部位和基本元件，直接影響著電力電路的安全性。根據(jù)電力電子電路故障中觸發(fā)脈沖故障一大特點，其故障表現(xiàn)形式主要有缺脈沖、多脈沖、相序錯和脈沖間距錯四種。有一種特殊的故障模式與原有電力電子變換器的故障診斷不同，即便是被診斷為可以正常工作的電力電子變換器，這種故障模式也會導(dǎo)致變換器的性能惡化甚至無法運行。這種故障模式發(fā)生的原因在于很多設(shè)計者并不了解變換器中的一些非線性特性和工作模態(tài)。

1.3.2 神經(jīng)網(wǎng)絡(luò)在電力電子電路故障診斷中的應(yīng)用。神經(jīng)性網(wǎng)絡(luò)在電力電子電路故障的診斷過程如下：①確定神經(jīng)網(wǎng)絡(luò)目標輸出樣本：對電力電子電路進行分析，確定電路中會出現(xiàn)的故障類型，把這些故障類型作為神經(jīng)網(wǎng)絡(luò)的目標輸出樣本。②得到神經(jīng)網(wǎng)絡(luò)的標準輸入樣本：從分析所得的故障類型中提取故障信號，將故障信號進行相關(guān)處理后將其作為神經(jīng)網(wǎng)絡(luò)的標準輸入樣本。③樣本訓練：依據(jù)網(wǎng)絡(luò)拓撲結(jié)構(gòu)通過神經(jīng)網(wǎng)絡(luò)學習和存儲個故障信號和類型間的映射關(guān)系，根據(jù)相應(yīng)學習規(guī)則進行樣本訓練。④結(jié)果顯示：通過計算得出神經(jīng)網(wǎng)絡(luò)的參數(shù)值，將結(jié)果傳至執(zhí)行機構(gòu)或者顯示設(shè)備。在整個過程中故障特征的提取及預(yù)處理和神經(jīng)網(wǎng)絡(luò)的設(shè)計是兩個重要的步驟，下面對其進行詳細的敘述：①故障特征信號的提取和預(yù)處理故障電路狀態(tài)信號分析、處理和各種預(yù)處理技術(shù)通常用來對故障信號進行提取。按照一定的規(guī)則對電力電子電路的測試數(shù)據(jù)進行分類、壓縮。由于提取的故障特征和電路在不同故障狀態(tài)下的統(tǒng)一故障特征與元件的故障狀態(tài)沒有關(guān)系，從而大大的使故障特征的提取得到了簡化，計算量減小，診斷速度也得到了很大的提高。故障特征信號提取和預(yù)處理過程的基本結(jié)構(gòu)見圖2，首先在發(fā)生故障的電路上加激勵源，再采用相關(guān)方法測量其響應(yīng)信號，最后預(yù)處理其特征信號，將其從測量空間轉(zhuǎn)化到特征空間。②神經(jīng)網(wǎng)絡(luò)設(shè)計過程。神經(jīng)網(wǎng)絡(luò)的設(shè)計過程可按照如下幾個步驟進行：a對神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)進行設(shè)計；b根據(jù)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)確定輸入標準樣本和目標輸出樣本；c對神經(jīng)網(wǎng)絡(luò)的算法進行設(shè)計，并使用學習算法訓練其輸入樣本，直到其符合要求；d獲得網(wǎng)絡(luò)參數(shù)，輸出結(jié)果。其設(shè)計過程如圖3示[4]。

2 總結(jié)

BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力電子故障診斷中能夠有效的處理許多問題，但它也存在著一些問題和缺陷，主要表現(xiàn)在以下幾個方面：①對樣本的要求很高[5]：要構(gòu)成神經(jīng)網(wǎng)絡(luò)的學習樣本需要滿足以下兩個方面的條件，其中之一是每個故障模式樣本都不能與其它的樣本重復(fù)，即樣本是唯一的，第二個條件就是要形成樣本庫需要非常多的樣本數(shù)據(jù)。然而在現(xiàn)實的應(yīng)用中這樣的條件往往是比較難滿足的，這是由于在通常情況下已知的故障樣本量比較小，不論是在數(shù)量還是質(zhì)量都難以滿足高性能神經(jīng)網(wǎng)絡(luò)故障診斷模型對樣本的條件要求。因此神經(jīng)網(wǎng)絡(luò)對學習樣本的條件非常高。②訓練的時間過長：在處理一些復(fù)雜問題時，BP神經(jīng)網(wǎng)絡(luò)的訓練時間可能達到好幾個小時還可能更長久，引起這種情況的原因可能是學習效率的值過于小，解決這種情況的方法是采用自適應(yīng)學習速率進行改善，但是有時候這種方法并不能起到很大的改善作用，這個時候就可以考慮采用其它的算法。③可能出現(xiàn)麻痹現(xiàn)象：所謂的麻痹現(xiàn)象就是指網(wǎng)絡(luò)在經(jīng)過一段時間的訓練之后，誤差平方和的輸出值恒定在一個特定的值不下降。產(chǎn)生這種現(xiàn)象的原因可能是因為在訓練過程中初始權(quán)值選的太大，這樣的后果是幾乎所有的或是大部分神經(jīng)元的加權(quán)和偏大，S傳遞函數(shù)的輸入值在它的飽和區(qū)，這點導(dǎo)數(shù)趨于零，最后導(dǎo)致的結(jié)果是兩次的權(quán)值幾乎沒有變化，自然輸出的誤差平方和也就基本保持不變了。

參考文獻：

[1]從靜.電力電子裝置故障診斷技術(shù)研究[D].哈爾濱：哈爾濱工程大學，2009.

[2]A.B olopion，J.P.Rognon and D.Roye.The Use of Microprocessor for Control and Fault Detection of Electronic Power Converters：Contribution to Safety and Maintainability. Lansane：IFAC Control in Power Electronics and ElectricalDrvies，1981.

[3]陳哲，馮天瑾.小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的研究進展.電子科學學刊，2000（3）：496-504.

[4]龍伯華.電力電子電路故障診斷方法研究[D].長沙：湖南大學，2009.

[5]張立明，人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[M].復(fù)旦大學出版社，1992.

作者簡介：丁汛（1991-），男，河南范縣人，本科，合肥工業(yè)大學儀器科學與光電工程學院。endprint

摘要：本文主要介紹和研究了BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)，對其設(shè)計過程和應(yīng)用做了系統(tǒng)的闡述。在此基礎(chǔ)上就BP神經(jīng)網(wǎng)絡(luò)的原理及算法做了進一步的研究。在研究電力電子電路故障模式的基礎(chǔ)上，敘述了應(yīng)用神經(jīng)網(wǎng)絡(luò)診斷電力電子故障的一般步驟。最后討論了BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用中存在的問題與不足。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò) 電力電子 故障診斷

0 引言

目前電力電子技術(shù)已應(yīng)用于生活的許多方面，例如國防、通信、商業(yè)、交通等領(lǐng)域。在運轉(zhuǎn)過程中萬一這些電力電子設(shè)備發(fā)生了故障，將會造成非常嚴重的后果，不僅會造成財產(chǎn)上的損失，更可能危及到人們的生命安全。介于這些原因如果能夠在事故發(fā)生之前就可以對電力電子電路進行準確的診斷，那么就可以避免了財產(chǎn)和生命的損失，更能夠提高電力電子設(shè)備的管理水平[1]。有一個難點是由于電力電子設(shè)備種類很多而且組成復(fù)雜，對這些設(shè)備的故障進行診斷，就是對其中所有的電路進行檢測，因此檢測具有一定的難度。用于診斷的方法非常多也在不斷發(fā)生著變化，隨著科技的進步診斷方法更加自動化和智能化。在用于故障診斷的方法中人工神經(jīng)網(wǎng)絡(luò)由于具有的非線性、容錯性、并行性等優(yōu)點，廣泛應(yīng)用于電力電子電路的故障診斷中。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年以Rumelhart和McCelland為主的科學家小組提出。BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ニ惴ㄓ柧毘鰜淼亩鄬忧梆伨W(wǎng)絡(luò)，這種網(wǎng)絡(luò)具有極高的存儲能力，可以存儲大量的輸出模式映射關(guān)系，而不需要在事前進行描述。它主要通過最速下降法進行學習，利用反向傳播的方式來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)誤差平方和達到最小值。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。目前BP神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用至各個領(lǐng)域。

1.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

1.1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計。經(jīng)研究分析表明，當隱含層的神經(jīng)元可以適應(yīng)具體要求進行設(shè)計時，即說明三層前向神經(jīng)網(wǎng)絡(luò)可以進行BP神經(jīng)網(wǎng)絡(luò)設(shè)計。本文僅以三層神經(jīng)網(wǎng)絡(luò)為研究對象。其典型結(jié)構(gòu)如圖1

1.1.2 BP網(wǎng)絡(luò)的學習樣本設(shè)計。在BP神經(jīng)網(wǎng)絡(luò)中，直接影響其訓練效果的就是其學習樣本設(shè)計。而在此環(huán)節(jié)中最基本的要求就是準備樣本數(shù)據(jù)。輸入層神經(jīng)元的多少主要取決于要輸入樣本的維數(shù)，這就會對整個網(wǎng)絡(luò)的負責性造成影響。同時，在數(shù)據(jù)輸入過程中還要考慮一些其他因素，例如對數(shù)據(jù)進行標準化從而防止sigmoid函數(shù)進行輸出飽和區(qū)；輸入的數(shù)據(jù)之間應(yīng)能保證其不相關(guān)或相關(guān)性較?。粩?shù)據(jù)的每個類型中，不能忽視隨機噪聲的影響；參數(shù)變化范圍的一致性和樣本分布的正常性也應(yīng)當在考慮的范圍之內(nèi)。

1.2 BP神經(jīng)網(wǎng)絡(luò)原理與算法

1.3 人工神經(jīng)網(wǎng)絡(luò)在電力電子故障診斷中的實際應(yīng)用

1.3.1 故障模式。電力電子中容易出現(xiàn)的故障包括參數(shù)故障和結(jié)構(gòu)故障。參數(shù)故障會導(dǎo)致裝置的正常特性發(fā)生嚴重的改變，不能正常作用，例如電阻、電感等元器件的參數(shù)發(fā)生偏移和開關(guān)管的性能已不能正常使用。結(jié)構(gòu)性故障主要指因各元件尤其指功率器件的破壞而出現(xiàn)的電力結(jié)構(gòu)改變。例如電容、電感和開關(guān)器件的開路及短路[2]。電器元件故障模式有軟故障和硬故障兩種。當電器元件出現(xiàn)短路和開路從而引發(fā)的故障被稱為硬故障。電氣軟件沒有短路或開路但其實際大小與正常值之間有所偏離導(dǎo)致電路的不正常特性，這時的故障模式為軟故障。從實際情況可知，硬故障所占比例較大，約為80%。電容故障模式主要包括開路、短路、軟故障偏大和軟故障偏小四種。在整個系統(tǒng)中電容發(fā)生故障的概率最大。在硬故障模式中，鉭電容器通常是短路而陶瓷電容和鋁電容通常是開路。開關(guān)器件作為電力電子變換器的關(guān)鍵部位和基本元件，直接影響著電力電路的安全性。根據(jù)電力電子電路故障中觸發(fā)脈沖故障一大特點，其故障表現(xiàn)形式主要有缺脈沖、多脈沖、相序錯和脈沖間距錯四種。有一種特殊的故障模式與原有電力電子變換器的故障診斷不同，即便是被診斷為可以正常工作的電力電子變換器，這種故障模式也會導(dǎo)致變換器的性能惡化甚至無法運行。這種故障模式發(fā)生的原因在于很多設(shè)計者并不了解變換器中的一些非線性特性和工作模態(tài)。

1.3.2 神經(jīng)網(wǎng)絡(luò)在電力電子電路故障診斷中的應(yīng)用。神經(jīng)性網(wǎng)絡(luò)在電力電子電路故障的診斷過程如下：①確定神經(jīng)網(wǎng)絡(luò)目標輸出樣本：對電力電子電路進行分析，確定電路中會出現(xiàn)的故障類型，把這些故障類型作為神經(jīng)網(wǎng)絡(luò)的目標輸出樣本。②得到神經(jīng)網(wǎng)絡(luò)的標準輸入樣本：從分析所得的故障類型中提取故障信號，將故障信號進行相關(guān)處理后將其作為神經(jīng)網(wǎng)絡(luò)的標準輸入樣本。③樣本訓練：依據(jù)網(wǎng)絡(luò)拓撲結(jié)構(gòu)通過神經(jīng)網(wǎng)絡(luò)學習和存儲個故障信號和類型間的映射關(guān)系，根據(jù)相應(yīng)學習規(guī)則進行樣本訓練。④結(jié)果顯示：通過計算得出神經(jīng)網(wǎng)絡(luò)的參數(shù)值，將結(jié)果傳至執(zhí)行機構(gòu)或者顯示設(shè)備。在整個過程中故障特征的提取及預(yù)處理和神經(jīng)網(wǎng)絡(luò)的設(shè)計是兩個重要的步驟，下面對其進行詳細的敘述：①故障特征信號的提取和預(yù)處理故障電路狀態(tài)信號分析、處理和各種預(yù)處理技術(shù)通常用來對故障信號進行提取。按照一定的規(guī)則對電力電子電路的測試數(shù)據(jù)進行分類、壓縮。由于提取的故障特征和電路在不同故障狀態(tài)下的統(tǒng)一故障特征與元件的故障狀態(tài)沒有關(guān)系，從而大大的使故障特征的提取得到了簡化，計算量減小，診斷速度也得到了很大的提高。故障特征信號提取和預(yù)處理過程的基本結(jié)構(gòu)見圖2，首先在發(fā)生故障的電路上加激勵源，再采用相關(guān)方法測量其響應(yīng)信號，最后預(yù)處理其特征信號，將其從測量空間轉(zhuǎn)化到特征空間。②神經(jīng)網(wǎng)絡(luò)設(shè)計過程。神經(jīng)網(wǎng)絡(luò)的設(shè)計過程可按照如下幾個步驟進行：a對神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)進行設(shè)計；b根據(jù)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)確定輸入標準樣本和目標輸出樣本；c對神經(jīng)網(wǎng)絡(luò)的算法進行設(shè)計，并使用學習算法訓練其輸入樣本，直到其符合要求；d獲得網(wǎng)絡(luò)參數(shù)，輸出結(jié)果。其設(shè)計過程如圖3示[4]。

2 總結(jié)

BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力電子故障診斷中能夠有效的處理許多問題，但它也存在著一些問題和缺陷，主要表現(xiàn)在以下幾個方面：①對樣本的要求很高[5]：要構(gòu)成神經(jīng)網(wǎng)絡(luò)的學習樣本需要滿足以下兩個方面的條件，其中之一是每個故障模式樣本都不能與其它的樣本重復(fù)，即樣本是唯一的，第二個條件就是要形成樣本庫需要非常多的樣本數(shù)據(jù)。然而在現(xiàn)實的應(yīng)用中這樣的條件往往是比較難滿足的，這是由于在通常情況下已知的故障樣本量比較小，不論是在數(shù)量還是質(zhì)量都難以滿足高性能神經(jīng)網(wǎng)絡(luò)故障診斷模型對樣本的條件要求。因此神經(jīng)網(wǎng)絡(luò)對學習樣本的條件非常高。②訓練的時間過長：在處理一些復(fù)雜問題時，BP神經(jīng)網(wǎng)絡(luò)的訓練時間可能達到好幾個小時還可能更長久，引起這種情況的原因可能是學習效率的值過于小，解決這種情況的方法是采用自適應(yīng)學習速率進行改善，但是有時候這種方法并不能起到很大的改善作用，這個時候就可以考慮采用其它的算法。③可能出現(xiàn)麻痹現(xiàn)象：所謂的麻痹現(xiàn)象就是指網(wǎng)絡(luò)在經(jīng)過一段時間的訓練之后，誤差平方和的輸出值恒定在一個特定的值不下降。產(chǎn)生這種現(xiàn)象的原因可能是因為在訓練過程中初始權(quán)值選的太大，這樣的后果是幾乎所有的或是大部分神經(jīng)元的加權(quán)和偏大，S傳遞函數(shù)的輸入值在它的飽和區(qū)，這點導(dǎo)數(shù)趨于零，最后導(dǎo)致的結(jié)果是兩次的權(quán)值幾乎沒有變化，自然輸出的誤差平方和也就基本保持不變了。

參考文獻：

[1]從靜.電力電子裝置故障診斷技術(shù)研究[D].哈爾濱：哈爾濱工程大學，2009.

[2]A.B olopion，J.P.Rognon and D.Roye.The Use of Microprocessor for Control and Fault Detection of Electronic Power Converters：Contribution to Safety and Maintainability. Lansane：IFAC Control in Power Electronics and ElectricalDrvies，1981.

[3]陳哲，馮天瑾.小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的研究進展.電子科學學刊，2000（3）：496-504.

[4]龍伯華.電力電子電路故障診斷方法研究[D].長沙：湖南大學，2009.

[5]張立明，人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[M].復(fù)旦大學出版社，1992.

作者簡介：丁汛（1991-），男，河南范縣人，本科，合肥工業(yè)大學儀器科學與光電工程學院。endprint

摘要：本文主要介紹和研究了BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)，對其設(shè)計過程和應(yīng)用做了系統(tǒng)的闡述。在此基礎(chǔ)上就BP神經(jīng)網(wǎng)絡(luò)的原理及算法做了進一步的研究。在研究電力電子電路故障模式的基礎(chǔ)上，敘述了應(yīng)用神經(jīng)網(wǎng)絡(luò)診斷電力電子故障的一般步驟。最后討論了BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用中存在的問題與不足。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò) 電力電子 故障診斷

0 引言

目前電力電子技術(shù)已應(yīng)用于生活的許多方面，例如國防、通信、商業(yè)、交通等領(lǐng)域。在運轉(zhuǎn)過程中萬一這些電力電子設(shè)備發(fā)生了故障，將會造成非常嚴重的后果，不僅會造成財產(chǎn)上的損失，更可能危及到人們的生命安全。介于這些原因如果能夠在事故發(fā)生之前就可以對電力電子電路進行準確的診斷，那么就可以避免了財產(chǎn)和生命的損失，更能夠提高電力電子設(shè)備的管理水平[1]。有一個難點是由于電力電子設(shè)備種類很多而且組成復(fù)雜，對這些設(shè)備的故障進行診斷，就是對其中所有的電路進行檢測，因此檢測具有一定的難度。用于診斷的方法非常多也在不斷發(fā)生著變化，隨著科技的進步診斷方法更加自動化和智能化。在用于故障診斷的方法中人工神經(jīng)網(wǎng)絡(luò)由于具有的非線性、容錯性、并行性等優(yōu)點，廣泛應(yīng)用于電力電子電路的故障診斷中。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年以Rumelhart和McCelland為主的科學家小組提出。BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ニ惴ㄓ柧毘鰜淼亩鄬忧梆伨W(wǎng)絡(luò)，這種網(wǎng)絡(luò)具有極高的存儲能力，可以存儲大量的輸出模式映射關(guān)系，而不需要在事前進行描述。它主要通過最速下降法進行學習，利用反向傳播的方式來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)誤差平方和達到最小值。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。目前BP神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用至各個領(lǐng)域。

1.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

1.1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計。經(jīng)研究分析表明，當隱含層的神經(jīng)元可以適應(yīng)具體要求進行設(shè)計時，即說明三層前向神經(jīng)網(wǎng)絡(luò)可以進行BP神經(jīng)網(wǎng)絡(luò)設(shè)計。本文僅以三層神經(jīng)網(wǎng)絡(luò)為研究對象。其典型結(jié)構(gòu)如圖1

1.1.2 BP網(wǎng)絡(luò)的學習樣本設(shè)計。在BP神經(jīng)網(wǎng)絡(luò)中，直接影響其訓練效果的就是其學習樣本設(shè)計。而在此環(huán)節(jié)中最基本的要求就是準備樣本數(shù)據(jù)。輸入層神經(jīng)元的多少主要取決于要輸入樣本的維數(shù)，這就會對整個網(wǎng)絡(luò)的負責性造成影響。同時，在數(shù)據(jù)輸入過程中還要考慮一些其他因素，例如對數(shù)據(jù)進行標準化從而防止sigmoid函數(shù)進行輸出飽和區(qū)；輸入的數(shù)據(jù)之間應(yīng)能保證其不相關(guān)或相關(guān)性較?。粩?shù)據(jù)的每個類型中，不能忽視隨機噪聲的影響；參數(shù)變化范圍的一致性和樣本分布的正常性也應(yīng)當在考慮的范圍之內(nèi)。

1.2 BP神經(jīng)網(wǎng)絡(luò)原理與算法

1.3 人工神經(jīng)網(wǎng)絡(luò)在電力電子故障診斷中的實際應(yīng)用

1.3.1 故障模式。電力電子中容易出現(xiàn)的故障包括參數(shù)故障和結(jié)構(gòu)故障。參數(shù)故障會導(dǎo)致裝置的正常特性發(fā)生嚴重的改變，不能正常作用，例如電阻、電感等元器件的參數(shù)發(fā)生偏移和開關(guān)管的性能已不能正常使用。結(jié)構(gòu)性故障主要指因各元件尤其指功率器件的破壞而出現(xiàn)的電力結(jié)構(gòu)改變。例如電容、電感和開關(guān)器件的開路及短路[2]。電器元件故障模式有軟故障和硬故障兩種。當電器元件出現(xiàn)短路和開路從而引發(fā)的故障被稱為硬故障。電氣軟件沒有短路或開路但其實際大小與正常值之間有所偏離導(dǎo)致電路的不正常特性，這時的故障模式為軟故障。從實際情況可知，硬故障所占比例較大，約為80%。電容故障模式主要包括開路、短路、軟故障偏大和軟故障偏小四種。在整個系統(tǒng)中電容發(fā)生故障的概率最大。在硬故障模式中，鉭電容器通常是短路而陶瓷電容和鋁電容通常是開路。開關(guān)器件作為電力電子變換器的關(guān)鍵部位和基本元件，直接影響著電力電路的安全性。根據(jù)電力電子電路故障中觸發(fā)脈沖故障一大特點，其故障表現(xiàn)形式主要有缺脈沖、多脈沖、相序錯和脈沖間距錯四種。有一種特殊的故障模式與原有電力電子變換器的故障診斷不同，即便是被診斷為可以正常工作的電力電子變換器，這種故障模式也會導(dǎo)致變換器的性能惡化甚至無法運行。這種故障模式發(fā)生的原因在于很多設(shè)計者并不了解變換器中的一些非線性特性和工作模態(tài)。

1.3.2 神經(jīng)網(wǎng)絡(luò)在電力電子電路故障診斷中的應(yīng)用。神經(jīng)性網(wǎng)絡(luò)在電力電子電路故障的診斷過程如下：①確定神經(jīng)網(wǎng)絡(luò)目標輸出樣本：對電力電子電路進行分析，確定電路中會出現(xiàn)的故障類型，把這些故障類型作為神經(jīng)網(wǎng)絡(luò)的目標輸出樣本。②得到神經(jīng)網(wǎng)絡(luò)的標準輸入樣本：從分析所得的故障類型中提取故障信號，將故障信號進行相關(guān)處理后將其作為神經(jīng)網(wǎng)絡(luò)的標準輸入樣本。③樣本訓練：依據(jù)網(wǎng)絡(luò)拓撲結(jié)構(gòu)通過神經(jīng)網(wǎng)絡(luò)學習和存儲個故障信號和類型間的映射關(guān)系，根據(jù)相應(yīng)學習規(guī)則進行樣本訓練。④結(jié)果顯示：通過計算得出神經(jīng)網(wǎng)絡(luò)的參數(shù)值，將結(jié)果傳至執(zhí)行機構(gòu)或者顯示設(shè)備。在整個過程中故障特征的提取及預(yù)處理和神經(jīng)網(wǎng)絡(luò)的設(shè)計是兩個重要的步驟，下面對其進行詳細的敘述：①故障特征信號的提取和預(yù)處理故障電路狀態(tài)信號分析、處理和各種預(yù)處理技術(shù)通常用來對故障信號進行提取。按照一定的規(guī)則對電力電子電路的測試數(shù)據(jù)進行分類、壓縮。由于提取的故障特征和電路在不同故障狀態(tài)下的統(tǒng)一故障特征與元件的故障狀態(tài)沒有關(guān)系，從而大大的使故障特征的提取得到了簡化，計算量減小，診斷速度也得到了很大的提高。故障特征信號提取和預(yù)處理過程的基本結(jié)構(gòu)見圖2，首先在發(fā)生故障的電路上加激勵源，再采用相關(guān)方法測量其響應(yīng)信號，最后預(yù)處理其特征信號，將其從測量空間轉(zhuǎn)化到特征空間。②神經(jīng)網(wǎng)絡(luò)設(shè)計過程。神經(jīng)網(wǎng)絡(luò)的設(shè)計過程可按照如下幾個步驟進行：a對神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)進行設(shè)計；b根據(jù)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)確定輸入標準樣本和目標輸出樣本；c對神經(jīng)網(wǎng)絡(luò)的算法進行設(shè)計，并使用學習算法訓練其輸入樣本，直到其符合要求；d獲得網(wǎng)絡(luò)參數(shù)，輸出結(jié)果。其設(shè)計過程如圖3示[4]。

2 總結(jié)

BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力電子故障診斷中能夠有效的處理許多問題，但它也存在著一些問題和缺陷，主要表現(xiàn)在以下幾個方面：①對樣本的要求很高[5]：要構(gòu)成神經(jīng)網(wǎng)絡(luò)的學習樣本需要滿足以下兩個方面的條件，其中之一是每個故障模式樣本都不能與其它的樣本重復(fù)，即樣本是唯一的，第二個條件就是要形成樣本庫需要非常多的樣本數(shù)據(jù)。然而在現(xiàn)實的應(yīng)用中這樣的條件往往是比較難滿足的，這是由于在通常情況下已知的故障樣本量比較小，不論是在數(shù)量還是質(zhì)量都難以滿足高性能神經(jīng)網(wǎng)絡(luò)故障診斷模型對樣本的條件要求。因此神經(jīng)網(wǎng)絡(luò)對學習樣本的條件非常高。②訓練的時間過長：在處理一些復(fù)雜問題時，BP神經(jīng)網(wǎng)絡(luò)的訓練時間可能達到好幾個小時還可能更長久，引起這種情況的原因可能是學習效率的值過于小，解決這種情況的方法是采用自適應(yīng)學習速率進行改善，但是有時候這種方法并不能起到很大的改善作用，這個時候就可以考慮采用其它的算法。③可能出現(xiàn)麻痹現(xiàn)象：所謂的麻痹現(xiàn)象就是指網(wǎng)絡(luò)在經(jīng)過一段時間的訓練之后，誤差平方和的輸出值恒定在一個特定的值不下降。產(chǎn)生這種現(xiàn)象的原因可能是因為在訓練過程中初始權(quán)值選的太大，這樣的后果是幾乎所有的或是大部分神經(jīng)元的加權(quán)和偏大，S傳遞函數(shù)的輸入值在它的飽和區(qū)，這點導(dǎo)數(shù)趨于零，最后導(dǎo)致的結(jié)果是兩次的權(quán)值幾乎沒有變化，自然輸出的誤差平方和也就基本保持不變了。

參考文獻：

[1]從靜.電力電子裝置故障診斷技術(shù)研究[D].哈爾濱：哈爾濱工程大學，2009.

[2]A.B olopion，J.P.Rognon and D.Roye.The Use of Microprocessor for Control and Fault Detection of Electronic Power Converters：Contribution to Safety and Maintainability. Lansane：IFAC Control in Power Electronics and ElectricalDrvies，1981.

[3]陳哲，馮天瑾.小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的研究進展.電子科學學刊，2000（3）：496-504.

[4]龍伯華.電力電子電路故障診斷方法研究[D].長沙：湖南大學，2009.

[5]張立明，人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[M].復(fù)旦大學出版社，1992.

作者簡介：丁汛（1991-），男，河南范縣人，本科，合肥工業(yè)大學儀器科學與光電工程學院。endprint