三相SPWM逆變器的智能故障診斷研究

付 玲，帕孜來·馬合木提，廖俊勃

FU Ling, PA Zi-lai, LIAO Jun-bo

（新疆大學(xué) 電氣工程學(xué)院，烏魯木齊 830047）

0 引言

近年來隨著電力電子技術(shù)的迅猛發(fā)展，電力電子技術(shù)已廣泛應(yīng)用在國民經(jīng)濟(jì)的各個(gè)部門。同時(shí)，電力電子設(shè)備的故障問題也日益突出，一旦發(fā)生故障，不但會(huì)造成裝置或系統(tǒng)的損壞，還可能引發(fā)重大安全事故。因此，對(duì)電力電子設(shè)備進(jìn)行故障診斷研究，特別是應(yīng)用自動(dòng)故障診斷技術(shù)就具有很大的經(jīng)濟(jì)價(jià)值和現(xiàn)實(shí)意義。自組織特征映射神經(jīng)網(wǎng)絡(luò)（self-organizing feature map，SOM）是一種競爭式學(xué)習(xí)網(wǎng)絡(luò),其結(jié)構(gòu)算法簡單,采用無教師指導(dǎo)的自學(xué)習(xí)方式，被廣泛應(yīng)用于模式識(shí)別與數(shù)據(jù)分類等領(lǐng)域[1]。本文根據(jù)SOM的學(xué)習(xí)特點(diǎn)，將其應(yīng)用到三相逆變器的故障診斷中，根據(jù)獲勝神經(jīng)元的位置來判斷其逆變器的故障模式。經(jīng)三相逆變器故障實(shí)例驗(yàn)證,該方法可對(duì)三相逆變器的故障進(jìn)行有效的診斷。

圖1 SOM神經(jīng)網(wǎng)絡(luò)模型

1 SOM神經(jīng)網(wǎng)絡(luò)故障診斷方法

1.1 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

SOM是由芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專家Coonan教授在1981年提出的，其網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖2所示[2]，其結(jié)構(gòu)由一個(gè)輸入層與一個(gè)輸出層構(gòu)成。輸入向量的維數(shù)決定了輸入層神經(jīng)元的個(gè)數(shù)，輸入層神經(jīng)元對(duì)外部輸入信號(hào)進(jìn)行接收，輸出層神經(jīng)元按一定的方式排列成一個(gè)平面。這種神經(jīng)網(wǎng)絡(luò)模擬了人類大腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)自組織特征映射的功能，其輸入層的每個(gè)神經(jīng)元均與輸出層的神經(jīng)元通過一個(gè)權(quán)值（權(quán)矢量為W）相連接。SOM能對(duì)輸入向量進(jìn)行自組織學(xué)習(xí)與判斷，并對(duì)其進(jìn)行模式分類。

1.2 SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法

SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法是一種無教師指導(dǎo)與監(jiān)督的聚類方式，不僅能保持輸入矢量的拓?fù)浣Y(jié)構(gòu)不變，還可以學(xué)習(xí)判斷輸入數(shù)據(jù)的分布特征[3,4]。在學(xué)習(xí)算法上，SOM神經(jīng)網(wǎng)絡(luò)不同于其他神經(jīng)網(wǎng)絡(luò)算法，以能量函數(shù)或網(wǎng)絡(luò)誤差作為準(zhǔn)則，而是采用動(dòng)力學(xué)的原理對(duì)網(wǎng)絡(luò)的學(xué)習(xí)與工作進(jìn)行指導(dǎo)，即模擬生物神經(jīng)元之間的興奮、協(xié)調(diào)和競爭抑制等作用對(duì)輸入信息進(jìn)行處理。其具體學(xué)習(xí)算法如下：

1）網(wǎng)絡(luò)初始化，用[0,1]之間的隨機(jī)數(shù)對(duì)輸入層和輸出層之間的連接權(quán)值進(jìn)行初始化。

2）設(shè)置輸入矢量，即從故障特征集合為P=[p1,p2,…,pn]T中隨機(jī)取一輸入模式提供給網(wǎng)絡(luò)的輸入層。

4）根據(jù)“勝者為王”的原則，當(dāng)yi取最大值時(shí)的神經(jīng)元i為勝出者，視其為最佳匹配單元C。為使網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)訓(xùn)練后能進(jìn)行聚類。定義NC為C的一個(gè)拓?fù)溧徲颍筃C內(nèi)的單元輸出為1，其外的單元輸出為0。即：

5）修正權(quán)值，對(duì)與勝出神經(jīng)元連接的各個(gè)權(quán)值進(jìn)行訓(xùn)練修正。其權(quán)值訓(xùn)練公式如下：

其中，a(t)為學(xué)習(xí)因子，在學(xué)習(xí)的初始階段學(xué)習(xí)因子要適當(dāng)取大些，然后根據(jù)學(xué)習(xí)的推進(jìn)逐漸減小，當(dāng)減小到0時(shí)，學(xué)習(xí)訓(xùn)練結(jié)束。

6）學(xué)習(xí)下一個(gè)輸入矢量，返回第3步，直到所有的輸入矢量學(xué)習(xí)完畢為止。

SOM神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)訓(xùn)練后，各個(gè)權(quán)矢量Wi包含了輸入矢量的全部信息，即權(quán)系數(shù)Wi包含了各類故障與其故障特征之間的對(duì)應(yīng)關(guān)系。學(xué)習(xí)訓(xùn)練后，各神經(jīng)元都只針對(duì)對(duì)某一些輸入矢量最為敏感，則對(duì)具有最大輸出的獲勝神經(jīng)元標(biāo)以其對(duì)應(yīng)故障的記號(hào)，即可進(jìn)行故障模式的識(shí)別。

2 三相逆變器故障模式

逆變器故障就是指系統(tǒng)的不正常運(yùn)行與狀態(tài)，即逆變器的輸出超過了其容許范圍，使逆變器的輸出不符合規(guī)定的水平。據(jù)統(tǒng)計(jì)80%的控制系統(tǒng)失效都源于元器件的故障[5]。三相逆變器的拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 三相SPWM逆變器拓?fù)浣Y(jié)構(gòu)圖

在實(shí)際運(yùn)用中逆變電源主電路出現(xiàn)較多的故障是晶閘管的開路與短路故障。逆變電源中的短路故障因其存在的時(shí)間較短、故障波形也相對(duì)比較簡單，因此本文僅對(duì)功率半導(dǎo)體元件的開路故障作分析。在作逆變器故障分析時(shí)，將晶閘管開路、串聯(lián)熔斷器熔斷、觸發(fā)脈沖丟失等故障都統(tǒng)稱為晶閘管故障[6]。為了使分析過程簡化，假定最多同時(shí)有兩只功率管開路,則可將故障大致分為5大類，其中，又可將五大類細(xì)分為22小類，如表1所示。

故障診斷過程中合理有效的選擇故障測試點(diǎn)非常重要。經(jīng)過分析研究，在逆變器的故障診斷中，其輸出電流的波形可以很好的反映其內(nèi)部故障信息，是一個(gè)很好的檢測點(diǎn)，通過對(duì)其進(jìn)行適當(dāng)?shù)淖儞Q可以提取有效的故障特征。

3 小波變換的多分辨率分析故障特征提取

在逆變器的故障診斷中，逆變器內(nèi)部的故障狀態(tài)可以由其輸出電流的波形反映，故障診斷中要提取的故障特征可以對(duì)電流的波形進(jìn)行數(shù)字信號(hào)處理或者直接進(jìn)行采樣得到。基于逆變器輸出電流波形的畸變比較大，為了方便有效的提取電流故障特征值，本文采用小波變換的多分辨率對(duì)其進(jìn)行故障信號(hào)的處理。

小波變換可以將一個(gè)復(fù)雜的信號(hào)分解成不同頻率段上的信號(hào)[7]。即從信號(hào)濾波的角度分析，小波變換就是把待處理的信號(hào)E通過濾波器濾波的作用分解為低頻信號(hào)Di(i=1,2,…,N)和高頻信號(hào)Gi(i=1,2,…,N)，然后再對(duì)低頻信號(hào)進(jìn)行分解，一直分解到第N層。每次分解得到的低頻信號(hào)和高頻信號(hào)都是上一次分解信號(hào)的一半，其分解過程可以看做是在濾波后，對(duì)信號(hào)進(jìn)行了隔點(diǎn)采樣，多分辨率的分解過程不會(huì)丟失原信號(hào)的任何信息，其分解過程也不冗余。其分解過程如圖3所示[8]。

表1 故障編碼

圖3 多分辨率分解示意圖

當(dāng)信號(hào)分解到第N層，其原始信號(hào)的能量就為低頻能量DN和高頻能量GN之和。通過實(shí)驗(yàn)仿真分析，三相SPWM逆變器輸出的故障電流經(jīng)小波分解后得到的高頻能量值很小，低頻能量值相對(duì)高頻能量值比較大，有無高頻能量值對(duì)故障電流特征影響非常小。因此本文對(duì)SPWM逆變器的三相輸出故障電流信號(hào)進(jìn)行小波分解時(shí)，就只提取其三相輸出電流的低頻能量值，對(duì)其進(jìn)行歸一化處理后得到三個(gè)故障特征向量其具體步驟如下：

1）用小波變換的多分辨率對(duì)故障信號(hào)進(jìn)行N層的分解，得到相應(yīng)的低頻能量值。

2）獲取第N層低頻能量值。定義EN為信號(hào)的第N層低頻部分DN的能量，根據(jù)小波分析能量概念，則有：

3）構(gòu)造特征向量。將低頻部分的能量構(gòu)成特征向量T=[E1,E2,E3]，在實(shí)驗(yàn)仿真時(shí)，E1到E3相對(duì)是一個(gè)較大的數(shù)值，為了方便數(shù)據(jù)分析，將特征向量T進(jìn)行歸一化處理，令向量T1即為歸一化后的向量。

根據(jù)表1中故障編碼順序，利用小波變換的多分辨率提取相應(yīng)故障特征向量如表2所示。將其作為SOM網(wǎng)絡(luò)的標(biāo)準(zhǔn)故障樣本。

表2 標(biāo)準(zhǔn)樣本數(shù)據(jù)

4 SOM網(wǎng)絡(luò)在SPWM逆變器故障診斷中的應(yīng)用

本文所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)輸入矢量元素個(gè)數(shù)為3個(gè)。輸出層為10×10個(gè)神經(jīng)元，其拓?fù)浣Y(jié)構(gòu)如圖4所示。

圖4 SOM神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

圖5 故障映射圖

將表2中的標(biāo)準(zhǔn)數(shù)據(jù)樣本輸入到SOM神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，經(jīng)過反復(fù)訓(xùn)練、調(diào)整權(quán)值，當(dāng)訓(xùn)練步數(shù)達(dá)到1000時(shí)，22種故障已經(jīng)完全被分開，每個(gè)樣本都被規(guī)劃為一類，故障映射圖如圖5所示。

圖6 臨近神經(jīng)元之間的距離分部圖

各臨近神經(jīng)元的距離如圖6所示，紅色線為神經(jīng)元之間的連接，藍(lán)色圓圈為神經(jīng)元，神經(jīng)元四周小區(qū)域的顏色代表者各神經(jīng)元間距離的遠(yuǎn)近，其顏色變化從黃色到黑色，各神經(jīng)元之間距離越遠(yuǎn)其顏色就越深。

對(duì)圖4得到的輸出層映射的結(jié)果進(jìn)行故障編碼得到圖7所示的編碼圖。訓(xùn)練完成后，進(jìn)行模式標(biāo)記，并把網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值記錄下來，就可以進(jìn)行故障模式的識(shí)別了。

圖7 故障編碼圖

表3給出了已知故障形式的幾組待測樣本，將這些樣本送入已訓(xùn)練好的SOM網(wǎng)絡(luò)中去，網(wǎng)絡(luò)映射的結(jié)果如圖8所示。

結(jié)果顯示，SOM網(wǎng)絡(luò)除了第3組樣本的診斷結(jié)果與SPWM逆變器實(shí)際故障模式不同外，其余診斷結(jié)果完全正確，其故障模式診斷的正確率為90.91%。由此說明SOM神經(jīng)網(wǎng)絡(luò)能夠較好的識(shí)別SPWM逆變器的各類故障，較好的完成逆變器的故障診斷任務(wù)。

表3 已知故障形式下的待測數(shù)據(jù)樣本

圖8 故障診斷結(jié)果

5 結(jié)論

本文通過SOM神經(jīng)網(wǎng)絡(luò)的“聚類”作用實(shí)現(xiàn)了對(duì)SPWM逆變器的標(biāo)準(zhǔn)故障數(shù)據(jù)樣本的分類。SOM神經(jīng)網(wǎng)絡(luò)對(duì)已訓(xùn)練學(xué)習(xí)過樣本的識(shí)別率能達(dá)到100%，SOM神經(jīng)網(wǎng)絡(luò)的泛化能力比較強(qiáng)，對(duì)于沒有學(xué)習(xí)過的測試樣本，也具有較高的識(shí)別率，其識(shí)別率可達(dá)90%以上，這為提高故障判別準(zhǔn)確率提供了保障。該方法不需要大量的樣本進(jìn)行高度訓(xùn)練，不僅減小了神經(jīng)網(wǎng)絡(luò)的規(guī)模，同時(shí)也縮短了網(wǎng)絡(luò)訓(xùn)練的時(shí)間。

將SOM神經(jīng)網(wǎng)絡(luò)應(yīng)用于SPWM逆變器的故障診斷中，其效果很理想。不但可以實(shí)現(xiàn)其示功圖的自動(dòng)聚類，而且其故障診斷速度快且分類準(zhǔn)確率較高，為逆變器的故障診斷提供了一種比較有效的人工智能診斷方法。

[1] 伊璇,周豐,王心宇,楊永輝,郭懷成.基于SOM的流域分類和無資料區(qū)徑流模擬[J].地理科學(xué)進(jìn)展,2014,08：1109-1116.

[2] 張靜.基于SOM的變壓器故障診斷研究[J].電力學(xué)報(bào),2014,04：318-321.

[3] 唐亮,劉燁,陳雁秋.局部區(qū)域描繪子和SOM聚類算法在LED管芯計(jì)數(shù)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件,2012,10：11-13,21.

[4] Huntsberger T L，Ajjimarangsee P. Parallel self organizing feature maps for unsupervised pattern recognition[J].International Journal of General Systems,1990,16(4)：357-372.

[5] 張艷麗,帕孜來,馬洪雨.PWM逆變器開路故障模式分析及識(shí)別[J].自動(dòng)化應(yīng)用,2013(12)：27-29.

[6] 王強(qiáng),王友仁,張子富,宋哲.無刷直流電機(jī)驅(qū)動(dòng)系統(tǒng)逆變器的開路故障診斷[J].中國電機(jī)工程學(xué)報(bào),2013,24：114-120,17.

[7] 師洪濤,楊靜玲,丁茂生,王金梅.基于小波—BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測方法[J].電力系統(tǒng)自動(dòng)化,2011,16：44-48.

[8] 帕孜來·馬合木提,廖俊勃,支嬋.基于PSO-SVM的三相SPWM逆變電路故障診斷研究[J].電子技術(shù)應(yīng)用,2014,03：52-54,58.