脈沖功率電源故障診斷方法研究*

熊詩成

(海軍研究院， 北京 100161)

脈沖功率電源是電磁發(fā)射系統(tǒng)的重要組成部分，它為軌道發(fā)射裝置在短時間內(nèi)提供巨大能量。電容儲能型脈沖功率電源充放電功率強，技術(shù)成熟，脈沖電流波形的調(diào)控性較好，適應(yīng)性廣，因此目前在電磁發(fā)射領(lǐng)域普遍采用。脈沖功率電源系統(tǒng)中模塊數(shù)量大，故障診斷困難，對運行可靠性要求高。與常規(guī)電氣系統(tǒng)不同，脈沖功率電源系統(tǒng)為瞬時工作模式，目前對脈沖功率電源的故障診斷研究還不夠深入。

目前對于脈沖功率電源的研究主要集中在其放電優(yōu)化方面。文獻[1]基于200 kJ緊湊化脈沖電源進行全系統(tǒng)仿真及實驗，分析電源參數(shù)對發(fā)射速度的影響。文獻[2]采用4組600 kJ脈沖電源系統(tǒng)搭建2.4 MJ的脈沖成形網(wǎng)絡(luò)，每組電源模塊充電電壓及觸發(fā)時序相同，采用同步觸發(fā)放電的方式進行放電研究。文獻[3]通過仿真研究64 MJ炮口動能軌道式發(fā)射裝置模型，采用4個獨立的脈沖電源模塊對發(fā)射裝置進行放電，分析了系統(tǒng)的能量分配及效率，最后對影響系統(tǒng)尺寸的因素進行了分析。還有許多相關(guān)文獻對軌道炮進行了相關(guān)研究[4]，但是目前對脈沖功率電源的故障診斷少有研究。脈沖功率電源故障模型復(fù)雜，存在容差、軟故障和非線性等問題，這對其故障診斷技術(shù)提出了高要求。

在故障診斷方面，人工智能算法的使用對故障診斷效果有著重要影響。近年來，人工智能算法的發(fā)展為故障診斷研究提供了更多選擇。其中應(yīng)用最多的是神經(jīng)網(wǎng)絡(luò)和支持向量機(Support Vector Machine，SVM)。支持向量機克服了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定困難、易收斂與局部極小等缺點，有效解決了高維數(shù)和非線性等問題。而最小二乘支持向量機(Least Square Support Vector Machine， LSSVM)不但與SVM一樣能有效解決分類問題，而且較標(biāo)準(zhǔn)的SVM進行了很大改進，已經(jīng)成為當(dāng)前應(yīng)用較為廣泛的一類SVM[5-8]。近年來，有研究采用粒子群優(yōu)化(Particle Swarm Optimization，PSO)對LSSVM的核函數(shù)參數(shù)進行優(yōu)化，進一步提高LSSVM的分類性能。但是PSO-LSSVM易陷入局部最優(yōu)解，且優(yōu)化過程計算量大，不利于在線算法的實現(xiàn)。

綜上所述，脈沖功率電源故障模型復(fù)雜，存在容差、軟故障和非線性等問題，目前國內(nèi)外對脈沖功率電源故障診斷少有研究，并且目前故障診斷方法研究還存在計算量大、易陷入局部最優(yōu)解等問題。本文將采用基于模式搜索的支持向量機(Pattern Search Support Vector Machine, PSSVM)故障診斷方法對脈沖功率電源進行故障診斷研究。

1 脈沖功率電源的拓?fù)浣Y(jié)構(gòu)與故障分析

1.1 脈沖功率電源系統(tǒng)拓?fù)浣Y(jié)構(gòu)

電磁發(fā)射系統(tǒng)的結(jié)構(gòu)如圖1所示。圖中左半部分為脈沖功率電源系統(tǒng)，右半部分為發(fā)射裝置負(fù)載。脈沖功率電源的作用是將其存儲的電能給軌道負(fù)載以提供高功率脈沖電流，其由若干組依次觸發(fā)的脈沖成形單元(Pulse Forming Unit，PFU)并聯(lián)而成[9-10]。電磁發(fā)射裝置的作用是加速電樞，并將脈沖電源提供的能量轉(zhuǎn)換為電樞的動能，其電路模型采用動態(tài)負(fù)載模型[11]。

圖1 脈沖功率電源系統(tǒng)模型Fig.1 Model of pulse power supply system

每個脈沖功率電源模塊主要由高功率密度脈沖電容器C、大功率開關(guān)硅堆SCR(通常為晶閘管)、續(xù)流硅堆D(一般為大功率二極管)、脈沖電感器L等組成R-L-C放電電路，如圖2所示。動態(tài)負(fù)載考慮電樞在軌道中的趨膚效應(yīng)、接觸壓力、接觸電阻、摩擦力[11]。

圖2 脈沖功率電源單元Fig.2 Pulse power supply unit

1.2 脈沖功率電源故障分析

電磁發(fā)射應(yīng)用中，脈沖功率電源模塊中的電容器會受到一系列不可逆的應(yīng)力，導(dǎo)致電容器退化。導(dǎo)致電容器退化的因素主要有電應(yīng)力、熱應(yīng)力和機械應(yīng)力。大多數(shù)電容器失效模式可以通過電容器等效內(nèi)阻和等效電容值變化來推測[11-13]。在電磁發(fā)射應(yīng)用中，電容值下降超過初始電容值的5%時被認(rèn)為是故障[14]。同樣，本文認(rèn)為等效內(nèi)阻上升超過初始等效內(nèi)阻的100%時被認(rèn)為是故障。通過觀測電容器的電氣參數(shù)可以判斷電容器的電容值和電阻值的改變，由此可以用來判斷電容器是否故障。通常，電容器的等效電路模型可以由圖3表示。其中C代表容器的主要電容，ESR代表電容器所有損耗的等效電阻。

圖3 電容器等效電路模型
Fig.3 Capacitor equivalent circuit model

電感器的等效電路模型如圖4所示。脈沖電感器長時間正常運行，等效電感值L和串聯(lián)等效電阻值都不會發(fā)生劇烈變化。但脈沖電感器中線圈通過大電流時，匝間受到電動力影響會急劇膨脹及輕微形變，如果匝間有雜質(zhì)碎屑或銅箔上有毛刺，極易致層間絕緣扎破，會造成線圈匝間短路。此時脈沖電感器等效電感值和串聯(lián)等效電阻值都會下降。類似于脈沖電容器，當(dāng)脈沖電感器的電感值下降超過5%被認(rèn)為是故障，電感器等效串聯(lián)內(nèi)阻下降超過50%被認(rèn)為是故障。

圖4 電感器等效電路模型
Fig.4 Inductor equivalent circuit model

電磁發(fā)射應(yīng)用中的晶閘管和二極管處于高電壓、大電流的連續(xù)浪涌模式工況，當(dāng)通過單次浪涌電流后會產(chǎn)生一個瞬時溫升，如果不能及時冷卻，在多次浪涌電流后，半導(dǎo)體器件結(jié)溫會達到其失效溫度，導(dǎo)致性能下降甚至失效。晶閘管和二極管出現(xiàn)的短路和斷路故障為硬故障，此時系統(tǒng)將發(fā)生嚴(yán)重?fù)p壞。通過分析了解到電容器和電感器的故障為軟故障，軟故障通過事前測試或監(jiān)控能預(yù)測到。本文將主要研究脈沖功率電源的軟故障，主要故障類型如表1所示。

表1 脈沖功率電源軟故障類型

1.3 脈沖功率電源放電差異分析

為了量化研究軟故障對負(fù)載放電電流波形的影響，分別從電流波形的峰值、脈寬和梯形相似率方面對電流波形進行分析。設(shè)C1為電容器，D1為大功率二極管，L4和R4為負(fù)載等效電感和電阻，具體模塊電路參數(shù)設(shè)置如表2所示。脈寬定義為電流從上升至電流最大峰值的20%到下降至電流最大峰值的20%之間的時間。為了描述脈沖電流波形與矩形的相似程度，定義脈沖電流在大于其電流峰值20%部分所圍成的圖形面積與該圖形對應(yīng)矩形面積之比為梯形相似率，該比值越大說明電流波形越像矩形波。

表2 模塊電路參數(shù)設(shè)置

1.3.1 電容器容值差異放電分析

按照圖5的電路，改變電容器的電容值，分別取2 mF、4 mF、6 mF進行仿真，放電電流波形如圖6 所示。

圖5 模塊仿真電路Fig.5 Module simulation circuit

圖6 不同電容值對放電特性的影響Fig.6 Influence of capacitance value on discharge characteristics

圖6對應(yīng)的3條仿真電流曲線的電流峰值、脈寬和梯形相似率，如表3所示?？梢钥闯霎?dāng)脈沖電容器的電容值增加時，電流峰值隨之增大，同時脈寬和梯形相似率也隨之增大。

表3 不同電容值對放電特性的影響

1.3.2 電容器內(nèi)阻差異放電分析

改變脈沖電容器的串聯(lián)等效電阻等價于改變支路電阻R1。電阻R1為2 mΩ、4 mΩ、6 mΩ時進行仿真，得到放電電流結(jié)果如圖7所示。對率如表4所示。

圖7 不同電阻R1對放電特性的影響Fig.7 Influence of R1 value on discharge characteristics

表4不同電阻R1對放電特性的影響

Tab.4 Influence ofR1value on discharge characteristics

參數(shù)電流峰值/kA脈寬/ms梯形相似率R1=2 mΩ29.82.010.696 9R1=4 mΩ29.62.050.696 7R1=6 mΩ29.32.110.696 4

可以看到，當(dāng)支路電阻R1增大時，放電電流峰值減小，脈寬增加，梯形相似率也是減小的。其中電阻R1對電流峰值影響較大，對脈寬和梯形相似率的影響較小。

1.3.3 電感器電感值差異放電分析

改變電感器的電感值等價于改變支路電感，取L3為50 μH、60 μH、70 μH進行仿真，仿真電流波形如圖8所示。

圖8 不同電感L3對放電特性的影響Fig. 8 Influence of L3 value on discharge characteristics

放電電流的電流峰值、脈寬和梯形相似率的結(jié)果如表5所示，可以看出支路電感L3對回路放電特性影響較大。當(dāng)支路電感L3增大，電流峰值下降，脈寬上升，梯形相似率降低。

1.3.4 電感器內(nèi)阻差異放電分析

當(dāng)電阻R3為2 mΩ、4 mΩ、6 mΩ時進行仿真，結(jié)果如圖9所示。由圖發(fā)現(xiàn)電阻值越大，放電電流波形的峰值越小。電阻值不同對電流波形會造成明顯差異。

表5 不同電感L3對放電特性的影響

圖9 不同電阻R3對放電特性的影響Fig.9 Influence of R3 value on discharge characteristics

放電電流的電流峰值、脈寬和梯形相似率的結(jié)果如表6所示。可以看出，隨著支路電阻R3的增大，電流峰值下降，脈寬下降。

表6 不同電阻R3對放電特性的影響

2 故障診斷方法

2.1 基于多層小波分析的故障特征提取方法

小波由一族小波基函數(shù)構(gòu)成，它可以描述信號時間(空間)和頻率(尺度)域的局部特性。采用小波分析最大優(yōu)點是可對信號實施局部分析，可在任意的時間或空間域中分析信號。小波分析能夠發(fā)現(xiàn)其他信號分析方法所不能識別的、隱藏于數(shù)據(jù)之中的表現(xiàn)結(jié)構(gòu)特性的信息，而這些特性對故障識別尤為重要。

從信號分析的角度看，小波分解是將信號通過兩組濾波器，得到信號的高頻部分和低頻部分；然后繼續(xù)將得到的高頻部分通過兩組濾波器得到其高頻部分和低頻部分。此時高、低頻信號的長度都是原信號的一半。采用Haar小波對信號進行分解,假設(shè)

(1)

那么fj可以分解為:

fj=wj-1+fj-1

(2)

(3)

(4)

其中，

(5)

(6)

將信號f離散化成近似的信號fj，然后利用Mallat算法，將fj分解成不同頻率成分：

fj=wj-1+wj-2+…+w0+f0

(7)

本質(zhì)上，對信號f進行小波分析就是將信號分解成不同層級的小波分量ψ(2jx-k)。對信號進行小波分解的目的就是找出信號的故障特征。本文采用多層小波高頻細(xì)節(jié)信息作為故障特征值。

2.2 基于模式搜索的支持向量機故障診斷方法

支持向量機通過非線性映射，把樣本空間映射到高維空間，使得原來線性不可分的問題轉(zhuǎn)化為線性可分的問題。設(shè)訓(xùn)練樣本集(xi,yi),xi∈Rn,yi∈R,i=1,2,…,l。xi為n維輸入向量，yi為一維輸出值，l為樣本。作為非線性映射φ:Rn→H,其中φ為高維特征映射，H為高維特征空間，從而能夠線性可分，在特征空間H中，擬合樣本集為：

y(x)=wTφ(x)+b

(8)

其中,w為n維權(quán)向量，b為閾值。

本文采用的核函數(shù)為徑向基核函數(shù)：

(9)

訓(xùn)練支持向量機的過程中，懲罰系數(shù)c表示對誤差的寬容度，這個值越高說明越不能容忍出現(xiàn)誤差。徑向基核函數(shù)的Gamma參數(shù)g隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布。優(yōu)化選取這2個參數(shù)，直接影響故障診斷性能的發(fā)揮。本文采用模式搜索算法對以上2個參數(shù)進行優(yōu)化，并進行交叉驗證。

模式搜索算法在尋優(yōu)空間中選取一個點，通過此點移動來尋找最優(yōu)值。令尋優(yōu)空間x∈Rn，從中隨機選取一個作為初始值。初始的采樣范圍是整個尋優(yōu)空間d=bup-blo。下一個尋優(yōu)點y通過以下方法獲得：首先隨機選取一個指標(biāo)R∈{1,…,n}，令yR=xR+dR。如果y提升優(yōu)化目標(biāo)，那么x移動到下一個點y，否則反轉(zhuǎn)并且減半尋優(yōu)空間：dR←-dR/2。重復(fù)以上步驟，直至達到優(yōu)化目標(biāo)。相對于差分進化算法和粒子群優(yōu)化算法，其優(yōu)化時間大大減少。通過模式搜索算法優(yōu)化SVM中懲罰系數(shù)c和徑向基核函數(shù)中Gamma參數(shù)g來提高SVM算法分類準(zhǔn)確率。對于脈沖電源的故障識別問題，模式搜索算法比其他方法更合適。

2.3 脈沖功率電源故障診斷實施方法

首先，對采集到的脈沖功率電源模塊的電流信號進行預(yù)處理，執(zhí)行多層小波變換得到相應(yīng)的高頻小波系數(shù)。同時，采用不同層數(shù)的小波分解并將小波逼近系數(shù)作為候選特征從而構(gòu)成候選樣本數(shù)據(jù)集。在獲得小波系數(shù)后采用主成分分析的方法對樣本進行降維以減少故障算法的工作量。最后再將故障特征輸入基于模式搜索算法的支持向量機進行訓(xùn)練和測試，從而達到正確性和診斷的可靠性目的。構(gòu)造的故障診斷算法流程如圖10所示。

圖10 基于模式搜索的支持向量機流程Fig.10 Flow chart of PSSVM

圖10展示了基于粒子群的最小二乘支持向量機的故障分類方法，該方法采用Gauss徑向基核的最小二乘支持向量機模型，有2個參數(shù)(c和g)需要進行優(yōu)化，這2個參數(shù)對支持向量機的性能有顯著影響。該方法基于交叉驗證原理，采用模式搜索優(yōu)化算法對這2個參數(shù)進行優(yōu)化，達到最好的故障診斷效果。

3 實驗與分析

3.1 仿真實驗

在仿真軟件中搭建如圖1所示電路模型，采用3個模塊進行異步時序放電分析。每個模塊中各元件參數(shù)值為：電容器標(biāo)稱值C=2 mF，電容器內(nèi)阻標(biāo)稱值RC=2 mΩ，電感器標(biāo)稱電感值L=45 μH，電感器內(nèi)阻標(biāo)稱值RL=1 mΩ。3個模塊的觸發(fā)時序為0 ms—0.5 ms—1 ms，其中電容值和電感值的容差為1%，電容器和電感器的串聯(lián)等效內(nèi)阻的容差為10%。電容值和電感值下降超過5%時，影響系統(tǒng)性能，被認(rèn)為是故障；電容器的串聯(lián)等效內(nèi)阻上升超過100%被認(rèn)為是故障；電感器的串聯(lián)等效內(nèi)阻下降超過50%，被認(rèn)為是故障。本文只考慮脈沖功率模塊發(fā)生單個軟故障時的情形。選擇電容器和電感器為潛在的故障元件。每個模塊有4類故障模式和1類正常模式，如表7所示。系統(tǒng)中總共有3個模塊，因此一共有12類故障模式和1類正常模式。表中Ci表示第i個模塊的電容器電容值，RCi表示第i個模塊的電容器電阻值，Li表示第i個模塊的電感器的電感值，RLi表示第i個模塊的電感器電阻值。

表7 脈沖功率電源單軟故障模式

建立實際發(fā)射過程動態(tài)負(fù)載的方法，采用MATLAB軟件進行仿真實驗。利用蒙特卡洛分析獲得仿真數(shù)據(jù)以建立訓(xùn)練集和測試集，每種情況中元件的值不是固定不變的，從而保證了故障字典比較完整與合理。通過MATLAB建立時域瞬態(tài)分析和蒙特卡洛分析獲得各個故障的仿真數(shù)據(jù)。在時域分析中運行時間和固定步長分別為10 ms和0.01 ms。蒙特卡洛分析時，每種情況分析1100次，系統(tǒng)一共13種狀態(tài)，仿真模型一共運行14 300次，參數(shù)服從平均分布。每種故障狀態(tài)的前1000個樣本用作訓(xùn)練集，后100個樣本作為測試集。以F1正常情況為例，此時，3個模塊的電容器電容值和電阻值都在自己的容差范圍內(nèi)變化。每個樣本包含有1001個采樣點，即每種故障模式采集到了1100個具有1001個樣本點的時域故障信號樣本。然后對采集到的樣本進行Haar小波包分解，分解得到各層高頻細(xì)節(jié)小波系數(shù)，采用第1層和第2層小波高頻細(xì)節(jié)信息作為故障特征量。小波系數(shù)將會經(jīng)過主成分分析來降維，減少故障分類算法的計算量。

3.2 結(jié)果分析

為了驗證所提故障診斷方法的效果，基于故障數(shù)據(jù)，采用基于多層小波分析的隨機森林(Multilayer Wavelet Analysis-Random Forest, MWA-RF)、基于多層小波分析的標(biāo)準(zhǔn)SVM(MWA-SVM)、標(biāo)準(zhǔn)的RF與本文方法MWA-PSSVM分別進行故障診斷實驗。表8給出了采用故障數(shù)據(jù)時4種方法的故障診斷結(jié)果。由表可知，MWA-SVM和標(biāo)準(zhǔn)RF方法診斷準(zhǔn)確率較低，前者是因為沒有進行參數(shù)優(yōu)化，后者是因為沒有有效地提取故障特征。本文方法和MWA-RF的分類效果較好，但本文方法更加準(zhǔn)確有效。

表8 不同方法的診斷結(jié)果比較

4 結(jié)論

為了有效地提高脈沖功率電源的安全性，研究了脈沖功率電源的故障診斷方法，提出了基于多層小波分析的模式搜索支持向量機故障診斷方法，結(jié)論如下：

1)提出的脈沖功率電源軟故障診斷方法，通過多層小波分析可以有效地提取故障特征信息，為故障診斷打下基礎(chǔ)；

2)提出的模式搜索方法可以有效地優(yōu)化SVM參數(shù)，因此SVM分類精度得到提升，從而可以提高脈沖功率電源故障診斷準(zhǔn)確率；

3)對脈沖功率電源進行的動態(tài)仿真實驗表明本文方法的準(zhǔn)確率高于其他三種方法，從而驗證了本文方法的有效性。