電力電子變換器的故障診斷及跨域故障分析綜述

余 凱 徐智帆 李文院

(1.國網(wǎng)福建省電力有限公司建設(shè)分公司，福建 福州 350001;2.國網(wǎng)福建省電力有限公司廈門供電公司，福建 廈門 361001;3.國網(wǎng)福建省電力有限公司物資分公司，福建 福州 350001)

0 引言

煤、石油等化石能源的大幅度使用，在加速全球工業(yè)化發(fā)展的同時(shí)，也帶來了大量的碳排放，造成了嚴(yán)重的環(huán)境污染、全球變暖等問題。根據(jù)國際能源署的統(tǒng)計(jì)數(shù)據(jù)，發(fā)電和儲能引起的碳排放量占總量的27%[1-2]。因此減少對化石能源的依賴，大力發(fā)展“清潔替代”，才能早日實(shí)現(xiàn)“碳達(dá)峰、碳中和”的美好愿景。其中，電力電子變換器作為電能形式轉(zhuǎn)換和提高電能利用率的關(guān)鍵元件，其結(jié)構(gòu)和工作環(huán)境變得越來越復(fù)雜，這使得電力電子變換器的故障發(fā)生率隨之增加。電力電子變換器發(fā)生故障輕則導(dǎo)致設(shè)備異常和失效、造成一定的經(jīng)濟(jì)損失，重則導(dǎo)致系統(tǒng)癱瘓、影響工業(yè)生產(chǎn)和造成人身安全問題。因此，研究電力電子變換器的故障診斷技術(shù)是十分必要的。

1 電力電子變換器故障診斷方法

根據(jù)故障發(fā)生機(jī)理，電力電子變換器故障一般可分為結(jié)構(gòu)性故障和參數(shù)性故障[3]。結(jié)構(gòu)性故障是指電路中功率開關(guān)管及其他元件發(fā)生短路或開路所引起的故障。結(jié)構(gòu)性故障若沒有及時(shí)檢測、定位并隔離，就會影響設(shè)備的正常運(yùn)行，甚至引發(fā)災(zāi)難性故障。參數(shù)性故障是指器件經(jīng)長時(shí)間運(yùn)行或處于復(fù)雜環(huán)境運(yùn)行等原因引起的參數(shù)值超出標(biāo)稱值一定的范圍所發(fā)生的故障。參數(shù)性故障只會造成設(shè)備性能指標(biāo)的下降[4]，例如諧波分量增加、效率降低等，但是對故障檢測速度的要求較低。從20世紀(jì)80年代以來，電力電子變換器的故障診斷技術(shù)一直是國內(nèi)外學(xué)者的研究熱點(diǎn)。故障診斷方法一般分為三個(gè)步驟，即故障檢測、故障定位和故障隔離。目前，常見的電力電子電路故障診斷方法主要有解析模型法、信號處理法、數(shù)據(jù)驅(qū)動法等[5]，如圖1。

圖1 故障診斷主要方法分類

1.1 解析模型法

解析模型法首先通過描述電路系統(tǒng)的數(shù)學(xué)模型，再利用采樣得到的狀態(tài)量與通過數(shù)學(xué)模型推導(dǎo)得出的先驗(yàn)信息進(jìn)行比較，當(dāng)采樣量和先驗(yàn)量的殘差超出所設(shè)的閾值時(shí)，即判定故障發(fā)生。最后通過分析不同故障發(fā)生時(shí)的殘差相關(guān)特性來設(shè)計(jì)故障定位的規(guī)則[6-7]。

1.1.1 觀測器法

觀測器法的基本思路是通過數(shù)學(xué)模型建立系統(tǒng)的狀態(tài)觀測器，將觀測器的輸出與系統(tǒng)的真實(shí)輸出進(jìn)行比較，并對兩者之間的殘差進(jìn)行分析，選擇合適的閾值來判斷系統(tǒng)是否發(fā)生故障(圖2)。當(dāng)系統(tǒng)故障發(fā)生時(shí)，殘差會大幅增加。

圖2 觀測器法故障診斷流程

Jlassi等[8]利用一個(gè)龍伯格觀測器來實(shí)現(xiàn)永磁同步發(fā)電機(jī)輸入側(cè)和輸出側(cè)變換器的狀態(tài)監(jiān)測和故障診斷。其中，閾值采用自適應(yīng)方法，定義為采樣電流和觀測電流均方根和平均值的比值之差，避免了面對不同運(yùn)行工況需要人工調(diào)節(jié)閾值的情況，提高了算法的可靠性和魯棒性。該方法可以應(yīng)對多個(gè)開關(guān)管的開路故障，通過實(shí)驗(yàn)驗(yàn)證了該方法具有較高的診斷正確率。陳超波等[9]建立了逆變器的混合邏輯模型，并將滑模觀測器和區(qū)間估計(jì)相融合來估計(jì)系統(tǒng)正常工作的電流，提高了系統(tǒng)狀態(tài)輸出量的估計(jì)精度。除此之外，卡爾曼濾波算法作為一種依據(jù)最小均方誤差準(zhǔn)則來估計(jì)系統(tǒng)狀態(tài)的濾波算法，也是被廣泛應(yīng)用于故障診斷的觀測器之一。

1.1.2 狀態(tài)估計(jì)法

狀態(tài)估計(jì)法與觀測器法相類似，也是需要數(shù)學(xué)模型框架來描述系統(tǒng)的物理規(guī)律，通過檢測測量值是否符合模型的運(yùn)行規(guī)律來判斷故障是否發(fā)生。Yue等[10]提出了一個(gè)基于批量模式回歸的動態(tài)狀態(tài)估計(jì)方法來對電路中可能發(fā)生的參數(shù)性故障進(jìn)行診斷。該方法引入了一個(gè)“健康指標(biāo)”變量，能夠反映變換器內(nèi)部元件的參數(shù)偏移情況，在提高參數(shù)性故障診斷的靈敏性的同時(shí)也降低了計(jì)算的復(fù)雜度。

1.1.3 參數(shù)辨識法

參數(shù)辨識法是一種較為通用的方法，通過實(shí)時(shí)識別系統(tǒng)各個(gè)部件的參數(shù)來監(jiān)測系統(tǒng)的健康狀況，達(dá)到故障診斷的目的。若參數(shù)估計(jì)值與參數(shù)標(biāo)定值的差值超出一定范圍即判定系統(tǒng)發(fā)生故障。當(dāng)系統(tǒng)使用依賴參數(shù)值的控制方法時(shí)，參數(shù)辨識法還可以調(diào)整因系統(tǒng)參數(shù)失配導(dǎo)致的系統(tǒng)性能惡化，改善系統(tǒng)動態(tài)性能，實(shí)現(xiàn)系統(tǒng)魯棒控制。常見的參數(shù)辨識法有模型參考自適應(yīng)方法(Model Reference Adaptive System，MRAS)[11]、最小二乘法[12]、梯度下降法[13]等。這些方法都需要適當(dāng)?shù)募?lì)來保證估計(jì)參數(shù)的收斂性，并且平均穩(wěn)態(tài)誤差大多都小于5%。

解析模型法只需測量系統(tǒng)的少量節(jié)點(diǎn)信息，不需要增加額外的傳感器，且很容易被嵌入到DSP或FPGA中，是一種經(jīng)濟(jì)、易于實(shí)現(xiàn)的方法。但是該方法需要對系統(tǒng)的運(yùn)行機(jī)理進(jìn)行較為全面的分析后，通過精確的系統(tǒng)模型獲取精確的輸出估計(jì)值，這對于階數(shù)較高的復(fù)雜系統(tǒng)來說難以實(shí)現(xiàn)。在實(shí)際應(yīng)用中，由于電力電子變換器系統(tǒng)是一個(gè)混雜非線性且復(fù)雜的系統(tǒng)，不僅包括連續(xù)變量(如各節(jié)點(diǎn)的電壓和各分支的電流等)，還包括離散變量(如開關(guān)狀態(tài)等)，再加上系統(tǒng)參數(shù)失配、電源擾動、噪聲干擾等不確定因素都限制了解析模型法的進(jìn)一步發(fā)展。

1.2 信號處理法

信號處理法主要是指用特定的特征提取方法對電力電子電路的輸出信號進(jìn)行降維處理，去除其中冗余的數(shù)據(jù)，使得故障信息更加清晰且有效。當(dāng)電力電子電路存在故障時(shí)，其表征系統(tǒng)運(yùn)行狀態(tài)量將會變化，這些狀態(tài)量變化包含豐富的故障特征信息，常見的特征變量有峰峰值、諧波分量、能量系數(shù)等[14]。目前基于信號處理的故障診斷方法主要有傅里葉分析法、小波分析法、信息融合法等。

1.2.1 傅里葉分析法

傅里葉變換作為時(shí)域與頻域之間的“橋梁”，可以將一個(gè)復(fù)雜的信號分解為有限個(gè)頻率分量之和。特別是快速傅里葉變換的出現(xiàn)，緩解了離散傅里葉變換計(jì)算量大的痛點(diǎn)，打破了傅里葉變換的應(yīng)用限制[15]。Nesci Soares等[16]通過對發(fā)電機(jī)轉(zhuǎn)子速度曲線進(jìn)行傅里葉分析發(fā)現(xiàn)，當(dāng)故障發(fā)生時(shí)，功率譜中特定階數(shù)諧波分量的幅值較高，并結(jié)合定子電流的包絡(luò)分析提出了一個(gè)針對感應(yīng)發(fā)電機(jī)中交—直—交變換器的故障診斷方法。

1.2.2 小波分析法

小波函數(shù)并不唯一，只需滿足一定的容許條件。楊欣榮等[17]將小波變換應(yīng)用于無刷直流電機(jī)逆變器的開路故障診斷中，將三相電流信號分解得到的細(xì)節(jié)系數(shù)的乘積作為新的信號，將新信號再次進(jìn)行小波變換得到高頻和低頻系數(shù)的能量值，作為故障檢測和定位的特征依據(jù)。該方法實(shí)現(xiàn)方式簡單，診斷速度快，同時(shí)可以減小噪聲對診斷結(jié)果的影響。

崔江等[18]首先將三相電流進(jìn)行小波分析，以降低采樣過程中的噪聲干擾，得到小波粗系數(shù)；其次將小波粗系數(shù)進(jìn)行Concordia變換，得到電流軌跡用于提取質(zhì)心故障特征，進(jìn)一步壓縮特征維度；最后采用故障字典方法和支持向量機(jī)方法進(jìn)行故障的檢測和定位。但是小波變換法也存在一定的局限性，例如小波基的構(gòu)建沒有統(tǒng)一的選取準(zhǔn)則以及能量泄漏問題[19]。

1.2.3 信息融合法

在實(shí)際應(yīng)用中，單一數(shù)據(jù)在干擾較大的情況下存在丟失或者傳輸錯(cuò)誤的可能性，而且局部數(shù)據(jù)會忽略其他位置的表征信息，不能清晰直觀地反映整個(gè)系統(tǒng)運(yùn)行狀況。只有將多方面的信息融合成新的故障特征，形成信息互補(bǔ)，才能使得診斷算法有較高的可靠性和準(zhǔn)確率。根據(jù)對信息抽象層次進(jìn)行分類，可以把信息融合分為特征層融合、數(shù)據(jù)層融合和決策層融合。以特征層融合為例，其方法架構(gòu)如圖3所示。張國恒等[20]采用貝葉斯參數(shù)估計(jì)法將電流和電壓特征信息融合起來，將不同傳感器的單一信息融合問題轉(zhuǎn)化為同一個(gè)傳感器的多個(gè)特征的問題。王建國等[21]對振動信號進(jìn)行變分模態(tài)分解出一系列的模態(tài)，將高頻段模態(tài)的排列熵和能量融合成新的特征變量，新特征向量能夠從不同尺度表示故障的特性。

圖3 信息融合法一般流程

信號處理法不需要描述精確的數(shù)學(xué)模型，相比于解析模型法在噪聲干擾嚴(yán)重、系統(tǒng)復(fù)雜難以建模的場合更加適用。但是，將采樣信號經(jīng)過處理后得到的新特征依舊需要專業(yè)的診斷經(jīng)驗(yàn)來進(jìn)行判斷，大大降低了診斷的效率。隨著電力電子變換器朝著結(jié)構(gòu)復(fù)雜化、數(shù)量快速增長的趨勢發(fā)展，傳感器的測點(diǎn)越來越多，故障診斷進(jìn)入“大數(shù)據(jù)”時(shí)代。經(jīng)信號處理后的特征從低維度的簡單對比需要發(fā)展為在高維度下的高精度、自適應(yīng)的故障診斷技術(shù)，因此其與數(shù)據(jù)驅(qū)動算法的結(jié)合成為目前的熱點(diǎn)。

1.3 數(shù)據(jù)驅(qū)動法

數(shù)據(jù)驅(qū)動法是一種基于數(shù)據(jù)驅(qū)動的故障診斷方法，它將隱藏在海量數(shù)據(jù)中有利于故障診斷的信息挖掘出來。它無需解釋系統(tǒng)的內(nèi)在模型行為，恰好回避了電力電子電路非線性、耦合性強(qiáng)的建模困難這一難點(diǎn)，因此基于數(shù)據(jù)驅(qū)動的智能診斷技術(shù)成為了當(dāng)今電力電子電路故障診斷一個(gè)不可忽視的研究熱點(diǎn)。

1.3.1 故障樹法

故障樹法是1962年美國貝爾實(shí)驗(yàn)室發(fā)明的一種利用某些圖形符號來表示從故障信號到故障發(fā)生原因之間關(guān)系的方法[22]。在一個(gè)已建立的故障樹中，從某一故障出發(fā)，順著邏輯關(guān)系一步步尋找系統(tǒng)故障發(fā)生的原因。但故障樹的建立需要對系統(tǒng)的機(jī)理和故障發(fā)生的原因有全面的了解，且構(gòu)建過程復(fù)雜、工作量大。因此，故障樹法常常與其他診斷算法相結(jié)合，實(shí)現(xiàn)故障樹的自動建立、修改和維護(hù)，根據(jù)故障信號快速定位故障的位置。李練兵等[23]采用聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)來對光伏發(fā)電系統(tǒng)故障樹中未找到的故障進(jìn)行輔助診斷，并不斷完善故障樹，提升故障樹的構(gòu)建效率。

1.3.2 支持向量機(jī)法

支持向量機(jī)(Support Vector Machine，SVM)是基于Vapnik創(chuàng)建的統(tǒng)計(jì)學(xué)理論發(fā)展而來的一種機(jī)器學(xué)習(xí)方法，即通過高維空間轉(zhuǎn)換，將非線性分類變成高維空間上的線性分類問題，如圖4所示。SVM可以將高維分類轉(zhuǎn)化為二次規(guī)劃問題，特別針對小樣本問題SVM有獨(dú)特的優(yōu)勢。Miao等[24]對傳統(tǒng)的SVM加入經(jīng)驗(yàn)?zāi)B(tài)分解進(jìn)行預(yù)處理并以主元分析法提取特征參數(shù)，診斷準(zhǔn)確率有較大的提高，但是并未克服SVM本身的缺點(diǎn)且沒有進(jìn)行樣機(jī)實(shí)驗(yàn)，所以工程價(jià)值有待考證。李浩洋等[25]雖然配合SVM加入了不同的改進(jìn)算法，但是其主要在結(jié)構(gòu)性故障診斷方面表現(xiàn)優(yōu)異，對于診斷參數(shù)性故障的方面依舊沒有大的突破。

但是目前在實(shí)時(shí)性要求較高的系統(tǒng)中，還需要對SVM做進(jìn)一步的改進(jìn)，通過對SVM的算法進(jìn)行改進(jìn)或者配合其他的智能優(yōu)化算法來改善SVM的最優(yōu)狀態(tài)計(jì)算或者加快學(xué)習(xí)速度，是SVM在電力電子故障診斷上的研究方向。

圖4 線性不可分時(shí)的劃分映射

1.3.3 神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)有著強(qiáng)大的非線性問題的處理能力，通過調(diào)整網(wǎng)絡(luò)內(nèi)部的權(quán)重和偏差，形成故障信號和故障類別之間一一對應(yīng)的映射，如圖5所示。神經(jīng)網(wǎng)絡(luò)將模型視作“黑箱”，只需要部分帶標(biāo)簽的歷史數(shù)據(jù)就可以學(xué)習(xí)輸入輸出對應(yīng)的邏輯聯(lián)系。

圖5 神經(jīng)網(wǎng)絡(luò)示意圖

Li等[26]建立了一個(gè)長短時(shí)記憶網(wǎng)絡(luò)作為故障診斷的框架，實(shí)現(xiàn)對風(fēng)力發(fā)電機(jī)的傳感器、驅(qū)動系統(tǒng)和執(zhí)行器的故障診斷。將健康狀態(tài)下的數(shù)據(jù)用于訓(xùn)練，并得出健康狀態(tài)下的輸出與實(shí)際狀態(tài)下的輸出之間的殘差，最后運(yùn)用隨機(jī)森林算法做出診斷決策。Sun等[27]在粒子群算法(Particle Swarm Optimization,PSO)對參數(shù)性故障診斷優(yōu)化的基礎(chǔ)上加入了小波包分析進(jìn)行特征提取并且以深度置信網(wǎng)絡(luò)(Deep Belief Network，DBN)和烏鴉搜索算法(Crow Search Algorithm,CSA)對原有的PSO進(jìn)行優(yōu)化并以樣機(jī)進(jìn)行驗(yàn)證，CSA-DBN相對于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Networks,BPNN)和SVM對參數(shù)性和結(jié)構(gòu)性故障的診斷準(zhǔn)確率有明顯的提高。但是對于濾波電容的等效串聯(lián)阻抗上升幅度不大或者電容值下降不多的故障診斷準(zhǔn)確率提升不多，以及沒有加入不同程度的噪聲進(jìn)行對比實(shí)驗(yàn)且該方法需要更長的計(jì)算時(shí)間不利于快速響應(yīng)，除此之外還需要海量數(shù)據(jù)進(jìn)行支撐，這些仍要繼續(xù)改進(jìn)。李世濤等[28]針對傳統(tǒng)的BPNN提出了以量子神經(jīng)網(wǎng)絡(luò)(Quantum Neural Network,QNN)進(jìn)行故障診斷并以小波分析對故障特征進(jìn)行提取，QNN與BPNN相比準(zhǔn)確率有明顯提高，但是其收斂速度慢且需要更多的學(xué)習(xí)樣本，難以保證其在工程中的實(shí)際效果。Lin等[29]基于模糊小腦神經(jīng)網(wǎng)絡(luò)(Fuzzy Cerebellar Model Neural Networks,FCMNN)與遺傳算法(Genetic Algorithm,GA)相結(jié)合在一定程度上克服了FCMNN參數(shù)過多以及盡最大可能避免局部最優(yōu)的情況，在特征提取的方法上使用了傅里葉分析和主成分分析選出了特征最為明顯的參數(shù)，為實(shí)驗(yàn)驗(yàn)證做好了基礎(chǔ)，這是將神經(jīng)網(wǎng)絡(luò)與信號處理法相融合的典型研究。Wu等[30]首先基于對混合鍵圖提取故障特征矩陣再以GA進(jìn)行故障識別，該方法主要針對開關(guān)管的參數(shù)劣化進(jìn)行診斷，同時(shí)也保證了對電解電容的參數(shù)性故障診斷，并以樣機(jī)進(jìn)行實(shí)驗(yàn)驗(yàn)證，與BPNN相比有明顯提高。但是在高頻狀態(tài)下干擾量大導(dǎo)致對故障診斷的準(zhǔn)確度無法保證，且該法只適用于參數(shù)性的故障診斷對結(jié)構(gòu)性故障診斷無法適用，所以還需改進(jìn)。Zhang等[31]用DBN進(jìn)行數(shù)據(jù)訓(xùn)練再進(jìn)行數(shù)據(jù)分析，使其更好地適應(yīng)在人工神經(jīng)網(wǎng)絡(luò)上的應(yīng)用，準(zhǔn)確率更高，速度更快，但目前僅是在理論上提升明顯，在應(yīng)用上還需繼續(xù)討論。

神經(jīng)網(wǎng)絡(luò)法能精確擬合故障特征與故障類別之間的映射關(guān)系，而且泛化能力強(qiáng)，抗干擾性好。但神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要一個(gè)包含所有故障類別的樣本庫，而故障樣本的獲取對于有些場景相對困難。除此之外，神經(jīng)網(wǎng)絡(luò)的普遍適用性不強(qiáng)，針對同一工況故障數(shù)據(jù)訓(xùn)練后對其他工況的故障診斷的表現(xiàn)往往不盡如人意，需要重新訓(xùn)練。

數(shù)據(jù)驅(qū)動法避開了系統(tǒng)建模這一復(fù)雜過程，但是嚴(yán)重依賴歷史數(shù)據(jù)的準(zhǔn)確性和完整性。在數(shù)據(jù)獲取困難的場景中，如何加強(qiáng)數(shù)據(jù)的可重復(fù)使用和網(wǎng)絡(luò)的泛化能力是一個(gè)需要解決的問題。未來，基于數(shù)據(jù)驅(qū)動的診斷技術(shù)將朝著算法之間積極融合、集成化和自動化的方向發(fā)展。

2 跨域故障診斷研究

在實(shí)際工作場景中，電力電子變換器的運(yùn)行工況會發(fā)生改變，可能造成變換器波形的故障特征發(fā)生改變。除此之外，由于器件老化是一個(gè)漫長的過程，且模型訓(xùn)練需要涵蓋所有故障情況，參數(shù)性故障診斷面臨數(shù)據(jù)量不足的挑戰(zhàn)。而傳統(tǒng)的數(shù)據(jù)驅(qū)動診斷技術(shù)或基于信號處理的診斷方法在同一工況下診斷表現(xiàn)良好，面對不同工況時(shí)診斷表現(xiàn)不佳，這是因?yàn)橛?xùn)練和測試的過程中都需要遵循數(shù)據(jù)服從相同的分布這一條件。但是使用另一工況的數(shù)據(jù)進(jìn)行重新訓(xùn)練既不經(jīng)濟(jì)又降低了診斷效率。因此，在實(shí)際的工業(yè)應(yīng)用中，往往會因?yàn)槿缦聠栴}限制了智能診斷方法的表現(xiàn)[32]。

①采集到的大量數(shù)據(jù)往往要經(jīng)過大量人力物力進(jìn)行處理和標(biāo)注，凸顯出大量數(shù)據(jù)和少量標(biāo)注之間的矛盾。若僅使用無標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，很難得到強(qiáng)泛化性能的診斷模型。

②在有些場景中，機(jī)器不允許長時(shí)間運(yùn)行或不能在故障狀態(tài)下運(yùn)行，又或者有些元件老化需要漫長的過程才會發(fā)生故障，這些因素都將導(dǎo)致模型缺乏用于訓(xùn)練的故障數(shù)據(jù)，凸顯出了有限的數(shù)據(jù)和模型的泛化能力之間的矛盾。

③系統(tǒng)運(yùn)行的條件是不斷變化的，環(huán)境、負(fù)載、激勵(lì)等變化都會導(dǎo)致輸出信號和故障特征的波動，這打破了模型在訓(xùn)練和測試過程中所用數(shù)據(jù)服從同一分布的理想假設(shè)。重建和訓(xùn)練模型又會導(dǎo)致計(jì)算資源的浪費(fèi)，凸顯出了模型適配性和處于不同分布數(shù)據(jù)之間的矛盾。

為了解決上述跨域故障診斷出現(xiàn)的問題，研究學(xué)者將遷移學(xué)習(xí)與傳統(tǒng)的智能診斷方法相融合，深入研究了小樣本條件、無標(biāo)簽條件和數(shù)據(jù)不同分布條件下的故障診斷問題。這些方法實(shí)現(xiàn)了將從舊診斷數(shù)據(jù)中學(xué)到的知識傳遞給不同但相關(guān)的新診斷的任務(wù)。遷移學(xué)習(xí)的基本思路是從新知識和舊知識之間學(xué)習(xí)相似有用的信息，來提高新知識的學(xué)習(xí)效率和能力。當(dāng)兩者之間的相似度越高，遷移學(xué)習(xí)的效果越好，反之有可能造成負(fù)遷移，進(jìn)一步惡化網(wǎng)絡(luò)性能。

在跨域診斷應(yīng)用方面，國內(nèi)外學(xué)者對基于遷移學(xué)習(xí)的機(jī)器學(xué)習(xí)方法的研究趨于成熟。Chen等[33]將遷移成分分析[34](Transfer Component Analysis,TCA)引入故障診斷領(lǐng)域，實(shí)現(xiàn)了同一軸承下不同工況之間的故障診斷。該方法構(gòu)建了一種映射方法，將兩個(gè)處于不同工況的故障集數(shù)據(jù)映射到一個(gè)可再生核希爾伯特空間，在最大程度保留數(shù)據(jù)的原有屬性的基礎(chǔ)上，減小故障數(shù)據(jù)集間的邊緣分布差異。Tong等[35]同時(shí)考慮數(shù)據(jù)間的邊緣分布和條件分布，在得到不同工況數(shù)據(jù)的最優(yōu)映射矩陣后，使用最鄰近結(jié)點(diǎn)算法對故障進(jìn)行分類，進(jìn)一步提升了診斷精度。以TCA為代表的淺層特征遷移學(xué)習(xí)方法，映射方式的求解原理較簡易，在面對復(fù)雜的數(shù)據(jù)分布、數(shù)據(jù)維度巨大的情況下將會失去診斷精度和速度方面的優(yōu)勢。

將上述方法作為衡量域間差異的一種手段，并與深度學(xué)習(xí)進(jìn)行結(jié)合的深度遷移學(xué)習(xí)研究在近年來得到了越來越廣泛的關(guān)注。An等[36]以卷積神經(jīng)網(wǎng)絡(luò)為框架，以標(biāo)簽分類誤差和最大均值差異度(Maximum Mean Discrepancy MMD)最小化為目標(biāo)學(xué)習(xí)不同工況下不變的特征，解決了不同工況之間的知識遷移問題。其中，在激活層中加入Dropout技術(shù)和批歸一化技術(shù)來提升網(wǎng)絡(luò)的泛化能力和對數(shù)據(jù)因不同分布造成均值和方差偏差的適應(yīng)能力。Guo等[37]在此基礎(chǔ)上加入了域標(biāo)簽分類器，將域標(biāo)簽分類器分類誤差最大化來混淆源特征和目標(biāo)特征的域?qū)傩?，降低網(wǎng)絡(luò)對數(shù)據(jù)的域識別能力，達(dá)到減小域間差異的目的，并用實(shí)驗(yàn)驗(yàn)證了利用其他相關(guān)機(jī)器進(jìn)行故障診斷的可行性。Wang等[38]論證了各個(gè)分布距離計(jì)算方法的優(yōu)劣性，并指出MMD的計(jì)算量會隨著數(shù)據(jù)量的增大呈二次方增大，Kullback-Leibler散度計(jì)算會遇到梯度消失或者爆炸的問題 。Wasserstein距離與之相比具有計(jì)算量小、梯度穩(wěn)定的優(yōu)點(diǎn)。將Wasserstein距離用于基于對抗訓(xùn)練的域適應(yīng)網(wǎng)絡(luò)，在加速老化硬盤故障數(shù)據(jù)集與真實(shí)硬盤故障數(shù)據(jù)集之間的遷移任務(wù)中的準(zhǔn)確率接近90%。通過分析可以得出，基于深度遷移學(xué)習(xí)的診斷方法的主要思路是通過設(shè)計(jì)好的診斷模型自適應(yīng)地完成對數(shù)據(jù)的特征提取、特征識別和對模型的訓(xùn)練，是一個(gè)端對端的、自動化的診斷方法。它避免了從傳統(tǒng)的基于機(jī)器學(xué)習(xí)的診斷方法中手動提取和選擇特征等繁瑣的過程，極大提升了診斷效率和工程應(yīng)用價(jià)值。

目前，對于電力電子變換器的智能故障診斷技術(shù)研究主要集中在滿足訓(xùn)練集和測試集都服從同一分布這一理想假設(shè)條件下，對于服從不同分布差異的數(shù)據(jù)具有較差的適應(yīng)性，這方面的技術(shù)研究有待進(jìn)一步發(fā)展。隨著電力電子電路結(jié)構(gòu)的復(fù)雜化和快速增長的數(shù)據(jù)量，深度學(xué)習(xí)應(yīng)用于故障診斷的智能化發(fā)展趨勢已是必然。而遷移學(xué)習(xí)的引入能夠解決某些場景下數(shù)據(jù)獲取困難、機(jī)器運(yùn)行條件多變等問題。

3 結(jié)束語

隨著微電網(wǎng)的建設(shè)和電動汽車的發(fā)展，未來將有更大規(guī)模的電力電子變換器與電網(wǎng)相連接，因此電力電子變換器的可靠性以及對其運(yùn)維和檢修日益成為關(guān)注的熱點(diǎn)。本文闡述了當(dāng)前電力電子變換器故障診斷的主流思路，對其具體方法的特點(diǎn)和不足進(jìn)行了相應(yīng)的討論，并結(jié)合工程實(shí)際提出跨域故障診斷的一些思路。

近幾年基于數(shù)據(jù)驅(qū)動的故障診斷，尤其是基于解析人工神經(jīng)網(wǎng)絡(luò)的方法取得了大量突破性成果，并且隨著控制器性能的快速提升和信號處理技術(shù)的突破，將信號處理結(jié)合到解析模型和數(shù)據(jù)驅(qū)動中，甚至解析模型和人工神經(jīng)網(wǎng)絡(luò)的結(jié)合都是工程應(yīng)用中的研究熱點(diǎn)。無論是基于解析模型或是數(shù)據(jù)驅(qū)動都需要更進(jìn)一步發(fā)展傳感器技術(shù)和器件老化機(jī)理分析。隨著智能技術(shù)發(fā)展和數(shù)據(jù)的大規(guī)模采集，將帶來電力電子變換器故障診斷的新思路。