基于S變換的電力電子電路故障診斷技術(shù)

王榮杰

?

基于S變換的電力電子電路故障診斷技術(shù)

王榮杰1,2

1.集美大學(xué)輪機(jī)工程學(xué)院 2.中山大學(xué)信息科學(xué)與技術(shù)學(xué)院

提出一種基于S變換和支持向量機(jī)(SVM)相結(jié)合的電力電子電路故障診斷方法，首先對故障信號進(jìn)行S變換時頻分析并提取故障特征，然后構(gòu)造支持向量機(jī)分類器實(shí)現(xiàn)對故障類型的識別。三相橋式可控整流電路晶閘管故障診斷仿真結(jié)果表明，該方法能準(zhǔn)確對電力電子電路故障進(jìn)行類型的識別和故障元的定位，對噪聲具有魯棒性，訓(xùn)練樣本數(shù)少等優(yōu)點(diǎn)，在解決電力電子電路故障問題上有著很好的實(shí)用價值和應(yīng)用前景。

S變換 支持向量機(jī) 故障診斷 電力電子電路

1 前言

隨著電力電子技術(shù)的發(fā)展，電力電子裝置越來越復(fù)雜，其故障模型也越來越復(fù)雜，為使電力電子裝置正常高效地工作，研究有效的故障診斷技術(shù)是很有必要的[1]。近幾年，神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)被廣泛應(yīng)用于電力系統(tǒng)故障診斷中[2-6]，主要是由于基于神經(jīng)網(wǎng)絡(luò)故障診斷的方法不要求明確的故障模型，利用強(qiáng)大的自學(xué)習(xí)功能、并行處理能力和良好的容錯能力，避免冗余實(shí)時建模的需求。但是通常采用的BP網(wǎng)絡(luò)在結(jié)構(gòu)設(shè)計(jì)上存在盲目性，且在訓(xùn)練過程中容易陷入局部極小點(diǎn)。文獻(xiàn)[7-8]研究了采用小波變換方法進(jìn)行故障特征提取的故障診斷方法。本文針對電力電子電路實(shí)現(xiàn)故障診斷，提出了一種基于S變換和支持向量機(jī)相結(jié)合的電力電子電路故障診斷方法，該方法首先對各種故障信號進(jìn)行S變換時頻分析，由變換結(jié)果選取合適的特征量，然后采用支持向量機(jī)作為故障模型分類的工具，建立故障診斷模型，用來識別各種不同類型的故障信號。

2 S變換基本原理

S變換可以看作是對連續(xù)小波的一種“相位修正”，并且可以從連續(xù)小波變換推導(dǎo)而來。若將母小波定義為一個高斯窗函數(shù)和一個復(fù)向量的乘積，代入到信號的連續(xù)小波定義式中即可得到S變換。

3 基于S變換—SVM的電力電子電路故障診斷方法

3.1 故障電路和故障模型分析

圖1 三相橋式可控整流電路

3.2 基于S變換的故障特征提取

式中，為總采樣點(diǎn)數(shù)；m為最高可分析頻率成分，m=s*，s為采樣頻率。

3.3 SVM在故障類型識別中的應(yīng)用

3.3.1 SVM的基本原理

支持向量機(jī)[10](Support Vector Machine，簡稱SVM)是由Vapnik和他的合作者提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的通用機(jī)器學(xué)習(xí)方法，可在高維特征空使用線性函數(shù)假設(shè)空間進(jìn)行學(xué)習(xí)。SVM能夠用有限樣本得到較好的模型泛化性能，同時使得模型的結(jié)構(gòu)和參數(shù)易于優(yōu)化。

3.3.2 SVM在電力電子電路故障診斷中的應(yīng)用

應(yīng)用SVM在電力電子電路故障診斷中進(jìn)行故障類型的識別，其實(shí)現(xiàn)步驟如下：

Setp1:學(xué)習(xí)階段

(1) 建立電力電子整流裝置故障診斷的SVM模型，根據(jù)1-a-r的思路，為每一種故障類型構(gòu)造一個SVM，故障類型的SVM模型如圖3。

圖3 故障診斷的模型

(2) 建立訓(xùn)練樣本集(，)。根據(jù)步驟（1）所建立的故障診斷的SVM模型，為每個二類SVM建立訓(xùn)練樣本，當(dāng)輸入訓(xùn)練樣本屬于第類SVM時設(shè)定標(biāo)號為1，故障類型不屬于該類標(biāo)號為-1。

(3) 依據(jù)實(shí)際情況為SVM選擇適當(dāng)?shù)暮撕瘮?shù)及有關(guān)參數(shù)，作為高維特征空間在低維輸入空間的一個等效形式。選擇的依據(jù)是Mercer定理，核函數(shù)的選擇可參考文獻(xiàn)[11]。

(4) 通過訓(xùn)練樣本集，求解二次規(guī)劃式，獲得每一個SVM的支持向量及相應(yīng)的Lagrange乘子。

Step2:故障分類決策階段

(2) 輸入未知故障樣本，根據(jù)圖4的多故障分類流程圖和判別函數(shù)式(9)計(jì)算輸入未知故障樣本的決策輸出值。

圖4 多故障分類流程圖

(3) 由步驟(2)判別函數(shù)的值，判斷故障樣本所屬的故障類型。

3.4 仿真實(shí)驗(yàn)結(jié)果分析

為了全面檢驗(yàn)本文提出電力電子整流裝置故障診斷方法的有效性，我們選擇整流角發(fā)生偏差-10~10等20個角度的故障樣本，以及在這些整流角的故障樣本中加入信噪比分別為20dB和10dB的高斯白噪聲信號等作為測試樣本（非訓(xùn)練樣本）加以驗(yàn)證。訓(xùn)練樣本選整流角為0度時共13個故障樣本，測試樣本共780個故障樣本。

表1 不同訓(xùn)練樣本數(shù)一次多項(xiàng)式核SVM訓(xùn)練結(jié)果的比較

表2 不同訓(xùn)練樣本數(shù)一次多項(xiàng)式核SVM訓(xùn)練結(jié)果的比較

表3 不同故障診斷方法實(shí)驗(yàn)結(jié)果的比較

為了進(jìn)一步驗(yàn)證應(yīng)用S變換提取電力電子電路故障特征的有效性，本文還分別將基于統(tǒng)計(jì)特性的PCA和基于經(jīng)典時頻分析方法的小波變換與SVM相結(jié)合對上述實(shí)驗(yàn)的故障樣本進(jìn)行診斷。在PCA-SVM方法，根據(jù)文獻(xiàn)[8]中主貢獻(xiàn)的定義，我們選擇它為85%來從64點(diǎn)時域采樣值提取每個故障樣本的14維故障特征向量；而在小波變換-SVM方法中[12]，利用小波變換提取每個故障樣本在8個子頻帶中經(jīng)歸一化后的能量作為特征向量，在這兩種方法也選擇與上述的S變換-SVM方法相同的訓(xùn)練樣本訓(xùn)練SVM的權(quán)值，然后分別對測試樣本進(jìn)行故障元的定位和故障類型的識別。仿真結(jié)果表明，這兩種診斷方法均能正確診斷無噪聲信號的故障樣本，但它們的診斷正確率卻會隨所含噪聲的SNR的下降而減小。PCA-SVM方法分別對含有SNR=20dB和SNR=10dB噪聲故障樣本的正確診斷個數(shù)分別為155和89；小波變換-SVM方法分別對含有SNR=20dB和SNR=10dB噪聲故障樣本的正確診斷個數(shù)分別為203和166。

由表3的第1行可知，基于S變換-SVM的電力電子電路故障診斷方法對噪聲具有魯棒性；與SVM和S變換-BP方法相比，該方法在故障診斷精度、訓(xùn)練所花費(fèi)的時間和推廣能力方面都表現(xiàn)得更出色。

4 結(jié)語

針對故障特征提取和故障診斷兩個關(guān)鍵技術(shù),本文結(jié)合S變換和支持向量機(jī)構(gòu)造了電力電子電路故障診斷方法。仿真實(shí)驗(yàn)結(jié)果表明了該方法對噪聲具有魯棒性，并具有很好的范化能力和高診斷正確率等優(yōu)越性，這都得益于S變換良好時頻特性和支持向量機(jī)優(yōu)秀的統(tǒng)計(jì)學(xué)習(xí)特性；同時，該診斷方法也可推廣至其它形式可控整流電路中。

[1] Ho-In Son, Tac-Jin Kim and Dec-Wook Kang.Fault Diagnosis and Neural Point Voltage Control When The 3-Level Inverter Fault Occur[C].2004 35 Annual IEEE Power Electronics Specialists Conference. Aachen, Germany, 2004:4558-4563.

[2] Liu Aimin, Lin Xin, Liu Xiangdong. Fault Diagnosis Method of High Voltage Circuit Breaker Based on RBF[C]., Dalian, China, 2005:1-4.

[3] Fengxing Zhou, Gengguo Cheng, Jun Zhou. Fault Diagnosis Technology Based on Wavelet Analysis and Resonance Demodulation[C].Proceedings of the 5 World Congress on Intelligent Control and Automation.Dalian,2004:1746-17 50.

[4] Yang B S, Han T, An J L. Neural Network for fault diagnosis of Rotating Machinery [J]., 2004, 18(3):645-647.

[5] 畢天殊,楊奇遜.基于新型神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法[J].中國電機(jī)工程學(xué)報,2002,22(2):73-78.

[6] 崔博文,任章.基于神經(jīng)網(wǎng)絡(luò)的電動機(jī)逆變驅(qū)動系統(tǒng)故障診斷[J].儀器儀表學(xué)報,2007,28(3):473-478.

[7] Zhi-Yong Luo, Zhong-Ke Shi. Wavelet Neural Network Method for Fault Diagnosis of Push-pull Circuits[C]. Procee- dings of the 4 International Conference on Machine Learning and Cybernetics. GuangZhou, 2005:3327-3332.

[8] 王榮杰,電力電子整流裝置故障診斷方法的研究[D].廣州: 廣東工業(yè)大學(xué)碩士學(xué)位論文,2006.

[9] Stockwell R G, Mansina L, Lower R P. Localization of the complex spectrum: the S transform[J]., 1996,44:998-1001.

[10] Nell Cristianini and John Shawe-Taylor.[M].北京:電子工業(yè)出版社,2000.

[11] Wang Rong-jie, Zhou Hai-feng. Application of SVM in Fault Diagnosis of Power Electronics Rectifier[C].Proceeding of 7 World Congress on Intelligent, Chongqing, China, 2008:1256-1260.

[12] He Yigang, Tan Yanghong, Sun Yichung. Fault Diagnosis of Analog Circuits based on Wavelet Packet[C].,2004 :267-280.