基于改進BP神經(jīng)網(wǎng)絡(luò)的牽引變流器故障診斷

孟苓輝，王 磊，徐春梅，劉志剛

（北京交通大學(xué) 電氣工程學(xué)院，北京 100044）

牽引變流器是地鐵機車能量轉(zhuǎn)換的關(guān)鍵部件，主要由大功率半導(dǎo)體開關(guān)器件組成，它的正常與否直接關(guān)乎機車的安全運行與鐵路的安全運營，而開關(guān)管的故障是變流器的主要故障，因此，對變流器開關(guān)管的故障研究，對地鐵機車的安全運行具有重大意義。

1 牽引變流系統(tǒng)及故障模式的分析

1.1 牽引變流器拓撲簡圖

圖1 地鐵牽引逆變器拓撲簡圖Fig.1 Structure diagram of the subway traction inverter

1.2 牽引變流器故障模式集的提取

機車的牽引變流器通常工作在大電壓、大電流的條件下，在IGBT開通與關(guān)斷的過程中，電路的電流變化率很大，繼而由于回路中的分布電感而產(chǎn)生的電壓尖峰也很大，大大增加了開關(guān)管過壓損壞的可能性；同時，在高頻開關(guān)狀態(tài)下，特別是在高電壓、大電流條件下IGBT發(fā)熱造成過溫的可能性更大，發(fā)熱嚴重，更容易引發(fā)故障[1]。因此，文中主要診斷開關(guān)管IGBT的故障，而開關(guān)管的故障主要分為開關(guān)管的開路故障和短路故障，而開關(guān)管短路故障發(fā)生時，由于過流保護開關(guān)管最終變?yōu)殚_路，因此主要診斷開關(guān)管IGBT的開路故障。

2 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation Network）是將誤差信息反向傳播，對非線性可微分函數(shù)進行權(quán)值訓(xùn)練的最具代表性的多層前饋型神經(jīng)網(wǎng)絡(luò)[2]。

BP算法的數(shù)學(xué)描述如下：設(shè)xi和yi分別為神經(jīng)網(wǎng)絡(luò)的輸入和輸出，Oij為網(wǎng)絡(luò)第i層第j個神經(jīng)元的輸出，netij為網(wǎng)絡(luò)第層第j個神經(jīng)元的總輸入，wijk為網(wǎng)絡(luò)第層第j個神經(jīng)元到第i+1層第k個神經(jīng)元的連接權(quán)值，θij為網(wǎng)絡(luò)第i層到第j個神經(jīng)元的閾值，Ni為網(wǎng)絡(luò)第層神經(jīng)元的節(jié)點數(shù)。

網(wǎng)絡(luò)的前饋計算公式為：

其中，fs（·）為各節(jié)點的激活函數(shù)，一般選用Sigmoid激活函數(shù)。

定義誤差為：

網(wǎng)絡(luò)的目標誤差為：

權(quán)值的修正應(yīng)使目標函數(shù)E減小，即網(wǎng)絡(luò)的權(quán)值沿E函數(shù)梯度下降的方向修正，即通過對普通BP算法進行改進，可以得到動量BP算法，其權(quán)值修正公式如下：

其中，λ 是動量因子，一般取接近 1 的數(shù)；λΔωij（n）是附加動量項，利用附加動量項可以平滑梯度方向的劇烈變化，增加算法的穩(wěn)定性。實際計算中，學(xué)習(xí)速率η選取過大或過小都不能使網(wǎng)絡(luò)收斂達到理想的效果；而動量因子λ取得過大也可能導(dǎo)致網(wǎng)絡(luò)發(fā)散，過小則使網(wǎng)絡(luò)收斂速度太慢。

3 基于神經(jīng)網(wǎng)絡(luò)的變流器故障診斷模型的建立

3.1 故障特征參數(shù)的選取

開關(guān)管發(fā)生故障時，電流變化量最明顯，所以，考慮在負載一定的條件下，根據(jù)電流的相應(yīng)變換進行變流器主回路開關(guān)管故障的診斷。用matlab對各種正常和故障情況下進行仿真，正常情況下三相電流波形基本上是中心對稱的，即：

而當發(fā)生故障時，如開關(guān)管1發(fā)生故障，波形如圖2所示。

圖2 開關(guān)管故障時三相電流輸出波形Fig.2 The three-phase fault output waveform of the switch tube

很容易發(fā)現(xiàn)在故障時波形已經(jīng)明顯畸變，因此整周期內(nèi)積分不再是零，為了使輸入樣本具有可比性，而且便于神經(jīng)網(wǎng)絡(luò)的運算處理，我們對其標幺化，由于電流的有效值如式（7）：

以此作為診斷開關(guān)管故障的切入點，并通過仿真讀取故障樣本數(shù)據(jù)，將其輸入神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)，最終完成對6個開關(guān)管開路故障的診斷[3]。

3.2 開關(guān)器件診斷學(xué)習(xí)樣本空間的建立

變流器三相橋臂上一共6個開關(guān)管，為了降低神經(jīng)網(wǎng)絡(luò)對樣本學(xué)習(xí)的復(fù)雜性，提高診斷的準確性，只對6個開關(guān)管單管故障進行診斷，其他情況以此類推[4]。由于23=8＞6，所以用三位二進制數(shù)X3X2X1對變流器的故障進行編碼，具體編碼方式如表1所示。

3.3 神經(jīng)網(wǎng)絡(luò)診斷模型的建立與仿真

本文選用三層BP神經(jīng)網(wǎng)絡(luò)對變流器開關(guān)管開路故障進行診斷[5]。根據(jù)三相電流的特征值進行分析診斷，即N1=3；隱層節(jié)點數(shù)根據(jù) N2=2N1+1=7，N3=3， 設(shè)定 λ=0.9，ηmin=0.05，ηmax=1，e=0.01，網(wǎng)絡(luò)隱層采用正切 S 型（tansig）激活函數(shù)，輸出層采用對數(shù)S型（logsig）激活函數(shù)。用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱[6]生成神經(jīng)網(wǎng)絡(luò)，采用Trainlm算法進行訓(xùn)練。

表1 開關(guān)管故障編碼表Tab.1 Structure diagram of the Switch tube fault code

訓(xùn)練的輸入?yún)?shù)為p1為：

訓(xùn)練過程如圖3所示。

選取隱層節(jié)點數(shù)為7，初始學(xué)習(xí)率為0.2，動量項系數(shù)為0.9的神經(jīng)網(wǎng)絡(luò)作為變流器開關(guān)管的故障診斷比較理想[7]。圖3為這一網(wǎng)絡(luò)的學(xué)習(xí)過程中的誤差收斂曲線，從圖3看出，誤差收斂到1e-4以下，滿足期望的要求[8]。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本收斂曲線Fig.3 The BP neural network training samples’convergence curve

神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練后，凍結(jié)網(wǎng)絡(luò)的權(quán)值和閾值，對神經(jīng)網(wǎng)絡(luò)輸入實際故障樣本數(shù)據(jù)進行測試，實際輸出和期望輸出值對比表如表2所示。

表2 神經(jīng)網(wǎng)絡(luò)的實際輸出和期望輸出對比表Tab.2 Contrast diagram of the neural network’s real output and the expected output

通過對神經(jīng)網(wǎng)絡(luò)輸入測試樣本，并對網(wǎng)絡(luò)的輸出進行模糊化處理，通過將輸出值的故障代碼與故障編碼表進行對比分析：網(wǎng)絡(luò)的期望輸出與實際輸出一致，由此可見本文提出的方法是切實可行的[9]。

4 結(jié) 論

文章主要針對變流器開關(guān)管的開路故障，通過對故障模型的仿真，對比分析提取出故障特征，并基于改進訓(xùn)練樣本的歸一化方法[10]，將樣本歸一化到[0，1]區(qū)間，采用動量BP算法，再對故障進行編碼，建立了故障樣本空間，網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)訓(xùn)練快速收斂到誤差規(guī)定范圍內(nèi)，輸入測試樣本，經(jīng)過模糊處理后的故障代碼與實際故障相對應(yīng)，正確率100%，因此說明該算法收斂速度快、穩(wěn)定，而且故障診斷的準確率很高。

[1]劉志剛.電力電子學(xué)[M].北京:清華大學(xué)出版社，北京交通大學(xué)出版社，2004.

[2]傅薈璇，趙紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京:機械工業(yè)出版社，2010.

[3]肖剛.三電平逆變器故障診斷研究[D].陜西：西安理工大學(xué)，2006.

[4]魏志磊，蘇宏升，李全林.基于遺傳神經(jīng)網(wǎng)絡(luò)的電力機車主變流器故障診斷[J].電氣傳動自動化，2010，32（4）:17-20.

WEI Zhi-lei，SU Hong-sheng，LI Quan-lin.Fault diagnosis of electric loco-motive lord’s converter based on genetic neural network[J].Electric Transmission and Automation，2010，32（4）:17-20.

[5]孫召瑞，賈友軍，房玉勝，等.MATLAB神經(jīng)網(wǎng)絡(luò)工具箱在故障診斷中的應(yīng)用 [J].蘭州工業(yè)高等專科學(xué)校學(xué)報，2004，11（4）：12-15.

SUN Zhao-rui，JIA You-jun，F(xiàn)ANG Yu-sheng，et al.The application of MATLAB neural network toolbox in fault diagnosis[J].Lanzhou Polytechnic College Journals，2004，11（4）:12-15.

[6]王仲生.故障智能診斷與容錯控制[M].西安：西北工業(yè)大學(xué)出版社，2005.

[7]YIN Shi-rong.Application of BP neural network in analog circuits diagnosis[C]//International Conference on Computer Application and System Modeling，2010 ICCASM.

[8]Somayajula S S.A neural network approach to hierarchical analog fault diagnosis[C]//AUTOTESTCON93.IEEE Systems Readiness Technology Conference Proceedings，1993:699-706.

[9]Mariani L，Pastore F，Pezze M.Dynamic analysis for diagnosing integration faults [C]//IEEE Transactions on Software Engineering，2011:486-508.

[10]HU Qing，WANG Rong-jie，ZHAN Yi-ju.Fault diagnose technology of power electricbased on neural network[C]//The 3rdInternational Conference on Innovative Computing Information and Control，2008 IEEE.