SOM和Elman神經網絡在整流器故障診斷的應用

康洪銘，李光升，謝永成，魏寧

KANG Hong-ming，LI Guang-sheng，XIE Yong-cheng，WEI Ning

（裝甲兵工程學院控制工程系，北京 100072）

(Department of Mechanical Engineering，Academy of Armored Forced Engineering，Beijing 100072，China)

1 引言

目前，為滿足現代裝甲車輛不斷增加的用電需求而采用了無刷爪極交流電機和由硅整流二極管組成的風冷三相橋式整流器[1]，其整流器是將發電機的交流輸出轉換成直流電壓，為全車電氣和電子設備提供穩定恒壓電源。為保障電源系統的可靠性及供電品質，對整流器開展故障診斷方法研究具有重要的實際應用價值。

自組織特征映射神經網絡（SOM）特別適合于解決故障分類和識別方面的應用問題，屬于前向神經網絡類型，它能將任意輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓撲結構不變。通過對輸入模式的自組織學習，在競爭層將分類結果表示出來，是一種無監督的聚類算法，網絡收斂速度快[2]。Elman型回歸神經網絡是一種典型的動態網絡，它在 BP基礎上增加了承接層，用來記憶隱含層單元前一時刻的輸出值并返回給輸入，實現延時和存儲，具有適應時變特性的能力[3]。充分發揮該兩種網絡的特點并在整流器故障診斷中靈活應用對其自動化、智能化診斷具有重要意義。

2 故障分類策略設計

對于整流裝置的故障診斷，文獻[4]采用了支持向量機方法，文獻[5]采用了免疫算法，文獻[6]采用了小波神經網絡方法，這些文獻通過傅立葉變換或小波變換等方法提取整流輸出電壓頻譜特征或能量特征，但只能定位某一模式故障（如單管開路）；文獻[7]直接采用對各類故障電壓波形采樣電壓幅值的方法，雖然能夠定位到具體故障（如D1開路），但是單一考慮電壓值，實際運用過程中誤差較大。因此本文采用SOM和ELMAN相結合的兩級故障診斷來實現故障的準確定位，此方案克服了前兩種方法的不足，在實現定位到具體故障的基礎上，提高其準確性和可靠性。

根據整流電路發生開路或短路故障的二極管個數及位置關系，對其劃分了故障模式：正常狀態（1種）；單個二極管開路故障（6種）；同支路2個二極管開路故障（3種）；同半橋2個二極管開路故障（6種）；交叉2個二極管（不同支路且不同半橋）開路故障（6種）；單個二極管短路故障（6種），即6個故障模式，共28種故障類型。其中出現3支及以上二極管開路的概率很小，而且其故障分析方法相同，此外發生2支及以上二極管短路，會造成發電機電樞繞組短路或蓄電池正負極短接，過大的電流會使故障模式發生轉變，對這兩類故障模式不做分析。由于各類模式的整流輸出電壓波形差異較大，可通過FFT變換得到其相應的諧波次數和幅值，并選用SOM網絡進行模式分類；每種模式下的各個故障雖然諧波頻譜一致，但是存在明顯的相位差，即在其周期內采樣電壓值，只需每周期采樣的點數能夠反映各波形的特征，再選用Elman網絡對其進行故障識別。如圖2-1所示。

圖2-1 故障分類原理圖

3 數據采集

本文利用MATLAB/Simulink建立其仿真模型如圖3-1。通過依次設置其28種故障類型，可以發現6種故障模式差異較大，而其故障模式下的各個故障類別波形一致，但是存在明顯的相位差。

圖3-1 整流器仿真圖

對于波形差異較大的故障模式采用諧波分析的方法，其主要工具是快速傅立葉變換（FFT），它是離散傅立葉變換的快速算法，可以將一個信號變換到頻域，提取頻譜，使在時域上很難看出特征的信號變換到頻域后就能得到其特征[8]。經多次調整后諧波次數設置為 9，對其進行傅立葉分析得到各種故障模式下頻譜圖如圖3-2以及幅值如表 3-1。不難看出各種模式下的諧波幅值差別明顯，并把諧波幅值作為SOM網絡的輸入向量，實現各種故障模式的分類。

圖3-2 各故障模式頻譜圖

表3-1 各故障模式諧波幅值

為了定位到具體的二極管故障，以模式1為例，通過模擬故障得到其D1～D6斷路故障波形如圖3-3所示。比較各個故障，發現其波形一致，但是相位存在明顯差異，把A相電壓經過零值，B相電壓為負值，C相電壓為正值這一時刻起始點，為保證所取采樣點數能夠準確反映故障類型，設定每周期采樣70點，取兩個周期，即每種故障類型共140點，同時在Scope parameters里設置采樣時間為1e-4，提取數據數目為140，運行程序后，數據將保存在工作空間內，可以直接提取其數據。顯而易見，各個故障類型所采樣的樣本數據不一致，并把對應數據作為Elman網絡的輸入向量可以實現故障類型的識別。

圖3-3 單管D1～D6斷路故障波形

4 故障分類器設計

4.1 SOM網絡模型設計與訓練

由于采集數據的諧波次數為9，故網絡輸入向量維數也為9，每種故障模式下的諧波幅值對應其輸入層的各個神經元。競爭層的設定對于網絡性能重要，如果個數較少，可能無法對輸入模式進行正確的分類，即使調整訓練次數，也無法徹底改變網絡的分類性能，考慮到網絡的映射精度問題，經過不斷地實驗調整，將網絡的競爭層設計為4*4的二維平面。訓練步數也應進行合理的選擇，步數的大小影響著網絡的聚類性能，經調整，設置為500時分類結果較好。

表4-1 SOM神經網絡訓練結果

4.2 Elman網絡模型設計與訓練

根據SOM的訓練結果，可以識別出其故障模式，再根據相位差利用Elman網絡確定到具體的二極管故障。按照圖2-1設計的原理，除正常狀態模式0外，分別對其每個模式進行網絡設計，以模式1為例進行說明。該模式下共有六種故障為D1～D6斷路，其每個故障的輸入維數為140，輸出層維數為6，設定期望的輸出值如表4-2所示，其中前三個數字表示故障模式，后三個數字表示該模式下的具體故障類型。隱層經多次調整設置為30，為避免輸入數據差異較大導致無法收斂需先對其進行歸一化處理，通常使用premnmx()函數，并設定中間層神經元激活函數為tansig，輸出層神經元激活函數為logsig，其訓練誤差目標為1e-4。訓練后實際輸出與期望輸出如表4-2所示。

表4-2 模式1的期望輸出與實際輸出對比

4.3 網絡的驗證

為了驗證此方案的正確性，設計了電源系統實驗平臺如圖4-1所示，本裝置主要由計算機系統、蓄電池、拖動系統和可調負載和數據采集單元構成。發電機的轉速由大功率的電動機通過皮帶供給，并由變頻器精確控制，負載由電機擴大機和大功率電阻構成，當系統穩定運行時，需去掉蓄電池以免濾去輸出信號的諧波分量。

圖4-1 電源系統故障診斷平臺

以模式0為例，采集到輸出電壓波形及其諧波特征如圖4-2所示。通過提取各諧波幅值，將其帶入訓練好的網絡進行故障定位，由于該模式下屬于正常狀態無需進一步故障辨識。

圖4-2 模式0輸出電壓波形和諧波特征

通過設置各種類型的故障，每種故障采集其3組數據作為測試樣本，共84組測試樣本，通過分析、處理并提取相應的測試樣本信息，輸入至訓練好的網絡。同時與仿真驗證相比較，其網絡識別結果如表4-2所示。

表4-2 網絡識別結果

5 結語

本文研究了裝甲車輛電源系統整流器的故障診斷，提出了SOM和Elman網絡相結合的兩級診斷策略。通過傅立葉變換提取各故障模式的諧波信息，利用SOM進行模式分類，由于這并不能定位到具體的故障類別，故考慮到同模式內各個故障存在相位差，提出了周期性采集電壓信號，并利用Elman神經網絡進行訓練的方案。從仿真驗證測試樣本識別結果來看其故障識別率高，由于存在干擾等多方面因素故實物驗證識別率相對偏低，但仍能反映此方案的可行性和準確性。在實際的裝甲車輛整流器故障診斷中，將采集到的故障信號輸入至訓練好的網絡訓練，可以快速、自動的對故障進行辨識，該方法可以擴展到其他設備的智能故障診斷的研究和應用中。

[1]張豫南,謝永成.裝甲車輛電氣與電子系統[M].北京:國防工業出版社,2003:1～65.

[2]張德豐.MATLAB神經網絡應用設計[M].北京:機械工業出版社,2009:50～77, 217～236.

[3]王笑宇.神經網絡在三相異步電機故障診斷中的應用[J].現代電子技術, 2009.10(297):161～163.

[4]程延偉.基于支持向量機的旋轉整流橋故障診斷[J].計算機測量與控制,2011.19(3):516～518.

[5]劉念.基于免疫算法的無刷勵磁發電機旋轉整流橋故障診斷[J].電力自動化設備,2007.27（5）:32～35.

[6]牛星巖.飛機電源系統整流裝置故障診斷方法[J].北京航空航天大學學報,2007.33(10)：1200～1203.

[7]鄭連清.基于神經網絡的三相全控橋整流電路故障診斷[J].重慶大學學報，2004.27(9)：72～75.

[8]魏巍.裝甲車輛電源系統整流裝置故障診斷方法[J].火力與指揮控制,2011.35(0):137～140.