三相SPWM逆變器的智能故障診斷研究

付 玲，帕孜來·馬合木提，廖俊勃

FU Ling, PA Zi-lai, LIAO Jun-bo

（新疆大學 電氣工程學院，烏魯木齊 830047）

0 引言

近年來隨著電力電子技術的迅猛發展，電力電子技術已廣泛應用在國民經濟的各個部門。同時，電力電子設備的故障問題也日益突出，一旦發生故障，不但會造成裝置或系統的損壞，還可能引發重大安全事故。因此，對電力電子設備進行故障診斷研究，特別是應用自動故障診斷技術就具有很大的經濟價值和現實意義。自組織特征映射神經網絡（self-organizing feature map，SOM）是一種競爭式學習網絡,其結構算法簡單,采用無教師指導的自學習方式，被廣泛應用于模式識別與數據分類等領域[1]。本文根據SOM的學習特點，將其應用到三相逆變器的故障診斷中，根據獲勝神經元的位置來判斷其逆變器的故障模式。經三相逆變器故障實例驗證,該方法可對三相逆變器的故障進行有效的診斷。

圖1 SOM神經網絡模型

1 SOM神經網絡故障診斷方法

1.1 SOM神經網絡結構

SOM是由芬蘭赫爾辛基大學神經網絡專家Coonan教授在1981年提出的，其網絡的拓撲結構如圖2所示[2]，其結構由一個輸入層與一個輸出層構成。輸入向量的維數決定了輸入層神經元的個數，輸入層神經元對外部輸入信號進行接收，輸出層神經元按一定的方式排列成一個平面。這種神經網絡模擬了人類大腦神經網絡系統自組織特征映射的功能，其輸入層的每個神經元均與輸出層的神經元通過一個權值（權矢量為W）相連接。SOM能對輸入向量進行自組織學習與判斷，并對其進行模式分類。

1.2 SOM神經網絡學習方法

SOM神經網絡學習算法是一種無教師指導與監督的聚類方式，不僅能保持輸入矢量的拓撲結構不變，還可以學習判斷輸入數據的分布特征[3,4]。在學習算法上，SOM神經網絡不同于其他神經網絡算法，以能量函數或網絡誤差作為準則，而是采用動力學的原理對網絡的學習與工作進行指導，即模擬生物神經元之間的興奮、協調和競爭抑制等作用對輸入信息進行處理。其具體學習算法如下：

1）網絡初始化，用[0,1]之間的隨機數對輸入層和輸出層之間的連接權值進行初始化。

2）設置輸入矢量，即從故障特征集合為P=[p1,p2,…,pn]T中隨機取一輸入模式提供給網絡的輸入層。

4）根據“勝者為王”的原則，當yi取最大值時的神經元i為勝出者，視其為最佳匹配單元C。為使網絡經過學習訓練后能進行聚類。定義NC為C的一個拓撲鄰域，使NC內的單元輸出為1，其外的單元輸出為0。即：

5）修正權值，對與勝出神經元連接的各個權值進行訓練修正。其權值訓練公式如下：

其中，a(t)為學習因子，在學習的初始階段學習因子要適當取大些，然后根據學習的推進逐漸減小，當減小到0時，學習訓練結束。

6）學習下一個輸入矢量，返回第3步，直到所有的輸入矢量學習完畢為止。

SOM神經網絡通過學習訓練后，各個權矢量Wi包含了輸入矢量的全部信息，即權系數Wi包含了各類故障與其故障特征之間的對應關系。學習訓練后，各神經元都只針對對某一些輸入矢量最為敏感，則對具有最大輸出的獲勝神經元標以其對應故障的記號，即可進行故障模式的識別。

2 三相逆變器故障模式

逆變器故障就是指系統的不正常運行與狀態，即逆變器的輸出超過了其容許范圍，使逆變器的輸出不符合規定的水平。據統計80%的控制系統失效都源于元器件的故障[5]。三相逆變器的拓撲結構如圖2所示。

圖2 三相SPWM逆變器拓撲結構圖

在實際運用中逆變電源主電路出現較多的故障是晶閘管的開路與短路故障。逆變電源中的短路故障因其存在的時間較短、故障波形也相對比較簡單，因此本文僅對功率半導體元件的開路故障作分析。在作逆變器故障分析時，將晶閘管開路、串聯熔斷器熔斷、觸發脈沖丟失等故障都統稱為晶閘管故障[6]。為了使分析過程簡化，假定最多同時有兩只功率管開路,則可將故障大致分為5大類，其中，又可將五大類細分為22小類，如表1所示。

故障診斷過程中合理有效的選擇故障測試點非常重要。經過分析研究，在逆變器的故障診斷中，其輸出電流的波形可以很好的反映其內部故障信息，是一個很好的檢測點，通過對其進行適當的變換可以提取有效的故障特征。

3 小波變換的多分辨率分析故障特征提取

在逆變器的故障診斷中，逆變器內部的故障狀態可以由其輸出電流的波形反映，故障診斷中要提取的故障特征可以對電流的波形進行數字信號處理或者直接進行采樣得到。基于逆變器輸出電流波形的畸變比較大，為了方便有效的提取電流故障特征值，本文采用小波變換的多分辨率對其進行故障信號的處理。

小波變換可以將一個復雜的信號分解成不同頻率段上的信號[7]。即從信號濾波的角度分析，小波變換就是把待處理的信號E通過濾波器濾波的作用分解為低頻信號Di(i=1,2,…,N)和高頻信號Gi(i=1,2,…,N)，然后再對低頻信號進行分解，一直分解到第N層。每次分解得到的低頻信號和高頻信號都是上一次分解信號的一半，其分解過程可以看做是在濾波后，對信號進行了隔點采樣，多分辨率的分解過程不會丟失原信號的任何信息，其分解過程也不冗余。其分解過程如圖3所示[8]。

表1 故障編碼

圖3 多分辨率分解示意圖

當信號分解到第N層，其原始信號的能量就為低頻能量DN和高頻能量GN之和。通過實驗仿真分析，三相SPWM逆變器輸出的故障電流經小波分解后得到的高頻能量值很小，低頻能量值相對高頻能量值比較大，有無高頻能量值對故障電流特征影響非常小。因此本文對SPWM逆變器的三相輸出故障電流信號進行小波分解時，就只提取其三相輸出電流的低頻能量值，對其進行歸一化處理后得到三個故障特征向量其具體步驟如下：

1）用小波變換的多分辨率對故障信號進行N層的分解，得到相應的低頻能量值。

2）獲取第N層低頻能量值。定義EN為信號的第N層低頻部分DN的能量，根據小波分析能量概念，則有：

3）構造特征向量。將低頻部分的能量構成特征向量T=[E1,E2,E3]，在實驗仿真時，E1到E3相對是一個較大的數值，為了方便數據分析，將特征向量T進行歸一化處理，令向量T1即為歸一化后的向量。

根據表1中故障編碼順序，利用小波變換的多分辨率提取相應故障特征向量如表2所示。將其作為SOM網絡的標準故障樣本。

表2 標準樣本數據

4 SOM網絡在SPWM逆變器故障診斷中的應用

本文所設計的神經網絡輸入矢量元素個數為3個。輸出層為10×10個神經元，其拓撲結構如圖4所示。

圖4 SOM神經網絡拓撲結構

圖5 故障映射圖

將表2中的標準數據樣本輸入到SOM神經網絡系統中，經過反復訓練、調整權值，當訓練步數達到1000時，22種故障已經完全被分開，每個樣本都被規劃為一類，故障映射圖如圖5所示。

圖6 臨近神經元之間的距離分部圖

各臨近神經元的距離如圖6所示，紅色線為神經元之間的連接，藍色圓圈為神經元，神經元四周小區域的顏色代表者各神經元間距離的遠近，其顏色變化從黃色到黑色，各神經元之間距離越遠其顏色就越深。

對圖4得到的輸出層映射的結果進行故障編碼得到圖7所示的編碼圖。訓練完成后，進行模式標記，并把網絡的聯結權值記錄下來，就可以進行故障模式的識別了。

圖7 故障編碼圖

表3給出了已知故障形式的幾組待測樣本，將這些樣本送入已訓練好的SOM網絡中去，網絡映射的結果如圖8所示。

結果顯示，SOM網絡除了第3組樣本的診斷結果與SPWM逆變器實際故障模式不同外，其余診斷結果完全正確，其故障模式診斷的正確率為90.91%。由此說明SOM神經網絡能夠較好的識別SPWM逆變器的各類故障，較好的完成逆變器的故障診斷任務。

表3 已知故障形式下的待測數據樣本

圖8 故障診斷結果

5 結論

本文通過SOM神經網絡的“聚類”作用實現了對SPWM逆變器的標準故障數據樣本的分類。SOM神經網絡對已訓練學習過樣本的識別率能達到100%，SOM神經網絡的泛化能力比較強，對于沒有學習過的測試樣本，也具有較高的識別率，其識別率可達90%以上，這為提高故障判別準確率提供了保障。該方法不需要大量的樣本進行高度訓練，不僅減小了神經網絡的規模，同時也縮短了網絡訓練的時間。

將SOM神經網絡應用于SPWM逆變器的故障診斷中，其效果很理想。不但可以實現其示功圖的自動聚類，而且其故障診斷速度快且分類準確率較高，為逆變器的故障診斷提供了一種比較有效的人工智能診斷方法。

[1] 伊璇,周豐,王心宇,楊永輝,郭懷成.基于SOM的流域分類和無資料區徑流模擬[J].地理科學進展,2014,08：1109-1116.

[2] 張靜.基于SOM的變壓器故障診斷研究[J].電力學報,2014,04：318-321.

[3] 唐亮,劉燁,陳雁秋.局部區域描繪子和SOM聚類算法在LED管芯計數中的應用[J].計算機應用與軟件,2012,10：11-13,21.

[4] Huntsberger T L，Ajjimarangsee P. Parallel self organizing feature maps for unsupervised pattern recognition[J].International Journal of General Systems,1990,16(4)：357-372.

[5] 張艷麗,帕孜來,馬洪雨.PWM逆變器開路故障模式分析及識別[J].自動化應用,2013(12)：27-29.

[6] 王強,王友仁,張子富,宋哲.無刷直流電機驅動系統逆變器的開路故障診斷[J].中國電機工程學報,2013,24：114-120,17.

[7] 師洪濤,楊靜玲,丁茂生,王金梅.基于小波—BP神經網絡的短期風電功率預測方法[J].電力系統自動化,2011,16：44-48.

[8] 帕孜來·馬合木提,廖俊勃,支嬋.基于PSO-SVM的三相SPWM逆變電路故障診斷研究[J].電子技術應用,2014,03：52-54,58.