基于改進BP神經網絡的逆變電路故障診斷

廖俊勃，帕ξ來·馬合木提，蔡鑫，周浩

(新疆大學電氣工程學院，新疆烏魯木齊830047)

基于改進BP神經網絡的逆變電路故障診斷

廖俊勃，帕ξ來·馬合木提，蔡鑫，周浩

(新疆大學電氣工程學院，新疆烏魯木齊830047)

針對BP神經網絡魯棒性、容錯性不強的問題，提出雙向BP神經網絡，更直接地建立與先前狀態的映射關系；利用量子粒子群算法(QPSO)優化雙向BP神經網絡的權值和閾值，克服其學習算法復雜、收斂速度慢的缺點，來得到精度更高的網絡。將改進的雙向BP神經網絡應用于逆變電路的故障診斷，測試結果表明該算法比雙向BP神經網絡具有更強的收斂性和精確率，為逆變電路的故障診斷提出一個新的思路。

雙向BP神經網絡；量子粒子群算法；逆變電路；故障診斷

隨著電力電子技術的迅猛發展，電力電子技術設備廣泛應用于國防軍事和工業生產。同時電力電子電路的故障問題也越來越突出，電力電子設備一旦發生故障，可能造成裝置或系統的損壞甚至威脅到生命財產安全。設計合理的診斷方案來解決電力電子電路中出現的問題是現代研究的重點。吳小華[1]提出一種基于BP神經網絡的電力電子逆變系統故障診斷，并且以DSP為核心的在線故障檢測與診斷系統，對逆變器主電路開關管進行開路故障診斷，但是其缺點是神經網絡的泛化能力不夠，故障診斷率不高。張洪濤[2]提出一種基于小波分析和神經網絡的逆變器開路故障診斷方法，有較高的精度和實時性，但不能進行故障元件的精確定位。標準BP神經網絡引入逆變電路故障診斷中取得了較好的效果，但當故障模式較多時，網絡結構較為復雜，尤其是遇到復合故障時，分辨效果較差。

本文構造雙向BP神經網絡結構，提出一種量子粒子群算法(QPSO)。QPSO算法解決了粒子群(PSO)算法搜索空間有限、搜索精度不高、易陷入極小值等缺點，用來優化雙向BP神經網絡權值和閾值，并將其應用于逆變電路的故障診斷，結合了QPSO和BP算法的優點，具有訓練快速和全局收斂的優點。

1 雙向BP神經網絡

雙向BP神經網絡相比于傳統的BP神經網絡更直接地建立與先前狀態之間的映射關系，使相鄰層的兩個神經元之間存在兩個相反方向的連接，其拓撲結構如圖1所示。

圖1 雙向BP神經網絡結構示意圖

雙向BP神經網絡是由前向傳播過程和反向傳播過程構成[3]，前向傳播就是經典的BP神經網絡訓練過程。

(1)輸入層各節點的輸出為：

(2)隱層和輸出層輸入分別為：

反向傳播過程主要討論其權值調整，即：

(1)隱層到輸出層前向權值：

(2)隱層到輸出層后向權值：

(3)輸入層到隱層前向權值：

(4)輸入層到隱層后向權值：

雙向BP神經網絡在節點數不變的情況下，引入先前時刻狀態，建立了反向連接，使其具有更強的魯棒性、容錯性和逼近能力，但BP神經網絡收斂速度慢、局部極值等缺點仍未消除。

2 改進的雙向BP神經網絡

2.1 量子粒子群算法

PSO是一種進化計算技術[4]，在對動物集群活動行為觀察的基礎上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解，基于PSO的BP神經網絡學習算法已經得到了廣泛的應用[5-7]。由于粒子具有量子的行為，可以在整個可行解空間中進行搜索，解決了PSO算法搜索空間有限、搜索精度不高、易陷入極小值等缺點。根據這種思想提出QPSO[8]，對整個PSO算法進行搜索策略的改變，并且進化方程中不需要速度向量，使其形式更簡單，參數更少，更易于控制。

在QPSO中，假設了每個粒子的量子態，制定了波函數來描述粒子的狀態，并通過Monte Carlo方法來解得粒子在空間某一點出現的概率密度[9]。

引入一個全局點mbest來計算粒子的迭代變量L，定義了所有粒子的局部最好位置的平均值。

2.2 用QPSO改進雙向BP神經網絡

雙向BP神經網絡雖然改進了標準BP神經網絡，但是隨著規模變大，函數變復雜，BP神經網絡的缺陷仍然存在，通過QPSO優化BP神經網絡的權值和閾值，相比PSO優化BP神經網絡，能得到全局最優解。

本文采用的雙向BP神經網絡的隱藏層和輸出層的作用函數為Sigmoid函數，用QPSO優化雙向BP神經網絡時，粒子群的位置向量是所訓練的雙向BP神經網絡的權值和閥值。輸入訓練樣本進行訓練，對每一個網絡訓練集上產生的均方差進行計算：

QPSO算法改進雙向BP神經網絡的步驟：

步驟1：根據給定的輸入特征參數樣本數據設定其神經網絡拓撲結構。

步驟2：選定粒子數，初始化粒子的mbest和pbest，并開始對輸入樣本進行訓練。

步驟3：根據雙向BP神經網絡的算法和公式(13)計算粒子的適應度函數，以此來評價每一個粒子，經過不斷的對比和更新得到mbest和pbest。

步驟4：判斷是否滿足算法的終止條件(達到最小誤差要求)，若滿足則轉到步驟6，若不滿足則轉到步驟5。

步驟5：按量子粒子群計算模型生成新的個體，轉到步驟3。

步驟6：輸出當前具有最優適應度的粒子參數結果。

3 改進的雙向BP神經網絡在逆變電路中的應用

以三相橋式電壓源逆變電路為例，其電路結構如圖2所示。

逆變電源上的開關原件通常有獨立的基極驅動電路驅動，驅動電路單元的故障通常表現為驅動電源失效，元件擊穿或開路，逆變電源在實際運用中出現比較多的故障往往是功率半導體元件(IGBT)的斷路與短路故障[11-12]。由于篇幅原因，在本論文中僅對單個IGBT開路故障做一分析。

對三相橋式逆變電路的故障分類進行編碼，使用六位編碼(X1X2X3X4XX5X6)表示，其中=1或0。故障代碼的高三位代表故障類型，低三位代表故障晶閘管的位置(正常表示為：001000)，如表1所示。

圖2 三相橋式電壓源逆變電路結構圖

表1 故障分類表示

式中：、分別為轉換前和轉換后的值；、分別為樣本的最大值和最小值。

搜索400組確定的逆變電路故障數據，選取300組作為網絡訓練樣本，100組用于識別逆變電路故障。其訓練樣本如表2所示。

表2 網絡訓練樣本組成

選用三層雙向BP神經網絡，由診斷實例可知，需要4個輸入層神經元和6個輸出層神經元。神經網絡隱含層神經元數的確定沒有明確的理論依據可尋，只能通過選取不同的隱含層神經元對網絡進行訓練，根據訓練結果確定最佳的隱含層神經元數。隱層節點數太多或太少，都會使得迭代次數增加，而且隱層節點數太多，會使網絡復雜化。考慮各種因素，經過一系列的仿真實驗進行對比，選擇隱層節點數為9的神經網絡。本文QPSO算法中參數β從0.9到0.3線性減小，網絡誤差精度取0.001，學習速率為0.01。分別用雙向BP神經網絡和QPSO改進的雙向BP神經網絡進行訓練，訓練結果如圖3、圖4所示。

對比圖3、圖4的仿真結果可輕易發現，在逆變電路的故障診斷中QPSO改進雙向BP神經網絡的算法收斂速度比雙向BP神經神經網絡的算法曲線快，當達到相同的精度時改進雙向BP神經網絡的算法次數為49次，而QPSO改進的雙向BP神經網絡只需17次。

圖3 QPSO優化的雙向BP神經網絡的算法曲線

圖4 雙向BP神經網絡的算法曲線

采用已經訓練好的神經網絡，對樣本庫中的100個檢驗樣本進行故障診斷，識別結果如表3所示。

表3 各部分故障比較

由表3可以看出QPSO-BBPNN算法具有優越性，總的正確率達到了94.9%，與雙向BP神經網絡(正確率為87.0%)相比，表現出強烈的泛化能力，證明了基于QPSO改進的雙向BP神經網絡對逆變電路的故障診斷是有效的，而且比雙向BP神經網絡的準確率更高。

4 結論

本文采用QPSO算法對雙向BP神經網絡進行優化，不僅使改進的雙向BP神經網絡在學習速率上比常規的雙向BP神經網絡有了很大的提高，而且使其收斂性更好。改進的雙向BP神經網絡提高了逆變電路故障診斷的準確性和可靠性，為逆變電路的故障診斷提供了一種可靠的方法。

[1]吳小華,史忠科,張曉斌.基于DSP三相逆變電路在線故障診斷研究設計[J].電力電子技術,2004,38(2):37-39.

[2]張洪濤，安慶.基于小波變換和神經網絡的逆變電路故障診斷方法[J].計算機測量與控制,2010,18(6):1273-1276.

[3]邵克勇,李飛,蔣北艷,等.基于改進遺傳算法的雙向BP神經網絡控制[J].化工自動化及儀表,2010,37(10):18-21.

[4]EBERHART R C,SHI Y H.Particle swarm optimization:developments,applications and resources[C]//Proceedings of the 2001 Congress on Evolutionary Computation.Piscataway:IEEE Press, 2001.

[5]李祚泳,汪嘉楊,郭淳.PSO算法優化BP網絡的新方法及仿真實驗[J].電子學報,2008,36(11):2224-2228.

[6]潘昊,侯清蘭.基于粒子群算法的BP網絡學習研究[J].計算機工程與應用,2006,42(16):41-43.

[7]江麗,王愛平.基于粒子群與BP混合算法的神經網絡學習方法[J].計算機應用,2012,32:13-15.

[8]SUN J,XU W B.A global search strategy of quantum-behaved particle swarm optimization[C]//Proceedings of IEEE Conference on Cyberence on Cybernetics and Intelligent Systems.USA:IEEE Press, 2004:111-116.

[9]FANG W,SUN J,DING Y R,et al.A review of quantum-behaved particle swarm optimization[J].IEEE Technical Review,2010,27(4): 336-348.

[10]SUN J,FENG B,XU W.Particle swarm optimization with particles having quantum behavior[J].IEEE,2004(1):325-331.

[11]湯清泉,顏世超,盧松升,等.三電平逆變器的功率管開路故障診斷[J].中國電機工程學報,2008,28(21):26-32.

[12]張蘭紅,胡育文,黃文新.三相變頻驅動系統中逆變器的故障診斷與容錯技術[J].電工技術,2004,19(12):1-9.

Fault diagnosis of inverter circuit based on improved bidirectional BP neural network

LIAO Jun-bo,PAZILAT Mahemuti,CAI Xin,ZHOU Hao

A kind of bidirectional BP neural network(BBPNN)was proposed aiming at BP neural network which robustness and fault tolerance was not strong.Reverse connection was established between adjacent layer neurons directly to draw the previous state variables of the system into the network.In order to overcome learning algorithm complexity and slow convergence,quantum particle swarm optimization(QPSO)was used to optimize weights and thresholds of BP neural network.In this way,the network could be obtained with higher accuracy.Improved bidirectional BP neural network was applied to the inverter circuit fault diagnosis.Test results show that the algorithm has stronger convergence and accuracy than BBNPP.A new way for the inverter circuit fault diagnosi was proposed.

bidirectional BP neural network;quantum particle swarm optimization;inverter circuit;fault diagnosis

TM 464

A

1002-087 X(2015)03-0574-04

2014-08-07

國家自然科學基金(61364010)

廖俊勃(1987—)，男，陜西省人，碩士，主要研究方向為過程檢測、診斷與控制技術(含風力發電)。