基于復合特征量和S_Kohonen神經網絡的逆變器故障診斷方法

摘 要：針對三相PWM逆變器故障診斷的電流特性，以故障相電流作為故障信息，引入以電流平均值作為特征量的復合故障特征，并結合S_Kohonen神經網絡的強大非線性分類能力，提出了一種基于S_Kohonen神經網絡對三相PWM逆變器的故障診斷方法。仿真結果表明，該方法對三相PWM逆變器故障精確的定位和識別，并且具有較好的魯棒性。

關鍵詞：PWM三相逆變器；故障診斷；復合故障特征；S_Kohonen神經網絡

引言

逆變器作為將直流轉換為交流的換流裝置，廣泛的應用于國防軍事和工業生產中，其一旦發生故障，將可能會對裝置和設備造成損壞，造成經濟損失，嚴重者更會威脅人身安全，因此對于逆變器故障問題應給予高度重視。對逆變器進行故障診斷具有重要意義[1-3]。

由于電力電子故障具有損壞速度快，故障信息存在時間也較短等特點，因此較為快速、準確的地位和故障識別是至關重要的。目前，國內外有不少學者對逆變器故障進行研究，現有的故障診斷已有大量的診斷方法，其中針對提取的故障特征量進行電流軌跡處理并結合BP神經網絡實現的故障診斷方法[4]，該方法能有效地實現故障診斷，但需對特征量進行坐標轉換等處理，顯得較為繁瑣。文獻[5-7]等根據建立的模型實現的故障診斷方法，但是其需要建立精確的數學模型，否則會影響故障識別結果。

文章首先分析了三相PWM逆變器在不同故障下的故障特征量，然后以故障相電流作為故障信息，并結合三相電流平均值作為診斷的故障特征量，利用S_Kohonen神經網絡強大的非線性分類能力實現故障診斷。

1 逆變器的故障分析

圖1為三相電壓型逆變器的電路拓撲圖，該結構圖廣泛的應用于工業各領域，其開關管故障主要分為開路及短路故障，由于短路故障現已能準確的定位和識別，文章以開路故障作為重點進行研究。

針對三相逆變器的開路故障，其故障種類較多，但考慮到實際情況下的逆變器故障，可認為三相PWM逆變器的開路故障分為單管故障和雙管故障，文章將正常運行的逆變器也歸為一種特征故障，可分為5種故障類型，22種故障，其分類如下。

（1）逆變器正常運行狀態； （2）只有一支功率管發生開路故障 VT1～VT6；（3）同一橋臂兩支功率管發生開路故障 VT14、VT36、VT25；（4）同一半橋兩支功率管發生開路故障VT13、VT24、VT35、VT46、VT15、VT26；（5）橋臂之間交叉功率管發生開路故障VT12、VT23、VT34、VT16、VT56、VT45。

針對以上開路故障，在仿真中將開路故障利用控制功率管觸發角進行控制，將觸發角去掉作為相應功率管的開路故障。在在Matlab7.01 Simulink6.1中搭建相應的仿真模型。直流電壓源電壓設置為530V，負載側RLC模塊有功功率1kW，無功功率100Var。由于篇幅原因，這里僅列出T16故障時三相電流波形圖，見圖2。

從圖2可以看出，在相應功率管發生故障時，其對應相的電流會缺失對應的半波，其他故障類型的三相故障電流均有此特點，只有在同一半橋兩只功率管發生故障時，由于會影響到正常相的導通會使非故障相電流半波丟失。

2 基于平均值的復合特征量提取

在上文搭建的仿真模型中，對22種開路故障進行仿真，并對每種故障利用MALTAB示波器提取三相電流采樣點每相200個共600個點作為故障特征量，考慮到在實際情況下有噪聲干擾等因素的影響，文章采用各相電流平均值作為部分特征量，其中對平均值T提取如（1）式：

（1）

其中N為每周期電流采用點數。

對各類開路故障代碼及部分平均值列于表1，由于篇幅原因在表1中未列出故障時A、B、C三相各相波形采樣點。

由表1及三相特征點可以看出，22種開路故障下的共603個特征向量之間具有非常復雜的非線性關系，需要利用智能算法進行故障識別。

3 基于Kohonen神經網路的逆變器開路故障診斷實現

Kohonen神經網絡是由芬蘭教授Teuvo Kohonen提出的無監督學習網絡，該網絡由自組織特征映射調整網絡權值，使神經網絡收斂于一種表示形態。Kohonen網絡主要由輸入層及競爭層組成，如圖3所示。

Kohonen神經網絡可以通過在競爭層后添加一層輸出層，構成S_Kohonen網絡，變為有監督學習的網絡，用以實現故障分類，其中文章輸入層節點數為603即故障特征量，由于競爭層選擇一般要大大多于實際輸入類別，文章選擇競爭層節點數為81個，輸出層即各種種類為22。在輸入層、競爭層、輸出層之間均有權值連接，通過訓練對權值進行調整，調整方式如式（2）、（3）：

其中η、η2為學習概率；Wij為輸入層與競爭層之間的權值；Xi為輸入特征量；Wjk為競爭層與輸出層權值；Yk為樣本所屬類型。

由于在實際情況中會遇到噪聲等周圍環境的影響，文章對提取的22種故障每種故障50組共1100組數據，分別加入SNR（信噪比，signal-to-noise ratio）為20dB、10dB和5dB的高斯白噪聲，用以模擬在實際運行情況中的逆變器故障診斷，并利用S_Kohonen神經網絡的非線性分類能力進行故障診斷，在進行加噪處理的1100組數據中，用660組數據作為訓練樣本，剩下的440組數據進行，由于篇幅原因只列出在10dB情況下的診斷結果圖，其他噪聲下診斷結果如表2。

由表2故障診斷正確率可以看出，復合平均值故障特征量結合S_Kohonen神經網絡對三相PWM逆變器進行故障診斷，診斷正確率明顯優于傳統的BP神經網絡，尤其是在噪聲較大的環境中，說明復合平均值故障特征量結合S_Kohonen神經網絡具有正確率高，抗噪能力強等特點。

4 結束語

針對三相PWM逆變器的開路故障，文章首先以各相電流平均值結合各相波形采樣點作為復合故障特征量，結合S_Kohonen神經網絡強大的非線性分類能力進行分類，仿真結果表明該方法能準確的定位和識別故障，并具有較高的魯棒性等特點。

參考文獻

[1]王萍，孫雨耕，許會軍.逆變器直流側諧波分析與有源補償[J].中國電機工程學報，2005，25（14）：52-56.

[2]孫馳，馬偉明，魯軍勇.三相逆變器輸出電壓不平衡的產生機理分析及其矯正[J].中國電機工程學報，2006. 26（21）：57-63.

[3]Bruendlinger R， Bletterie B，Milde M， et al.Maximum power point tracking performance under partially shaded PV array conditions[J].Proc.21st EUPVSEC，2006：2157-2160.

[4]梅雪峰，鄭建勇，梅軍，等.基于電流軌跡和神經網絡的逆變器故障診斷方法[J].電測與儀表，2010（4）：5-8.

[5]Cat el lan i S， S aadi J， C ham pen oi s G. Monitoring of a st at ic con verterf ed machine using average reference models[A].IFAC SafeProcess.91[C].Baden-Baden， Germany，1991.

[6]Berend sen C S， Cham p enois G， Davoine J， et al. How to detect andto localize and to l ocal ize a f aul t in a dc/dc con vert[A].IEEE-IECON.92[C].1992.

[7]Smith K S， Li R， Pem man J.Real-time d et ection of int erm it tentm isf iring in a volt age-fed PWM invert er in duct ion-mot or dri ve[J].IEEE，T ransact ion. Ind. Electron，1997，44（ 4）：1201-1211.