基于BP神經網絡的整流電路的故障診斷

姜艷姝 吳迪 王偉亮

摘 要：新型電力電子產品的不斷呈現以及對系統各類品質要求的日益增加，使得電力電子電路的在線故障診斷必然成為一個急需解決的問題。針對這一問題，采用Matlab仿真軟件建立仿真模型，獲取輸出電壓ud，并用傅里葉分析法提取出直流分量、基波幅值、二次諧波以及三次諧波幅值。將其歸一化后輸入到BP網絡中，獲取具有編碼特征的6個數字，從而確定故障部位及故障點。應用上述方法，以三相橋式整流電路為例進行了仿真實驗，其測試誤差可達到10-4。通過實驗驗證表明：該方法與其他診斷方法相比具有診斷率高、可靠性強、適用范圍廣等優點。

關鍵詞：電力電子電路；故障診斷；神經網絡

DOI：10.15938/j.jhust.2018.02.007

中圖分類號： TP183；TN707

文獻標志碼： A

文章編號： 1007-2683（2018）02-0035-05

Abstract：Due to the new power electronic products improving and many qualities are growing， making the online fault diagnosis of power electronic circuit becomes more important. In this paper， simulation model is established by using MATLAB to obtain output voltage. Then we use the Fourier analysis method to extract the DC component， the amplitude， the second harmonic and harmonic amplitude three times. After these values are normalized， we set them into the BP network to receive six numbers in order to determine fault location and fault point. Taking three phase bridge rectifier circuit as an example with this method， the test error value is less than 10-4.The experiment result shows that this method has merit of higher diagnostic rate，higher reliability and widely application.

Keywords：power electronic circuit； fault diagnosis； the neural network

0 前 言

隨著電力電子技術的迅速發展，電力電子電路的故障診斷方法也應運而生。以前采用傳統的故障診斷方法，一是等設備壞了再進行維修，二是定期檢修設備。由于這兩種方法在一定程度上均會造成經濟損失，甚至有人身傷亡的出現。故必然會有新的診斷方法出現[1-3]。而其中，小波變換[4]具有良好的時域局部性，由于噪聲的存在使得誤報率過高；而用支持向量機[5-6]的故障診斷方法僅在小樣本的情況下具有很好的適用性，當樣本過多時正確率有所下降；ARMA譜分析法[7-9]具有高診斷率、高可靠性的優點，但大多數的分析方法的討論與應用還集中于時域中。

本文利用神經網絡將電力電子電路的故障信息進行處理分類，以達到能快速準確的發現故障并進行處理。依據神經網絡原理，研究了基于神經網絡的電力電子電路故障的提取方法，將這種方法應用于三相整流電路的斷路故障診斷中。這種方法簡單、直觀，診斷準確率較高。此外，該方法具有很好的適用性，可以用于其他的電力電子電路的故障診斷中。

1 整流電路的故障模式及分析

1.1 故障模式

現以三相橋式電路為例進行故障診斷分析。在任意時刻，都有兩只晶閘管同時導通，構成電流回路。其中每隔π/3換相一次，而換相過程總是在共陰極和共陽極組間輪流進行，晶閘管的導通順序是VT1-VT2-VT3-VT4-VT5-VT6。整流橋輸出端電壓ud是一個非常重要的測試點，可以反映電路的工作情況。此外，電流電壓測試比較容易。因此，本文將ud作為主要的分析處理對象。

電力電子電路的實際運行表明：大多數故障表現為晶閘管損壞，其中以晶閘管的開路和短路最為常見。分析前先假設：

1）以晶閘管開路故障為例分析，包括晶閘管開路，串接熔斷器熔斷、觸發脈沖丟失等故障，以下簡稱晶閘管故障；

2）最多同時有二個晶閘管發生故障，也可能一路晶閘管故障或正常運行[10-11]。

依此可分為5大類，22小類。具體分類情況如下：

經分析可知：晶閘管的故障類型的分類有5大類，每個大類別中最多包含6個小類型。故用六位編碼的方式就可以包含全部的故障類型[12-13]。其中，前三位數字的編碼用來表示故障的大類別，后三位數字用來表示大類別中的小類型。故輸出位的6位數字0和1，每3位一組，按照二進制數的規則代表1～5大類，1～6小類，如010001為第2大類中的第1小類。

1.2 故障分析

對圖1的三相橋式可控整流電路進行仿真，仿真圖如圖2。通過仿真，得到了部分故障電壓ud（α=0o，阻感性負載）的波形。

圖3所示為典型的5種故障，其特征是：當觸發角α相同時，同一故障集中的不同故障只是ud波形在時間軸上的平移。不過，當觸發角α變化時，波形形狀也會相應變化。

對ud信號的各次諧波進行分析可知，ud信號的前三次諧波基本包含了能進行故障識別的各種信息。選用ud的直流分量（α0），基波幅值（A1），二次諧波幅值（A2），三次諧波幅值（A3）作為特征信號，輸入到神經網絡輸入層。為減少數據的計算量，一般將特征信號數據進行歸一化處理，即樣本數據采用標幺值。

選取哪些學習樣本來訓練神經網絡，將直接影響故障診斷能力和網絡的泛化能力。故數據選取的要合理，太少診斷正確率不高，而太多可能導致不收斂。

2 基于BP神經網絡的故障診斷

2.1 故障診斷

BP神經網絡是一種按誤差反方向傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一[14-15]。BP網絡能學習和保存大量的輸入-輸出模式的映射關系，而無需事前揭示描述這種映射關系的數學方程[16-18]。

BP神經網絡與其他神經網絡最大的區別在于含有隱含層。而有多個隱含層的網絡來說，其激活函數功能是具有二次性質的組合函數[19-20]。由于這種模型很平穩，故比線性劃分更精確，魯棒性也更好。再者由于激活函數是連續可微的，可用梯度法進行嚴格計算其重量修正分析公式，并用反向傳播方法進行校驗[21-22]。

在進行神經網絡訓練之前，需要確定神經網絡結構。在這里，選用了BP神經網絡結構，層數為3層。其中故障類型編碼位數決定了輸出層節點數，即輸出節點數為6，而隱層節點數沒有固定的規律可循，只能通過不斷嘗試進行修正。在選取隱層節點為15時較為理想。這里選用α=0°和α=30°時的全部故障類型作為訓練樣本，如表1，其中用前36組數據進行訓練，用后8組數據進行測試，訓練誤差圖如圖4。

2.2故障驗證

在故障驗證階段，首先選取表1中最后8組的數據作為輸入，進行實驗驗證，其選取數據如表2所示。

然后，將表2中的8組數據送入訓練好的神經網絡中，經過神經網絡得到實際輸出結果如表3。

最后，將表3的實際輸出結果與表1中后8組的6位期望輸出進行比對，可得到其真實的輸出結果與期望輸出結果基本吻合。

3 結 語

本文提出了用神經網絡方法對電力電子電路進行故障診斷，與其他診斷方法相比具有診斷率高、可靠性強、適用范圍廣等優點。此外，實驗結果表明：該診斷方法是有效的。可推廣到逆變等電力電子電路中。

參 考 文 獻：

[1]劉慶珍.基于粗糙集理論和人工神經網絡的電力電子電路故障診斷的研究[D].福州：福州大學，2004：6-46.

[2]胡志忠，盛艷燕.電力電子電路故障診斷與預測技術研究[D].南京：南京航空航天大學，2014：19-40.

[3]SOMAN R R， DAVIDSON E M， MCARTHUR S D J， et al. Model-based Methodology Using Modified Sneak Circuit Analysis for Power Electronic Converter Fault Diagnosis[J].Power Electronics，IET，2012，5（6）：813-826.

[4]胡雙俊，關起強，嚴桂.基于小波變換和支持向量機的電力電子故障診斷[J].煤礦機械，2008，29（4）：204-206.

[5]朱斌，胡雙俊.基于支持向量機（SVM）的電力電子故障診斷[J].控制工程，2009，16（S1）：206-208.

[6]MATHEW S， ALAM M， PECHT M. Idetification of Failure Mechanisms to enhance Prognostic Outcomes[J]. Journal of Failure Analysis and Prevention，2012，12（1）：66-73.

[7]蔡金錠，鄢仁武.ARMA雙譜分析與離散隱馬爾可夫模型在電力電子電路故障診斷中的應用[J].中國電機工程學報，2010，30（24）：54-60.

[8]ANIL K J， ROBERT P W D， MAO Jianchang.Statistical Pattern Recognition； a Review[J]. IEEE Transactions on Pattern Analysis and Machine Intellience， 2000， 22（1）： 4-37.

[9]EUGEN Iancu.Analytical Methods for Fault Detection in Power Plants[J].IFAC Proceedings Volumes，2007，40（8）：251-256.

[10]徐德洪，程肇基，崔學軍.用傅里葉分析法診斷電力電子電路的故障[J].浙江大學學報（自然科學版），1994.11（2）：5-8.

[11]CECILIO Angulo， XAVIER Parra， ANDREU Catala. K-SVCR A Support Vector Machine Formulti-class Classification[J]. Neuro Computing，2003，55（1/2）：57-77.

[12]蔡金錠，涂娟，王少芳.電力電子電路故障的遺傳進化神經網絡診斷[J].高壓電技術.2004，30（9）：3-5.

[13]WIDODO A， YANG B， HAN T.Combination of Independent Component Analysis and Support Vector Machines for Intelligent Faults Diagnosis of Induction Motors[J]. Expert Systems with Applications.2007，32（2）： 299-312.

[14]蔡金錠，馬西奎，黃東泉.電力電子故障診斷的一種新方法[J].通信學報.2001，22（9）：43-49.

[15]李猛，王友仁.電力電子電路軟故障診斷方法對比分析[J].電子測量技術，2015，38（7）：110-114.

[16]VEKIC M S，GRABIC S U，MAJSTOROVIC DP，et al.Ultralow Latency HILplatform for Rapid Development of Complex Power Electronics Systems[J].IEE trans on Power Electronics，2012，27（11）：4436-4444.

[17]李寧，李穎暉，朱喜華.新型容錯逆變器的混雜系統建模與故障診斷[J].電機與控制學報，2012，16（9）：53-58.

[18]吳祎，王友仁，姜媛媛.基于特征參數退化的DC/DC變換器故障預測[J].儀器儀表學報，2013，34（6）：1380-1387.

[19]王占霞，張曉波.基于SOM網的風電變流器故障診斷[J].電網與清潔能源，2011，27（4）：35-38.

[20]李寧，李穎暉，朱喜華.混雜系統理論及其在三相逆變電路開路故障診斷中的應用[J].電工技術學報，2014，26（9）：114-119.

[21]JIANG W，FAHIMI B.Multiport Power Electronic Inter-face-concept Modling and Design[J].IEE Trans on Power Electronics，2011，26（7）：1890-1900.

[22]姜建國，喬樹通，郜登科.電力電子裝置在電力系統中的應用[J].電力系統自動化，2014，38（3）：2-6.

（編輯：溫澤宇）