電力電子電路故障診斷技術(shù)探索與預(yù)測(cè)

倪巧云

（湖北工業(yè)大學(xué)，湖北武漢430064）

0 引言

在現(xiàn)代電子設(shè)備中，電力電子電路的應(yīng)用非常廣泛，且國(guó)內(nèi)外研究人員高度重視對(duì)其健康管理的研究，早期研究的內(nèi)容集中在電力電子電路故障診斷方面。為了及時(shí)在電力電子電路故障發(fā)生前發(fā)現(xiàn)問題，研究人員越來越重視對(duì)故障預(yù)測(cè)的研究，即：依據(jù)電路在運(yùn)行中的退化和趨勢(shì)，預(yù)測(cè)其未來的健康水平。下面，筆者主要探討電力電子電路故障診斷與預(yù)測(cè)技術(shù)。

1 電力電子電路故障診斷

1.1 小波分析

小波是小的波形。小波分析是分析信號(hào)的頻率與時(shí)間的方法，其能在頻域、時(shí)域上表征信號(hào)的局部特征，且其頻率窗、時(shí)間窗均可改變，即利用平移、伸縮燈運(yùn)算功能多尺度細(xì)化分析信號(hào)，以提取出信號(hào)中的有用信息。研究發(fā)現(xiàn)，小波分析表現(xiàn)出多分辨率分析的特征，即：低頻部分的時(shí)間分辨率較低，頻率分辨率較高；高頻部分的時(shí)間分辨率較高，頻率分辨率較低。其目的是構(gòu)造在頻率上與平方可積的實(shí)數(shù)空間L2（R）高度逼近的正交小波基，用以發(fā)揮不同帶寬的帶通濾波器的作用。據(jù)此特性，可提取出信號(hào)中的有用信息，并忽視其中的干擾信號(hào)或噪聲。

1.2 馬氏距離

馬氏距離由統(tǒng)計(jì)學(xué)家P.C.Mahalanobis提出，即指數(shù)據(jù)的協(xié)方差距離，其可有效計(jì)算出某一樣本與樣本集的間隔距離或相似性。馬氏距離的性能在模式識(shí)別中比歐式距離更優(yōu)，且量綱不會(huì)對(duì)其產(chǎn)生影響，即數(shù)據(jù)單位不會(huì)對(duì)點(diǎn)間馬氏距離產(chǎn)生影響，同時(shí)馬氏距離考慮進(jìn)了特性間的聯(lián)系且從測(cè)量尺度中獨(dú)立開來。研究發(fā)現(xiàn)，在馬氏距離的計(jì)算中，總體樣本數(shù)n要求比樣本維數(shù)m大，否則會(huì)得到無效的總體樣本協(xié)方差矩陣逆矩陣，繼而使馬氏距離計(jì)算失敗。

1.3 電路故障診斷流程

下面，筆者在電力電子電路軟、硬故障診斷中引入小波分析與馬氏距離，其中前者用來分析電路信號(hào)和提取故障的特征參數(shù)；后者用來度量某一電路故障與待測(cè)電路的距離和求取待測(cè)電路與一切故障類型的馬氏距離，且若某一馬氏距離出現(xiàn)最小值，則對(duì)應(yīng)故障便為待測(cè)電路的故障。圖1所示為基于小波分析與馬氏距離的電力電子電路故障診斷流程圖。

圖1 電路故障診斷流程圖

圖1所示的電力電子電路故障診斷流程圖由建立字典、故障診斷組成，即：

（1）建立故障字典：首先，創(chuàng)建Pspice電路文件，并分析軟、硬故障可能有的模式，繼而建立故障集；其后，對(duì)處于故障、健康狀態(tài)的電路分別開展蒙特卡洛仿真分析，并采樣求取測(cè)量點(diǎn)對(duì)應(yīng)的電壓值；最后，分析數(shù)據(jù)，并算得某一故障對(duì)應(yīng)的故障特征向量，繼而建立故障字典。

（2）故障診斷：首先，通過對(duì)待測(cè)電路輸出電壓采樣，以獲得數(shù)據(jù)和求取故障特征參數(shù)；其后，根據(jù)特征與故障字典提供的數(shù)據(jù)，求取未知故障電路的特征參數(shù)與每一故障（故障字典）的馬氏距離，并找到與最小馬氏距離對(duì)應(yīng)的故障號(hào)，即為待測(cè)電路故障。

為了檢驗(yàn)基于小波分析與馬氏距離的電力電子電路故障診斷方法是否有效，可通過反復(fù)分析和診斷待測(cè)電路的未知故障，以確定診斷結(jié)果的準(zhǔn)確度和故障診斷的準(zhǔn)確率。

2 電力電子電路故障預(yù)測(cè)

2.1 AR模型預(yù)測(cè)算法

AR模型（自回歸模型）是一類具備連續(xù)功率譜的線性時(shí)間序列信號(hào)模型，其常用在平穩(wěn)隨機(jī)序列的研究中。其中，平穩(wěn)隨機(jī)序列產(chǎn)生于典型噪聲源對(duì)線性系統(tǒng)的激勵(lì)作用，噪聲源通常選擇白噪聲。關(guān)于AR模型，可用下列公式表示其差分方程：

可見，根據(jù)x（n）前p個(gè)點(diǎn)，可算得x（n）的值及AR模型的參數(shù)ai。AR模型參數(shù)常用最小二乘法、Burg遞推法、列文森法、自相關(guān)函數(shù)法和Yula-Walker法進(jìn)行求解。其中，最小二乘法（或最小平方法）是通過最小化誤差的平方來尋求數(shù)據(jù)的最佳函數(shù)匹配，其可快速求得未知數(shù)據(jù)及使其與實(shí)際數(shù)據(jù)的誤差平方和最小；Burg遞推法是先用格型預(yù)測(cè)誤差濾波器來求取前、后向預(yù)測(cè)誤差的最小平均功率，再運(yùn)用列文森遞推公式計(jì)算AR模型系數(shù)、輸入噪聲方差，其中針對(duì)AR信號(hào)，運(yùn)用Burg算法可提高估計(jì)的精確度。

2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法

BP算法是BP神經(jīng)網(wǎng)絡(luò)（多層前饋神經(jīng)網(wǎng)絡(luò)）在學(xué)習(xí)中運(yùn)用的誤差逆?zhèn)鞑ニ惴ǎ湓頌椋合葟臉颖緮?shù)據(jù)與網(wǎng)絡(luò)輸出中獲得誤差函數(shù)，再運(yùn)用梯度下降法求取誤差函數(shù)的最小值，然后不斷修正神經(jīng)網(wǎng)絡(luò)連接權(quán)值，以使網(wǎng)絡(luò)誤差在允許范圍內(nèi)。基本的BP算法由信號(hào)前向傳播、誤差反向傳播兩部分組成，即：網(wǎng)絡(luò)輸出按“輸入→輸出”的方向進(jìn)行計(jì)算；權(quán)值與閾值按“輸出→輸入”的方向進(jìn)行修正。其中，在誤差反向傳播過程中，先對(duì)每一層神經(jīng)元逐層算出輸出誤差，再逐層運(yùn)用梯度下降法算出連接權(quán)值、閾值，直到整個(gè)網(wǎng)絡(luò)全局的誤差滿足給定極值的要求，自此可從權(quán)值與閾值中獲得歷史數(shù)據(jù)與未來值得關(guān)系，并用于預(yù)測(cè)數(shù)據(jù)。在實(shí)際使用中，BP神經(jīng)網(wǎng)絡(luò)要求重點(diǎn)考慮期望誤差、學(xué)習(xí)速率、閾值初值、網(wǎng)絡(luò)權(quán)值、隱層神經(jīng)元數(shù)目和輸入層個(gè)數(shù)的選取。

在神經(jīng)網(wǎng)絡(luò)中，BP算法被認(rèn)為是最成熟、使用最多的訓(xùn)練算法。其中，神經(jīng)網(wǎng)絡(luò)初值可隨機(jī)初始化，但其易向局部最小點(diǎn)收斂，則為了克服隨機(jī)選取的缺點(diǎn)，建議在神經(jīng)網(wǎng)絡(luò)初值計(jì)算中引入遺傳算法，用以增強(qiáng)所得模型的曲線擬合能力。其中，遺傳算法的演算步驟為選擇→交叉→變異。神經(jīng)網(wǎng)絡(luò)初值經(jīng)遺傳算法優(yōu)化后，可賦予網(wǎng)絡(luò)，用以訓(xùn)練網(wǎng)絡(luò)，繼而獲得網(wǎng)絡(luò)參數(shù)。

2.3 改進(jìn)預(yù)測(cè)算法

電力電子電路健康狀態(tài)衡量值的波動(dòng)具有非線性、復(fù)雜性（亦或混沌特性），故可運(yùn)用混沌信號(hào)分析法來進(jìn)行數(shù)據(jù)分析，繼而優(yōu)化電路的預(yù)測(cè)效果。下文，筆者從混沌時(shí)間序列相空間重構(gòu)理論的角度，探討AR模型、BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果的優(yōu)化（圖2），即：先按相空間重構(gòu)理論獲得嵌入維數(shù)m、時(shí)間延遲τ，并相空間重構(gòu)數(shù)據(jù)，其后再用AR模型、BP模型訓(xùn)練和預(yù)測(cè)數(shù)據(jù)矩陣。

圖2 相空間重構(gòu)后的預(yù)測(cè)流程

3 結(jié)語(yǔ)

綜上研究，基于小波分析和馬氏距離的電力電子電路故障診斷方法可高效檢測(cè)參數(shù)性、結(jié)構(gòu)性故障，且基本可準(zhǔn)確定位故障點(diǎn)。同時(shí)，本文談及的AR模型預(yù)測(cè)算法、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法等方法可有效預(yù)測(cè)電力電子電路的健康狀態(tài)和剩余壽命。但針對(duì)電力電子電路故障診斷與預(yù)測(cè)技術(shù)的研究仍待完善，值得高度重視。