電壓型PWM整流器故障診斷方法綜述*

彭莉峻 ,何林 ,韓行

(1.西安建筑科技大學 機電學院，西安 710055； 2.西安建筑科技大學 理學院， 西安 710055)

0 引 言

近年來國家對節能減排工作重視程度在不斷提高和深化，工業節能方面，“十三五”節能減排工作方案著重強調電機系統能效提升、節能技術裝備產業化技術的發展，并將工業園區可再生能源占比納入其考核體系中[1-2]。一直以來，變頻器因其調速性能和電機運行節能環保能力方面的突出表現，已成為動力系統重要組成部分[3-4]。傳統變頻器整流環節為二極管整流，具有結構簡單、運行穩定的優勢，但隨著綠色電網要求的不斷提高[5-6]，變頻器在再生制動能量節能技術應用環節的需求的增長[7-10]，二極管整流存在許多不足，而三相電壓型PWM整流器因其網側單位功率因數、直流輸出電壓恒定，能量雙向流動等優點，在交流傳動控制、單位功率因數整流等場合逐漸得到推廣應用[11-12]，國內外研究人員圍繞其高效運行，已展開許多控制策略的研究[13-14]。由于電力電子器件控制的復雜性，其故障的發生在所難免，因此針對PWM整流器開展運行狀態監測、故障技術研究，做到及時維修以及容錯控制，對提高設備可靠性和設備的使用率，保證工業生產的正常、穩定運行具有極其重要的意義。

文獻顯示，38%的功率變流裝置系統故障均由功率開關器件的短路和開路故障引起[15]，其中短路故障的診斷和系統保護多采用硬件電路設計的方法解決[16]；而開路故障由于其往往引起的是系統輸入、輸出側信號的變化，導致系統二次故障而非直接關機，因此需進行專門的故障診斷研究。目前針對PWM整流器所開展的開路故障診斷研究工作，其研究內容主要集中在故障特征向量的選取和故障識別、診斷方法兩大方向上，以力求準確、快速的在全功率范圍完成較為全面的故障診斷工作，且診斷系統本身不受負載的波動影響，可靠性高。

1 故障的類型

三相電壓型PWM整流器作為一種典型的功率變流裝置，結構如圖1所示，可工作在整流和逆變兩種狀態，其中逆變狀態與三相逆變器工作完全一致，已具有較為成熟的故障診斷研究[17]，但整流狀態下由于電路結構和雙閉環控制系統的特點，運行特征上與逆變狀態有較大差別[18-19]，引起研究人員的重視，并從不同角度展開了相關研究。

圖1 三相電壓型PWM整流器拓撲結構圖

按照功率開關管故障個數，三相電壓型整流器開關管開路故障類型可分為三類，包括:(1)單管故障，以A相為例，出現的D1開路故障或D1、V1同時開路故障等；(2)雙管故障包括同一橋臂的兩只功率管故障，如D1、V2同時開路，V1、V2同時開路等，以及上橋臂或下橋臂中任意兩只功率管故障，如V1、V3同時開路等；(3)三管及多管故障，這類故障是十分少見的[20-21]。

2 故障診斷方法

準確、可靠地實現設備的故障診斷，一是要在不影響原系統運行狀態的前提下，合理采集、提取具有故障特征的信號，其二是采用合適的故障診斷方法分析信號，包括基于數據驅動的方法、基于解析模型的方法。

目前三相電壓型PWM整流器故障診斷中的故障特征向量的選取方法主要有兩大類，一類是直接提取功率開關管特征參數，如利用功率開關管故障前后導通電阻變化、導通壓降變化、門極電壓變化等[22]，這類故障特征參數的提取方法需要在原系統中加入新的信號采集點，一定程度上降低了系統的可靠性，同時成本也較高；另一類則是利用故障下系統的工作機理和故障對系統輸入、輸出特性影響特征及作用關系，如在電壓、電流雙閉環控制作用下，利用整流器網側相電流、直流側電壓等系統已有的信號測量點，通過直接或間接的方式，從這類信號中挖掘蘊含的故障特征信息，再采用不同的分析方法實現故障程度以及類型的診斷。

2.1 數據驅動方法

2.1.1 門極電壓檢測法

整流器正常工作時，交流側相電壓可表示為:

vj0(t)=vjN(t)+vN0(t)，(j=a，b，c)

(1)

其中:

vjN(t)=sjvdc，(j=a，b，c)

(2)

(3)

由此可推導出不同的開關模式下，交流側各線電壓均有3種電壓值，如:

(4)

可見，每一種開關組合只對應一個線電壓值[23]。文獻[24]以此為依據，利用開關管門極信號和交流側線電壓唯一的組合關系，將開關管開路故障前后線電壓的變化信號作為故障特征向量，實現單管及多管故障的診斷和定位。以線電壓vab為例，故障特征向量如表1所列，其中T的值表示線電壓發生了由0向+vdc或-vdc的變化。

表1 開關管開路故障特征向量

這種診斷方法中由于作為故障特征向量的交流側線電壓受直流側電壓波動影響較大，因此針對實際系統時必須合理、謹慎選取線電壓比較閾值，以免導致誤判。另一方面，由于選取了開關管的門極電壓作為特征信號，因此需要在原系統的基礎上加入新的檢測點，一定程度上加大了診斷系統的成本。

2.1.2 直接電流檢測法

由于三相電壓型PWM整流器電路結構和電壓、電流雙閉環控制的作用，開關管開路故障后故障相相電流變化尤其明顯，出現電流正、負半周不對稱，而非逆變器開路故障中出現的某一半周缺失的現象，如圖2所示。

圖2 V1開路故障前后整流器三相電流波形

文獻[25-27]針對系統的這一特點，提出將相電流均值不為零作為故障特征向量，即：

(5)

這類方法，作為故障特征量的相電流信號容易獲取，且診斷數據量和計算量小，但隨著整流器功率的提高及直流側負載的變動，漏診率大[28]，可靠性較低且無法解決多開關管故障識別和定位問題。

2.1.3 標幺化均值法

(6)

將上述兩故障特征量分別與相應的固定門限值進行比較，利用表2所示的不同開關管開路故障時比較結果的編碼組合不同，完成故障診斷和定位。

表2 故障開關管確定方法

編碼規則為：

(7)

(8)

表2中Vc、Ijc分別表示電壓、電流標幺化均值與相應門限值的比較結果。

這種診斷方法能夠在全功率范圍內有效，且能夠應對負載變化頻繁的場合，但實際應用中各標幺化均值的門限比較值選取對診斷效果非常重要，門限值過大雖然能夠獲得可靠性高的診斷結果，但診斷時間長；反之，門限值過小可靠性降低，容易發生誤診等情況，且這種方法只適用于單管故障的情況。

2.1.4 電流相角檢測法

三相電壓型PWM整流器控制系統設計多采用電壓、電流矢量信號，將網側三相電流進行Park變換，得到的電流矢量幅值、相角可分別表示為：

(9)

穩態時，電流矢量相角從0～2π變化，同時，對于數字系統，在一個采樣周期內電流矢量相角的變化量Δθi是與采樣頻率相關的定值：

(10)

當整流器不同開關管發生開路故障后，如圖2所示，將導致故障相網側電流在特定區域近似為零，相應其電流相角將出現的Δθi=0情況，如圖3所示。

圖3 V1開路故障前后電流相角圖

根據系統的以上特點，文獻[29]提出將電流相角的導數和歸一化的相電流平均絕對值作為故障特征向量，進行故障定位；文獻[30-31]利用不同位置開關管開路故障時檢測判斷Δθi=0所屬區域，結合當前θi角度共同作為故障特征信息實現多管同時故障時的診斷工作。

利用電流相角的檢測方法在實際診斷故障中，由式(10)可知Δθi的大小與采樣頻率、點數有關，采樣點數越高則診斷結果越可靠，但需要花費診斷時間為代價，因此需折中考慮；另一方面，實際系統中，不將Δθi直接與0進行比較，而需要設定一個比較閾值Th，一旦出現Δθi

2.1.5 基于Hilbert矢量變換法

根據整流器網側電流特征，傳統Park矢量法無法繪制出能夠表征故障規律且特征明顯的矢量圖[32]，文獻[33]提出通過三相網側相電流及其共軛電流分別繪制Hilbert矢量圖的方法，如圖4所示，利用不同開關管發生故障時Hilbert矢量圖左右半圓和凹凸位置不同作為故障特征，進行故障的定位和識別，該方法直觀方便，但只能完成對單管的故障判斷，且準確度不高。

圖4 V1、V2斷開后a相電流Hilbert矢量圖

2.1.6 智能分析方法

直接利用時域信號作為故障特征向量，對比較閾值的設計非常重要，所含的信息量往往有限，也容易收到噪聲等干擾的影響，因此越來越多的研究人員傾向于對信號進行二次開發。針對整流器系統的輸入、輸出信號特點，對交流側相電流、直流側電壓利用傅里葉變換、小波分析等信號處理的方法，以將信號從時域轉換到頻域，獲取更為豐富的故障特征信息，再結合遺傳算法、神經網絡、支持向量機、粗糙集等智能算法設計合適的分類器對待檢測的信號進行故障的診斷和分類。

文獻[34-36]首先對整流器各相電流網側電流進行傅里葉變換，提取每一相電流諧波的直流分量、基波分量、二次諧波、三次諧波作為故障特征信號，通過模型電路標準故障建立故障樣本庫，針對待診斷系統結合SOM、ELAM等具有自組織特征映射的神經網絡進行故障的診斷及定位。但實際系統中，相電流諧波很大程度上受控制系統參數等方面的影響，當諧波數據出現一定程度的偏差，則數據較為接近的不同類別的故障容易發生誤判。

文獻[37]利用小波分析具有雙重定域和多分辨率分析能力，以及將信號在低頻和高頻同時分解和重構信號的功能[38]，將小波包分析整流器開關管開路故障前后直流側電壓得到的能量譜和功率譜細節信號作為故障特征向量；文獻[39]在利用小波分析獲得的頻譜故障特征向量的基礎上，建立了基于支持向量機的故障診斷方法，在有限樣本中最大程度挖掘隱含的信息，同時解決了數據維數問題，能夠有效的實現故障診斷工作。文獻[40-41]將小波分析與粗糙集相結合，針對故障特征信息，運用粗糙集的數據挖掘能力去除冗余條件屬性，減小故障數據的維數，構建條件屬性集與決策屬性集，約簡后提取出故障診斷規則，以實現快速、有效地診斷各類故障。隨著智能算法的發展，也有許多研究將多種智能算法結合使用，如模糊神經網絡等[42-43]。

采用這類基于數據和信號處理的方法，診斷的準確性對于受訓練樣本的數量和種類表現出很高的依賴性，但考慮到現實中已發故障的數據量畢竟是有限的，因此要注意智能算法相關參數合適的選擇，避免當輸入數據十分相近時不同類別故障不易區分甚至錯判。另一方面，為獲得更多的狀態信息，當選擇小波包層數較高時，數據維數增大，容易導致分類網絡收斂、聚類速度降低，影響診斷系統性能。

2.1.7 信息融合技術

上述針對整流器展開的故障診斷方法中，故障特征向量都是對直流側電壓或交流側相電流中提取的單信息，當實際系統中存在較大干擾或噪聲時，故障信息的不確定性將降低診斷系統的可靠性。為彌補單一故障特征信息的不足之處，提高故障診斷的準確率，采用融合算法進行設備的故障診斷工作成為研究方向之一。

信息融合的方式一般可發生在傳感器層、特征層和決策層，其中傳感器層融合是一種較為直接的信息融合方法，通過采用多源傳感器采集故障信息，解決故障信息不足的情況[44]，但是采用這種方法需要較多的檢測點，成本升高。

特征層數據融合方法則是利用不同的特征提取方法分析和處理電路故障的原始信息，從多角度提取故障信號的全面特征信息，常用的處理方法包括小波包變換、傅里葉變換、經驗模態分解等。然后按照一定的融合方法對提取的多個特征向量進行融合，診斷結構如圖5所示。文獻[45]提出將待檢測電路的電壓信號、電流信號分別進行小波包分解后的數據作為故障特征量，采用間隔交叉的方式進行特征層的融合，從而增加電壓信息和電流信息對故障特征的相互補充。相較單故障樣本信息，進行特征層融合后的故障樣本維數較大，因此往往還需對特征向量的維數進行冗余消除工作，以提高后續故障分類和識別的速度。

圖5 特征層數據融合診斷結構

決策層的信息融合技術是把兩種或多種分類器進行集成，如常用的人工神經網絡、支持向量機等，采用模糊融合、分類融合、D-S證據等融合算法進行融合決策，得到最終診斷結果，診斷結構如圖6所示。值得注意的是，決策層的融合必須基于良好的數據預處理，否則會直接影響決策的結果。

圖6 決策層數據融合診斷結構

隨著信息融合技術的發展，在故障診斷工作中綜合運用多特征提取和多分類器融合決策的方法，將一定程度的提高故障診斷的準確性和可靠性。

2.1.8 大數據技術

作為關鍵的整流環節，三相電壓型PWM整流器的應用將越來越廣泛，故障診斷依賴于良好的診斷方法，而基于數據驅動的診斷方法的核心就是數據，沒有數據支持的算法毫無意義，但目前針對其展開的進故障診斷研究中，故障特征的提取、故障信息的發掘，以及故障分類器的建立和訓練所依托的大都是標準故障模型，或有限的較小數量級的數據信息，并且診斷工作都是在已發故障的前提下展開，這類診斷方法，很難滿足實際系統工作狀態多變的情況下，在線故障診斷的準確性和可靠性要求，以及在故障發生前進行快速、有效地故障預警。隨著大數據技術的發展，已在其他故障診斷領域利用大數據技術開展的故障診斷與預警研究，亦可引入到整流器故障診斷工作中來[46-47]。

基于大數據技術收集和分析整流裝置的實際運行數據而非傳統模型樣本數據，以海量數據為基礎，在有限時間內從監測的大數據環境中得到最新的診斷模型和預測模型，采用數據挖掘方法進行故障診斷和分類，并能夠合理精確的完成預警，這也是目前研究的熱點之一。

2.2 解析模型法

與基于數據和信號的故障診斷方法不同，解析模型法是基于系統精確的數學模型之上的。利用整流器數學模型，同時構造狀態觀測器，當發生不同故障時，系統狀態觀測器特征向量的輸出與實際系統該特征向量輸出之間將產生殘差，通過分析該殘差來實現故障診斷。文獻[48]以變流器輸出電壓作為故障特征量，通過分析實際系統電壓值與參考模型輸出量之間側殘差實現故障診斷的目的，但由于PWM整理器是非線性時變的系統，很難建立精確的數學模型，因此該方法在應用中收到很大的限制。

3 結束語

本文對PWM整流器現有故障診斷方法進行了介紹和對比，由于PWM整流器屬于非線性系統，因此在故障特征向量的選取方面，采用基于數據驅動和信號處理的方法，給診斷工作提供了更多的信息，提高了診斷方法的適用范圍、精度和可靠性。故障診斷方法也在考慮診斷速度的前提下，逐漸從單一的智能分析算法向綜合性融合診斷算法發展。

目前，針對PWM整流器展開的故障診斷工作都是在故障已發的前提下展開的，但在工業生產中，已發故障容易導致異常停機，因此在現有故障診斷技術的基礎上對PWM整流器故障狀態預警及設備的運行壽命預測，以及故障后的容錯控制進行更深入研究，具有很大的應用價值和前景。