小型混動游艇雙向全橋型DC-DC變換器MOSFET開路故障診斷方法

溫家晗，高 嵐，徐合力

(武漢理工大學 能源與動力工程學院，湖北 武漢 430063)

雙向DC-DC變換器是混合動力船舶重要的能量轉換裝置[1],其全橋型拓撲效率高、控制靈活，但金屬氧化物半導體場效應晶體管(MOSFET)因工作環境惡劣而故障頻率較高[2]。目前DC-DC變換器故障診斷研究已有成果[3]，針對簡單拓撲型變換器可精確識別故障類型[4]，但針對雙向全橋型尚無法實現精確識別[5]。

1 小型混動游艇電力系統

小型混動游艇的電力系統主要包含燃料電池、蓄電池、雙向DC-DC變換器、負載。其工況為：燃料電池供應負載耗能，蓄電池回收剩余能量，雙向DC-DC變換器為充電模式；僅蓄電池供應負載耗能，雙向DC-DC變換器為放電模式。

2 變換器結構和故障分析

2.1 雙向全橋型DC-DC變換器結構

雙向全橋型DC-DC變換器(以下簡稱為變換器)的結構見圖1。Ui為船舶電網電壓，Uo為蓄電池電壓，能量由Ui到Uo為充電，反之為放電。S1～S8為MOSFET開關管，C1、C2為濾波電容，L為儲能電感，W1、W2為變壓器原邊、副邊。a～h點為電壓節點。

圖1 雙向全橋型DC-DC變換器結構圖

2.2 MOSFET故障類型

3個MOSFET同時故障的情況較少，本文重點研究MOSFET單管、雙管開路共計20種故障，MOSFET故障元件及類型如表1所示。

表1 MOSFET故障元件及類型

2.3 MOSFET故障分析

以變換器充電模式為例，分析MOSFET開路故障特點。以Uab、Uac、Ubd為故障參數，分析t1～t2間電壓波形，t1=0.801 05 s，t2=0.801 12 s。圖2為變換器正常電壓波形，圖3～圖6為單管故障電壓波形，圖7～圖12為雙管故障電壓波形。

圖2 正常電壓波形圖

1)單管開路故障。在t1～t2間，對比圖3、圖4和圖5、圖6可知，Uab可區分S1、S2開路和S3、S4開路；由圖3、圖6可知，S1開路和S4開路的Uab基本相同，但兩故障間Uac、Ubd的區別較大：S1管Uac連續且均值大于S4管Uac，S4管Ubd連續且均值大于S1管Ubd。同理分析S2開路和S3開路，兩故障Uab趨于相同，但對比圖4、圖5可知，兩故障間Uac、Ubd的區別較大，S2管Uac呈正常態而S3管Uac呈尖峰態，而Ubd狀態恰好相反。因此，以Uab、Uac、Ubd作為故障參數可有效區分4種單管開路故障。

圖3 S1開路電壓波形圖

圖4 S2開路電壓波形圖

圖5 S3開路電壓波形圖

圖6 S4開路電壓波形圖

2)雙管開路故障。由圖7～圖12可知，在t1～t2間Uab僅能區分S1、S4開路和S2、S3開路。由于在移相控制中，S2管和S3管的導通時間存在重疊，導致S1、S2開路和S1、S3開路Uab趨于一致，但Uac、Ubd區別較大，如圖7、圖8所示。同理，S2、S4開路和S3、S4開路Uab相似，但Uac、Ubd區別明顯，如圖11、圖12所示。因此，以Uab、Uac、Ubd作為故障參數可有效區分6種雙管開路故障。

圖7 S1、S2開路電壓波形圖

圖8 S1、S3開路電壓波形圖

圖9 S1、S4開路電壓波形圖

圖10 S2、S3開路電壓波形圖

圖11 S2、S4開路電壓波形圖

圖12 S3、S4開路電壓波形圖

將Uab、Uac、Ubd作為故障參數可有效區分變換器充電模式下單管、雙管開路故障。由于變換器結構具有對稱性，同理，以Uef、Ueg、Ufh作為故障參數，可有效識別變換器放電模式下單管、雙管開路故障。

3 特征向量提取與降維

3.1 小波包分析

MOSFET故障導致電路參數變化，小波包分析對故障參數低頻、高頻部分辨析度良好。采用小波包4層分解，選用db5小波，以頻段能量比作為故障特征向量。具體過程如下。

1)設E4，n為第4層n段頻帶能量值：

(1)

式中，dj,k(j=0,1,…,4;k=1,2,…,n)為各節點小波包系數。

2)計算總能量E0，ej為能量比：

(2)

(3)

3)構建故障特征向量x：

(4)

表2為S1開路故障的小波包能量比。通過對比分析，Uab能量集中在e0、e1、e3、e6，Uac能量集中在e0、e5、e10、e14，Ubd能量集中在e0、e1、e3、e6。可知故障參數能量在高頻、低頻段皆有分布，所以小波包分析是適用于變換器故障數據的處理方法。

表2 S1開路故障小波包能量比

3.2 PCA降維

對故障特征向量進行PCA降維，以簡化神經網絡輸入。以累計方差貢獻率Wm≥95%作為降維依據，Wm越大則前m個主元包含的故障信息越多，每種故障參數取前3個主元(s1～s3)構成9維故障特征向量。表3為S1開路故障累計方差貢獻率。

表3 S1開路故障累計方差貢獻率

4 基于GA-PSO優化PNN的故障診斷

4.1 PNN故障分類器

PNN利用模式識別能力，完成故障樣本與故障類型的映射，實現故障診斷[6]。PNN訓練簡單、參數少，其網絡結構如圖13所示。

圖13 PNN網絡結構圖

輸入層將故障特征向量x輸入網絡；隱層神經元個數為輸入樣本數，權值為輸入向量的轉置，閾值b滿足：

(5)

式中，σ為平滑因子。

隱層負責求出故障特征向量x與故障類型的聯系Φij(x)，計算公式為：

(6)

式中，i=1，…，M；j=1，…，Ni；M是故障類型總數，Ni是i類故障樣本總數；d是訓練樣本維度數；xij是第i種故障第j隱層的中心向量，由輸入樣本經高斯函數聚類求得。

累加層把同種故障的隱層輸出做加權平均，即條件概率密度fiNi(x)，公式如下：

(7)

輸出層根據各輸入向量的概率估計，根據貝葉斯準則，將后驗概率最大的故障類型輸出，實現判斷樣本故障類別。

由公式(5)、(6)可知，σ是PNN唯一可調量，是影響故障分類性能的關鍵，設定恰當可令PNN故障診斷性能達到最佳。

4.2 GA-PSO優化算法

選用GA-PSO算法對PNN平滑因子進行優化，其兼顧遺傳算法與粒子群算法的優勢，運算簡單、高效，以故障診斷錯誤率f作為算法適應度函數如下：

(8)

式中，aij是實際輸出故障類別；tij是期望輸出故障類別；N為樣本總數；q為輸出向量維數；PNN實際、期望輸出相同時，mij=1，否則mij=0。

粒子群算法令每個粒子以公式(9)、(10)進行速度、位置更新：

Vi(k+1)=ωVi(k)+c1r1[pi-xi(k)]+

c2r2[pg-xi(k)],

(9)

xi(k+1)=xi(k)+Vi(k+1),

(10)

式中，k是迭代數；ω是慣性因子；c1、c2是學習因子；r1、r2是[0,1]間隨機數；Vi(k)、xi(k)和Vi(k+1)、xi(k+1)分別為粒子i在k和k+1代的速度、位置；pi為粒子i所在列的個體極值，即該列診斷錯誤率最低的粒子；pg為群體的全局極值，即群體診斷錯誤率最低的粒子。

可將粒子更新公式合并為：

xi(k+1)=xi(k)+ωVi(k)+

c1r1[pi-xi(k)]+c2r2[pg-xi(k)] ,

(11)

式中，速度項ωVi(k)類似變異操作；c1r1[pi-xi(k)]、c2r2[pg-xi(k)]使粒子趨近于個體極值和全局極值，類似交叉操作。令變異操作代替ωVi(k)，同時令xi(k)中粒子分別與pi、pg交叉，之后與速度項求和，完成粒子更新。算法經多次迭代后，診斷錯誤率達到要求，則輸出平滑因子σ最優解。

GA-PSO算法工作流程如下。

1) 初始化PNN，確定權值、隱層神經元個數。初始化粒子群，根據σ取值范圍[0,1]隨機生成數量為N的二進制編碼粒子群；初始化粒子位置群矩陣p，速度矩陣v；設置迭代總數m及收斂精度E。

2) 計算每個粒子的故障診斷錯誤率，E為判斷終止條件，滿足則結束，否則繼續。篩選具有個體最低錯誤率、全局最低錯誤率的粒子，即個體極值、全局極值。

3) 通過變異操作，完成速度群更新。即令速度粒子的2/3處編碼位置隨機發生變異。位置群與個體極值、全局極值進行交叉，生成新位置群。即令位置粒子的2/3處編碼位置隨機與個體極值、全局極值進行交叉。將新位置群和新速度群求和，完成粒子群更新，即σ更新。

4) 重復2)、3)步驟，直到滿足終止條件，將最優σ代入PNN進行訓練并驗證其故障性能。

4.3 GA-PSO算法參數設置

GA-PSO算法最大迭代數mmax=200，收斂精度E=0.001，交叉概率Pc=0.6，變異概率Pm=0.1，粒子總數N=100，學習因子c1=c2=1.49。

5 變換器故障仿真

參考小型混合動力游艇參數[7-8]，搭建仿真模型。設置MOSFET故障并采集數據，在MATLAB中完成數據處理和神經網絡學習。系統參數如下：燃料電池20 kW，輸出電壓200 V；蓄電池電壓60 V，容量40 Ah；直流母線電壓380 V；純電阻負載15 kW，模擬設備耗能。變換器參數如下：儲能電感L=1.5×10-5H；濾波電容C1=C2=2×10-3F；Cc=1×10-3F；Rc=0.1 Ω；變壓器匝比n=5；開關頻率f=10 kHz，采樣頻率fs=300 kHz。

對比傳統BP神經網絡(BPNN)和PNN性能，結果見表4；針對PNN進行3種算法優化性能對比，結果見表5。其中，GA算法Pc=0.6，Pm=0.1，群體規模10，個體長度10；PSO算法N=100，c1=c2=1.49，粒子速度V上、下限為±0.001；最大迭代數mmax=200，收斂精度E=0.001。實驗過程如下。

表4 BPNN與PNN對比

表5 優化算法性能對比

1)考慮船舶實際工況，設定蓄電池電荷狀態(SOC)上、下限，即高于上限進行放電，低于下限進行充電。分別在SOC為95%～85%、SOC為75%～65%和負載狀態為100%、50%條件下，設置故障并對Uab、Uac、Ubd(Uef、Ueg、Ufh)進行采樣，每種故障采樣100組，每組500個采樣點。

2)同一工況下每種故障取40組數據，總計800組，進行小波包分解，每組數據得到一個3×16矩陣。進行PCA降維，矩陣每行降為3維后合并為1行，則得到800×9故障特征向量矩陣Ttrain，作為神經網絡訓練樣本。其余1 200組數據重復該步驟，得到一種工況下的測試樣本Ttest。

3)結合優化算法，將各工況下Ttrain和對應故障代碼作為PNN訓練依據，并利用Ttest驗證PNN故障診斷效果。

由表4可知，相比于BPNN，PNN訓練時間和單次分類時間更短，故障診斷性能更優。

表5可知，GA-PSO-PNN收斂于第34代，PSO-PNN收斂于第51代，且GA-PSO-PNN運算時間最短，彌補了GA、PSO算法后期收斂慢的缺陷。所以GA-PSO-PNN參數尋優效果最好。

6 結束語

本文以雙向全橋型DC-DC變換器作為研究對象，分析MOSFET開路故障信號特征。使用小波包進行特征向量提取，并利用PCA降維。PNN比傳統BP神經網絡更適用于故障診斷，綜合性能發更優。GA-PSO算法兼顧全局搜索和快速收斂特性，利用其尋優PNN參數，效率更高。仿真實驗表明，基于小波包分析和GA-PSO優化PNN的雙向全橋DC-DC變換器MOSFET開路故障診斷方法，診斷效果良好，滿足實際要求。