DC-DC變換器的典型故障分類方法研究

徐釗, 張一童, 潘震, 池程芝, 劉曉斌

(1.西北工業大學 電子信息學院, 陜西 西安 710129;2.中國航空無線電電子研究所 航空電子系統綜合技術重點實驗室, 上海 200233 3.西安現代控制技術研究所, 陜西 西安 710065)

隨著信息技術的推動和信息條件下作戰需求的牽引,綜合模塊化航空電子系統的作用和地位日益突出,它是現代作戰飛機完成導航與識別、控制與管理等任務的先進綜合集成平臺。以F-35為代表的新一代戰機,擁有先進的模塊化航空電子系統,實現了機載資源的高度共享、分層系統的綜合管理,極大地提升了戰機的作戰效能,因此,航空電子系統的可靠性顯得尤為重要[1-3]。

作戰飛機不可避免地裝載了大量的用電設備,綜合模塊化航電的電源轉換模塊(power conversion module,PCM),將飛機電源系統供電轉換為內部機架式電源的直流輸入電壓,進而通過電源開關給各通用功能模塊供電。PCM模塊是其他各通用功能模塊工作的基礎,其工作狀態對其他通用功能模塊能否正常工作有著重要的影響。PCM的核心部分為DC-DC變換器,其健康狀況能夠反映整個PCM的工作狀態,對其進行狀態監測和故障診斷具有重要的意義。文獻[4-5]對升壓型變換器故障診斷方法進行了研究。文獻[6]提出了零電壓開關直流變換器開關的短路故障和開路故障診斷方案。文獻[7-8]研究了三電平變換器的故障診斷方法。

傳統的故障診斷與維修方法,存在維修效率低、維修成本高、可靠性差等問題。因此,利用對DC-DC變換器在線采集數據進行分析,建立故障診斷模型,及時的發現故障,采取有效管理措施,具有重要意義,可極大地提高飛機系統可靠性。

1 DC-DC變換器失效模式分析

電力電子線路的性能退化通常是由電路中元器件的失效引起。DC-DC轉換器的故障主要由一小部分組件導致的。DC-DC變換器失效概率較大的部件主要有電解電容器、開關晶體管、電感和二極管,由于主電路工作頻率較低,不會對電感器件造成大的損壞,故在此不予考慮,本文主要針對電解電容器、開關晶體管和二極管提取故障特征參數,建立故障分類診斷模型。

鋁電解電容即濾波網絡中的濾波電容,在DC-DC變換器中主要用于濾波網絡,用來吸收電壓紋波進而達到平滑輸出電壓的作用,所以鋁電解電容的劣化會使DC-DC變換器輸出的交流成分增加。電解電容因具有成本低、容量大等優點被廣泛應用于濾波和電能的存儲變換,但其發生故障的概率很大,對輸出電壓有較大影響,其性能的好壞直接決定DC-DC變換器的可靠性。

開關晶體管作為電力電子電路的功率轉換器件,開關晶體管的故障將直接影響DC-DC變換器的失效率、溫升指標和技術性能。考慮到航空用途PCM的實際情況,一般采用MOSFET晶體管,MOSFET晶體管可在高頻率環境下作業。

功率二極管作為一種常用的功率器件,在電力電子電路中起著續流、整流等重要作用。肖特基二極管作為一種常用的功率二極管,在DC-DC變換器中也較為常見,具有低電壓、大電流以及速度快等優點,但容易在過大的反向電壓和電流作用下,出現反向擊穿的現象。

本文在PSPICE環境下設計了典型的基于Sepic拓撲結構的DC-DC變換器,Sepic型變換器是DC-DC變換器的一種,它允許輸出電壓大于、小于或等于輸入電壓的變換器,由主控開關控制,且通過主回路上的電容能夠實現輸出和輸入的隔離,廣泛應用于航空領域。通過設置元器件參數可以實現預期的升降壓變換。PSPICE基于FORTRAN語言,是由SPICE發展而來的通用電路分析軟件,主要用于大規模集成電路的計算機輔助設計,具有豐富的元器件庫,是最流行的電力電子線路EDA軟件之一。PSPICE不僅可進行數模混合電路的仿真,而且具有PSPICE-MATLAB接口軟件模塊來用于測試實際電子設計的系統級接口,便于我們后續對仿真結果進行數據交互與分析。

搭建的PSPICE模型圖1所示。在PSPICE中可以對不同類型的故障進行仿真,采集故障數據。本文共設置了5種故障模式:MOS管短路故障、二極管開路故障、二極管短路故障、電解電容擊穿故障和電解電容開路故障。在PSPICE中對短路故障的模擬方法為:為短路故障元件并聯一個SW-open開關,設置開關在6 ms時刻由斷開狀態切換至閉合狀態,模擬元器件的突然短路故障。開路故障的模擬方法為:為開路故障元件串聯一個SW-close開關,設置開關在6 ms時刻由閉合狀態切換至斷開狀態,模擬元器件的突然開路故障。也可以串聯一個大電阻的方式模擬元件開路。采集的信號包括輸出電壓、模擬輸出電壓、MOS管漏極電壓、MOS管源極電壓、二極管p極電壓。采集的數據用于后續仿真驗證。

圖1 基于Sepic結構的DC-DC變換器PSPICE模型

2 DC-DC變換器故障診斷框架

單一的模型可靠性低,而多模型融合有利于提高故障診斷的精度和魯棒性。本文采用的DC-DC變換器故障診斷技術路線如圖2所示。主要包括數據預處理、特征提取與選擇、故障診斷建模和多模型融合4個模塊。數據預處理模塊主要完成數據清理、匹配和集成,便于后續對數據的分析處理;特征提取和優化選擇模塊可以將數據轉化為有價值的知識,發現隱藏在數據集中的與故障相關的特征變量;故障診斷建模模塊通過多種智能方法建立特征變量與故障類型之間的對應關系;多模型融合模塊通過對多模型的優化融合提高故障診斷的精度。

圖2 DC-DC變換器故障分類技術路線圖

3 基于多模型融合的DC-DC變換器實時故障診斷

下面介紹本文擬采用的3種建模方法。

3.1 基于神經網絡的故障分類

人工神經網絡是一種基于數據的建模方法,它通過大量的非線性的神經元的組合和連接以及自學習的算法,建立了輸入輸出之間的非線性的映射關系。本文采用如圖3所示的多輸入多輸出的BP神經網絡拓撲結構。

圖3 BP神經網絡拓撲結構圖

其中,X1,…,Xn為輸入變量;Y1,Y2,…,Ym是輸出變量;ωij和ωjk分別是網絡輸入層與隱含層、隱含層與輸出層神經元之間的權重。

3.2 基于KNN的故障分類

K最近鄰(k-nearest neighbor,KNN)算法是一種有效的分類算法。它以對象間的距離作為衡量指標進行分類,一般使用歐氏距離或曼哈頓距離:

(1)

(2)

KNN算法描述可如下:

1) 計算測試數據與各個訓練數據之間的距離;

2) 按照距離的遞增關系進行排序;

3) 選取距離最小的K個點;

4) 確定前K個點所在類別的出現頻率;

5)返回前K個點中出現頻率最高的類別作為測試數據的預測分類。

3.3 基于PSO-SVM的DC-DC變換器故障診斷模型

支持向量機(support vector machine,SVM)具有優異的分類性能。本部分主要針對支持向量機的訓練和優化進行闡述。選取RBF作為核函數,即

κ(x,xi)=e-γ‖x-xi‖2

(3)

式中,SVM模型中有2個需要確定的參數:懲罰因子C和正則化參數γ,采用較好的參數(C,γ)能夠對故障類型有較好的分辨率。由于SVM采用的是多分類,合適的結構參數選取較為困難,故本文采用標準粒子群算法對結構參數進行尋優。基于PSO-SVM的故障診斷流程圖4如下:

圖4 PSO優化SVM結構參數流程圖

3.4 多模型融合

多預測模型融合可用如下加權求和公式表示

(4)

式中:wj表示第j個模型的權重系數;y表示測試數據;x表示訓練數據;M為模型的總數;Lj(y,x)表示第J個模型的分類值。可以采用加權平均法對多分類模型的結果進行融合,即wj=1/M。對于結構復雜、較難分類的數據,分類模型的可靠性越高,其權重應當越大,因此wj可定義為

式中,I{·}是示性函數。當括號內的條件滿足時,I{·}=1;否則,I{·}=0。模型可靠性函數定義為

Rm,j=exp(-cEm,j)

式中,c是一個待優化參數。參數c的選取需要通過實驗數據的測試,其最優值應當使多次實驗的平均預測誤差方差最小,其初始值應當使Rm,j在[0,1]區間內較為均衡地分布。

4 仿真驗證

本部分的故障診斷算法研究主要針對于PCM常見的硬故障類型,具體包括:MOS管短路故障、二極管開路故障、二極管短路故障、電解電容擊穿故障和電解電容開路故障共5種硬故障模式,故障的設置詳見文章第2部分。

實驗采集的信號包括輸出電壓、模擬輸出電壓、MOS管漏極電壓、MOS管源極電壓、二極管p極電壓。對上述信號分別提取以下特征:①時域特征變量:均值、均方差;②頻域特征變量:快速傅里葉變換(fast Fourier transform,FFT);③時頻域特征變量:小波變換。

對上述采集的5種信號分別提取以上4種特征,部分信號統計量變化規律如圖5所示:

圖5 輸出電壓信號部分統計量變化曲線

MOS管漏極電壓信號如圖6所示:

二極管p極電壓信號如圖7所示:

圖7 二極管p極電壓信號部分統計量變化曲線

由于特征提取后的特征變量中包含了大量的冗余,對與性能退化無關的特征變量進行建模會阻礙準確的故障診斷或使診斷的速度變慢。因此,需要對提取的特征進行降維。本文對上述提取后的特征,采用主成分分析(principal component analysis,PCA)進行降維處理。在降維過程中,選取累計方差貢獻率達到95%以上的前幾個最大特征值對應的特征向量作為降維后的特征向量,主成分分析如圖8所示,從圖中可以看出,降維后的狀態監測特征向量維數為4,大大簡化了輸入數據的維數,去除了冗余,簡化了模型,加快了分類速度。

圖8 特征向量主成分分析圖(95%)

采用BP神經網絡、KNN以及PSO-SVM 3種模型的DC-DC變換器故障分類模型訓練參數如表1。仿真結果如圖9至11所示。

表1 分類模型參數設置

從圖中可以看出,分類精度達到100%。本文采用加權平均法將以上3種模型進行優化融合,得到的分類結果仍然是100%。仿真結果表明該多模型融合方法對于DC-DC變換器的故障分類技術時可行的。同樣該模型可不失一般性的對航空電子線路設備進行故障診斷,通過對電路電氣特性分析,進行特征提取和故障分類。該模型方法具有較強的適用性和準確率。

圖9 神經網絡模型分類結果 圖10 KNN模型分類結果 圖11 PSO-SVM模型分類結果

5 結 論

本文首先基于PSPICE仿真軟件,采用Sepic拓撲結構,設計了DC-DC變換器模型,并對DC-DC變換器的失效規律進行了分析。對DC-DC變換器的MOS管短路故障、二極管開路故障、二極管短路故障、電解電容擊穿故障和電解電容開路故障共5種硬故障模式進行模擬仿真,并采集相關數據。對故障數據進行了時域、頻域以及時頻域的特征提取,并進行PCA降維。建立了基于神經網絡、KNN以及SVM的多分類模型,并將多模型分類結果進行了融合以提高模型的魯棒性和準確性。仿真結果表明,本文提出的故障分類方法能有多故障進行精確的分類。