基于特征融合的提升機逆變器故障診斷

吳傳龍， 陳偉， 劉曉文， 史新國， 劉柯， 任曉紅

(1.中國礦業大學 電氣與動力工程學院， 江蘇 徐州 221008；2.中國礦業大學 物聯網(感知礦山)研究中心， 江蘇 徐州 221008；3.中國礦業大學 江蘇省煤礦電氣與自動化工程實驗室， 江蘇 徐州 221008;4.淄博礦業集團有限責任公司 信息中心， 山東 淄博 255000)

0 引言

礦井提升機作為提升人員和物品的大型設備，是聯系井下與地面的橋梁。逆變器作為礦井提升機控制系統的關鍵部件，長期處于高負載運行條件下，容易發生開路故障[1]，導致輸出電壓畸變，影響提升機穩定運行。目前主要通過監測輸出電壓或電流來進行逆變器故障診斷[2-3]。Yu Yunjun等[4]利用小波變換提取逆變器輸出電壓信號特征，再通過支持向量機(Support Vector Machine，SVM)進行故障判別。K.H. Chao等[5]將線電流信號通過快速傅里葉變換轉換為頻譜，建立故障類型與頻譜之間的關系。M. Baghli等[6]通過累計求和算法將統計矩與Kullback-Leibler散度相結合作為特征，采用主成分分析(Principal Component Analysis，PCA)進行故障分類。王新等[7]采用變分模態分解對電流信號進行尺度分解，構建本征模態分量(Intrinsic Mode Function，IMF)作為故障狀態特征，通過SVM實現故障識別。Liu Jun等[8]對電流信號進行小波去噪，通過卷積網絡提取特征，將全連接層輸出結果用于故障分類。

逆變器故障診斷的難點在于提取表征故障的特征，目前主要利用信號處理方法得到故障統計特征，或通過神經網絡提取故障深度特征。在提升機逆變器實際工作環境中，受背景噪聲和負載變化等因素影響，運用單一的特征提取方法難以獲得能有效表征故障的特征，導致故障診斷準確率低。本文提出一種基于特征融合的提升機逆變器故障診斷方法。首先,利用希爾伯特-黃變換(Hilbert-Huang Transform，HHT)提取統計特征，并通過壓縮激勵密集連接卷積網絡(Squeeze and Excitation with Densely Connected Convolutional Network，SE-DenseNet)提取深度特征；然后，將2種特征進行組合，利用局部線性判別分析(Local Fisher Discriminant Analysis，LFDA)對組合特征集進行融合降維；最后，將低維融合特征集輸入極限學習機(Extreme Learning Machine，ELM)進行故障分類。

1 故障診斷流程

提升機逆變器是中點鉗位型三電平逆變器[9]，由三相橋臂組成，每相有4個IGBT。本文針對單個IGBT開路故障展開研究，共12種故障類型[10]，通過采集逆變器輸出三相電流信號進行故障診斷。

基于特征融合的故障診斷方法包含特征提取、特征組合(Feature Crosses，FC)、融合降維和故障分類4個步驟，流程如圖1所示。

圖1 基于特征融合的提升機逆變器故障診斷流程Fig.1 Fault diagnosis process of hoist inverter based on feature fusion

2 關鍵步驟

2.1 基于HHT的故障統計特征提取

HHT由2個步驟組成：① 對電流信號進行經驗模態分解(Empirical Mode Decomposition，EMD)，得到IMF；② 對IMF進行希爾伯特變換，得到希爾伯特包絡譜。計算IMF和希爾伯特包絡譜的最大值、最小值、幅值、均值、標準差、能量、能量熵等并作為統計特征，構建統計特征集。

由于EMD處理非平穩、非線性電流信號時容易出現模態混疊問題[11]，本文使用優化集合經驗模態分解(Modified Ensemble Empirical Mode Decomposition，MEEMD)代替EMD。在原始信號中添加白噪聲，對信號進行模態分解，將分解結果進行總體平均，消除白噪聲對信號分析的影響，從而抑制模態混疊[12-13]。具體步驟如下：

(1) 將成對的白噪聲信號be(t)和-be(t)(e=1，2，…，E，E為添加白噪聲的對數;t為時間)疊加到原始電流信號x(t)中，得到包含白噪聲的電流信號：

(1)

式中ae為添加的白噪聲幅值。

(2)

(3)

(4)

2.2 基于SE-DenseNet的故障深度特征提取

DenseNet是采用密集連接方式的卷積神經網絡，通過對卷積層輸出的重復利用達到更準確的分類效果[14]。壓縮激勵(Squeeze and Excitation，SE)是典型的注意力機制，通過修改通道的權重來實現對局部信息的關注[15-16]。本文將SE嵌入DenseNet中，構建SE-DenseNet，結構如圖2所示。

本文通過SE-DenseNet提取電流信號的深度特征，構建深度特征集。電流信號經過卷積后得到特征圖X1(M×H×C)，M，H，C分別為特征圖X1的寬、高、通道數。SE模塊的作用是計算通道的權重矩陣，具體步驟如下。

圖2 SE-DenseNet結構Fig.2 SE-DenseNet structure

(1)壓縮操作。沿著寬、高方向進行求和，將X1(M×H×C)壓縮為zc(1×1×C)。

(5)

式中：Fsq(·)為壓縮操作；uc(m,h)為特征圖X1中第c(c=1，2，…，C)個通道(m,h)處的像素點。

(2)激勵操作。對特征圖的每一個通道計算權重，得到通道權重矩陣sc(1×1×C)。

sc=Fex(zc)=δ(W1f(W2zc))

(6)

式中：Fex(·)為激勵操作；δ(·)為Sigmoid函數；f(·)為ReLU激活函數；W1為升維矩陣；W2為降維矩陣。

(3)尺度變換。將特征圖X1(M×H×C)乘以通道權重矩陣sc(1×1×C)，得到新的特征圖X2(M×H×C)。

X2=X1sc

(7)

2.3 融合降維

將統計特征和深度特征進行組合，構建組合特征集。由于組合特征集數據維度過大，采用LFDA對組合特征集進行融合降維，去除組合特征集中的冗余特征，得到低維融合特征集。

(8)

(9)

(10)

(11)

(12)

(13)

TLFDA=argmax[tr((TTS(2)T)-1TTS(1)T)]

(14)

式中：TLFDA為LFDA的變換矩陣；T為變換矩陣。

3 實驗驗證

搭建逆變器電流信號采集實驗平臺，如圖3所示。使用電阻和電感串聯模擬負載變化，設置4種負載：0.5 Ω和1.5 mH、0.5 Ω和2 mH、1 Ω和1.5 mH、1 Ω和2 mH。逆變器正常狀態加上12種單個IGBT開路故障共13種狀態，每種狀態下采集1 890個樣本，共得到4×13×1 890個樣本，構建數據集Case1。相同條件下在Matlab仿真得到數據集Case2。

圖3 逆變器電流信號采集實驗平臺Fig.3 Experiment platform of inverter current signal acquisition

為驗證組合特征集的故障表征能力，在相同的數據集下，采用相同的分類器，選擇不同的特征集來進行對比(ELM模型不提取故障特征直接診斷，HHT-ELM模型利用統計特征集進行診斷，SE-DenseNet-ELM模型利用深度特征集進行診斷，FC-ELM模型利用組合特征集進行診斷)，結果見表1。可看出FC-ELM模型的故障識別準確率最高；Case1數據集上的故障識別準確率大于Case2數據集，這是由于實驗平臺環境復雜，存在噪聲影響。

表1 不同特征集下故障診斷結果Table 1 Fault diagnosis results under different feature sets %

為驗證LFDA的優越性，在相同的組合特征集下，采用相同的分類器，選擇不同的降維方法來進行對比(FC-LFDA-ELM模型采用LFDA進行降維，FC-PCA-ELM模型采用PCA進行降維)，結果見表2。可看出相比于FC-ELM模型，采用降維后的2種模型的故障識別準確率均得到提高，這是由于FC-ELM模型只是對2種特征進行組合，沒有實現真正的融合；故障識別準確率隨著低維融合特征集維度的增加先上升后下降，當低維融合特征集維度為50時，故障識別準確率最高；在相同低維融合特征集維度下，FC-LFDA-ELM模型準確率比FC-PCA-ELM模型高。在Case2數據集下通過增加網絡層數來對比2種模型的穩定性，結果如圖4所示。可看出FC-LFDA-ELM模型的故障識別準確率迅速增大后保持穩定，而FC-PCA-ELM模型的故障識別準確率會出現波動。在準確率和穩定性上，FC-LFDA-ELM模型比FC-PCA-ELM模型表現更好。

表2 不同降維方法下故障診斷結果Table 2 Fault diagnosis results under different dimensionality reduction methods

(a) FC-LFDA-ELM

(b) FC-PCA-ELM

為進一步驗證LFDA的降維能力，通過可視化方法展示統計特征集、深度特征集及分別經LFDA和PCA降維后的低維融合特征集，如圖5所示。可看出在統計特征集和深度特征集中，相同故障類型的樣本嚴重分散，不同故障類型的樣本交疊在一起，交疊的樣本容易出現故障分類錯誤；在經LFDA降維后的低維融合特征集中，相同故障類型的樣本聚集，不同故障類型的樣本分散，降低了故障分類難度；在經PCA降維后的低維融合特征集中，相同故障類型的樣本聚集，但不同故障類型的樣本存在交疊，不利于故障診斷。

(a) 統計特征集

圖5 特征集樣本分布Fig.5 Sample distribution of feature sets

4 結語

提出了一種基于特征融合的提升機逆變器故障診斷方法。將逆變器輸出三相電流信號經過HHT得到的統計特征和通過SE-DenseNet獲得的深度特征進行組合，再利用LFDA對組合特征進行融合降維，得到更容易分類的低維融合特征。實驗結果表明，該方法得到的低維融合特征比單一特征的故障表征能力更強，有效提高了故障識別準確率。本文只針對提升機逆變器中單個IGBT開路故障進行了研究，但實際條件下，提升機中逆變器和電動機相互耦合，容易出現復合故障，下一步將針對逆變器和電動機復合故障診斷進行研究。