礦用逆變器功率器件故障預測與健康管理技術現狀及展望

李紅巖， 楊朝旭， 榮相， 史晗， 王越， 劉寶， 王磊

（1.西安科技大學 電氣與控制工程學院，陜西 西安 710054；2.中煤科工集團常州研究院有限公司,江蘇 常州 213015；3.天地（常州）自動化股份有限公司，江蘇 常州 213015）

0 引言

目前煤礦企業的設備費用支出占煤礦開采成本的40%以上[1]，大量煤礦設備維護仍采用定期維修或事后維修，設備維護耗費大量人力物力，導致煤礦設備“帶病”工作現象普遍，一旦發生故障，將造成嚴重的經濟損失，甚至人員傷亡[2-3]。礦用逆變器廣泛用于驅動礦井提升機、帶式輸送機、通風機、高壓液壓油泵等重載設備，工作環境惡劣，內部功率器件承受較高的電應力和熱應力，容易發生故障，功率器件發生故障占比達38%[4]。為提高礦用逆變器運行安全性，減少設備故障率和維護成本，有必要對礦用逆變器功率器件故障預測與健康管理（Prognostics Health Management，PHM）技術[5-8]開展研究。通過對大量監測數據進行分析，提取信號特征，掌握功率器件運行狀況：一方面，及時診斷功率器件故障位置，為后續維護提供依據；另一方面，對功率器件進行壽命預測，實現預先維護，降低故障率。本文介紹了礦用逆變器功率器件PHM技術中信號特征提取、開路故障診斷和壽命預測技術現狀，對礦用逆變器PHM技術未來發展方向進行了展望。

1 礦用逆變器功率器件PHM技術構架

礦用逆變器功率器件PHM技術包括信號特征提取、功率器件開路故障診斷和功率器件壽命預測，如圖1所示。

圖1 礦用逆變器功率器件 PHM 技術構架Fig.1 Prognostics health management technical framework of mine inverter power device

（1） 信號特征提取。礦用逆變器井下布局通常遠離電源，諧波干擾大，監測數據無法直接使用，可靠、高效的信號特征提取是實現礦用逆變器功率器件故障診斷和壽命預測的前提和基礎。通過坐標變換法完成對三相系統輸出電壓、電流等時域信號的特征提取。通過頻譜分析法完善頻域下特征信號參數。通過小波分析法和經驗模態分解法對特征信號進行分解，計算其能量、能量熵等，單一參數或多參數融合構成特征參數。

（2） 功率器件開路故障診斷。功率器件故障分為短路故障和開路故障，短路故障發生時會產生很高的過電流，通常由微秒級硬件保護措施將短路轉換為開路，因此對于工作在變頻狀態下的功率器件短路故障診斷難以實現。開路故障發生后，電路處于“帶病”運行，對其他器件構成潛在威脅，減少器件壽命。因此，根據特征參數選擇合適的診斷方法[9]，及時診斷功率器件開路位置，對保障礦用逆變器安全生產至關重要。狀態估計法通過建立具體物理模型，運用仿真值與真實值的殘差進行故障診斷。神經網絡法運用“黑盒”原理避免了復雜的數學建模工作，但對于數據集規模要求很高。支持向量機法對小樣本數據能夠實現精確分類。

（3） 功率器件壽命預測。功率器件失效表現為溫度升高，原因主要是鍵合線、焊料層脫落或斷裂。解析模型法通過對功率器件結溫進行預測，運用雨流分析法并結合壽命公式完成壽命預測，考慮參數單一。物理模型法需要詳細的尺寸、材料和環境等信息，預測精度高于解析模型法，但工作量成倍增加。數據驅動法通過分析能表征結溫變化的溫敏電參數，實現功率器件壽命預測，其所需參數較少。

2 礦用逆變器功率器件PHM技術現狀

2.1 信號特征提取

（1） 坐標變換法。該方法通過對三相系統健康狀態和功率器件開路故障下輸出電流或電壓進行坐標變換、求解和組合，提取時域信號特征。文獻[10]將電流矢量構成的矢量圓等比分為12個扇形，通過扇形位置和數量的改變來表征故障狀態。文獻[11]首先對逆變器三相輸出電流進行Park變化，然后求取周期電流平均值，最后通過平均電流模值和相角實現單個功率器件故障表征。文獻[12]定義歸一化三相電流絕對值之和作為故障特征，故障發生時該特征幅值明顯降低，不易受負載變化影響。

（2） 頻譜分析法。多個功率器件故障時，時域信號中包含大量冗余信息，信號差異不明顯。頻譜分析法將信號分解為不同頻率的信號，提取不同故障下輸出信號的頻域分量特征。文獻[13]對逆變器開路故障下的輸出線電壓進行傅里葉分解，提取直流分量、基波分量和二次諧波分量構建故障特征向量。逆變器大多數信號是非平穩的，時頻局部性質是非平穩信號最根本、最關鍵的性質。然而，頻譜分析法是一種全局性的變換，無法表述信號的時頻局部性質。

（3） 小波分析法。利用小波分析法提取信號特征流程如圖2所示。小波多尺度分解主要分解信號低頻分量[14]，小波包分解對信號低頻和高頻分量都進行分解[15]，得到分解系數后進行分解系數重構，計算頻帶重構信號的能量、能量概率和能量熵來構建故障特征向量。

圖2 基于小波分析法的信號特征提取流程Fig.2 Signal characteristic extraction process based on wavelet analysis method

文獻[14]選取sym4小波基對逆變器橋臂電壓進行小波多尺度分解和小波包分解，發現基于小波多尺度分解重構后的能量足以表征三電平逆變器全部開路故障特征，相比于小波包分解維數減少了一半，降低了計算成本。文獻[15]選取Haar小波基函數進行小波包分解，通過計算能量熵提升信號特征提取能力，減少外部信號干擾。對非平穩信號使用小波分析法，能夠挖掘豐富的故障信息，但小波基函數的選取對后續步驟影響很大，目前沒有統一的選取標準，通常采用試湊法。

（4） 經驗模態分解法。相比小波分析法需要人為選擇基函數，經驗模態分解法得到固有模態函數（Intrinsic Mode Function，IMF）和殘差后，如果 IMF滿足2個條件，自動對殘差進行新一輪遞歸式經驗模態分解，直到IMF不滿足條件，該方法無需設定任何參數，即可實現信號自適應分解。但信號中包含的噪聲如果正好滿足IMF條件，在分解時就無法將其剝離，遞歸分解下最終造成模態混疊問題。文獻[16]采用優化集合經驗模態分解代替傳統經驗模態分解，通過在原始信號中加入均值為零的白噪聲對噪聲進行抵消，從而抑制模態混疊現象，同時將IMF和殘差的最大值、最小值、幅值、均值、標準差、能量、能量熵等共同作為故障特征，構建故障特征向量。

4種信號特征提取方法比較見表1。

表1 信號特征提取方法比較Table 1 Comparison of signal characteristic extraction methods

2.2 功率器件開路故障診斷

（1） 狀態估計法。該方法將狀態觀測器輸出值和逆變器真實輸出值進行差值比較，對殘差值分析處理得到殘差信息表，根據信息表完成逆變器功率器件開路故障診斷，如圖3所示。

圖3 基于狀態觀測器的逆變器功率器件開路故障診斷原理Fig.3 Principle of open-circuit fault diagnosis of inverter power device based on state observer

文獻[17]利用殘差信息計算各殘差的變換率，能夠在1個基波周期內實現2個功率器件故障診斷。文獻[18]在構造狀態觀測器時直接引入真實的檢測電流，將2個功率器件故障診斷時間縮短到1/4個基波周期。狀態觀測器能夠實現逆變器功率器件開路故障快速診斷，但診斷精確度依賴數學模型精度，且狀態觀測器構造難度大，限制了其應用。

（2） 神經網絡法。隨著多電平逆變器在煤礦領域的應用，建模工程量與故障信息量劇增。神經網絡具有非線性映射特性、良好的泛化能力及自學習等特點，且不需要建立具體物理模型，因此在故障診斷領域得到廣泛應用，其中大多以多層前饋神經網絡為主，如BP神經網絡、徑向基神經網絡等。文獻[19]選取三相兩電平逆變器的線電壓為檢測信號，將該信號作為BP神經網絡的訓練數據，同時，選取Trainlm作為訓練函數，通過提升訓練速度來避免BP神經網絡容易陷入局部極小值對診斷精度的影響。文獻[20]通過主成分分析降低故障特征冗余來減小訓練樣本規模，采用隱含層節點函數為高斯函數的徑向基神經網絡對逆變器開路故障進行辨識，該網絡無需計算閾值，診斷速度與精度均高于BP神經網絡。神經網絡法無需復雜的數學建模，但網絡參數設置通常采用試湊法，且診斷精度嚴重依賴于訓練樣本的完整性、準確性和豐富性。

（3） 支持向量機法。該方法在有限的樣本信息中，不斷尋求樣本超平面與分類間隔之間的最佳折中，有效解決在小樣本、非線性和高維條件下的分類問題。支持向量機克服了神經網絡對小樣本診斷的局限性。文獻[21]為每一種故障特征建立一個支持向量機，從而實現多故障診斷，并且引入松弛因子，提高了逆變器功率器件開路故障診斷精度。

3種功率器件開路故障診斷方法比較見表2。

表2 功率器件開路故障診斷方法比較Table 2 Comparison of open-circuit fault diagnosis methods for power device

2.3 功率器件壽命預測

（1） 解析模型法。解析模型是一種經驗關系模型，運用該模型總結加速老化實驗數據中失效循環次數和相關物理量的關系，從而進行壽命預測。解析模型法無需了解功率器件內部的失效機理和材料屬性，但需要對與壽命有關的物理量進行加速老化實驗。

（2） 物理模型法。該方法從環境應力、材料特性、幾何形狀等方面出發，基于失效物理并結合大量實驗數據得到功率器件具體的失效機理和失效模式，提取能表征器件壽命的仿真參數，并輸入物理模型進行壽命預測。但該方法需要大量實驗數據支撐，耗時耗力。

（3） 數據驅動法。隨著傳感器技術的發展，使用傳感器采集的數據來表征功率器件健康狀態或性能退化趨勢，成為目前功率器件壽命預測領域中主流方法[22]。數據驅動法分為淺層學習和深度學習兩大類。在淺層學習方面，文獻[23]對美國國家航空航天局PCoE實驗室公開發表的IGBT老化實驗數據進行分析，考慮到單一參數無法準確描述IGBT老化過程，因此選取柵極?發射極關斷電壓尖峰值和集電極?發射極關斷電壓尖峰值作為BP神經網絡的輸入，通過遺傳算法尋優確定BP神經網絡初始的閾值和權值，提高IGBT壽命預測精度。文獻[24]采用增加了1個反饋層的Elman神經網絡來實現IGBT壽命預測，該網絡對歷史數據更加敏感。相比于淺層學習，深度學習更強調模型結構深度，通常有5層、6層，甚至10層以上的隱層節點，另外強調了特征學習的重要性，對于表征功率器件壽命的溫敏電參數這類時間序列數據預測具有良好效果。文獻[25]對長短期記憶網絡（Long Short-Term Memory，LSTM）進行優化，使用Adam算法實現自適應學習率更新，壽命預測精度優于Elman神經網絡。文獻[26]發現門控循環單元（Gated Recurrent Unit，GRU）對集電極?發射極關斷電壓尖峰值曲線上部預測更好，LSTM對曲線下部預測更好，提出了GRU和LSTM相結合的思路。文獻[27]將注意力機制引入由2個LSTM網格構成的SEQ2SEQ模型中，克服了序列較長時極有可能丟失信息，導致2個LSTM端口出現信息不對稱，從而影響IGBT壽命預測精度的缺點。文獻[28]對Transformer模型進行修改，使其能夠應用于時間序列數據的預測，該模型的多頭注意力機制能使模型更好地提取瞬態熱阻中的特征和不同循環周期的關系，提高IGBT剩余壽命預測的準確性。

3種功率器件壽命預測方法比較見表3。

表3 功率器件壽命預測方法比較Table 3 Comparison of power device life prediction methods

3 礦用逆變器功率器件PHM技術發展方向

（1） 多方法融合的信號特征提取。單一的信號特征提取方法難以有效應對煤礦環境干擾及數據量增大的挑戰。因此，需要根據礦用逆變器所處環境，研究高效的特征信號冗余信息去除方法和強噪聲背景下關鍵信息提取方法。采用智能算法消除噪聲，或者深度挖掘信號內容，隔離噪聲干擾，運用主成分分析、粗糙集算法對冗余信息進行降維，減少算法處理時間。

（2） 多功率器件開路故障診斷。隨著煤礦多電平逆變器的應用，功率器件數量成倍增長，多功率器件開路故障概率大幅增加，現有診斷方法大多針對單個功率器件故障或2個功率器件同時故障，尚未實現對多個功率器件同時故障的有效辨識。智能算法一方面無需考慮逆變器內部電路，另一方面針對逆變器輸出的非線性信號具有很強的映射能力，未來將在多功率器件開路故障診斷領域中發揮重要作用。

（3） 容錯控制和健康管理。一方面，通過放置旁路元件或改變功率器件開關順序來實現對故障點的暫時隔離，從而在故障發生后保障設備短時內繼續運行，減少經濟損失；另一方面，對功率器件歷史故障中故障頻發位置進行分析，通過調整控制策略來延長特定位置功率器件的使用壽命，實現健康管理。

（4） 變工況下功率器件壽命預測。基于數據驅動法的壽命預測基本沒有考慮逆變器工況變化情況，如逆變器需要頻繁進行變頻控制，導致功率器件承受很高的電應力和熱應力，影響預期壽命。考慮到變工況下數據采集困難，可通過有限元方法進行場路耦合仿真，研究變工況下功率器件損傷狀態，實現變工況下功率器件壽命預測。

4 結語

礦用逆變器功率器件PHM技術主要包括信號特征提取、功率器件開路故障診斷、功率器件壽命預測等方面。隨著礦用逆變器升級換代，設備復雜度與數據量提升，需要融合多方法進行信號特征提取；針對多電平逆變器的應用導致多功率器件故障概率增加的問題，需要開展智能算法在多功率器件開路故障診斷方面的研究；根據逆變器需要頻繁變頻控制的實際情況，需要重點研究逆變器變工況下基于數據驅動法的功率器件壽命預測。