礦用NPC 三電平逆變器開關(guān)管開路故障診斷方法

梁宏

（1.中煤科工集團常州研究院有限公司，江蘇 常州 213015；2.天地（常州）自動化股份有限公司，江蘇 常州 213015）

0 引言

為實現(xiàn)礦山企業(yè)的節(jié)能減排工作，變頻調(diào)速技術(shù)在電動機驅(qū)動系統(tǒng)中得到了廣泛應用[1-2]。目前，礦井提升機、帶式輸送機等設備中的電動機驅(qū)動系統(tǒng)的變頻器大部分采用中點鉗位式（Neutral Point Clampe，NPC）三電平逆變器。相較于傳統(tǒng)兩電平逆變器，NPC 三電平逆變器具有開關(guān)管電壓應力低、輸出電壓變化率較小、諧波小等優(yōu)勢。但NPC 三電平逆變器開關(guān)管數(shù)量多、運行頻率高，短時間內(nèi)高頻率切換開關(guān)狀態(tài)會大大增加開關(guān)管故障率[3]。NPC三電平逆變器開關(guān)故障分為開路故障和短路故障。當NPC 三電平逆變器發(fā)生開關(guān)管短路故障時，短時間內(nèi)產(chǎn)生較大過電流，在熔斷保護裝置的作用下，短路故障被轉(zhuǎn)換為開路故障。開路故障會導致負載電流畸變等問題[4]，如果不能及時進行診斷，則逆變器系統(tǒng)長時間運行在異常狀態(tài)下，會造成嚴重安全事故。因此，有必要對NPC 三電平逆變器開關(guān)管開路故障進行精準診斷[5]。

許多研究者對三電平逆變器的開路故障診斷進行了大量研究。文獻[5]采用基于Park 變換的故障診斷方法解決了三電平逆變器故障診斷時所出現(xiàn)的易受噪聲影響及計算量大的問題，但準確率不高。文獻[6]通過采用小波分析與粒子群對支持向量機進行優(yōu)化的故障診斷模型，解決了三電平逆變器故障診斷準確率低及計算復雜的問題，但是該方法實用性不強。文獻[7]針對礦井提升機逆變器故障特征提取困難的問題，采用統(tǒng)計特征與深度特征融合的方法，提高了故障診斷準確率，但計算過于復雜。文獻[8]采用極限學習機方法提取故障特征信號，對逆變器開關(guān)管故障進行診斷，但該方法故障特征提取復雜，整體實現(xiàn)難度較高。文獻[9]提出了一種優(yōu)化神經(jīng)網(wǎng)絡，并采用主+輔神經(jīng)網(wǎng)絡對逆變器開關(guān)管故障進行診斷，主神經(jīng)網(wǎng)絡用于實現(xiàn)大部分的逆變器故障診斷，對于不能很好實現(xiàn)故障分類部分，通過輔助神經(jīng)網(wǎng)絡進行分類，但該方法復雜度較高。文獻[10]提出了一種多故障模式快速診斷方法，采用快速傅里葉變換方法對三電平逆變器故障進行診斷，診斷速度快，但該方法計算復雜度較高，耗費時間較長，不能實現(xiàn)實時診斷。針對上述問題，本文提出了一種基于概率神經(jīng)網(wǎng)絡（Probabilistic Neural Network，PNN）的礦用NPC 三電平逆變器開關(guān)管故障診斷方法。首先利用示波器采集逆變器三相相電壓信號，并對相電壓信號進行去噪聲、歸一化等處理。然后利用Clark 與Park 變換將三相相電壓轉(zhuǎn)換為兩相旋轉(zhuǎn)（d-q）坐標變化中的電壓，利用經(jīng)驗模態(tài)分解（Empirical Mode Decomposition,EMD）將d軸電壓分解為多個本征模態(tài)分量（Intrinsic Mode Function，IMF），并計算出IMF 的均值、均方差和方差，作為故障特征向量。最后將故障特征向量輸入到PNN 中進行訓練與分類，實現(xiàn)礦用NPC 三電平逆變器開關(guān)管的故障診斷。

1 相關(guān)理論

1.1 EMD

EMD 可將待處理信號不同頻率尺度下的變化趨勢和信號波動情況進行逐步分析，得到可以表征信號本質(zhì)特性的IMF。大部分信號都包含多種振蕩模式，EMD 的本質(zhì)就是從信號中分解篩選出不同的振蕩模式[11-12]。從整體角度來看，要保證IMF 在每個振動周期內(nèi)不存在復雜的畸波而只是1 種振蕩模式，需要滿足在數(shù)據(jù)序列中過零點和極值點的個數(shù)相等或只差1 個。從局部角度來看，要想能夠正確分解得到IMF，需要滿足在數(shù)據(jù)序列的任意一點，上下包絡線的均值為零[13]。由于沒有摻雜任何非對稱波，所以得到的瞬時頻率不會產(chǎn)生干擾波動。對信號Y(t)（t為時間）進行EMD 的步驟如下：

（1）首先用信號的極大值點和極小值點定義上下包絡線。將所有局部極大值點用三次樣條曲線依次連接，得到上包絡線，設定幅值為a1(t)，將信號的所有局部極小值點依次用3 條曲線連起來，得到下包絡線，設定幅值為a2(t)，上下包絡線的平均值為m1(t)，則有

（2）令u1(t)=Y(t)-m1(t)，理論上，u1(t)滿足IMF從局部角度定義的條件，將u1(t)作為原始信號繼續(xù)進行篩分。

（3）重復上面2 個步驟，進行k次篩分，得到滿足2 個條件的信號u1k(t)，則有u1k(t)=u1(k-1)(t)-m1k(t)，將c1(t) 記作從信號Y(t)中分解得到的第1 個IMF，即c1(t)=u1k(t)。

（4）分離出第1 個IMF后，將r1(t)=Y(t)=c1(t)作為新的原始信號。重復步驟（1）-步驟（3），得到第2 個IMF。繼續(xù)重復上述步驟，從信號中提取n個IMF，即有r1(t)=Y(t)=c1(t)，r2(t)=r1(t)-c2(t)，…，rn(t)=rn-1(t)-cn(t)。

基于EMD 的礦用NPC 三電平逆變器開關(guān)管開路故障特征提取方法如下所述。

（1）三相負載電壓可反映NPC 三電平逆變器各故障模式特征，可作為故障檢測信號。為了減少計算量，降低算法的復雜度，將三相相電壓經(jīng)Clark 與Park 變換后轉(zhuǎn)換為兩相旋轉(zhuǎn)坐標系下的電壓Ud與Uq。

式中UaN，UbN，UcN分別為a，b，c 三相相電壓。

（2）通過EMD 將Ud分解為多個IMF。為了清楚地顯示IMF 差異，引入方差貢獻率，方差貢獻率的差異越大，波形的差異就越大。

（3）對于不同的開路故障，計算各IMF 的方差貢獻率。計算結(jié)果表明，第2、第3、第8 個IMF 的方差貢獻率相差較大，這3 個IMF 可以代表不同的開路故障。

（4）計算上述3 個分量的均值、均方差和方差，并將其作為故障特征向量。

1.2 PNN

PNN 是一種徑向基網(wǎng)絡，屬于前饋型網(wǎng)絡。它具有學習過程簡單、訓練速度快、分類更準確、容錯能力好等優(yōu)點[14]，本質(zhì)上屬于基于貝葉斯最小風險準則的監(jiān)督網(wǎng)絡分類器。PNN 一般有4 層：輸入層、模式層、求和層和輸出層[15]。

模式層通過連接權(quán)重連接輸入層，計算權(quán)重與輸入層之間的匹配程度，輸入特征向量和訓練集的每個模式，即相似性。每個模式單元的輸出為

式中：Φij為第i個神經(jīng)元的第j個數(shù)據(jù)的輸出；X為輸入數(shù)據(jù)，X=[x1,x2···,xn]T,n=1,2,···,L，L為輸入數(shù)據(jù)個數(shù)；σ為平滑因子；p為輸入的特征維數(shù)；xij為第i個神經(jīng)元的第j個數(shù)據(jù)。

求和層對屬于同一類型模式層的神經(jīng)元的輸出權(quán)值取平均值。

式中vT為第T（T=1,2,…,M，M為輸出權(quán)值的個數(shù)）個訓練類型的輸出。

輸出層負責輸出求和層中得分最高的類別：

式中yT為輸出層的輸出。

在PNN 的拓撲結(jié)構(gòu)中，輸入層的數(shù)量為樣本特征的數(shù)量，模式層的神經(jīng)元數(shù)量為輸入樣本向量的數(shù)量，求和層的神經(jīng)元數(shù)量為樣本類別的數(shù)量。假設一個模式識別任務有4 類樣本，每類樣本的樣本數(shù)量是可變的，每個樣本都有一個三維特征維數(shù)，得到的PNN 網(wǎng)絡拓撲結(jié)構(gòu)如圖1 所示。

圖1 PNN 網(wǎng)絡拓撲結(jié)構(gòu)Fig.1 PNN network topology structure

2 NPC 三電平逆變器故障分析

NPC 三電平逆變器電路拓撲如圖2 所示，逆變器由a，b，c 三相橋臂組成。以a 相橋臂為例，由4 個電源開關(guān)（Qa1-Qa4）、4 個續(xù)流二極管（Da1-Da4）和2 個箝位二極管（Da5-Da6）組成。每個續(xù)流二極管與電源開關(guān)反向并聯(lián)，為電流提供一個反向傳導回路。鉗位二極管用于連接電源開關(guān)和直流側(cè)電容器的中點。逆變器輸出的三相相電壓信號經(jīng)低通濾波器濾波后為負載供電。每個電源開關(guān)的狀態(tài)由相應的門信號控制。當門信號為1（高電平）時，電源開關(guān)接通；當門信號為0（低電平）時，電源開關(guān)關(guān)閉。由空間矢量脈寬調(diào)制（Space Vector Pulse Width Modulation，SVPWM）策略控制功率開關(guān)的門信號。

圖2 NPC 三電平逆變器電路拓撲Fig.2 Circuit topology of NPC type three-level inverter

2.1 工作原理

以a 相橋臂為例，分析NPC 三電平逆變器的開關(guān)管通斷情況、電流流通路徑和電壓輸出，進而對其工作原理進行分析。定義電流從逆變器的直流側(cè)流向交流側(cè)為正方向，選擇直流母線上的中點O 作為參考電勢點。同時為了便于研究，下面統(tǒng)一忽略功率開關(guān)管和二極管的導通壓降。

a 相橋臂的4 個功率開關(guān)管有P（高電平）、O（零電平）、N（低電平）3 種工作狀態(tài)。

（1）P 狀態(tài)：該工作狀態(tài)下，開關(guān)管 Qa1，Qa2導通，Qa3，Qa4關(guān)斷，電流流通路徑如圖3 所示。當電流ia＞0時，電流的流通路徑如圖3 中的紅色實線所示。電流從直流電壓源的正極P 端流出，經(jīng)過開關(guān)管 Qa1，Qa2流 入到交流側(cè)，此時直流電壓源Udc為電容C1充 電。由于開關(guān)管 Qa1，Qa2的導通壓降被忽略，此時M 點的電位和P 點的電位相等，即UMO=UPO=Udc/2。當電流ia＜0時，電流的流通路徑如圖3 中的紅色虛線所示。電流從交流側(cè)負載處流出，經(jīng)過反向并聯(lián)的續(xù)流二極管 Da2，Da1流 向直流電源，并為電容 C1充電。由于忽略了二極管 Da2，Da1的導通壓降，此時M 點的電位和P 點的電位相等，即UMO=UPO=Udc/2。因此當開關(guān)管 Qa1，Qa2導 通，Qa3，Qa4關(guān)斷時，a 相橋臂的輸出電壓為Udc/2。

圖3 P 狀態(tài)下的電流流通路徑Fig.3 Current flow path under P status

（2）O 狀態(tài)：在該工作狀態(tài)下，開關(guān)管 Qa2，Qa3導通，Qa1，Qa4關(guān)斷，電流流通路徑如圖4 所示。當電流ia＞0時，電流的流通路徑如圖4 中的紅色實線所示。電流從電壓源正極流出，流經(jīng)直流母線中點O，經(jīng)過鉗位二極管 Da5和 功率開關(guān)管 Qa2流向交流側(cè)負載處，此時直流電壓源Udc為 電容 C1充電。由于二極管 Da5和 開關(guān)管Qa2的導通壓降被忽略，此時M 點的電位和O 點的電位相等，即UMO=0 。當電流ia＜0時，電流的流通路徑如圖4 中紅色虛線所示。電流從交流側(cè)負載處，流經(jīng)功率開關(guān)管 Qa3和 鉗位二極管 Da6，經(jīng)過直流母線中點O 流向直流電壓源的負極，此時電容 C2被 充電。由于忽略了功率開關(guān)管 Qa3和鉗位二極管 Da6的導通壓降，M 點的電位等于O點的電位，即UMO=0 。因此當開關(guān)管 Qa2，Qa3導 通，Qa1，Qa4關(guān)斷時，a 相橋臂的輸出電壓為0。

圖4 O 狀態(tài)下的電流流通路徑Fig.4 Current flow path under O Status

（3）N 狀態(tài)：在該工作狀態(tài)下，開關(guān)管 Qa3，Qa4導通，Qa1，Qa2關(guān)斷，電流流通路徑如圖5 所示。當電流ia＞0時，電流的流通路徑如圖5 中的紅色實線所示。電流從直流電壓源N 端經(jīng)過反并聯(lián)續(xù)流二極管Da4，Da3流 入交流側(cè)負載處，電容 C2被充電。由于忽略了二極管 Da4，Da3的導通壓降，此時M 點的電位和N 點的電位相等，即UMO=UNO=-Udc/2。當電流ia＜0時，電流的流通路徑如圖5 中的紅色虛線所示。電流從交流側(cè)負載處流出，經(jīng)功率開關(guān)管 Qa3，Qa4流 向直流電壓源的N 端，電容 C2被充電。由于開關(guān)管 Qa3，Qa4的導通壓降被忽略，此時M 點的電位等于N 點的電位，即UMO=UNO=-Udc/2。因此當開關(guān)管 Qa3，Qa4導 通，Qa1，Qa2關(guān)斷時，a 相橋臂的輸出電壓為 -Udc/2。

圖5 N 狀態(tài)下的電流流通路徑Fig.5 urrent flow path under N status

2.2 故障分析

NPC 三電平逆變器的電源開關(guān)由12 個絕緣柵雙極晶體管（Insulated Gate Bipolar Transistor，IGBT）器件組成。由于故障電源開關(guān)的位置和數(shù)量是隨機的，可能會出現(xiàn)多種類型的開路故障。一般來說，3 個或3 個以上的電源開關(guān)同時發(fā)生開路故障的可能性非常小。

本文主要研究單開關(guān)或雙開關(guān)開路故障的故障診斷，故障類型及標簽見表1。具體故障分為4 類：①電源開關(guān)均工作正常，認為是一種特殊的故障情況，未在表1 中標出。② 僅1 個電源開關(guān)出現(xiàn)開路故障，共12 種。③2 個電源開關(guān)同時發(fā)生單相橋臂開路故障，共12 種。④ 2 個電源開關(guān)交叉臂同時出現(xiàn)開路故障，共48 種。這4 類故障中，共有73 種故障類型，分別對這73 種故障類型進行標注。正常情況下負載端的三相相電壓波形如圖6 所示，在開關(guān)管無故障時，輸出三相相電壓為標準的正弦波形，三相之間電壓相位相差 120°，電壓大小呈周期性變換。

表1 故障類型及標簽Table 1 Fault types and labels

圖6 正常波形Fig.6 Normal waveform

如果電源開關(guān)發(fā)生故障，逆變器輸出的相電壓信號會發(fā)生改變。不同類型的故障會產(chǎn)生不同相位的電壓信號（圖7）。三相電壓信號包含了反映故障特征的重要信息。采用PNN 算法自動提取不同故障類型下三相電壓信號的故障特征信息進行故障識別，進而對逆變器進行故障診斷。

圖7 部分不同故障相電壓波形Fig.7 Phase voltage waveforms of some different faults

為了更好地貼近礦用逆變器的工作環(huán)境，給故障數(shù)據(jù)添加噪聲處理，然后再作為實際故障數(shù)據(jù)進行故障診斷。加噪前后的故障波形如圖8 所示，通過加噪后，故障數(shù)據(jù)更復雜。

圖8 加噪前后的Qa3Qc1故障波形Fig.8 Qa3Qc1 faults waveforms before and after noise adding

3 故障診斷方法

3.1 數(shù)據(jù)處理

為了提高PNN 網(wǎng)絡的可識別度，采樣時采用分時采樣，即從不同時間節(jié)點采取1 個周期的數(shù)據(jù)，作為故障樣本，如圖9 所示，即桔色框中截取的數(shù)據(jù)為數(shù)組1，綠色框中截取的數(shù)據(jù)為數(shù)組2，黃色框中截取的數(shù)據(jù)為數(shù)組3，藍色框中截取的數(shù)據(jù)為數(shù)組4，對數(shù)組中的數(shù)據(jù)進行歸一化操作。雖然是從不同時間點截取的數(shù)據(jù)，但都是同一種故障，因此都放在同一個故障類型中。這樣就增大了數(shù)據(jù)集的多樣化，更有利于故障特征的提取識別。

圖9 數(shù)據(jù)處理Fig.9 Data Processing

3.2 故障診斷

將故障數(shù)據(jù)導入PNN 網(wǎng)絡模型中，經(jīng)過訓練測試得到故障診斷結(jié)果。基于PNN 的礦用NPC 三電平逆變器開路故障診斷流程如圖10 所示。

圖10 基于PNN 的礦用三電平逆變器開路故障診斷流程Fig.10 Diagnosis flow of open-circuit fault of mine NPC type three-level inverter

（1）數(shù)據(jù)采集：根據(jù)故障類型，利用示波器采集a，b，c 三相相電壓信號，并對其進行去噪與歸一化處理。

（2）將三相相電壓經(jīng)過Clark 與Park 變換得到Ud與Uq。

（3）利用EMD提取故障特征向量。EMD將Ud分解為多個IMF，并計算出第2、第3、第8 個IMF 的均值、均方差和方差，作為故障特征向量。

（4）構(gòu)建PNN 網(wǎng)絡：將故障數(shù)據(jù)按照4∶1 的比例分為訓練集和測試集，然后將數(shù)據(jù)代入建立好的故障診斷網(wǎng)絡模型進行訓練。

（5）訓練網(wǎng)絡：通過對訓練集數(shù)據(jù)的訓練，得到PNN 模型的參數(shù)。

（6）網(wǎng)絡效果測試：使用測試集進行回代，得到測試結(jié)果，并對測試結(jié)果是否滿足故障診斷要求進行分析，如果滿足故障診斷要求，則保存并輸出測試結(jié)果，得到分類結(jié)果；如果不滿足故障診斷要求，則進行網(wǎng)絡參數(shù)調(diào)試，調(diào)試好后再度進行測試，直到滿足故障診斷要求。

4 實驗結(jié)果分析

為了測試基于PNN 的礦用NPC 三電平逆變器開關(guān)管開路故障診斷方法的預測能力，利用自制數(shù)據(jù)集對其進行測試。將數(shù)據(jù)集分為測試集和訓練集，訓練數(shù)據(jù)集占比為0.8，約27 456 個樣本。測試結(jié)果如圖11 所示，三角形（表示預測結(jié)果）與星形（實際結(jié)果）重合表示預測成功，通過統(tǒng)計預測失誤所占比例計算準確率，其中訓練集準確率在99%以上，測試集準確率在97%以上。

圖11 PNN 預測效果Fig.11 PNN prediction results

為了方便分析誤差，將隨機選擇未經(jīng)過訓練的200 個樣本進行測試，結(jié)果如圖12 所示。

圖12 PNN 測試誤差Fig.12 PNN test error

當識別成功時，會在0 位置上產(chǎn)生一個標記，否則會在其他位置產(chǎn)生一個標記。經(jīng)過10 次測試，其每輪樣本失誤數(shù)分別為6，5，2，4，5，3，5，6，4，5，進行平均計算，其平均準確率為97.75%。驗證了本文所提方法的有效性。

為更一步驗證基于PNN 的礦用NPC 三電平逆變器開關(guān)管故障診斷方法的可靠性，將其與基于卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）和支持向量機（Support Vector Machine，SVM）的方法進行對比，不同方法的測試準確率及PNN 網(wǎng)絡診斷模型對加噪前后故障的診斷結(jié)果如圖13 所示。可看出當模型達到穩(wěn)定時，基于CNN 與SVM 的方法的準確率為90%左右，低于基于PNN 診斷方法的診斷結(jié)果。加噪后，雖然故障數(shù)據(jù)變得更加復雜，但經(jīng)過經(jīng)驗模態(tài)分解，基于PNN 診斷方法的診斷效果良好，證明了本文方法的可靠性。

圖13 不同故障診斷方法的測試準確率Fig.13 Test accuracy of different fault diagnosis methods

5 結(jié)語

以礦用NPC 三電平逆變器開關(guān)管為研究對象，首先提取逆變器開關(guān)管開路故障信號，分析并整合得到原始故障數(shù)據(jù)樣本，然后對數(shù)據(jù)樣本進行經(jīng)驗模態(tài)分解，最后采用PNN 算法進行訓練、分類，實現(xiàn)NPC 三電平逆變器開關(guān)管的故障診斷。實驗結(jié)果表明，基于PNN 的礦用NPC 三電平逆變器開關(guān)管開路故障診斷方法具有良好的診斷效果，平均故障診斷準確率為97.75%，高于基于CNN 和SVM方法的故障準確率。但該方法需要搜集大量故障數(shù)據(jù)，工作量大，未來可與數(shù)據(jù)增強或機器學習方法相融合，利用較少數(shù)據(jù)集達到更好的診斷效果。