采用SDAE-FFNN網(wǎng)絡(luò)的PMSM逆變器開路故障診斷研究

馮 莉,羅洪林,許水清

(1.重慶交通大學(xué) 交通運輸學(xué)院, 重慶 400074;2.合肥工業(yè)大學(xué) 電氣與自動化工程學(xué)院, 合肥 230009)

0 引言

逆變器作為新能源汽車動力驅(qū)動系統(tǒng)的重要組件之一,也作為永磁同步電機(permanent magnet synchronous motor,PMSM)的驅(qū)動元件,其重要性非同小可。逆變器將車載直流電轉(zhuǎn)化為交流電,是驅(qū)動新能源動力汽車行駛的重要樞紐組件。當(dāng)其發(fā)生故障時,車輛將無法實現(xiàn)驅(qū)動,嚴(yán)重時將對人們出行的安全產(chǎn)生影響,甚至發(fā)生車毀人亡的事故,因此,提升逆變器的故障診斷技術(shù)顯得尤為重要。若能夠盡早地監(jiān)測出故障源,并進行故障識別,采取相應(yīng)的維修措施,及時進行降級處理,減小災(zāi)害的發(fā)生,就能保障汽車行駛的安全。數(shù)據(jù)表明,在變頻調(diào)速系統(tǒng)的逆變器故障中IGBT元器件的故障占比高達(dá)82%[1],因此,對電機驅(qū)動系統(tǒng)中逆變器IGBT元器件展開故障診斷研究勢在必行。

目前,國內(nèi)外學(xué)者對逆變器的故障診斷展開的研究不計其數(shù)。電機驅(qū)動系統(tǒng)逆變器開路故障研究表明,電流檢測法[2-3]、電壓檢測法[4]和數(shù)據(jù)驅(qū)動的智能檢測法[5-6]是現(xiàn)代深度故障診斷的新方向。在基于大數(shù)據(jù)的背景下,數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)智能故障診斷技術(shù)是未來研究發(fā)展的新趨勢。Tian等[7]基于建立FTPMSM系統(tǒng)故障模型提出了基于非故障相電流Lissajous圖的故障特征提取方法。Zhang等[8]提出了一種級聯(lián)式開路故障診斷方法,但邏輯性較為復(fù)雜,在開關(guān)管組合類型較多情況下進行故障識別判斷更為困難。韓素敏等[9]將線電壓作為測量值,由FFT提取測量值特征,獲取了大量故障數(shù)據(jù),為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試奠定了良好的基礎(chǔ),最后通過BP神經(jīng)網(wǎng)絡(luò)模擬出逆變器開路故障與特征值一一對應(yīng)關(guān)系,但未能證明在小樣本數(shù)據(jù)背景下仍能高效、精確地完成對三相電壓源型逆變器的故障診斷。王麗華等[10]將故障信號進行降維處理,利用傅里葉變換提取特征,建立了4層的BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)對三電平變頻器逆變器的故障診斷,解決了2只開關(guān)管同時發(fā)生故障的問題,若能再提高故障識別精確度將會更好。趙暉等[11]通過提取相電壓、電感電流及開關(guān)頻率處諧波分量作為故障特征,構(gòu)建人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)對逆變器的故障診斷,但未與其他神經(jīng)網(wǎng)絡(luò)做對比,且未能夠?qū)τ诟訌?fù)雜的故障情形進行分析。姜媛媛等[12]使用在EMD基礎(chǔ)上改進的VMD對樣本進行變分模態(tài)分解,并利用小波變換提取各模態(tài)分量的小波能量獲得特征值,通過CNN卷積神經(jīng)網(wǎng)絡(luò)進行診斷,CNN的復(fù)雜性使其在建模之初較難滿足數(shù)據(jù)驅(qū)動的條件,雖然檢測效率較高,但故障識別準(zhǔn)確率有待提高。丁毅等[13]采用電壓源作為測量信號,提出一種基于小波分析和量子神經(jīng)網(wǎng)絡(luò)的三電平逆變器開路故障診斷方法,訓(xùn)練準(zhǔn)確率與診斷準(zhǔn)確度具有很好的優(yōu)勢且運行效率高效,適用于在線診斷,但缺點是電壓檢測法原理較復(fù)雜,操作性不易。龍瀚宏等[14]提出一種基于深度學(xué)習(xí)模塊化的逆變器子模塊開路故障診斷方法,且故障識別時可采用較多故障種類。

基于高安全性和高可靠性的設(shè)計原則,逆變器在大多數(shù)運行時段都處于正常工作的狀態(tài)。發(fā)生故障時,故障信號的有效時間非常短,使得基于數(shù)據(jù)驅(qū)動的智能故障診斷技術(shù)在應(yīng)用上面臨著特征信號難以捕捉和早期故障特征可分性差的問題。有研究表明,工程上少數(shù)的簡單經(jīng)驗特征無法獲得較高分類精度,導(dǎo)致其在一些應(yīng)用上受阻。此外,在沒有先驗知識的特征提取方法下,采取何種特征提取方法會對最終故障診斷識別的精確度造成不同影響。有更多的研究表明[15-17],當(dāng)特征量不夠時,很難保證診斷模型具有良好的魯棒性與泛化性,而融合多種特征提取方法形成高維特征數(shù)據(jù)集能夠提升診斷模型對故障識別的準(zhǔn)確度。

基于上述方法的優(yōu)點與不足,提出了一種融合堆疊降噪自編碼器和前饋神經(jīng)網(wǎng)絡(luò)(stacked denoising autoencoder-feedforward neural network,SDAE-FFNN)的三相永磁同步電機逆變器開路故障診斷方法。首先,利用Simulink仿真得到基于三相逆變器開路故障的永磁同步電機輸出的定子電流故障信號[18-21]。然后,融合6種頻域特征提取方法提取故障信號特征并整合形成高維特征數(shù)據(jù)集。最后,采用提出的融合堆疊降噪自編碼器和前饋神經(jīng)網(wǎng)絡(luò)的方法完成故障診斷。與傳統(tǒng)深度學(xué)習(xí)方法進行對比,驗證了該方法在故障診斷應(yīng)用上的有效性和可行性。

1 三相逆變器電路故障仿真分析

1.1 逆變器故障模擬仿真分析

逆變器作為永磁同步電機的關(guān)鍵驅(qū)動部件,發(fā)生故障概率最大的地方是功率管IGBT,因此對三相永磁同步電機逆變器進行故障仿真模擬,提取三相永磁同步電機輸出定子電流作為實驗故障信號的研究對象。三相逆變器拓?fù)浣Y(jié)構(gòu)如圖1所示,通過Matlab/Simulink搭建的三相永磁同步電機驅(qū)動系統(tǒng)仿真模型結(jié)構(gòu)如圖2所示。

圖1 三相逆變器拓?fù)浣Y(jié)構(gòu)圖

實驗設(shè)定轉(zhuǎn)速為1 000 rad/s,轉(zhuǎn)矩為10 N·m,三相永磁同步電機驅(qū)動系統(tǒng)正常運行。根據(jù)逆變器開路故障發(fā)生率較高的單橋臂和雙橋臂開路故障情況進行研究,故障類型大致可以分為以下4種:

1) 單橋臂開關(guān)器件IGBT發(fā)生開路故障;

2) 同橋臂雙管開關(guān)器件IGBT發(fā)生開路故障;

3) 同相位雙管開關(guān)器件IGBT發(fā)生開路故障;

4) 交叉雙管開關(guān)器件IGBT發(fā)生開路故障。

利用Matlab/Simulink搭建如圖1所示的三相全橋逆變器模型,采用脈沖控制信號的控制策略來控制開關(guān)管IGBT的開斷。根據(jù)表1所示的故障類型與故障位置進行逐一仿真。

表1 模擬三相逆變器電路IGBT開路故障類型

無故障發(fā)生時,電流波形如圖3所示。有故障發(fā)生時,電流波形如圖4所示?？梢钥闯?永磁同步電機在剛啟動時電流波形有一定的抖動,經(jīng)過0.02 s后逐漸達(dá)到初始給定值,響應(yīng)速度很快。設(shè)置的故障響應(yīng)起始點均為0.07 s,從圖4中可明顯看出電流波形發(fā)生不規(guī)則抖動。

圖3 正常工作狀態(tài)下輸出的電流波形

圖4 故障時輸出的電流波形曲線

從圖4(a)得知,在只有A相上橋臂IGBT發(fā)生故障的情況下,B、C相的輸出電流波形會嚴(yán)重變形,但沒有周期波形缺失現(xiàn)象;從圖4(b)得知,在A、B相上橋臂IGBT發(fā)生故障的情況下,A、B相電流無正半周期波形,根據(jù)三相電流矢量之和始終為零的原則,C相電流受故障影響只存在下半周期波形,且該相的輸出信號波形也會發(fā)生嚴(yán)重變形;從圖4(c)得知,在A相上、下橋臂IGBT均發(fā)生故障的情況下,A相上、下橋臂均不導(dǎo)通,A相定子電流輸出值在發(fā)生故障后始終為零,且B、C相輸出電流波形發(fā)生嚴(yán)重變形,但沒有周期波形缺失現(xiàn)象;從圖4(d)得知,在A相上橋臂IGBT和B相下橋臂IGBT同時發(fā)生故障的情況下,A相電流無正半周期波形,B相電流無負(fù)半周期波形,C相電流受故障影響波形發(fā)生嚴(yán)重變形,但沒有周期波形缺失現(xiàn)象。

1.2 故障特征提取

根據(jù)逆變器的工作原理,對每個IGBT進行實時監(jiān)測非常困難。但逆變器作為驅(qū)動元件作用于永磁同步電機時的輸出電流具有周期性,且故障發(fā)生時的故障特征信息也應(yīng)包含在周期信號中。為此,將電機的輸出電流作為研究對象,并采取融合多種頻域特征提取的方法,將時域信號轉(zhuǎn)換到頻域中,得到多種頻域特征向量,以便神經(jīng)網(wǎng)絡(luò)更好地進行故障識別分類。

采取的頻域特征提取方法為快速傅里葉變換法(FFT)、短時傅里葉變換(STFT)、Gabor變換、小波變換、經(jīng)驗?zāi)B(tài)分解法(EMD)和線性正則變換法(LCT)。

由式(1)可知,快速傅里葉變換(FFT)是一種將離散信號分解為不同頻率的正弦波,得到頻域數(shù)據(jù)信號,便于進行信號分析的方法。采用ADC數(shù)模轉(zhuǎn)換的方法,將連續(xù)變化的模擬故障信號轉(zhuǎn)化為離散信號,便于對信號進行快速傅里葉變換。

(1)

短時傅里葉變換(STFT)不僅考慮到頻域特征的變化,還考慮到時序變化。給定一個時間寬度很短的窗函數(shù)γ(t),滑動窗口,則信號z(t)的STFT變換定義為:

(2)

式中:*代表復(fù)數(shù)共軛。正是γ(t)的時間移位與頻率移位,使得STFT變換不僅具有頻域特性還具有時域特性。

Gabor變換則是在STFT基礎(chǔ)上,使用了一個高斯函數(shù)作為窗函數(shù),通過頻率參數(shù)與高斯函數(shù)參數(shù)的選擇,在一定程度上解決了STFT只能局部分析信號的問題。相反,Gabor變換能夠在整體信號上提供任一局部時間內(nèi)信號的變化程度,其定義為:

(3)

小波變換繼承了傅里葉變換的思想,克服了窗口大小不隨頻率變化的缺點,反映了全頻帶的故障信號,可以更精細(xì)地刻畫及分析信號特征。對于信號,其小波變換由母小波Ψa,b定義為:

(4)

經(jīng)驗?zāi)B(tài)分解法(EMD)能夠自適應(yīng)地將信號分解成若干個固有模態(tài)函數(shù)(IMF),通過分離每個IMF分量得到完整頻率分布,取得信號有效部分,最終獲得最優(yōu)變分問題的解。

將每種故障類型的采樣率均設(shè)置為1 000 Hz,采用6種頻域特征提取方法后,得到12維特征向量數(shù)據(jù)集,每一維選取960個采樣點,打亂順序后隨機在每一維選取768個采樣點作為訓(xùn)練集,剩下每一維192個采樣點作為驗證集。

以單橋臂故障類型、故障位置V1、取故障數(shù)據(jù)的960個采樣點為例,分別繪出其FFT頻譜圖、STFT頻譜圖、Gabor變換頻譜圖、小波變換頻譜圖和IMF模態(tài)分量圖,如圖5所示。

由于不同頻域特征提取方法造成的特征數(shù)值差異較大,為減少數(shù)據(jù)樣本差異大造成的計算誤差,保障與原數(shù)據(jù)結(jié)構(gòu)相對不變,將提取后的特征數(shù)據(jù)進行歸一化處理:

(5)

將特征向量整合形成高維特征數(shù)據(jù)集,采用二進制的方式對數(shù)據(jù)集設(shè)置標(biāo)簽,隨機打亂后劃分訓(xùn)練集與驗證集。最后利用提出的SDAE-FFNN網(wǎng)絡(luò)模型進行故障識別。

1.3 故障診斷流程

本文利用Matlab/Simulink軟件模擬三相逆變器開路故障,得到三相永磁同步電機的輸出定子電流。基于SDAE-FFNN網(wǎng)絡(luò)模型對三相永磁同步電機逆變器開路故障進行故障識別,具體流程如圖6所示。

圖6 故障診斷流程框圖

步驟1采集信號。采集三相逆變器在各種故障類型下的永磁同步電機輸出電流故障信號。

步驟2頻域特征提取。分別利用快速傅里葉變換、短時傅里葉變換、Gabor變換、小波變換、經(jīng)驗?zāi)B(tài)分解和線性正則變換等頻域特征提取方法,對故障信號進行特征提取,得到多個故障特征向量。

步驟3數(shù)據(jù)重構(gòu)。將所有特征向量進行歸一化處理,并整合形成高維特征數(shù)據(jù)集。

步驟4SDAE-FFNN網(wǎng)絡(luò)模型設(shè)計與訓(xùn)練。對重構(gòu)數(shù)據(jù)設(shè)置標(biāo)簽,劃分訓(xùn)練集和測試集。

步驟5故障診斷。為驗證方法的可行性,與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、DBN網(wǎng)絡(luò)模型和AE神經(jīng)網(wǎng)絡(luò)模型的故障分類識別進行對比分析。

2 理論基礎(chǔ)

2.1 SDAE-FFNN網(wǎng)絡(luò)模型

簡單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)所得到的淺層特征很難滿足分類識別的預(yù)期效果。為獲取更為深層的特征,一種更深層的神經(jīng)網(wǎng)絡(luò)堆疊降噪自編碼器(stacked denoising auto encoder,SDAE)被廣泛采用[22]。對輸入層添加噪音信號,使輸入信號具有良好的魯棒性,并且使得深層特征具有防止過擬合的能力。輸入帶噪音的信號后由輸入層和隱藏層構(gòu)成的編碼器進行降維特征提取;得到的特征則由隱藏層和輸出層構(gòu)成解碼器進行數(shù)據(jù)重構(gòu),作為輸出。SDAE網(wǎng)絡(luò)[23]由多個AE堆疊而成,SDAE網(wǎng)絡(luò)模型結(jié)構(gòu)如圖7所示。

圖7 堆疊降噪自編碼器結(jié)構(gòu)示意圖

SDAE訓(xùn)練流程如下。

(6)

式中:σ為Sigmoid激活函數(shù);ω1為連接輸入層與隱藏層的權(quán)重矩陣;b1為編碼過程的偏置。

(7)

式中:ω1′為連接隱藏層與輸出層的權(quán)重矩陣;b1′為解碼過程的偏置。

步驟4采用最小均方差式(8)作為優(yōu)化代價函數(shù),且采用梯度下降方法不斷更新權(quán)重和偏置:

(8)

(9)

(10)

本文將SDAE網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)相結(jié)合[24],將最后一層DAE模型得到的最優(yōu)權(quán)重ωk和偏置bk作為前饋神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù),特征hk作為前饋神經(jīng)網(wǎng)絡(luò)的輸入,如圖8所示。

圖8 SDAE-FFNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

FFNN神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)傳遞模型為:

(11)

采用交叉熵作為優(yōu)化函數(shù),函數(shù)表達(dá)式為:

(13)

Sigmoid函數(shù)表達(dá)式為:

(14)

2.2 網(wǎng)絡(luò)層數(shù)以及神經(jīng)元數(shù)的設(shè)計

隱藏層的層數(shù)與節(jié)點數(shù)的合理選擇決定模型的預(yù)測準(zhǔn)確率和運算效率,因此在設(shè)計SDAE-FFNN網(wǎng)絡(luò)之初,首先要進行網(wǎng)絡(luò)層數(shù)的選擇。SDAE模型設(shè)為3個DAE網(wǎng)絡(luò)結(jié)構(gòu),以減小神經(jīng)網(wǎng)絡(luò)的規(guī)模,降低各層之間誤差,增加分類精確度。輸入層神經(jīng)元節(jié)點個數(shù)設(shè)為12,隱藏層神經(jīng)元節(jié)點個數(shù)設(shè)為200,輸出層神經(jīng)元節(jié)點個數(shù)設(shè)為2。超參數(shù)設(shè)置如下:學(xué)習(xí)率為0.1,去噪因子為0.5,數(shù)據(jù)批量大小為6,迭代次數(shù)為300。

3 故障分析結(jié)果對比

3.1 基于SDAE-FFNN的故障識別仿真

對模擬的表1所示的4種具體位置故障類型分別進行故障診斷識別,訓(xùn)練迭代曲線如圖9所示。

圖9 SDAE-FFNN網(wǎng)絡(luò)的訓(xùn)練迭代曲線

基于SDAE-FFNN網(wǎng)絡(luò)模型的三相永磁同步電機逆變器開路故障識別方法準(zhǔn)確率如表2所示。所提識別方法平均故障識別率為98.802 1%,達(dá)到了預(yù)期效果,表明該模型在不同故障類型下均可以保持較高的識別準(zhǔn)確率。

表2 基于SDAE-FFNN網(wǎng)絡(luò)模型的故障識別方法準(zhǔn)確率

3.2 不同特征提取方法下故障診斷結(jié)果對比

為驗證融合多種特征提取方法形成的高維特征數(shù)據(jù)集能夠提升診斷模型對故障識別的準(zhǔn)確率。以單橋臂故障類型、故障位置V1為例,將所提方法與部分單一特征提取的方法進行對比,且均采用SDAE-FFNN網(wǎng)絡(luò)模型,結(jié)果如表3所示。由此可知,融合多種頻域特征提取方法的故障診斷準(zhǔn)確率明顯更高,優(yōu)于單一特征提取方法下的故障診斷準(zhǔn)確率。

表3 不同特征提取方法下的識別準(zhǔn)確率

3.3 與傳統(tǒng)深度學(xué)習(xí)方法對比

為驗證所提模型的有效性,將傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、DBN神經(jīng)網(wǎng)絡(luò)、AE神經(jīng)網(wǎng)絡(luò)與所提方法識別4種故障類型的結(jié)果進行對比,結(jié)果如表4所示。由此可知,采用SDAE-FFNN網(wǎng)絡(luò)的深度學(xué)習(xí)方法對三相PMSM逆變器開路故障識別準(zhǔn)確率有所提升,且優(yōu)于傳統(tǒng)深度學(xué)習(xí)方法的識別準(zhǔn)確率。

表4 與傳統(tǒng)深度學(xué)習(xí)方法識別準(zhǔn)確率對比

4 結(jié)論

模擬注入了三相逆變器開路故障類型,得到三相永磁同步電機輸出的定子電流故障信號,融合多種頻域特征提取方法,提出了SDAE-FFNN的故障診斷識別方法,并經(jīng)過仿真分析驗證了該方法的可行性與實用性。

實驗結(jié)果表明,采用SDAE-FFNN網(wǎng)絡(luò)模型的三相永磁同步電機逆變器開路故障診斷具有良好的故障分類識別能力。實驗中選取BP神經(jīng)網(wǎng)絡(luò)模型、DBN神經(jīng)網(wǎng)絡(luò)模型和AE神經(jīng)網(wǎng)絡(luò)模型與SDAE-FFNN模型進行比較,所提方法在故障分類準(zhǔn)確率上有所提升。因此,SDAE-FFNN網(wǎng)絡(luò)模型在三相永磁同步電機逆變器開路故障診斷方面具有一定的工程實用價值。