基于深度自編碼器網(wǎng)絡(luò)的逆變器開關(guān)管開路故障診斷

宋保業(yè),魯 朋,許 琳

(山東科技大學(xué) 電氣與自動化工程學(xué)院,山東 青島 266590)

由于變頻調(diào)速系統(tǒng)的優(yōu)越性能,永磁同步電機、無刷直流電機等開始在電力拖動系統(tǒng)中廣泛應(yīng)用。研究顯示,在所有變頻電機的故障中,有近40%的故障來源于變頻逆變器的功率半導(dǎo)體開關(guān)器件損壞及其電路故障[1-2]。由于元器件老化、過載和不當觸發(fā)等原因,功率開關(guān)器件極易發(fā)生短路故障或開路故障[3]。短路故障主要是由過電壓、過熱和錯誤的觸發(fā)信號等引起的,一旦發(fā)生將在極短的時間內(nèi)產(chǎn)生異常的過電流,對功率變換器造成損壞。因此,短路故障一般由標準的保護電路立即進行檢測和隔離,如熔斷器、斷路器等[4]。開路故障主要是由觸發(fā)信號丟失,熱、機械疲勞等導(dǎo)致的斷線或開關(guān)管爆裂引起的,一般不會使驅(qū)動系統(tǒng)立即失效。但開路故障導(dǎo)致的系統(tǒng)電流不平衡,會顯著降低驅(qū)動系統(tǒng)的性能,如電流畸變、轉(zhuǎn)矩振蕩等,若不及時診斷并排除故障將引發(fā)其他系統(tǒng)元器件故障[5]。因此,研究逆變器功率開關(guān)管的開路故障診斷,具有重要的工程實際意義和價值。

功率開關(guān)的故障診斷方法可分為基于模型的方法、基于信號的方法和基于知識的方法等[6-7]。基于模型的方法以觀測器/濾波器方法為主[8],例如,Shao等[9]設(shè)計了用于多電平逆變器功率管開路故障診斷的滑模觀測器,采用橋臂電流和電容電壓的理論值和實際輸出構(gòu)造殘差,實現(xiàn)功率管開路故障的檢測和分離;Jlassi等[10]采用龍貝格觀測器估計逆變器的相電流,并與測量值比較產(chǎn)生殘差,用于診斷逆變器功率管的開路故障;Naseri等[11]提出基于Kalman濾波器的逆變器輸出電流估計方法,將平均的歸一化殘差信號用于開關(guān)管的開路故障檢測,具有故障檢測的快速性和魯棒性的特點。開關(guān)管的開路故障會導(dǎo)致電流和電壓測量信號的畸變,因此可以利用電流或電壓信號處理方法進行故障檢測[12-13]。基于電流信號的方法不需要額外的硬件,但為保證檢測結(jié)果的準確性需要的時間較長。基于電壓信號的方法需要額外增加電壓傳感器,但具有較好的故障診斷速度、精度和對負載波動、信號噪聲等的魯棒性。基于知識的方法不依賴于系統(tǒng)模型、負載條件和信號模式,但需要大量的歷史數(shù)據(jù),所以也稱為數(shù)據(jù)驅(qū)動的方法,受到國內(nèi)外學(xué)者的廣泛關(guān)注和深入研究[6-7,14]。數(shù)據(jù)驅(qū)動方法的信號獲取、特征提取和故障分類等主要步驟中,信號特征提取是最關(guān)鍵的,決定了故障診斷的成功率和效率,因此成為故障診斷領(lǐng)域的研究熱點[15]。例如,Gomathy等[16]采用離散小波變換和主元分析提取三相逆變器的故障信號特征,然后基于相關(guān)向量機和布谷鳥搜索算法建立故障診斷模型;Wang等[17]采用主元分析方法提取H橋多電平逆變器的開路故障特征,然后基于多分類相關(guān)向量機實現(xiàn)故障分類;Shafiullah等[18]采用三相電流信號的S變換得到S矩陣,并將提取的故障特征輸入前饋神經(jīng)網(wǎng)絡(luò)中進行故障識別;Ye等[19]采用小波包變換提取故障特征,并采用長短時記憶(long short-term memory,LSTM)網(wǎng)絡(luò)檢測嵌套式中點可控型五電平變換器的開路和短路故障;Cai等[20]首先采用快速傅里葉變換(fast Fourier transform,FFT)提取三相逆變器開路故障電壓信號的特征,然后利用主元分析方法降低樣本的維數(shù),最后通過貝葉斯網(wǎng)絡(luò)檢測和診斷故障。但是,上述故障特征提取過程需要人工參與,且大都針對具體的故障診斷問題,不具有應(yīng)用對象和場合的通用性。

針對上述故障特征提取方法存在的缺陷,近年來基于深度神經(jīng)網(wǎng)絡(luò)的方法開始在故障診斷領(lǐng)域廣泛應(yīng)用[21-22]。崔江等[23]采用堆棧自編碼器提取故障電流信號的特征,并使用支持向量機(support vector machine,SVM)進行故障分類;Chen等[24]研究了機械傳動系統(tǒng)齒輪箱的故障診斷問題,將原始振動信號直接輸入到具有一個卷積層和兩個全連接層的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)。Kiranyaz等[25]提出一種一維卷積神經(jīng)網(wǎng)絡(luò)用于模塊化多電平逆變器的故障診斷,具有較高的故障診斷準確率;Wen等[26]提出采用LeNet-5卷積神經(jīng)網(wǎng)絡(luò)診斷電機系統(tǒng)軸承故障,提高了系統(tǒng)的故障診斷準確率。以上方法盡管提升了故障診斷性能,但需要大量數(shù)據(jù)用于特征學(xué)習(xí)和故障分類,既加重了存儲和計算負擔(dān),也容易引起梯度爆炸等不穩(wěn)定問題。

針對以上方法的不足,本研究提出一種新的深度自編碼器網(wǎng)絡(luò)設(shè)計方法,用于逆變器開關(guān)管的開路故障診斷。首先,對逆變器開關(guān)管的開路故障進行建模、分析和編碼,并基于仿真平臺采集不同開路故障的信號數(shù)據(jù);然后,提出一種自編碼器網(wǎng)絡(luò)的規(guī)則化設(shè)計方法,避免人工進行網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的繁冗過程;最后,基于設(shè)計的自編碼器網(wǎng)絡(luò)和采集的實驗數(shù)據(jù),進行開關(guān)管開路故障診斷實驗,并與4種常用方法進行對比。實驗結(jié)果表明,分別基于電壓和電流兩種不同類型的故障信號數(shù)據(jù),本研究提出的方法均能夠有效利用有限的數(shù)據(jù)自動學(xué)習(xí)開關(guān)管的開路故障特征,實現(xiàn)端到端的智能故障診斷并得到較高的故障識別準確率,驗證了本方法的有效性和優(yōu)越性。

2 逆變器開關(guān)管開路故障模型

2.1 逆變器控制系統(tǒng)模型

考慮如圖1所示的永磁同步電機-逆變器控制系統(tǒng),其主電路拓撲主要由6個金屬氧化物半導(dǎo)體場效晶體管(metal-oxide-semiconductor field-effect transistor,MOSFET)T1～T6,和與之相對應(yīng)的反并聯(lián)續(xù)流二極管D1～D6構(gòu)成。定義開關(guān)量S1～S6表示6個功率開關(guān)管的開關(guān)狀態(tài)。當S1、S3或S5為1時,逆變器電路的上橋臂開關(guān)管導(dǎo)通,下橋臂開關(guān)管切斷(此時S2、S4、S6為0),此狀態(tài)記為Sa(Sb、Sc)=1;反之,當S2、S4或S6為1時,則逆變器電路的下橋臂開關(guān)管導(dǎo)通,而上橋臂開關(guān)管關(guān)斷(此時S1、S3、S5為0),此狀態(tài)記為Sa(Sb、Sc)=0。

2.2 開關(guān)管開路故障分析

在圖1的逆變器主電路中,假設(shè)發(fā)生開路故障的開關(guān)管最多為2個,則全部的開關(guān)管開路故障可以分為5大類共22種情況,主要包括1種正常狀態(tài)(可看作一種特殊的故障),6種單管故障,3種同相橋臂雙管故障,6種相鄰相橋臂同側(cè)雙管故障和6種相鄰相橋臂異側(cè)雙管故障,如表1所示。

以開關(guān)管T1發(fā)生開路故障為例,此時的主電路拓撲如圖2所示。定義相電流流入電機定子的方向為參考正方向,于是a相電流的流通路徑如圖3所示。當ia<0時,a相電流的主要通路經(jīng)過T2,續(xù)流通路經(jīng)過D1。由于T2和D1均可以正常導(dǎo)通或續(xù)流,所以此時a相電流的負半周期不受開關(guān)管T1發(fā)生開路故障的影響。當ia>0時,a相電流的主要通路經(jīng)過T1,續(xù)流通路經(jīng)過D2。盡管D2可以正常續(xù)流,但由于開關(guān)管T1發(fā)生開路故障不能導(dǎo)通,所以a相電流不能正向增大,在正半周期基本為零。

圖2 T1發(fā)生開路故障的主電路

圖3 T1發(fā)生開路故障的電流通路

圖4為開關(guān)管T1發(fā)生開路故障時,逆變器的三相電流和端電壓信號的歸一化示例。為了能清晰表示,三相電流和端電壓波形都只截取了一部分,開路故障發(fā)生在圖中的第100個采樣點時刻(下同)。對于表1中的其他故障情況,可進行類似分析,在此不再贅述。可以看出,當故障發(fā)生后,逆變器的電流和電壓信號均發(fā)生畸變,而這些畸變的電流、電壓信號蘊含著對應(yīng)故障的特征信息,可以通過機器學(xué)習(xí)算法進行故障特征的學(xué)習(xí)、提取,進而實現(xiàn)開關(guān)管的開路故障診斷。

圖4 T1發(fā)生開路故障的電流和電壓

2.3 故障信號采集與編碼

本研究故障診斷實驗采用的開關(guān)管開路故障信號來源于MATLAB/Simulink的電機運動控制仿真平臺,仿真時將觸發(fā)信號置零來模擬逆變器開關(guān)管的開路故障。通過仿真平臺采集電機驅(qū)動器開關(guān)管發(fā)生開路故障時的電流和電壓信號,并分別選用三相電流和端電壓進行故障診斷,具體故障類型與編碼如表2所示。

表2 故障類型與故障編碼

3 基于自編碼器網(wǎng)絡(luò)的開關(guān)管開路故障診斷

3.1 自編碼器網(wǎng)絡(luò)

自編碼器(autoencoder,AE)是一個對稱的三層神經(jīng)網(wǎng)絡(luò),可通過無監(jiān)督學(xué)習(xí)從原始數(shù)據(jù)信號中提取特征信息[27]。如圖5所示,自編碼器包括編碼和解碼兩個步驟[28]。

圖5 自編碼器結(jié)構(gòu)

hi=f(xi)=Sigmoid(W1xi+b1)。

(1)

(2)

(3)

這樣,隱含層向量hi則包含從無標簽數(shù)據(jù)中提取到的特征信息。實際上,式(3)就是要使得重構(gòu)誤差的代價函數(shù)最小化,通常可將重構(gòu)誤差的代價函數(shù)定義為:

(4)

式中:M為訓(xùn)練數(shù)據(jù)集的樣本數(shù)量;λ為調(diào)節(jié)前后兩項相對權(quán)重的系數(shù),用于防止出現(xiàn)過擬合現(xiàn)象;nl為自編碼器的層數(shù);sl表示第l層的神經(jīng)元數(shù)量。為獲得更好的性能,通常將稀疏性約束條件加入到式(4)的代價函數(shù)中,實現(xiàn)特征表示的稀疏化。考慮到稀疏懲罰項,將稀疏自編碼器(sparse autoencoder,SAE)的重構(gòu)誤差代價函數(shù)重新定義為:

(5)

(6)

(7)

堆棧稀疏自編碼器(stacked sparse autoencoder,SSAE)網(wǎng)絡(luò)是由多個稀疏自編碼器堆疊而成的深層神經(jīng)網(wǎng)絡(luò),能夠采用逐層訓(xùn)練的方式實現(xiàn)無監(jiān)督學(xué)習(xí),是常用的深度學(xué)習(xí)網(wǎng)絡(luò)之一。SSAE通過與Softmax、SVM等分類算法相結(jié)合,可用于解決模式分類問題。如圖6所示,在SSAE網(wǎng)絡(luò)中,首先利用輸入的樣本數(shù)據(jù)對網(wǎng)絡(luò)的第一個SAE進行預(yù)訓(xùn)練,得到權(quán)重矩陣W11、W21和偏置向量b11、b21,保存W11和b11;然后將第一個SAE的隱含層輸出向量h1作為第二個SAE的輸入,對第二個SAE進行預(yù)訓(xùn)練,得到權(quán)重矩陣W12、W22和偏置向量b12、b22,保存W12和b12;依次對網(wǎng)絡(luò)的所有SAE進行訓(xùn)練直到最后一層。最終,在給定期望的數(shù)據(jù)標簽之后,通過反向傳播(back propagation,BP)算法對整個深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)進行微調(diào),其代價函數(shù)可以表示為:

(8)

圖6 堆棧稀疏自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

3.2 堆棧稀疏自編碼器網(wǎng)絡(luò)的設(shè)計

堆棧稀疏自編碼器網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)的實現(xiàn)方式之一,其網(wǎng)絡(luò)結(jié)構(gòu)目前主要通過經(jīng)驗確定,尚無規(guī)范的設(shè)計方法。為此,本研究提出一種規(guī)范的自編碼器網(wǎng)絡(luò)設(shè)計方法。首先,基于輸入數(shù)據(jù)維數(shù)采用二進制遞減方法設(shè)計各隱含層的神經(jīng)元數(shù)量;然后,根據(jù)輸出分類的類別數(shù)選擇特征輸出隱含層的位置,從而確定自編碼器網(wǎng)絡(luò)的拓撲結(jié)構(gòu),其原理如圖7所示。

圖7 自編碼器網(wǎng)絡(luò)拓撲設(shè)計方法

具體地,自編碼器的隱含層神經(jīng)元數(shù)量通常小于輸入層神經(jīng)元數(shù)量,輸入信號的特征可以通過壓縮后的隱含層輸出來表示。假設(shè)輸入層神經(jīng)元數(shù)量為N,則將第一個隱含層的神經(jīng)元數(shù)量設(shè)計為2n,其中n為滿足2n≤N的最大正整數(shù),如N=100,則可將n設(shè)計為6。然后,在第二個隱含層的神經(jīng)元數(shù)量設(shè)計為2n-1,第三個隱含層的神經(jīng)元數(shù)量設(shè)計為2n-2,即當前隱含層的神經(jīng)元數(shù)量是上一層的一半,以此類推。這樣,最后一個隱含層的神經(jīng)元數(shù)量為20=1,則整個堆棧稀疏自編碼網(wǎng)絡(luò)的最大層數(shù)為n+1。

然后,將隱含層的輸出送入一個選擇器,并將提取的隱含層特征送入分類器進行特征分類。其中,進入分類器的隱含層特征值數(shù)量一般應(yīng)大于分類器的輸出類別。于是,假設(shè)分類器的輸出類別數(shù)量為M,進入分類器的是第m個隱含層的輸出特征,則可將m設(shè)計為滿足2n-m+1≥M的最大正整數(shù)。綜上,上述自編碼器網(wǎng)絡(luò)拓撲的設(shè)計方法可總結(jié)為算法1。

算法 1 自編碼器網(wǎng)絡(luò)拓撲設(shè)計算法 1) 初始化:設(shè)定輸入層神經(jīng)元數(shù)量 N 和分類器輸出類別數(shù)量 M; 2) 選擇滿足 2 n ≤ N 的最大正整數(shù) n,并將第一個隱含層神經(jīng)元數(shù)量設(shè)計為 2 n ; 3) 選擇滿足 2 n-m+1 ≥ M 的最大正整數(shù) m,并將第 m 個隱含層神經(jīng)元數(shù)量設(shè)計為 2 n-m+1 ; 4) 從第二個隱含層開始,將隱含層神經(jīng)元數(shù)量設(shè)計為上一個隱含層神經(jīng)元數(shù)量的一半,直到第 m 個隱含層; 5) 輸出自編碼器網(wǎng)絡(luò)拓撲。

以上自編碼器網(wǎng)絡(luò)采用Softmax(歸一化指數(shù)函數(shù))分類器。Softmax分類器是Logistic回歸在多分類問題上的推廣,目前被廣泛用于機器學(xué)習(xí)算法中,同時還用于在深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中對整個網(wǎng)絡(luò)進行微調(diào),其定義為:

(9)

式中:θ1,θ2,…,θK為模型參數(shù);K為模型輸出的類別數(shù)。式(9)表示對輸入數(shù)據(jù)xi,先通過指數(shù)運算將其變?yōu)檎龜?shù),然后進行歸一化,從而得到將xi分類成第j類數(shù)據(jù)的概率。實際上,Softmax分類器常用于神經(jīng)網(wǎng)絡(luò)的最后一層進行多類別分類,其結(jié)構(gòu)如圖8所示,圖中K=3。

圖8 Softmax分類器結(jié)構(gòu)

3.3 實驗結(jié)果

本節(jié)通過仿真實驗,驗證上述堆棧稀疏自編碼器網(wǎng)絡(luò)在逆變器開關(guān)管開路故障診斷中的有效性和優(yōu)越性。實驗數(shù)據(jù)來自上述電機運動控制仿真平臺,數(shù)據(jù)處理采用MATLAB/Simulink仿真平臺。實驗中采用三相電壓或三相電流中的a相信號作為自編碼網(wǎng)絡(luò)的輸入信號。在采樣開始后以10 kHz的采樣頻率采集3 s內(nèi)的實驗數(shù)據(jù),則每種故障情況總共可以獲得30 000個采樣數(shù)據(jù)。

實驗中,通過將驅(qū)動信號置零模擬開關(guān)管的開路故障,并設(shè)定開路故障發(fā)生在采樣開始后的0.2 s。同一類故障的每一個樣本由2 400個連續(xù)采樣點組成。為增加樣本數(shù)量,采用重疊采樣的方式制作數(shù)據(jù)集,數(shù)據(jù)采集的滑動步長為10,如圖9所示。實驗中的數(shù)據(jù)集包括訓(xùn)練樣本數(shù)1 600×22=35 200個,測試樣本數(shù)600×22=13 200個。實驗中的自編碼網(wǎng)絡(luò)共設(shè)有7個隱含層,第一個和最后一個隱含層分別有2 048和32個神經(jīng)元。

圖9 數(shù)據(jù)采樣示意圖

為對比分析,除采用設(shè)計的自編碼器網(wǎng)絡(luò)進行故障診斷實驗外,分別采用4種常用的故障診斷方法,即BP網(wǎng)絡(luò)、FFT+BP網(wǎng)絡(luò)、PCA+BP網(wǎng)絡(luò)、WPT+BP網(wǎng)絡(luò)進行故障診斷實驗。其中,BP網(wǎng)絡(luò)方法直接將原始信號輸入BP網(wǎng)絡(luò)進行分類;FFT+BP網(wǎng)絡(luò)方法先采用FFT算法對原始信號進行特征提取,然后輸入BP網(wǎng)絡(luò)進行分類;PCA+BP網(wǎng)絡(luò)方法先采用PCA對原始信號進行降維,然后輸入BP網(wǎng)絡(luò)進行分類;WPT+BP網(wǎng)絡(luò)方法先采用小波包變換對原始信號進行特征提取,然后輸入BP網(wǎng)絡(luò)進行分類。為方便比較,除BP網(wǎng)絡(luò)方法外,其他方法都將從原始信號中提取的32維特征數(shù)據(jù)輸入BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的其他參數(shù)分別為:隱含層神經(jīng)元個數(shù)100,輸出層神經(jīng)元個數(shù)22,學(xué)習(xí)率0.02,慣性因子0.01,激活函數(shù)為Sigmoid,損失函數(shù)為均方誤差。以上網(wǎng)絡(luò)均采用表2的數(shù)據(jù)標簽進行訓(xùn)練。

圖10～14為采用電流信號作為輸入信號的故障分類結(jié)果,圖15～19為采用電壓信號作為輸入信號的故障分類結(jié)果。為便于比較,全部分類結(jié)果的統(tǒng)計見表3。

表3 故障診斷準確率

圖10 基于電流數(shù)據(jù)的自編碼網(wǎng)絡(luò)分類結(jié)果

圖11 基于電流數(shù)據(jù)的BP網(wǎng)絡(luò)分類結(jié)果

圖12 基于電流數(shù)據(jù)的FFT+BP網(wǎng)絡(luò)分類結(jié)果

圖13 基于電流數(shù)據(jù)的PCA+BP網(wǎng)絡(luò)分類結(jié)果

圖14 基于電流數(shù)據(jù)的WPT+BP網(wǎng)絡(luò)分類結(jié)果

圖16 基于電壓數(shù)據(jù)的BP網(wǎng)絡(luò)分類結(jié)果

圖17 基于電壓數(shù)據(jù)的FFT+BP網(wǎng)絡(luò)分類結(jié)果

圖18 基于電壓數(shù)據(jù)的PCA+BP網(wǎng)絡(luò)分類結(jié)果

圖19 基于電壓數(shù)據(jù)的WPT+BP網(wǎng)絡(luò)分類結(jié)果

由表3可見,盡管幾種方法(FFT+BP、PCA+BP、WPT+BP)是先提取故障特征,然后通過分類器進行分類,但由于提取的故障特征不能準確反映各類故障現(xiàn)象,得到的故障分類結(jié)果反而不如直接將原始故障信號輸入網(wǎng)絡(luò)后得到的故障分類準確率高。WPT+BP的方法盡管在基于電流數(shù)據(jù)的分類結(jié)果中表現(xiàn)優(yōu)異,但采用電壓信號數(shù)據(jù)則分類準確率驟降,說明該方法僅適合于特定的故障信號形式,不能從故障信號中準確挖掘故障特征信息。相比較而言,基于自編碼器網(wǎng)絡(luò)的方法,無論采用電流信號還是電壓信號,都能得到較高的故障分類準確率,主要由于該方法能夠從故障信號中自動提取最有效的故障特征,從而能夠準確地進行故障分類。因此,基于自編碼器網(wǎng)絡(luò)的故障診斷方法,不僅能得到較高的故障分類正確率,而且相比其他方法具有對輸入信號類型不敏感、魯棒分類能力的特點。

4 結(jié)論

研究了基于深度自編碼器網(wǎng)絡(luò)的逆變器開關(guān)管開路故障診斷方法,在對逆變器開關(guān)管開路故障模型分析和故障編碼的基礎(chǔ)上,提出一種自編碼器網(wǎng)絡(luò)的規(guī)則化設(shè)計方法。該方法能夠快速確定隱含層神經(jīng)元的數(shù)量和網(wǎng)絡(luò)深度,有效利用故障數(shù)據(jù)自動學(xué)習(xí)開關(guān)管的故障特征,實現(xiàn)端到端的智能故障診斷。實驗表明,本研究提出的自編碼器網(wǎng)絡(luò)能夠利用不同類型的故障數(shù)據(jù),自動挖掘故障信號中的關(guān)鍵特征信息得到穩(wěn)定的故障識別率。與BP網(wǎng)絡(luò)等傳統(tǒng)方法相比,所提方法具有較強的故障識別準確率和分類穩(wěn)定性。