《電子技術應用》
您所在的位置：首頁 > 電源技術 > 設計應用 > 基于SOM神經(jīng)網(wǎng)絡的三電平逆變器的故障診斷
基于SOM神經(jīng)網(wǎng)絡的三電平逆變器的故障診斷
2015年電子技術應用第2期
帕孜來·馬合木提，付 玲，林吉凱
新疆大學 電氣工程學院，新疆 烏魯木齊830047
摘要： 針對三電平逆變器的開路故障，采用一種基于小波包變換與自組織映射神經(jīng)網(wǎng)絡(SOM)的故障診斷方法。測量三電平逆變器的上、中、下橋臂電壓進行故障模式的分類，橋臂電壓經(jīng)過小波包分解后進行故障特征向量提取，將故障向量作為SOM神經(jīng)網(wǎng)絡的輸入進行故障模式識別。仿真和實驗表明，該診斷方法對三電平逆變器故障的分類準確且快速，能夠降低檢修人員的故障識別難度，有效提高診斷效率，對于實現(xiàn)三電平逆變器的在線故障診斷具有廣闊的應用前景。
中圖分類號： TP183
文獻標識碼： A
文章編號： 0258-7998(2015)02-0149-03
Fault diagnosis of three-level inverter based on wavelet packet and SOM neural network
Pa Zilai，F(xiàn)u ling，Lin Jikai
College of Electrical Engineering，Xinjiang University，Urumqi 830047，China
Abstract： According to the open circuit fault of three level inverter, a fault diagnosis method-based on wavelet packet transform and self-organizing mapping(SOM) neural networks is adopted. The voltage of the up, middle and down bridge arm of the three level inverter are measured which for the classification of fault modes. Then the bridge arm voltage will extract the fault feature vector which will be the input of the SOM neural network after wavelet packet decomposition. So the fault pattern can be recognized. The simulation and experiment show that the diagnosis method is accurate and quick for the fault of the classification of the three level inverter and can reduce the difficulty of fault identification of maintenance personnel to improve the efficiency of diagnosis. It shows a wide application prospect for realizing the on-line fault diagnosis of three level inverter.
Key words : three-level inverter；fault diagnosis；bridge voltage；wavelet packet；SOM neural network

　　

0 引言

　　多電平逆變器相對傳統(tǒng)的兩電平逆變器具有開關損耗小、輸出諧波含量低等優(yōu)點，但是隨著開關數(shù)量的成倍增加，也大大降低了多電平逆變器的可靠性。任何一個開關管發(fā)生故障后，將導致整個逆變器不能正常工作，從而導致一些經(jīng)濟損失甚至還可能引發(fā)重大安全事故。因此，對多電平逆變器進行故障診斷研究，特別是應用自動故障診斷技術對提高多電平逆變器的可靠性具有很大的經(jīng)濟價值與現(xiàn)實意義[1]。

　　目前國內(nèi)外學者針對多電平逆變器的故障診斷都有較為深入的研究。有學者提出運用變換器交流側(cè)PWM電壓UPWM和電流的極性來判斷功率開關管的故障[2]，該方法的診斷速度快，可靠性也高，但其診斷結(jié)果無法精確定位具體發(fā)生故障的功率管。此外，一些學者對于逆變器故障診斷，提出了基于模型的故障診斷方法[3-4]，引入鍵合圖等建模方法對其進行建模，其方法提高了診斷正確率，但其分析過程比較復雜。

　　近年來，隨著神經(jīng)網(wǎng)絡理論的引入，為故障診斷問題提供了一種新途徑，神經(jīng)網(wǎng)絡的非線性特性特別適合用于逆變器這樣的混雜系統(tǒng)。傳統(tǒng)的BP神經(jīng)網(wǎng)絡需要預先給定期望輸出值以及大量故障學習樣本。因此，筆者根據(jù)自組織特征映射（SOM）神經(jīng)網(wǎng)絡的學習特點將其應用于多電平逆變器的故障診斷中，利用小波包變換對三電平逆變器的上、中、下橋臂電壓進行變換，提取故障能量系數(shù)，組成其相應的故障特征矢量作為SOM神經(jīng)網(wǎng)絡的輸入，根據(jù)獲勝神經(jīng)元的位置來判斷其逆變器的故障模式。

1 三電平逆變器故障特征分析與提取

　　在實際運用中逆變電源主電路出現(xiàn)較多的故障是功率管的開路與短路故障。短路故障會導致過流保護，其存在的時間較短，并且其自身的保護電路也會很快使其變?yōu)殚_路。實際應用中多個開關器件同時發(fā)生故障的幾率比較低，因此本文僅對最多兩個功率半導體元件開路作故障作分析。圖1為本文所研究的三電平逆變器的主電路拓撲結(jié)構(gòu)圖。

001.jpg

　　1.1 三電平逆變器故障模式分析


002.jpg

　　基于每相的基本情況都相同，本文就已單相電路為研究對象，研究其開路故障情況，如圖2所示。利用MATLAB進行仿真，設輸入直流電壓為530 V，功率管采用理想的開關元件和二極管。定義“A相中點橋臂電壓”為Vao，即橋臂中點a與電容電壓中點o之間的電壓；“上橋臂電壓”為Vbo；“下橋臂電壓”為Vco[5]。由于三電平逆變器的主電路存在對稱性，所以這里就給出了Sa1、Sa2、VD1開路的故障波形圖。圖3為單個功率開關管開路時中點橋臂電壓Vao的仿真波形[6]。

003.jpg

　　當功率開關管同時有兩個出現(xiàn)開路故障時，存在兩種情況：一類是兩個開關管處于同一橋臂；第二類是兩個開關管處于不同的橋臂。對于第二類情況，相當于某個橋臂的單個開關管開路，因此，本文僅分析第一類情況。以橋臂a為研究對象，可以分為6種故障模式?？紤]到主電路存在對稱性，因此本文就只給出了Sa1和Sa2、Sa1和Sa3、Sa1和Sa4、Sa2和Sa3同時開路時的中點臂電壓Vao的波形，如圖4所示。

004.jpg

　　通過對圖3與圖4的比對，可以發(fā)現(xiàn)Sa2單管開路與Sa1、Sa2同時開路時的橋臂電壓Vao具有相同的電平邏輯特征。因此，只應用小波包變換單獨提取中點橋臂Vao各頻段能量系數(shù)不能區(qū)分這兩類故障模式。

　　經(jīng)仿真研究實驗分析，Sa2單獨開路時與Sa1、Sa2同時開路時的上橋臂電壓與下橋臂電壓其電平邏輯區(qū)分較為明顯，那么其波形所含能量值也就不同。所以，同時提取橋臂電壓Vao、Vbo和Vco各頻帶能量系數(shù)可以很好地表示各種故障模式。

　　1.2 三電平逆變器故障特征提取

　　根據(jù)小波包的一系列特性，利用小波包對信號進行分解，再對其分解系數(shù)進行重構(gòu)，得到各頻帶的能量值。在各頻帶的電壓能量中，包含了其相應的故障信息，由此，提出“能量—故障”模式診斷識別方法[7-8]。本文采用小波包兩層分解后各頻帶的能量作為相應故障模式的輸入向量，將三電平逆變器的單相故障進行編碼，利用小波包原理對相應的故障橋電壓進行能量提取，其特征向量如表1所示。

008.jpg

2 SOM神經(jīng)網(wǎng)絡與模式識別

　　SOM神經(jīng)網(wǎng)絡是由芬蘭赫爾辛基大學神經(jīng)網(wǎng)絡專家Coonan教授在1981年提出的，其網(wǎng)絡的拓撲結(jié)構(gòu)如圖5所示[9]，由輸入層與競爭層（輸出層）組成。輸入層與輸出層的神經(jīng)元通過一個權值實現(xiàn)全連接。

005.jpg

　　SOM神經(jīng)網(wǎng)絡學習算法是一種無導師指導與監(jiān)督的聚類方式，當學習訓練結(jié)束后，競爭層中的一個神經(jīng)元只針對某一類輸入矢量最為敏感從而產(chǎn)生最大輸出值，其他的神經(jīng)元只有最小值輸出。因此，對該網(wǎng)絡中具有最大輸出值的神經(jīng)元標以其對應的故障標號，即可進行故障模式的識別與分類。其具體學習過程如下：

　　(1)用[0，1]之間的隨機數(shù)對輸入層與競爭層之間的連接權值進行初始化。

　　(2)把標準故障樣本P=[p1，p2，…，pn]T通過輸入層輸入網(wǎng)絡進行訓練。

　　(3)由公式(1)找到使yi具有最大輸出值的神經(jīng)元i，i即為最佳匹配單元C。

　　1.png

　　(4)為使網(wǎng)絡經(jīng)過學習訓練后具有聚類功能，定義NC為C的一個拓撲鄰域。使NC內(nèi)的單元輸出為1，NC外的單元輸出為0。即：

　　2.png

　　(5)權值調(diào)整學習。對與勝出神經(jīng)元連接的各個權值進行訓練修正。其權值訓練公式如下：

　　3.png

　　其中，w(t)為學習因子，當其減小到0時，學習訓練結(jié)束。

　　(6)判斷網(wǎng)絡輸出結(jié)果。根據(jù)輸出結(jié)果判斷是否達到預先設定的結(jié)果，若符合預定結(jié)果則學習結(jié)束，否則返回步驟(2)，進行下一輪的學習。

3 SOM網(wǎng)絡在故障診斷中的應用

　　利用表1中的標準知識樣本對SOM網(wǎng)絡進行訓練，本文所設計的神經(jīng)網(wǎng)絡輸入矢量元素個數(shù)為10個，輸出層為10×10個神經(jīng)元。應用SOM神經(jīng)網(wǎng)絡對13個標準故障故障樣本進行分類，其訓練后的故障映射圖如圖6所示。

006.jpg

　　在SOM網(wǎng)絡訓練結(jié)束后，為了測試其網(wǎng)絡的泛化識別能力，對輸入樣本增加隨機數(shù)(隨機數(shù)范圍0～1之間)的10%的增量作為干擾來進行故障模式的識別。選取隨機數(shù)0.1的10%作為擾動量的識別結(jié)果如表2所示。

009.jpg

　　從表2中可以看出，SOM網(wǎng)絡除了第三組測試樣本的診斷結(jié)果與三電平逆變器的實際故障不符合以外，其余診斷結(jié)果完全正確。從中可以得出，SOM網(wǎng)絡具有較強的學習泛化能力。對已經(jīng)學習過的樣本，識別率為100%。因此，SOM神經(jīng)網(wǎng)絡能夠較好地識別三電平逆變器的各類開路故障，較好地完成逆變器的故障診斷。

4 結(jié)論

　　本文采用的被廣泛用于模式識別與分類領域的SOM網(wǎng)絡，不需要大量的樣本進行訓練，不僅減小了神經(jīng)網(wǎng)絡的規(guī)模，同時也縮短了網(wǎng)絡訓練的時間。通過對三電平逆變器的上、中、下3個橋臂電壓進行小波包分解提取各頻帶能量值，作為其相應的故障特征。實驗診斷結(jié)果表明，將SOM網(wǎng)絡應用于三電平逆變器的開路故障診斷中，不僅可以快速診斷出各故障模式的具體類型，其診斷精度也比較高，其故障模式分類效果很理想，為逆變器的在線故障監(jiān)測與診斷提供了一種很好的智能診斷算法。

　　參考文獻

　　[1] 肖剛.三電平逆變器故障診斷研究[D].西安：西安理工大學，2007.

　　[2] 湯清泉，顏世超，盧松升，等.三電平逆變器的功率管開路故障診斷[J].中國電機工程學報，2008，28(21)：26-32.

　　[3] 王俊年，龔明，王海乾.大功率逆變器的鍵合圖模型及故障診斷方法[J].湖南科技大學學報：自然科學版，2014，29(1)：24-28.

　　[4] GONZ?魣LEZ-CONTRERAS B M，RULL?魣N-LARA J L，VELA-VALD?魪S L G，et al.Modelling, simulation and fault diagnosis of the three-phase inverter using bond graph[C].Industrial Electronics，2007.ISIE 2007.IEEE International Symposium on.IEEE，2007：130-135.

　　[5] LEE J，KIM T，KANG D，et al.A control method for impro-vement of reliability in fault tolerant NPC inverter system[C].Power Electronics Specialists Conference，2006.PESC′06.37th IEEE.IEEE，2006：1-5.

　　[6] 陳丹江，葉銀忠.基于多神經(jīng)網(wǎng)絡的三電平逆變器器件開路故障診斷方法[J].電工技術學報，2013，28(6)：120-126.

　　[7] 楊勇，郭凱，馬西仃.基于小波包和支持向量機的提升機滾動軸承故障診斷研究[J].礦山機械，2012，40(11)：41-44.

　　[8] 王云亮，孟慶學.基于小波包能量法及神經(jīng)網(wǎng)絡的電力電子裝置故障診斷[J].電氣自動化，2009，31(2)：25-27.

　　[9] 張德豐.Matlab神經(jīng)網(wǎng)絡應用設計[M].北京：機械工業(yè)出版社，2012.


此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉(zhuǎn)載。