基于改進BP神經網絡的牽引變流器故障診斷

孟苓輝，王 磊，徐春梅，劉志剛

（北京交通大學 電氣工程學院，北京 100044）

牽引變流器是地鐵機車能量轉換的關鍵部件，主要由大功率半導體開關器件組成，它的正常與否直接關乎機車的安全運行與鐵路的安全運營，而開關管的故障是變流器的主要故障，因此，對變流器開關管的故障研究，對地鐵機車的安全運行具有重大意義。

1 牽引變流系統及故障模式的分析

1.1 牽引變流器拓撲簡圖

圖1 地鐵牽引逆變器拓撲簡圖Fig.1 Structure diagram of the subway traction inverter

1.2 牽引變流器故障模式集的提取

機車的牽引變流器通常工作在大電壓、大電流的條件下，在IGBT開通與關斷的過程中，電路的電流變化率很大，繼而由于回路中的分布電感而產生的電壓尖峰也很大，大大增加了開關管過壓損壞的可能性；同時，在高頻開關狀態下，特別是在高電壓、大電流條件下IGBT發熱造成過溫的可能性更大，發熱嚴重，更容易引發故障[1]。因此，文中主要診斷開關管IGBT的故障，而開關管的故障主要分為開關管的開路故障和短路故障，而開關管短路故障發生時，由于過流保護開關管最終變為開路，因此主要診斷開關管IGBT的開路故障。

2 BP神經網絡模型

BP神經網絡（Back-Propagation Network）是將誤差信息反向傳播，對非線性可微分函數進行權值訓練的最具代表性的多層前饋型神經網絡[2]。

BP算法的數學描述如下：設xi和yi分別為神經網絡的輸入和輸出，Oij為網絡第i層第j個神經元的輸出，netij為網絡第層第j個神經元的總輸入，wijk為網絡第層第j個神經元到第i+1層第k個神經元的連接權值，θij為網絡第i層到第j個神經元的閾值，Ni為網絡第層神經元的節點數。

網絡的前饋計算公式為：

其中，fs（·）為各節點的激活函數，一般選用Sigmoid激活函數。

定義誤差為：

網絡的目標誤差為：

權值的修正應使目標函數E減小，即網絡的權值沿E函數梯度下降的方向修正，即通過對普通BP算法進行改進，可以得到動量BP算法，其權值修正公式如下：

其中，λ 是動量因子，一般取接近 1 的數；λΔωij（n）是附加動量項，利用附加動量項可以平滑梯度方向的劇烈變化，增加算法的穩定性。實際計算中，學習速率η選取過大或過小都不能使網絡收斂達到理想的效果；而動量因子λ取得過大也可能導致網絡發散，過小則使網絡收斂速度太慢。

3 基于神經網絡的變流器故障診斷模型的建立

3.1 故障特征參數的選取

開關管發生故障時，電流變化量最明顯，所以，考慮在負載一定的條件下，根據電流的相應變換進行變流器主回路開關管故障的診斷。用matlab對各種正常和故障情況下進行仿真，正常情況下三相電流波形基本上是中心對稱的，即：

而當發生故障時，如開關管1發生故障，波形如圖2所示。

圖2 開關管故障時三相電流輸出波形Fig.2 The three-phase fault output waveform of the switch tube

很容易發現在故障時波形已經明顯畸變，因此整周期內積分不再是零，為了使輸入樣本具有可比性，而且便于神經網絡的運算處理，我們對其標幺化，由于電流的有效值如式（7）：

以此作為診斷開關管故障的切入點，并通過仿真讀取故障樣本數據，將其輸入神經網絡進行學習，最終完成對6個開關管開路故障的診斷[3]。

3.2 開關器件診斷學習樣本空間的建立

變流器三相橋臂上一共6個開關管，為了降低神經網絡對樣本學習的復雜性，提高診斷的準確性，只對6個開關管單管故障進行診斷，其他情況以此類推[4]。由于23=8＞6，所以用三位二進制數X3X2X1對變流器的故障進行編碼，具體編碼方式如表1所示。

3.3 神經網絡診斷模型的建立與仿真

本文選用三層BP神經網絡對變流器開關管開路故障進行診斷[5]。根據三相電流的特征值進行分析診斷，即N1=3；隱層節點數根據 N2=2N1+1=7，N3=3， 設定 λ=0.9，ηmin=0.05，ηmax=1，e=0.01，網絡隱層采用正切 S 型（tansig）激活函數，輸出層采用對數S型（logsig）激活函數。用MATLAB神經網絡工具箱[6]生成神經網絡，采用Trainlm算法進行訓練。

表1 開關管故障編碼表Tab.1 Structure diagram of the Switch tube fault code

訓練的輸入參數為p1為：

訓練過程如圖3所示。

選取隱層節點數為7，初始學習率為0.2，動量項系數為0.9的神經網絡作為變流器開關管的故障診斷比較理想[7]。圖3為這一網絡的學習過程中的誤差收斂曲線，從圖3看出，誤差收斂到1e-4以下，滿足期望的要求[8]。

圖3 BP神經網絡訓練樣本收斂曲線Fig.3 The BP neural network training samples’convergence curve

神經網絡經過訓練后，凍結網絡的權值和閾值，對神經網絡輸入實際故障樣本數據進行測試，實際輸出和期望輸出值對比表如表2所示。

表2 神經網絡的實際輸出和期望輸出對比表Tab.2 Contrast diagram of the neural network’s real output and the expected output

通過對神經網絡輸入測試樣本，并對網絡的輸出進行模糊化處理，通過將輸出值的故障代碼與故障編碼表進行對比分析：網絡的期望輸出與實際輸出一致，由此可見本文提出的方法是切實可行的[9]。

4 結 論

文章主要針對變流器開關管的開路故障，通過對故障模型的仿真，對比分析提取出故障特征，并基于改進訓練樣本的歸一化方法[10]，將樣本歸一化到[0，1]區間，采用動量BP算法，再對故障進行編碼，建立了故障樣本空間，網絡經過學習訓練快速收斂到誤差規定范圍內，輸入測試樣本，經過模糊處理后的故障代碼與實際故障相對應，正確率100%，因此說明該算法收斂速度快、穩定，而且故障診斷的準確率很高。

[1]劉志剛.電力電子學[M].北京:清華大學出版社，北京交通大學出版社，2004.

[2]傅薈璇，趙紅.MATLAB神經網絡應用設計[M].北京:機械工業出版社，2010.

[3]肖剛.三電平逆變器故障診斷研究[D].陜西：西安理工大學，2006.

[4]魏志磊，蘇宏升，李全林.基于遺傳神經網絡的電力機車主變流器故障診斷[J].電氣傳動自動化，2010，32（4）:17-20.

WEI Zhi-lei，SU Hong-sheng，LI Quan-lin.Fault diagnosis of electric loco-motive lord’s converter based on genetic neural network[J].Electric Transmission and Automation，2010，32（4）:17-20.

[5]孫召瑞，賈友軍，房玉勝，等.MATLAB神經網絡工具箱在故障診斷中的應用 [J].蘭州工業高等專科學校學報，2004，11（4）：12-15.

SUN Zhao-rui，JIA You-jun，FANG Yu-sheng，et al.The application of MATLAB neural network toolbox in fault diagnosis[J].Lanzhou Polytechnic College Journals，2004，11（4）:12-15.

[6]王仲生.故障智能診斷與容錯控制[M].西安：西北工業大學出版社，2005.

[7]YIN Shi-rong.Application of BP neural network in analog circuits diagnosis[C]//International Conference on Computer Application and System Modeling，2010 ICCASM.

[8]Somayajula S S.A neural network approach to hierarchical analog fault diagnosis[C]//AUTOTESTCON93.IEEE Systems Readiness Technology Conference Proceedings，1993:699-706.

[9]Mariani L，Pastore F，Pezze M.Dynamic analysis for diagnosing integration faults [C]//IEEE Transactions on Software Engineering，2011:486-508.

[10]HU Qing，WANG Rong-jie，ZHAN Yi-ju.Fault diagnose technology of power electricbased on neural network[C]//The 3rdInternational Conference on Innovative Computing Information and Control，2008 IEEE.