H橋逆變器IGBT開路故障診斷方法研究

楊曉冬，王崇林，史麗萍

（中國礦業大學信息與電氣工程學院，江蘇徐州 221116）

H橋逆變器IGBT開路故障診斷方法研究

楊曉冬，王崇林，史麗萍

（中國礦業大學信息與電氣工程學院，江蘇徐州 221116）

針對H橋結構的逆變器中功率器件（insulated gate bipolar transistor，IGBT）開路故障的特點，提出了基于小波多分辨率分析、核主成分分析和最小二乘支持向量機的故障診斷方法。此方法選取半個基波周期的電容電壓平均值為原始信號，避免了負載變化對故障診斷的影響。首先利用小波多分辨率分析對原始信號進行多尺度分解提取出特征向量，然后利用核主成分分析方法來實現特征降維，最后建立了基于最小二乘支持向量機的故障分類器。在一臺660 V低壓靜止同步補償器試驗樣機上進行了試驗和分析，結果表明該方法具有良好的準確性和實時性。

H橋逆變器;絕緣柵雙極型晶體管;核主成分分析;最小二乘支持向量機;故障診斷

0 引言

近年來，基于H橋結構的逆變器因其模塊化、易于安裝、擴展方便等優點，在變頻調速、無功補償等領域得到了廣泛應用。具有容錯控制能力的逆變器系統能通過及時診斷系統中的故障，并在故障后主動重構系統的軟硬件結構，從而確保裝置在不損失性能指標或部分性能指標降低的情況下安全運行，近年來已經成為研究的熱點［1－5］，目前對于逆變器的容錯控制研究大都集中在拓撲結構和控制策略方面，而實現容錯控制系統的前提是準確定位故障，據此才能實現系統的容錯控制功能。

絕緣柵雙極型晶體管（insulated gate bipolar transistor，IGBT）是構成逆變器的核心器件，其發生故障將直接影響系統運行效果。本文將對IGBT故障診斷展開研究。IGBT的故障有短路和開路兩種，其中開路故障分為過流燒毀和驅動信號開路。而短路故障已有成熟的解決方案，一般集成于驅動電路［6］。目前IGBT開路故障的檢測方法主要有:

1）電流檢測法

文獻［7－8］利用信號處理的方法對系統中的電流量進行分析，來診斷單管開路和單相開路故障。缺點在于診斷時間最少為一個基波周期，不利于實時診斷。文獻［9－11］通過判斷平均電流的Park矢量的幅值和相位定位哪只IGBT出現故障。此種方法的缺點在于對負載變化敏感。

2）基于知識的方法

文獻［12－14］分別介紹了基于神經網絡、模糊神經網絡和模糊小波控制的故障診斷方法等。但其分析對象仍為系統中的電流量，不利于診斷的實時性。

針對IGBT開路故障的特點，綜合考慮診斷時間和準確率，本文提出了一種基于核主成分分析（kernel principal component analysis，KPCA）和最小二乘支持向量機（least squares support vector machines，LS－SVM）的故障診斷方法，首先對原始故障信號進行小波多分辨率分析（wavelet multi－resolution analysis，MRA）提取出特征向量，然后利用KPCA進行特征降維，最后以LS－SVM作為故障分類器。通過對一臺660 V低壓靜止同步補償器（static synchronous compensator，STATCOM）試驗樣機的研究和分析，表明此方法對IGBT的開路故障具有良好的診斷效果。

1 試驗平臺

本文以一臺660 V低壓STATCOM裝置為研究對象，其電路原理如圖1所示。

主電路拓撲結構如圖2所示，共有3個單相H橋單元，每個H橋單元由4個IGBT組成，共有12個IGBT。

對于IGBT的開路故障，本文通過控制DSP使相應的IGBT驅動信號接至無效電平，將其處于常斷狀態來實現。

圖1660 V低壓STATCOM裝置原理圖Fig.1Schematic of the 660V low voltage STATCOM

圖2 主電路拓撲結構圖Fig.2Diagram of the main circuit structure

基于H橋結構的逆變裝置由于各相采用獨立的電容當做直流電源，因此易于實現電容電壓的平衡。圖3給出了正常情況和IGBT發生開路故障時（圖中0.3 s處）的系統電流is、負載電流il、補償電流ic和電容電壓Udc的仿真波形，由圖3中可以看出若H橋中某一個IGBT發生開路故障時，只有其電容電壓波形會發生明顯變化，且在半個基波周期內再次趨于平衡。為保證診斷的準確性和實時性，本文以H橋半個基波周期的電容電壓為原始信號，對其進行小波分解來提取特征向量。為減少支持向量機輸入向量，本文以三相電容電壓的平均值為原始信號進行處理，一個周期的采樣點數為216。

圖3 系統電流、負載電流、補償電流和電容電壓Fig.3System circuit，load circuit，compensating current and capacitor voltage

2 故障特征提取技術

2.1 小波多分辨率分析提取故障特征

小波多分辨率分析實質是將信號在許多不同尺度上進行局部化分解，故也被稱為多尺度分析。若小波是正交的，則可根據Mallat的塔式分解算法按二分規律來實現二進正交小波分解［15］。

設由三相電容電壓采樣得來的電容電壓平均值為A，取半個基波周期共108個采樣點組成原始信號序列為A0=（fdn）n∈z，如圖4～圖7所示（限于篇幅這里只給出了正常情況、Ta1開路、Ta2開路、Tb1開路的波形，其中U為電容電壓平均值，t為時間）。

圖4 正常情況Fig.4Normal

圖5 Ta1開路Fig.5Ta1open circuit fault

圖6 Ta2開路Fig.6Ta2open circuit fault

圖7 Tb1開路Fig.7Tb1open circuit fault

定義A0序列Frobenius范數的平方‖A0‖2為信號的能量，則

經過J層分解以后

即原始信號的能量等于第J層低頻系數能量‖AJ‖2和各層高頻系數能量‖Dj‖2之和。因此可以選取各層高頻信號能量作為信號的特征向量，設EJ為第J層高頻小波分解序列DJ的能量，則有

其中，DJ（k）是第J層高頻小波分解序列的第k個分量，N是分量個數。

以各層高頻小波分解序列的能量組成特征向量，T=［E1，E2，…，EJ］。

通過對比研究發現以Daubechies小波對故障電壓信號進行8尺度小波分解，可以在保證故障診斷準確率的同時提高小波分解的容易程度和診斷速度。本文選取db40小波分解母函數，對半個基波周期的電容電壓平均值進行8尺度小波分解得到特征向量。對圖4～圖7信號進行8尺度小波分解得到特征向量如表1所示。

表1 故障類型及對應特征向量Table 1Fault types and corresponding eigenvector

不同故障類型的各尺度能量比較如圖8所示，由圖可以看出通過小波多分辨率分析進行8尺度分解得到特征向量是能夠區分不同故障類型的。

圖8 不同故障類型各尺度能量比較Fig.8Energy distribution comparison for different fault types

2.2 基于核主成分分析（KPCA）的故障特征降維

對于給定數據樣本集{T1，T2，…，Tn}，T∈Rn為系統輸入，即對原始信號進行小波多分辨率分析后得到的特征向量。引入非線性映射函數Φ，實現輸入空間到特征空間F的映射，即Φ（Τ1）、Φ（Τ2）、…、Φ（Τn），假設映射數據是零均值的，即

則在映射空間中的協方差矩陣為

在特征空間中，KPCA是求解如下特征問題

其中，λ是C的一個特征值，v∈F{0}是相應的特征矢量，將每個樣本與該式做內積，可得

并且存在參數αi（i=1，2，…，n），使得v由Φ（Τi），i=1，2，…，n線性表出，即

合并式（7）和式（8），并定義n×n階矩陣K，其元素為

則式（6）可等價表示為

其中，α=［α1，α2，…，αn］T。

式（6）的求解問題可以轉化為求矩陣K的特征值和特征向量。設λp是第一個不為零的特征值。

主成分提取的目的就是計算測試樣本在特征向量vk（k=1，2，…，n）上的映射。設T是一個測試樣本點，在F中的映射為Φ（T），則

眾所周知，一般PCA提取主成分的個數最多為輸入向量的維數N，而在KPCA中，如果樣本數量超過輸入維數，主成分提取個數可以超過輸入維數。

當式（4）的假設不成立時，需對映射進行調整，設

定義一個n×n階矩陣I，其中Iij=1/n，則

所得特征值為λi，且λ1≥λ2≥…≥λn。

主元λk的貢獻率為，前k個主元的累積貢獻率為。主元貢獻率的大小表示了該主元所攜帶的原始特征變異信息的大小，貢獻率越大，表明它對特征信息的解釋能力越強，對原始數據的綜合能力也越好［16－17］。

表2為每種故障類型的1組數據。

表2 故障類型及對應特征向量Table 2Fault types and corresponding eigenvector

對此樣本數據分別進行主成分分析（PCA）、p階多項式核主成分分析（KPCA1）和高斯徑向基核主成分分析（KPCA2），前4個特征值和累計貢獻率如表3所示。

表3 PCA、KPCA1和KPCA2的效果比較Table 3The comparison of effect between PCA，KPCA1 and KPCA2

由表3可以看出采用PCA方法，其第一主成分貢獻率僅為50.7%，前4個主成分的累計貢獻率為95.9%，降維效果不是很理想。而采用KPCA方法則可獲得更好的降維效果，無論采用何種核函數，第一主成分的貢獻率都達到98%以上。

為兼顧診斷準確率和診斷時間，在故障診斷實例中本文將采用KPCA2來處理數據，并選取前3個主成分的特征向量作為故障分類器的輸入。表2中的數據經過KPCA2處理后得到的特征向量如表4所示。

表4 故障類型及對應特征向量Table 4Fault types and corresponding eigenvector

3 基于最小二乘支持向量機的故障分類

支持向量機（support vector machine，SVM）因能在樣本很少的情況下具有較好的分類推廣能力，在故障診斷方面應用越來越廣泛［18－20］。標準的支持向量機算法是在線求解一個受約束的二次規劃問題，因此計算復雜性比較大。為此，Suyken等人提出了最小二乘支持向量機（LS－SVM），它將求解二次規劃問題轉化為求解線性方程組，降低了計算的復雜度。

根據結構風險最小化原則，LS－SVM的原始優化問題為

式中:w為權系數向量代表模型的復雜度;C∈R+是懲罰因子（調整函數的平滑性和訓練誤差）;b為決策超平面的偏置常數;ξ為松弛因子代表經驗誤差。

用拉格朗日法把此約束優化問題轉化為無約束優化問題

式中，虛線框內為核矩陣K。用最小二乘法求出系數αi和偏差b，得到非線性預測模型為

4 故障診斷實例和分析

原始信號采集由圖1的試驗平臺完成，數據處理和分析由一臺上位機（配置2G內存、CPU為Intel E5300 2.6 GHz）完成，兩者之間采用RS232串行通信方式。由于兩個或兩個以上IGBT同時發生開路故障的可能性很低，所以本文只考慮單個IGBT發生開路故障的情況，即故障類型有12種，加上無故障情況則共有13種類型。具體試驗步驟如下:

1）對3相H橋電容電壓進行采樣，每種故障類型按一定時間間隔（半個基波周期0.01 s）采樣50組數據。圖9給出了不同類型下的電容電壓波形（限于篇幅這里只給出了正常情況、Ta1開路、Tb1開路、Tc1開路波形，時間間隔為0.2 s）。

圖9 不同類型下的電容電壓Fig.9The capacitor voltage for different types

2）每種故障類型選取其中10組數據作為訓練樣本，對130組數據（10×13種故障類型）分別進行8尺度小波分解，得到130×8的能量矩陣Ttrain=［E1，E2，…，EJ］，其中E1代表第1尺度能量，E2代表第2尺度能量，以此類推。

3）對Ttrain進行高斯徑向基核主成分分析，徑向基參數σ取106，取前3個主成分的特征向量組成130×3的特征向量矩陣Vtrain。

4）將特征向量矩陣Vtrain及其對應的類標簽輸入最小二乘支持向量機（LS－SVM），進行分類學習。

5）將每種故障類型剩余的40組數據作為測試樣本，分別進行第2和第3步驟處理，得到測試樣本的特征向量矩陣Vtest。

6）將Vtest輸入學習好的LS－SVM，驗證故障分類器的性能。

為實現在線實時故障診斷，可以由以下步驟來完成:

1）對3相H橋電容電壓進行采樣，每隔一定時間間隔（半個基波周期0.01 s）采樣1組數據。

2）對此數據進行8尺度小波分解，得到Ti。

3）合并Ttrain和Ti，對其進行高斯徑向基核主成分分析，得到Vi。

4）將Vi輸入LS－SVM，得到分類結果。

表5給出了故障分類器的識別效果。

表5 各模型識別效果Table 5Recognition effects of different models

由表5可以看出采用KPCA方法進行故障特征降維的LS－SVM在保證診斷準確率的情況下，縮短了診斷時間，在不到一個基波周期即可診斷出結果。這樣可以使系統能夠迅速響應，運行相應容錯控制策略。

5 結語

針對目前IGBT開路故障診斷方法在診斷時間和負載改變時診斷準確率方面的缺點，本文以逆變器半個基波周期的電容電壓信號為研究對象，提出了MRA、KPCA和LS－SVM相結合的故障診斷方法。此方法以半個基波周期電容電壓信號作為原始信號來處理，在保留故障信號特征的同時又能保證診斷的實時性，并且減少了因負載變化而導致誤診斷情況。采用KPCA方法降維以后的特征向量作為LS－SVM故障分類器的輸入，在保證診斷準確率的前提下減少了診斷時間，同時繼承了傳統SVM分類方法小樣本學習的優點。通過實驗驗證了此方法的可行性，為IGBT開路故障診斷提供了一種新的診斷途徑。

［1］WENCHAO S，HUANG A Q.Fault-tolerant design and control strategy for cascaded H-bridge multilevel converter-based STATCOM［J］.IEEE Transactions on Industrial Electronics，2010，57 （8）:2700－2708.

［2］李寧，李穎暉，朱喜華，等.新型容錯逆變器的混雜系統建模與故障診斷［J］.電機與控制學報，2012（9）:53－58.

LI Ning，LI Yinghui，ZHU Xihua，et al.Hybrid system modeling and fault diagnosis of fault tolerant inverter［J］.Electric Machines and Control，2012（9）:53－58.

［3］LEZANA P，ORTIZ G，RODRIGUEZ J.Operation of regenerative cascade multicell converter under fault condition［C］//Control and Modeling for Power Electronics，August 17－20，2008，Zurich，Switzerland.2008:1－6.

［4］倪喜軍，趙劍鋒，曹武，等.級聯型逆變器故障狀況下的調制重構［J］.中國電機工程學報，2010，30（33）:16－22.

NI Xijun，ZHAO Jianfeng，CAO Wu，et al.Modulation reconfiguration of cascaded multilevel inverters under fault condition［J］.Proceedings of the CSEE，2010，30（33）:16－22.

［5］BARRIUSO P，DIXON J，FLORES P，et al.Fault-tolerant reconfiguration system for asymmetric multilevel converters using bidi-rectional power switches［J］.IEEE Transactions on Industrial E-lectronics，2009，56（4）:1300－1306.

［6］安群濤，孫力，趙克，等.基于開關函數模型的逆變器開路故障診斷方法［J］.中國電機工程學報，2010，30（6）:1－6.

AN Quntao，SUN Li，ZHAO Ke，et al.Diagnosis method for inverter open-circuit fault based on switching function model［J］.Proceedings of the CSEE，2010，30（6）:1－6.

［7］楊忠林，吳正國，李輝.基于直流側電流檢測的逆變器開路故障診斷方法［J］.中國電機工程學報，2008，28（27）:18－22.

YANG Zhonglin，WU Zhengguo，LI Hui.Inverter fault diagnose based on detecting DC side current［J］.Proceedings of the CSEE，2008，28（27）:18－22.

［8］肖嵐，李睿.逆變器并聯系統功率管開路故障診斷研究［J］.中國電機工程學報，2006，26（4）:99－104.

XIAO Lan，LI Rui.Research on the open-circuit fault diagnosis of transistor in inverter paralleling system［J］.Proceedings of the CSEE，2006，26（4）:99－104.

［9］MENDES A M S，CARDOSO A J M.Voltage source inverter fault diagnosis in variable speed AC drives，by the average current Park’s vector approach［C］//IEMD’99，May 9，1999，Seattle，WA.1999:704－706.

［10］秦娟英，王勝東.一種基于電流矢量軌跡的PWM逆變器故障診斷方法［J］.電子質量，2004，（4）:11－12.

QIN Juanying，WANG Shengdong.Fault diagnose on a PWM inverter based on current trajectories［J］.Electronics Quality，2004，（4）:11－12.

［11］CASEIRO J A A，CARDOSO A J M.Fault diagnosis on a PWM rectifier AC drive system with fault tolerance using the average current Park’s vector approach［C］//IEMDC’09，May 3－6，2009，Miami，FL，USA.2009:695－701.

［12］MARTINS J F.Unsupervised neural-network-based algorithm for an on-line diagnosis of three-phase induction motor stator fault［J］.IEEE Transactions on Industrial Electronics，2007，54 （1）:259－264.

［13］BALLAL M S.Adaptive neural fuzzy inference system for the detection of inter-turn insulation and bearing wear faults in induction motor［J］.IEEE Transactions on Industrial Electronics， 2007，54（1）:250－258.

［14］KHANNICHE M S.Wavelet-fuzzy-based algorithm for condition monitoring of voltage source inverter［J］.Electronics Letter，2004，40（4）:267－268.

［15］于飛，田玲玲，劉喜梅，等.基于小波多分辨率分析和主元分析的電力電子電路故障診斷［J］.華東理工大學學報，2006，32（9）:1113－1115.

YU Fei，TIAN Lingling，Liu Ximei，et al.Fault diagnosis of power electronic circuits based on wavelet multi-resolution analysis and PCA［J］.Journal of East China University of Science and Technology:Natural Science Edition，2006，32（9）:1113－1115.

［16］MALHI A，GAO R X.PCA-based feature selection scheme for machine defect classification［J］.IEEE Transactions on Instrumentation and Measurement，2004，53（6）:1517－1525.

［17］HE Q，YIBING L，PENG L.Kernel principal components analysis for early identification of gear tooth crack［C］//IEEE Proceedings of the 6th World Congress on Intelligent Control and Automation，June 21－23，2006，Dalian，China.2006:5748－5751.

［18］姜媛媛，王友仁，崔江，等.基于LS-SVM的電力電子電路故障預測方法［J］.電機與控制學報，2011，（8）:64－68.

JIANG Yuanyuan，WANG Youren，CUI Jiang，et al.Research on fault prediction method of power electronic circuits based on least squares support vector machine［J］.Electric Machines and Control，2011，（8）:64－68.

［19］彭文季，羅興锜.基于粗糙集合支持向量機的水泵機組振動故障診斷［J］.電工技術學報，2006，21（10）:117－122.

PENG Wenji，LUO Xingqi.Vibration fault diagnosis of hydroturbine generating unit based on rough sets and support vector machine［J］.Transactions of China Electrotechnical Society，2006，21（10）:117－122.

［20王德成，林輝.一種SVM不平衡分類方法及在故障診斷的應用［J］.電機與控制學報，2012（9）:48－52.

WANG Decheng，LIN Hui.Imbalanced pattern classification method based on support vector machine and its application on fault diagnosis［J］.Electric Machines and Control，2012（9）:48－52.

（編輯：劉琳琳）

Study of IGBT open-circuit fault diagnosis method for H-bridge inverter

YANG Xiao-dong，WANG Chong-lin，SHI Li-ping
（School of Information and Electrical Engineering，China University of Mining and Technology，Xuzhou 221116，China）

A new fault diagnosis method of insulated gate bipolar transistor（IGBT）open-circuit fault was proposed for the H-bridge inverter based on wavelet multi-resolution analysis（MRA），kernel principal component analysis（KPCA），and least squares support vector machine（LS-SVM）.To avoid the influence of load variation on fault diagnosis，the average value of capacitor voltage in a half fundamental period was chosen as the original signal.The features of the original signal were extracted by using the MRA.The feature dimensions were then reduced based on KPCA.Finally，the fault classifier was constructed via the LS-SVM.An experimental prototype of the 660 V STATCOM was built to test the proposed method，and the experimental results demonstrate the high accuracy and efficiency of the method.

H-bridge inverter;insulated gate bipolar transistor;kernel principal component analysis; least squares support vector machine;fault diagnosis

TP 277

A

1007－449X（2014）05－0112－07

2013－08－28

教育部高等學校博士學科點專項科研基金（20110095110014）

楊曉冬（1982—），男，博士研究生，研究方向為電力電子故障診斷;

王崇林（1956—），男，教授，博士生導師，研究方向為電氣安全與智能電器;

史麗萍（1964—），女，教授，博士生導師，研究方向為設備與電網運行及故障診斷、智能電器。通訊作者：楊曉冬