基于小波分析的逆變器故障診斷

針對電力電子電路故障的特點，以三相電力牽引逆變電路為例。采用db3小波基進行6層小波分析，提取不同小波系數的能量值，利用故障特征表確定故障的類型。利用matlab建立仿真模型，對逆變器開關故障進行仿真，結果表明該方法是有效可行的。

【關鍵詞】逆變器 故障診斷 小波分析

伴隨著電子技術的快速發展，電力電子技術也在不斷提高，特別是針對能量轉換的電子產品，在電力行業中得到了廣泛應用。隨著電力電子裝置在直流輸電、電力機車牽引等設備中長期使用，必然會導致電力裝置故障，為了保證電力裝置的高效安全運行，因此，對電力電子裝置的故障診斷以及采取相應的措施是亟需解決的問題。

本文采用SVPWM控制的三相逆變電路，采用db3小波基函數對各相電流信號進行6層小波分解，以求解小波系數，然后提取各相電流電壓的低頻能量譜和各項高頻能量譜，通過比較各能量值，從而對識別出不同故障的功率管，從而實現對電力牽引逆變器的故障識別。

1 小波分析故障識別診斷理論

目前的故障診斷大都基于傅里葉變換，在經典的傅里葉變換分析中，信號特征僅能在頻域中展現出來，而完全忽略了時域的相關特性。因而傅里葉變換存在著片面性，而且傅里葉變換還存在著一些理想的假設，如信號為平穩信號。而大部分復雜系統的故障信號都是非線性、非平穩，且為瞬變時變信號。

而我們可知小波分析是一種線性的時頻分析方法，其主要思想是將混合信號中的不同頻率成分信號逐漸劃分成不同頻率的信號，將不同頻率信號區分開來，因此，小波分析適用于分析復雜信號中時變狀態。

小波函數的定義：

設ψ（t）為平方可積函數，即ψ（t）∈L2（R），若其傅里葉變換ψ（ω）滿足如下允許條件：

（1）

則ψ（t）表示一個基本小波函數。將函數ψ（t）進行伸縮和平移變換后，構成小波序列如下：

（2）

式中，a為伸縮因子（尺度因子），b為平移因子。

根據小波分析特點，其時間尺度和頻域尺度都可變。當對混合信號中的高頻成分進行分析時，時間尺度會隨時間參數的變小而自動變窄，當對混合信號中的低頻成分進行分析時，時間尺度會隨時間參數的變大而自動變寬。因此，小波分析方法對時間和頻率上的突變特別敏感，針對性強。其可以較好的對復雜故障信號進行時頻域局部特征分析。因此，當電力牽引逆變器發生故障時，通過監測得到的信號中常常都帶有許多時變的突發信號部分，而小波分析對這種突變信號進行分析有比較好的針對性效果，能夠對故障信號進行診斷識別。

2 電力牽引逆變器故障分析

常用的三相逆變器電路圖如圖1所示。

逆變器一般常見的故障有：超電流故障、超電壓故障、超熱故障、超載故障等故障。據實踐經驗可知，電力元件的故障是絕大多數的控制系統不能正常工作的主要因素，同時也是致命的因素。由于逆變電路的組成比較復雜，因而其發生的故障的原因也是比較復雜的，故障情況也是相對比較多的。在這里，我們考慮控制系統在特定環境中運行時的常見故障類別。假設出現同時發生開路的晶閘管最多有兩只，因此，我們可將電力牽引逆變器功率器件的開路故障模式分為以下五大類：

第1類：正常狀態；

第2類：僅有一只功率器件發生故障，可將其分為T1-T6六種故障類型；

第3類：對稱的上下臂中的兩只功率器件都發生故障，可將其分為T1-T2，T3-T4，T5-T6三種障類型；

第4類：相同半橋的兩只功率器件都發生故障，分為T1T3，T2T4，T3T5，T4T6，T1T5，T2T6，六種故障類型；

第5類：相對的兩只功率器件都發生故障，分為T1T4，T2T3，T2T5，T1T6，T3T6，T4T5，六種類型。

由于電力牽引逆變器出現不同的故障類型時所表現出的低頻和高頻分量都有一定差異。我們可知對于非線性、非平穩的故障信號，其特征的頻率分布并不均勻，而是在一些頻率段有所側重，分布在一些比較敏感的區域頻段。因此，我們利用小波分析的多尺度多分辨率的特性，對故障信號進行特征分析，可以有效的對電力牽引逆變器故障信號進行特征提取，并進行故障分類識別。

詳細給出小波分析過程：在這里，采用db3小波基函數對故障信號進行6層小波分解分析，同時得到1個低頻系數以及6個高頻系數，然后對每個系數求解相對應的能量數量值。最后，我們將能量值按照一定順序排成列向量，這個向量也就是和某一故障類別相對應的特征向量Dn。通過對所有的故障信號進行小波分析后，得到總信號。可用表達式：

S=A6+D6+D5+D4+D3+D2+D1 （3）

以下是小波分析特征提取步驟：

（1）求解每個小波系數的總能量值。其可表示為：

（4）

其中j=0，1，…，7；k=1，2，…，n。

（2）特征向量表示。將能量值作為特征向量的一個元素，因此，特征向量T可以表示為：

T=[E0， E1， E2， E3， E4， E5， E6] （5）

3 實驗驗證

實驗使用Matlab仿真軟件。在文中以三相逆變器電路為例，仿真逆變器的每種故障工況，對輸出的故障信號進行10KHz采樣，然后通過小波分解求解小波系數并構造特征向量。在正常和每種故障工況運行下各對電流采用db3小波進行6層分解。

從圖3和圖4的小波分解波形圖中可以看出，當逆變器出現故障狀態時，每個分解系數都表現出不同的效果，表明小波分析可以有效的對故障信號進行特征提取并進行分類識別。

4 結論

小波分析對逆變器輸出的電流波形進行了小波變換分析，從電流波形中提取到了能量特征向量。通過分析對不同功率器件發生故障時能量特征向量，從而準確的判斷牽引逆變器故障。綜上可知，小波分析方法因其能夠較好的對時頻域局部特征以及對突變信號較強的鑒別特性，因此，能夠有效的對復雜的故障信號進行特征提取。該方法為電力牽引逆變器故障的檢測提供了一定的依據，為高速列車牽引供電安全提供保障。

參考文獻

[1]樊京路，易韻嵐.基于小波分析的光伏并網逆變器故障診斷[J].大功率變流技術，2014，05（5）：12-16.

[2]劉玲.牽引變流器故障診斷的研究[D].成都：西南交通大學，2010.

[3]Gonzalez M.Raison B，Bacha S. Fault diagnosis in a grid-connected photovoltaic system by applying a signal approach[J].IEEE Industrial Electronics Society，2011（6）：1354-1359.

[4]Song Kim.Fault detection algorithm of the photovoltaic system using wavelet transform[C].India International Conferenceon Power Electronics IICPE，2010：380-702.

[5]李鵬，陳永當，劉廣梅，等.小波分析在機械故障診斷中的應用[J].機電一體化，2013，10（20）：85-89.

[6]林飛，杜欣.電力電子應用技術的MATLAB仿真[M].北京：中國電力出版社，2011：129-200.

作者簡介

薛敏驊（1966-），女。碩士學位。現供職于上海廣電凱歌實業有限公司。主要研究方向為智能信息處理、智能控制。

作者單位

上海廣電凱歌實業有限公司 上海市 200062