基于小波變換和神經網絡的PWM逆變電路故障診斷*

劉 玲

(四川工商學院，四川 成都 611475)

0 引言

隨著電力電子技術的發展，基于PWM逆變電路供電的電動機變頻調速系統在工業上、軌道交通領域應用廣泛。PWM逆變電路作為變頻裝置中電能變換的主體，應用場合復雜，在運行過程中要承受主要的電熱應力，故障率較高。

目前，對逆變電路的故障診斷研究取得了一定成果。文獻[1]將逆變電路的故障診斷方法分為基于電壓的方法和基于電流的方法。文獻[2]利用小波包分解從逆變器的上、中、下橋臂電壓提取出故障特征向量，再將特征向量輸入SOM神經網絡實現故障診斷。文獻[3]提出一種基于電流矢量特征分析的逆變器單開關管開路故障診斷方法。文獻[4]根據相電流平均值和平均絕對值殘差來進行故障診斷。本文以電壓型PWM逆變電路為研究對象，提出利用小波變換提取輸出電流的故障特征，以神經網絡實現故障模式分類的方法。

1 PWM逆變電路的開路故障分析

電壓型PWM逆變電路是由六個IGBT構成的三相全橋電路，其拓撲結構如圖1所示。功率器件的短路和開路是PWM逆變電路最頻發的故障。短路故障因存在時間短且影響嚴重，目前在逆變電路的驅動電路中已集成短路故障監測和過流過壓保護以減少短路故障帶來的危害[5]。與短路故障相比，功率器件的開路故障影響相對較小，系統故障響應比較慢，雖不會導致系統立即崩潰，但很容易引起系統其他部件的二次故障，造成更大的損失。為此，本文主要研究的是PWM逆變電路功率器件的開路故障。

圖1 PWM逆變電路主電路拓撲圖

由于實際中3個功率器件同時發生故障的概率較小，本文研究最多同時只有兩個功率器件發生開路故障的情況，根據故障類型可將開路故障分為5大類22種情況，如表1所示。

表1 逆變電路開路故障類型

由于難以直接獲得逆變電路的內部信息，因此一般通過檢測輸出電壓或輸出電流來判斷電路是否發生故障。與輸出電壓診斷法相比，輸出電流診斷法無需使用較多的傳感器，更具有優勢。

使用MATLAB中的Simulink建立仿真模型，并對22種故障類型進行仿真，獲得不同工況下輸出電流波形，部分故障仿真波形如圖2所示。

由圖2可知，與正常工況相比，故障工況下輸出電流的波形發生明顯畸變，而且在不同故障工況下由于故障位置的不同，引起輸出電流波形或缺相、或某相丟失大部分正半周或負半周的波形。由于不同故障對應的輸出電流波形有明顯不同，因此，可以從輸出電流波形中提取相應故障的故障特征。

2 基于小波變換的故障特征提取

小波分析實質是對被檢測信號的多帶通濾波，不同工況下的逆變電路輸出電流波形的各頻帶成分是不同的，通過分析輸出電流頻率分量的變化可以確定故障是否發生及進行故障定位。

本文選用db3小波基對逆變電路的輸出電流信號進行 6層分解，提取一個低頻系數和6個高頻系數。由于小波分解后高頻能量值相對低頻能量比較小，無法表征故障特征，故本文只提取各相輸出電流的低頻能量值。實驗中還發現，某些故障工況下，三相輸出電流的小波能量特征值僅略有不同，不宜區分，如T5開路和T6開路，T1T3開路和T2T4開路等。分析不同故障工況的仿真波形發現，不同故障下輸出電流波形在相位上有不同的體現，為此增設波形參數。假設波形參數為Qi(i=A,B,C)，以輸出電流波形的前半個周期中波峰值(p1)與后半個周期中波峰值(p2)比值大小來確定Q值，即：

圖2 部分故障仿真波形

由此，將三相低頻能量值與三相波形參數合并，構成相應故障的特征向量，如表2所示。

表2 開路故障的故障特征向量

基于小波變換提取的特征向量，與故障之間的對應關系是一種復雜的非線性映射，需要選擇合適的分類器來實現故障診斷。

3 基于BP神經網絡的故障診斷

BP神經網絡由輸入層、隱含層和輸出層組成，其核心是通過一邊向后傳遞誤差，一邊修正誤差的方法來不斷調節權值和閾值，以實現或逼近所希望的輸入輸出映射關系[6]。

3.1 神經網絡的搭建

網絡的隱含層和輸出層采用的神經元激活函數分別是正切S型傳遞函數(tansig)和對數S型傳遞函數(logsig)，訓練函數采用Levenberg-Marquardt(LM) 規則訓練的trainlm函數。

LM是一種改進的BP算法，具有局部收斂性和全局性，可克服傳統BP神經網絡收斂速度慢、易陷入局部極小值的缺陷[8]，其權值和閾值的調整率為:

(1)

式中J為誤差相對權值和閾值的雅可比矩陣，e(x)為誤差向量，μ是阻尼因子，I為單元矩陣。在LM算法中，每一次迭代就是尋找一個合適的μ。當μ很大時，式(1)就接近梯度下降法。由于LM算法提供了快速收斂的正則化方法，它的收斂速度比梯度下降法快得多。

3.2 神經網絡的訓練和測試

訓練神經網絡的目的是使其能夠對故障特征進行識別分類，從而完成對逆變電路的故障診斷。本文設定總誤差為0.001，訓練次數為2 000。由圖3可知，搭建的神經網絡經過61次訓練達到了目標誤差，且誤差僅為0.000 891。

圖3 網絡訓練結果示意圖

為了測試所搭建神經網絡的正確性，加入±10%電壓噪聲的非訓練樣本數據到已訓練好的BP神經網絡，部分測試樣本診斷結果如表3所示。經統計，測試樣本的故障診斷正確率達到96%。

表3 部分測試樣本輸出結果

通過分析故障診斷試驗結果可知，使用BP神經網絡可以實現對故障類型的準確定位。

4 結束語

本文提出了基于小波變換的故障特征提取和基于BP神經網絡的故障診斷方法，采用MATLAB實現電路仿真、故障特征向量提取和BP神經網絡的搭建，并進行故障診斷試驗。結果表明，將輸出電流進行小波分解，增補波形參數，可以很好地反映故障特征；基于BP神經網絡的故障分類器，能實現PWM逆變電路1只或2只IGBT開路故障的精確定位。該方法無需建立復雜的模型，具有故障特征提取簡單、診斷正確率高、診斷速度快的特點。