基于競爭神經(jīng)網(wǎng)絡(luò)的逆變器狀態(tài)識別方法研究

張 浩，李小波，張冬冬，張 程，汪 翔，吳竑霖

（上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院，上海 201620）

0 引 言

輔助逆變器是地鐵車輛的重要組成部分，為車內(nèi)的空調(diào)、風(fēng)機(jī)、照明等輔助設(shè)備提供電能。在輔助逆變系統(tǒng)工作過程中除去結(jié)構(gòu)性故障，濾波電容的軟故障較為突出。電容軟故障是指因自然老化或大電流充放電沖擊，導(dǎo)致電容存儲電荷能力衰退。目前針對軟故障診斷，主要包含特征提取與故障分類兩方面，特征提取是找出研究樣本中對軟故障較為敏感的參數(shù)，故障分類是通過提取出的參數(shù)進(jìn)行電路狀態(tài)識別。在輔助逆變電路故障診斷中，針對選取的測點信號常在頻域、時域以及時頻域上進(jìn)行故障特征參數(shù)提取，現(xiàn)有的輔助逆變電路診斷研究多集中于硬故障，故障特征參數(shù)有小波分解低頻系數(shù)、EEMD分解出的IMF分量、分形維數(shù)等。軟故障的研究相對較少，所選取的故障特征參數(shù)有小波包分解系數(shù)、VMD分解出的模態(tài)分量等。這些時頻域信號處理方法所提取故障特征參數(shù)對硬故障的診斷有較高的準(zhǔn)確率，但是并不能充分反映軟故障電路狀態(tài)平穩(wěn)信號的特點。

本文針對輔助逆變電路的狀態(tài)識別提出了基于時域特征提取的辦法，建立電路全體模式的模糊相似矩陣并采用競爭神經(jīng)網(wǎng)絡(luò)模型分類的方法識別軟故障，計算量小、過程簡單，無需復(fù)雜的變換與分解。

1 電路分析

1.1 輔助逆變電路仿真

輔助逆變供電系統(tǒng)的核心部分由輸入電路、逆變電路、濾波電路以及輸出電路組成。以上海地鐵明珠線為研究對象在MATLAB中搭建地鐵車輛輔助逆變器仿真模型，地鐵車輛輔助逆變電路原理如圖1所示，按照明珠線逆變器實際參數(shù)設(shè)置，其中直流電壓源為650 V，IGBT逆變橋的載波頻率為6 kHz，載波比為12，濾波電路部分濾波電感值為0.25 mH，阻值為2 mΩ；濾波電容部分為3個78μF的電容以及一個0.5μF的接地電容。為了接近實際電路，負(fù)載采用0.62Ω的電阻與1 mH的電感串聯(lián)而成的阻感負(fù)載。

圖1 輔助逆變電路原理圖Fig.1 Schematic diagram of auxiliary inverter circuit

1.2 電路狀態(tài)分析

電子電路故障可分為參數(shù)性故障和結(jié)構(gòu)性故障。參數(shù)性故障稱為軟故障，表現(xiàn)為元器件參數(shù)值偏離標(biāo)稱值的容差范圍，并不影響電路的正常工作且無明顯征兆，但會使系統(tǒng)性能發(fā)生偏離，存在安全隱患。隨著車輛運行，元件參數(shù)值偏離程度增大，軟故障就會轉(zhuǎn)化成硬故障，最終導(dǎo)致電路部分功能喪失，嚴(yán)重時可引起車輛的運行故障。在實際電路中電容并非理想元器件，存在等效電阻。隨著電容的使用時間增加，電容的電解液逐漸蒸發(fā)，引起電容值衰減以及等效串聯(lián)電阻阻值增大，造成電容失效，電力電子電路中電容的失效率高達(dá)60%。通常以電容值減少20%或超過初始值的2倍作為電容的失效判據(jù)，一般認(rèn)為電容容差在10%以內(nèi)屬于正常范圍，因此本文根據(jù)電容值衰減以及值增大，故障模式見表1。

表1 故障模式表Tab.1 Failure mode table

分別改變電容容量以及數(shù)值大小進(jìn)行電路仿真，電容正常情況、單個電容軟故障情況、單個電容值超出軟故障臨界值情況3種狀態(tài)下的逆變器輸出電壓波形，如圖2所示。可看出正常情況輸出波形為對稱的三相交流正弦波，軟故障波形與正常情況相比有輕微波動，超出軟故障臨界值的波形已產(chǎn)生明顯的畸變，電路功能受到影響。

圖2 輔助逆變器輸出電壓波形圖Fig.2 Auxiliary inverter output voltage waveform

2 時域特征參數(shù)

在信號的時域特征提取過程中，時域信號的相關(guān)指標(biāo)通常可分為有量綱參數(shù)與無量綱參數(shù)。通常地鐵車輛輔助逆變電路的軟故障信號十分微弱，難以識別，不同軟故障信號之間邊界模糊。為了避免不同時域特征單位尺度的差異性對后續(xù)數(shù)組相似度計算帶來影響，本文選用偏度因子、脈沖因子、裕度因子、峭度因子、波形因子、峰值因子這6個無量綱參數(shù)作為輔助逆變電路特征參數(shù)，以兼顧不同程度軟故障的敏感性和穩(wěn)定性，并構(gòu)造16種電路模式的特征向量。

表2列出了圖1中電容在、、故障模式下的a、b、c相的電壓信號的特征向量。

表2 三相電壓信號時域特征參數(shù)值Tab.2 Time domain characteristic parameter value of three－phase voltage signal

3 模糊相似矩陣

3.1 獲取數(shù)據(jù)

將不同模式下提取的時域特征參數(shù)設(shè)為一組特征向量。以為例，將a、b、c相電壓信號的6個時域特征參數(shù)依次排列組成一個特征向量，剩余故障模式的特征向量依次設(shè)為，，…，，則｛，，…，｝為所有故障模式的特征向量集合，其中每種故障模式又由18個時域特征表示其性態(tài)，即x＝｛x，x，…，x｝（1，2，…，16），這樣便得到了原始數(shù)據(jù)矩陣（x）。

3.2 建立模糊相似矩陣

在原始數(shù)據(jù)矩陣中，如果x與x的相似程度為r＝R（x，x），則稱之為相似系數(shù)。確定相似系數(shù)是建立模糊相似矩陣的關(guān)鍵，相似系數(shù)表征了樣本之間的相似程度。

本文選取歐氏距離法確定相似系數(shù)，具體方法如公式（1）所示：

其中，為使得所有r∈［0，1］（，1，2，…，16）的確定常數(shù)，可適當(dāng)選取。

首先計算樣本間歐氏距離，以樣本為例，其與各樣本間歐氏距離見表3。

表3 樣本間歐氏距離Tab.3 Euclidean distance between samples

最終計算發(fā)現(xiàn)所有樣本間歐氏距離均在區(qū)間0，1[ ]內(nèi)，因此將取值為1。求得相似系數(shù)后，最終確定模糊相似矩陣如下所示：

4 競爭神經(jīng)網(wǎng)絡(luò)

4.1 競爭神經(jīng)網(wǎng)絡(luò)原理概述

競爭神經(jīng)網(wǎng)絡(luò)的競爭學(xué)習(xí)過程是對輸入矢量的聚類過程。一個競爭神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可分為輸入層和競爭層，其中為其連接權(quán)值，如圖3所示。

圖3 競爭神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Competitive neural network structure diagram

其基本計算方法如圖4所示，輸入向量和輸入權(quán)值向量經(jīng)過‖ndist‖計算，計算后輸出是1維的列向量，列向量中各元素為向量與歐式距離的負(fù)數(shù)，之后再和一個閾值相加，得到作為競爭層傳輸函數(shù)的輸入，此時中最大的元素即認(rèn)為是競爭過程的獲勝者，競爭層傳輸函數(shù)輸出1，而其余元素輸出均為0。

圖4 計算方法圖Fig.4 Calculation method diagram

4.1.1 Kohonen權(quán)值學(xué)習(xí)規(guī)則

針對權(quán)值向量，競爭神經(jīng)網(wǎng)絡(luò)采用Kohonen學(xué)習(xí)規(guī)則進(jìn)行調(diào)整。假定第個神經(jīng)元獲勝，則輸入權(quán)值向量的第行元素按式（2）調(diào)整，而其他神經(jīng)元的權(quán)值不變。

其中，為學(xué)習(xí)率。

即前一個權(quán)值加上一個誤差項，通過這一調(diào)整過程，一些靠近輸入向量的神經(jīng)元權(quán)值向量被修正到更加靠近，因此當(dāng)獲勝的神經(jīng)元在遇到下一次相似的輸入向量出現(xiàn)時，獲勝的概率更高。從而在經(jīng)過越來越多的訓(xùn)練學(xué)習(xí)后，每一個網(wǎng)絡(luò)層中的神經(jīng)元的權(quán)值向量很快被調(diào)整為最接近某一類輸入向量的值，則具有相似輸入向量的各類模式作為輸入向量時就會獲勝，即對應(yīng)的神經(jīng)元輸出為1。

4.1.2 閾值學(xué)習(xí)規(guī)則

在競爭神經(jīng)網(wǎng)絡(luò)中，存在一些“死神經(jīng)元”，這類神經(jīng)元初始值偏離所有樣本向量，無論訓(xùn)練多久始終無法獲勝。

此時可以通過閾值調(diào)整，對一些輸入向量與權(quán)值相似性不高的神經(jīng)元賦予較大的閾值，使之具有獲勝的可能。而對于經(jīng)常獲勝的神經(jīng)元則賦予較小的閾值，這就意味著只有當(dāng)輸入向量與權(quán)值非常相似時神經(jīng)元才會響應(yīng)，對于從未獲勝的神經(jīng)元則不必如此。

4.2 競爭神經(jīng)網(wǎng)絡(luò)分類驗證

按照表1設(shè)置的故障模式，運行圖1所示仿真電路，并提取測點信號（輸出端三相電壓）的無量綱時域特征參數(shù)組成特征向量，在確定原始數(shù)據(jù)矩陣后計算樣本間的相似系數(shù)，最終將求得的模糊相似矩陣輸入競爭神經(jīng)網(wǎng)絡(luò)模型中，按照預(yù)設(shè)的正常狀態(tài)、軟故障以及失效狀態(tài)這3種電路分類，將競爭層個數(shù)設(shè)為3，學(xué)習(xí)率設(shè)為0.1。同時，將原始數(shù)據(jù)矩陣輸入相同的競爭神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行對比，分類結(jié)果見表4。

表4 分類結(jié)果對比Tab.4 Comparison of classification results

在采用模糊相似矩陣作為輸入時，16個樣本特征成功分為了3類，30次訓(xùn)練后即可達(dá)到93.75%的準(zhǔn)確率，與采用原始數(shù)據(jù)作為輸入相比減少了一定的訓(xùn)練次數(shù)。

競爭神經(jīng)網(wǎng)絡(luò)經(jīng)過對樣本模糊相似矩陣的學(xué)習(xí)，已經(jīng)大致具備了識別相似樣本的能力。接下來選取不同的電容的樣本集，即電容的電路狀態(tài)樣本的模糊相似矩陣，放入模型中進(jìn)行分類驗證，結(jié)果見表5。

表5 分類驗證結(jié)果Tab.5 Classification verification results

選取的兩組正常狀態(tài)下樣本對應(yīng)的故障模式、在第2競爭層獲勝，選取的兩組軟狀態(tài)下樣本對應(yīng)的故障模式、在第3競爭層獲勝，符合實際電路模式。因此，建立的競爭神經(jīng)網(wǎng)絡(luò)模型能夠準(zhǔn)確識別電路狀態(tài)識別。

5 結(jié)束語

本文提出一種基于時域參數(shù)的樣本特征提取，結(jié)合模糊聚類方法建立全體樣本特征的模糊相似矩陣并采用競爭神經(jīng)網(wǎng)絡(luò)模型對濾波電容進(jìn)行狀態(tài)分類，實現(xiàn)了對地鐵車輛輔助逆變器中濾波電容軟故障的診斷以及對電路狀態(tài)的分類。針對輔助逆變電路的狀態(tài)識別，提出了基于時域參數(shù)的特征提取方法，選取無量綱時域參數(shù)構(gòu)造特征向量，能直觀地表征測點信號的結(jié)構(gòu)特點并且計算量小，無需復(fù)雜的變換與分解；參考模糊聚類方法，利用歐氏距離計算出電路故障模式樣本間的相似系數(shù)，并建立模糊相似矩陣，對原始數(shù)據(jù)進(jìn)行處理；利用競爭神經(jīng)網(wǎng)絡(luò)進(jìn)一步實現(xiàn)電路狀態(tài)的分類，并分別對模糊相似矩陣以及原始數(shù)據(jù)進(jìn)行分類對比，在采用模糊相似矩陣作為輸入時可減少訓(xùn)練次數(shù)，最終的分類驗證結(jié)果與實際電路故障狀態(tài)符合。