摘 要：針對三相PWM逆變器故障診斷的電流特性，以故障相電流作為故障信息，引入以電流平均值作為特征量的復(fù)合故障特征，并結(jié)合S_Kohonen神經(jīng)網(wǎng)絡(luò)的強(qiáng)大非線性分類能力，提出了一種基于S_Kohonen神經(jīng)網(wǎng)絡(luò)對三相PWM逆變器的故障診斷方法。仿真結(jié)果表明，該方法對三相PWM逆變器故障精確的定位和識別，并且具有較好的魯棒性。

關(guān)鍵詞：PWM三相逆變器；故障診斷；復(fù)合故障特征；S_Kohonen神經(jīng)網(wǎng)絡(luò)

引言

逆變器作為將直流轉(zhuǎn)換為交流的換流裝置，廣泛的應(yīng)用于國防軍事和工業(yè)生產(chǎn)中，其一旦發(fā)生故障，將可能會對裝置和設(shè)備造成損壞，造成經(jīng)濟(jì)損失，嚴(yán)重者更會威脅人身安全，因此對于逆變器故障問題應(yīng)給予高度重視。對逆變器進(jìn)行故障診斷具有重要意義[1-3]。

由于電力電子故障具有損壞速度快，故障信息存在時(shí)間也較短等特點(diǎn)，因此較為快速、準(zhǔn)確的地位和故障識別是至關(guān)重要的。目前，國內(nèi)外有不少學(xué)者對逆變器故障進(jìn)行研究，現(xiàn)有的故障診斷已有大量的診斷方法，其中針對提取的故障特征量進(jìn)行電流軌跡處理并結(jié)合BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的故障診斷方法[4]，該方法能有效地實(shí)現(xiàn)故障診斷，但需對特征量進(jìn)行坐標(biāo)轉(zhuǎn)換等處理，顯得較為繁瑣。文獻(xiàn)[5-7]等根據(jù)建立的模型實(shí)現(xiàn)的故障診斷方法，但是其需要建立精確的數(shù)學(xué)模型，否則會影響故障識別結(jié)果。

文章首先分析了三相PWM逆變器在不同故障下的故障特征量，然后以故障相電流作為故障信息，并結(jié)合三相電流平均值作為診斷的故障特征量，利用S_Kohonen神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性分類能力實(shí)現(xiàn)故障診斷。

1 逆變器的故障分析

圖1為三相電壓型逆變器的電路拓?fù)鋱D，該結(jié)構(gòu)圖廣泛的應(yīng)用于工業(yè)各領(lǐng)域，其開關(guān)管故障主要分為開路及短路故障，由于短路故障現(xiàn)已能準(zhǔn)確的定位和識別，文章以開路故障作為重點(diǎn)進(jìn)行研究。

針對三相逆變器的開路故障，其故障種類較多，但考慮到實(shí)際情況下的逆變器故障，可認(rèn)為三相PWM逆變器的開路故障分為單管故障和雙管故障，文章將正常運(yùn)行的逆變器也歸為一種特征故障，可分為5種故障類型，22種故障，其分類如下。

（1）逆變器正常運(yùn)行狀態(tài)； （2）只有一支功率管發(fā)生開路故障 VT1～VT6；（3）同一橋臂兩支功率管發(fā)生開路故障 VT14、VT36、VT25；（4）同一半橋兩支功率管發(fā)生開路故障VT13、VT24、VT35、VT46、VT15、VT26；（5）橋臂之間交叉功率管發(fā)生開路故障VT12、VT23、VT34、VT16、VT56、VT45。

針對以上開路故障，在仿真中將開路故障利用控制功率管觸發(fā)角進(jìn)行控制，將觸發(fā)角去掉作為相應(yīng)功率管的開路故障。在在Matlab7.01 Simulink6.1中搭建相應(yīng)的仿真模型。直流電壓源電壓設(shè)置為530V，負(fù)載側(cè)RLC模塊有功功率1kW，無功功率100Var。由于篇幅原因，這里僅列出T16故障時(shí)三相電流波形圖，見圖2。

從圖2可以看出，在相應(yīng)功率管發(fā)生故障時(shí)，其對應(yīng)相的電流會缺失對應(yīng)的半波，其他故障類型的三相故障電流均有此特點(diǎn)，只有在同一半橋兩只功率管發(fā)生故障時(shí)，由于會影響到正常相的導(dǎo)通會使非故障相電流半波丟失。

2 基于平均值的復(fù)合特征量提取

在上文搭建的仿真模型中，對22種開路故障進(jìn)行仿真，并對每種故障利用MALTAB示波器提取三相電流采樣點(diǎn)每相200個(gè)共600個(gè)點(diǎn)作為故障特征量，考慮到在實(shí)際情況下有噪聲干擾等因素的影響，文章采用各相電流平均值作為部分特征量，其中對平均值T提取如（1）式：

（1）

其中N為每周期電流采用點(diǎn)數(shù)。

對各類開路故障代碼及部分平均值列于表1，由于篇幅原因在表1中未列出故障時(shí)A、B、C三相各相波形采樣點(diǎn)。

由表1及三相特征點(diǎn)可以看出，22種開路故障下的共603個(gè)特征向量之間具有非常復(fù)雜的非線性關(guān)系，需要利用智能算法進(jìn)行故障識別。

3 基于Kohonen神經(jīng)網(wǎng)路的逆變器開路故障診斷實(shí)現(xiàn)

Kohonen神經(jīng)網(wǎng)絡(luò)是由芬蘭教授Teuvo Kohonen提出的無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由自組織特征映射調(diào)整網(wǎng)絡(luò)權(quán)值，使神經(jīng)網(wǎng)絡(luò)收斂于一種表示形態(tài)。Kohonen網(wǎng)絡(luò)主要由輸入層及競爭層組成，如圖3所示。

Kohonen神經(jīng)網(wǎng)絡(luò)可以通過在競爭層后添加一層輸出層，構(gòu)成S_Kohonen網(wǎng)絡(luò)，變?yōu)橛斜O(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)，用以實(shí)現(xiàn)故障分類，其中文章輸入層節(jié)點(diǎn)數(shù)為603即故障特征量，由于競爭層選擇一般要大大多于實(shí)際輸入類別，文章選擇競爭層節(jié)點(diǎn)數(shù)為81個(gè)，輸出層即各種種類為22。在輸入層、競爭層、輸出層之間均有權(quán)值連接，通過訓(xùn)練對權(quán)值進(jìn)行調(diào)整，調(diào)整方式如式（2）、（3）：

其中η、η2為學(xué)習(xí)概率；Wij為輸入層與競爭層之間的權(quán)值；Xi為輸入特征量；Wjk為競爭層與輸出層權(quán)值；Yk為樣本所屬類型。

由于在實(shí)際情況中會遇到噪聲等周圍環(huán)境的影響，文章對提取的22種故障每種故障50組共1100組數(shù)據(jù)，分別加入SNR（信噪比，signal-to-noise ratio）為20dB、10dB和5dB的高斯白噪聲，用以模擬在實(shí)際運(yùn)行情況中的逆變器故障診斷，并利用S_Kohonen神經(jīng)網(wǎng)絡(luò)的非線性分類能力進(jìn)行故障診斷，在進(jìn)行加噪處理的1100組數(shù)據(jù)中，用660組數(shù)據(jù)作為訓(xùn)練樣本，剩下的440組數(shù)據(jù)進(jìn)行，由于篇幅原因只列出在10dB情況下的診斷結(jié)果圖，其他噪聲下診斷結(jié)果如表2。

由表2故障診斷正確率可以看出，復(fù)合平均值故障特征量結(jié)合S_Kohonen神經(jīng)網(wǎng)絡(luò)對三相PWM逆變器進(jìn)行故障診斷，診斷正確率明顯優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，尤其是在噪聲較大的環(huán)境中，說明復(fù)合平均值故障特征量結(jié)合S_Kohonen神經(jīng)網(wǎng)絡(luò)具有正確率高，抗噪能力強(qiáng)等特點(diǎn)。

4 結(jié)束語

針對三相PWM逆變器的開路故障，文章首先以各相電流平均值結(jié)合各相波形采樣點(diǎn)作為復(fù)合故障特征量，結(jié)合S_Kohonen神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性分類能力進(jìn)行分類，仿真結(jié)果表明該方法能準(zhǔn)確的定位和識別故障，并具有較高的魯棒性等特點(diǎn)。

參考文獻(xiàn)

[1]王萍，孫雨耕，許會軍.逆變器直流側(cè)諧波分析與有源補(bǔ)償[J].中國電機(jī)工程學(xué)報(bào)，2005，25（14）：52-56.

[2]孫馳，馬偉明，魯軍勇.三相逆變器輸出電壓不平衡的產(chǎn)生機(jī)理分析及其矯正[J].中國電機(jī)工程學(xué)報(bào)，2006. 26（21）：57-63.

[3]Bruendlinger R， Bletterie B，Milde M， et al.Maximum power point tracking performance under partially shaded PV array conditions[J].Proc.21st EUPVSEC，2006：2157-2160.

[4]梅雪峰，鄭建勇，梅軍，等.基于電流軌跡和神經(jīng)網(wǎng)絡(luò)的逆變器故障診斷方法[J].電測與儀表，2010（4）：5-8.

[5]Cat el lan i S， S aadi J， C ham pen oi s G. Monitoring of a st at ic con verterf ed machine using average reference models[A].IFAC SafeProcess.91[C].Baden-Baden， Germany，1991.

[6]Berend sen C S， Cham p enois G， Davoine J， et al. How to detect andto localize and to l ocal ize a f aul t in a dc/dc con vert[A].IEEE-IECON.92[C].1992.

[7]Smith K S， Li R， Pem man J.Real-time d et ection of int erm it tentm isf iring in a volt age-fed PWM invert er in duct ion-mot or dri ve[J].IEEE，T ransact ion. Ind. Electron，1997，44（ 4）：1201-1211.