鮑寧寧

摘 要：隨著科技信息技術(shù)不斷發(fā)展，電力電子技術(shù)廣泛應(yīng)用于工業(yè)生產(chǎn)領(lǐng)域以及國防軍事領(lǐng)域，一旦電力電子設(shè)備產(chǎn)生故障，不僅會造成系統(tǒng)損壞、裝置損壞，甚至可能對生命財產(chǎn)安全產(chǎn)生威脅。因此，電力電子設(shè)備故障檢測與故障診斷至關(guān)重要?？紤]到電力電子器件缺乏過載能力，損壞速度也比較快，但故障信息存續(xù)時間非常短，動態(tài)監(jiān)視與在線診斷至關(guān)重要。本文以基于神經(jīng)網(wǎng)絡(luò)與基于支持向量機電力電子裝置故障診斷為例，分析電力電子裝置故障診斷技術(shù)重要性，為提升電力電子裝置故障診斷有效性打下良好的基礎(chǔ)。

關(guān)鍵詞：電力電子裝置;故障診斷技術(shù);重要性;應(yīng)用

0 引言

電力電子技術(shù)飛速發(fā)展促使新型電力電子器件逐漸涌現(xiàn)，電力電子技術(shù)廣泛應(yīng)用于社會生活方面與工業(yè)生產(chǎn)方面。隨著電力電子設(shè)備應(yīng)用范圍逐漸擴大，這對設(shè)備維護性要求越來越高。在電力電子裝置中，大電流、高電壓功率器件比較多，在出現(xiàn)故障時，若是選擇常規(guī)檢測方式，那么需要耗費大量的時間和精力，那么就需要結(jié)合電力電子裝置特點，將新型技術(shù)應(yīng)用于電力電子裝置故障診斷活動中。有效故障診斷技術(shù)有利于實現(xiàn)故障部位與故障性質(zhì)的快速分析與確定，有利于縮短裝置運行停機的時間，提升電力電子裝置運行效率，盡可能降低損失。

1 電力電子裝置故障診斷相關(guān)理論

1.1 電力電子裝置故障診斷重要性

電力電子裝置屬于電工技術(shù)重要組成部分，借助電力電子器件與計算機控制技術(shù)有利于處理、變換大功率電能，屬于電力電子技術(shù)重要組成部分。從近些年來看，電力電子技術(shù)發(fā)展速度逐步加快并且廣泛應(yīng)用到直流傳動、電化學(xué)、電子開關(guān)、無功補償?shù)阮I(lǐng)域，市場占有率逐漸擴大，隨著電能在國民經(jīng)濟耗電量占比逐漸增加，電力電子裝置重要性可見一斑。一旦電力電子裝置產(chǎn)生故障，不僅損壞電子產(chǎn)品、交通癱瘓以及企業(yè)停產(chǎn)，還可能催生重大事故，造成人員方面?zhèn)觯瑸閲窠?jīng)濟正常運行提供保障。由此可見，電力電子裝置故障檢測至關(guān)重要。長期來看，由于人們很難提前對事故進行預(yù)測，只能等到設(shè)備出現(xiàn)故障后才能夠再維修，或者對設(shè)備的狀態(tài)進行定期檢查，避免出現(xiàn)故障，但兩種方式都存在非常嚴(yán)重問題，或者是造成巨大的經(jīng)濟損失，若是出現(xiàn)故障需要巨額維修費，否則可能造成災(zāi)難性事故及人員傷亡;或者是耗費巨大的人力與物力進行檢測。故障在線診斷有利于提升電力電子裝置運行效率，若是能夠在裝置故障早期就檢測隱患，那么可以提前采取措施。電子電力裝置故障診斷實用性比較強，由于故障發(fā)生實踐到停電時間間隔較短，在發(fā)生故障后，電子電力裝置保護系統(tǒng)自動運行，故障信息隨之消失，這就使得維修工作人員很難準(zhǔn)確判斷故障位置，及時故障診斷有利于防止故障擴大，有利于減少危害，總之，電力電子裝置故障診斷至關(guān)重要。

1.2 電力電子裝置故障診斷方法

1.2.1 基于解析模型故障診斷方法

基于解析模型故障診斷方式分為殘差產(chǎn)生、殘差評估與故障分析三步，解析模型方式分為狀態(tài)估計法、參數(shù)估計法，但很難實現(xiàn)非線性電力電子系統(tǒng)的建模。

1.2.2 基于知識故障診斷方法

以知識處理技術(shù)作為基礎(chǔ)，達到辯證和數(shù)理邏輯、推理和算法過程、符號和數(shù)值處理的統(tǒng)一，并不需要建?？刂葡到y(tǒng)，避免電力電子系統(tǒng)建模。目前，基于知識電力電子裝置故障排除方法有神經(jīng)網(wǎng)絡(luò)法、專家系統(tǒng)法、故障樹方法、模式識別法、人工智能法等。

1.2.3 基于信號處理故障診斷方法

信號處理指同信號相關(guān)的信號發(fā)生、信號傳送、信號接收、信號分析、信號處理、信號檢測以及信號控制等過程，借助信號模型實現(xiàn)信號分析，提取信號特征，優(yōu)化故障檢測?；谛盘柼幚砉收蠙z測方式包含頻譜分析法、信息融合法、小波變換法等。

2 基于神經(jīng)網(wǎng)絡(luò)電力電子裝置故障診斷分析

2.1 人工神經(jīng)網(wǎng)絡(luò)

所謂人工神經(jīng)網(wǎng)絡(luò)，是對神經(jīng)網(wǎng)絡(luò)行為的模仿，屬于處理分布式并行信息，人工神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力、自適應(yīng)能力比較強，通過預(yù)先給定一組到輸入輸出關(guān)系的數(shù)據(jù)分析，尋找數(shù)據(jù)見規(guī)律，由新輸入數(shù)據(jù)進行輸出結(jié)果推算，這屬于神經(jīng)網(wǎng)絡(luò)“訓(xùn)練”過程。人工神經(jīng)網(wǎng)絡(luò)非局限性、非線性、非凸性以及非常定性比較強，借助網(wǎng)絡(luò)變換、動力學(xué)行為獲得并行分布式信息處理，在不同程度、不同層次對人腦神經(jīng)系統(tǒng)信息處理功能進行模仿，有效克服傳統(tǒng)人工智能方法對知覺方面存在的缺陷，進而有效應(yīng)用于模式識別領(lǐng)域、神經(jīng)專家系統(tǒng)領(lǐng)域、組合優(yōu)化領(lǐng)域等。從近些年來看，人工神經(jīng)網(wǎng)絡(luò)飛速發(fā)展，這就使得人工神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于在線故障診斷中，神經(jīng)網(wǎng)絡(luò)憑借強大分類能力應(yīng)用于故障診斷中，實現(xiàn)故障分類與故障學(xué)習(xí)，提升故障診斷有效性。

2.2 人工神經(jīng)網(wǎng)絡(luò)在電力電子裝置故障診斷中的應(yīng)用方法

2.2.1 電力電子電路故障應(yīng)用

電力電子電路故障包含結(jié)構(gòu)性故障、參數(shù)性故障兩部分。結(jié)構(gòu)性故障主要是電感、電容、電阻及開關(guān)器件短路，特別是功率器件損壞而影響主電路的結(jié)構(gòu)。參數(shù)型故障則是電阻、電容等器件參數(shù)產(chǎn)生偏移和開關(guān)管性能劣化，造成裝置特性偏離。從電器元件角度來看，電器元件故障模式包含軟故障和硬故障。軟故障是電氣元件并未出現(xiàn)開路和短路，由于偏離正常范圍造成電路偏離。硬故障是電器元件開路和短路。實際電路中，硬故障較多，占電路故障80%以上。電力電子系統(tǒng)中，電容器性能和指標(biāo)對整個電力系統(tǒng)性能具有直接影響，故障發(fā)生率更高。

2.2.2 神經(jīng)網(wǎng)絡(luò)的應(yīng)用

神經(jīng)網(wǎng)絡(luò)在電力電子裝置故障診斷應(yīng)用過程中，首先需要結(jié)合電力電子裝置明確電路中可能出現(xiàn)的故障，將故障類型視作神經(jīng)網(wǎng)絡(luò)目標(biāo)輸出樣本，進而提出電路故障信號，這也為神經(jīng)網(wǎng)絡(luò)設(shè)立標(biāo)準(zhǔn)輸入樣本，借助學(xué)習(xí)規(guī)則實現(xiàn)樣本訓(xùn)練，最終獲得神經(jīng)網(wǎng)絡(luò)參數(shù)值，并且傳送給現(xiàn)實設(shè)備或者執(zhí)行機構(gòu)。故障特征提取、預(yù)處理與神經(jīng)網(wǎng)絡(luò)設(shè)計在其中至關(guān)重要。故障特征提取、預(yù)處理包含故障電路的信號分析、信號處理與預(yù)處理。因此，根據(jù)一定規(guī)則對電力電子裝置測試數(shù)據(jù)進行分類和壓縮，對故障特征、電路在不同狀態(tài)下統(tǒng)一故障特征的提取，明確該特征同元件故障無關(guān)，進而簡化故障特征，降低計算量，提升故障的診斷速度。在神經(jīng)網(wǎng)絡(luò)設(shè)計過程中，首先需要做好神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計，結(jié)合網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)明確輸入標(biāo)準(zhǔn)樣本與目標(biāo)輸出樣本，并且進行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的設(shè)計，訓(xùn)練輸入樣本的計算，確保神經(jīng)網(wǎng)絡(luò)達到輸出要求，將結(jié)果輸出呈現(xiàn)到顯示設(shè)備或者執(zhí)行結(jié)構(gòu)。

2.3 神經(jīng)網(wǎng)絡(luò)在電力電子裝置故障診斷中應(yīng)用

2.3.1 故障診斷信號選取方面的應(yīng)用

借助逆變電源電路選取，達到單個調(diào)制比的調(diào)節(jié)，同時對三相輸出電壓的調(diào)節(jié)，這樣逆變器內(nèi)任一相輸出電壓波形都能夠體現(xiàn)逆變器各類故障狀態(tài)，借助逆變器進行線電壓輸出，借此獲得故障特征信息。

2.3.2 特征信號歸一化

若是所有樣本輸入信號是正值，那么第一隱含層神經(jīng)元權(quán)值或者同時增加，或者同時減小，致使學(xué)習(xí)速度比較慢。為避免這種情況，那么就需要增加網(wǎng)絡(luò)的學(xué)習(xí)速度，大多數(shù)將特征信號數(shù)據(jù)實現(xiàn)歸一化處理，諸如，對數(shù)函數(shù)轉(zhuǎn)換、線性函數(shù)轉(zhuǎn)換等。

2.4 故障診斷網(wǎng)絡(luò)局限性

任何方式都具有局限性，神經(jīng)網(wǎng)絡(luò)也是這樣，其局限性主要體現(xiàn)以下兩點。

2.4.1 學(xué)習(xí)樣本要求高

神經(jīng)網(wǎng)絡(luò)故障診斷要求樣本數(shù)據(jù)盡可能包含多種故障模式，各類故障模式樣本不能出現(xiàn)沖突或者是矛盾，也就是樣本唯一性。為構(gòu)成樣本庫，那么需要龐大樣本數(shù)據(jù)。學(xué)習(xí)樣本應(yīng)用過程中，很難滿足其要求，已知故障樣本大多為小樣本數(shù)據(jù)，無論是數(shù)量方面，還是質(zhì)量方面，都無法滿足神經(jīng)網(wǎng)絡(luò)故障診斷對于學(xué)習(xí)樣本要求。

2.4.2 網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)參數(shù)難優(yōu)化

為優(yōu)化故障診斷模型，傳統(tǒng)故障診斷方式大多選擇“試湊”的方式，理論指導(dǎo)不足，因此，對使用者技巧依賴比較大。若是模型契合現(xiàn)有樣本，那么可獲得較好效果，否則可能致使網(wǎng)絡(luò)呈現(xiàn)局部最優(yōu)化，甚至可能出現(xiàn)無法最優(yōu)解。

3 基于支持向量機電力電子設(shè)置故障診斷分析

3.1 支持向量機

支持向量機是以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)的機器學(xué)習(xí)算法，與人工神經(jīng)網(wǎng)絡(luò)較為相似，支持向量機也可以看作學(xué)習(xí)機器，通過學(xué)習(xí)訓(xùn)練樣本，掌握樣本特征并且預(yù)測未知樣本，主要應(yīng)用領(lǐng)域為模式識別領(lǐng)域。由于目前研究并不完善，對解決模式識別也過于保守，并未得到足夠重視。20世紀(jì)90年代，統(tǒng)計學(xué)習(xí)理論與神經(jīng)網(wǎng)絡(luò)等新興機器學(xué)習(xí)方法不斷普及，這就為研究帶來巨大挑戰(zhàn)。隨著支持向量機迅速發(fā)展，目前應(yīng)用于很多領(lǐng)域，諸如，文本與手寫識別領(lǐng)域、生物信息學(xué)領(lǐng)域等。

3.2 基于支持向量機電力電子設(shè)置故障診斷

3.2.1 優(yōu)化支持向量機模型

支持向量機可視作單隱層前饋神經(jīng)網(wǎng)絡(luò)，隱層神經(jīng)元也就是支持向量，神經(jīng)元權(quán)值則可以借助二次規(guī)劃算法實現(xiàn)優(yōu)化獲得。

3.2.2 優(yōu)化支持向量機分類

支持向量機最初針對二類分類，漸漸推廣至多分類，特別是幾大類別的分類問題，諸如，一對多、一對一、SVM決策樹等，一對一指將一種樣本視作一個類別，其他類別樣本視作另一個類別，最終成為兩類分類問題，若是樣本數(shù)量比較大，那么訓(xùn)練難度非常大;一對一則是在多類別內(nèi)任意抽取兩類進行對比，最終轉(zhuǎn)化成為兩類問題訓(xùn)練。識別過程中構(gòu)成多分類器綜合判斷，大多借助投票方式進行多類識別。但一對一子分類器數(shù)量過多，測試過程中則需要每兩類比較，測試速度較為滯后;SVM決策樹往往與兒叉決策樹相融合，形成多類別識別器。但某一個節(jié)點出現(xiàn)分類錯誤，那么會造成錯誤延續(xù)，那么下一節(jié)點分類就喪失了意義。目前一對一與一對多的應(yīng)用范圍較為廣泛，但一對多方法的泛化能力比較差，同時訓(xùn)練時間和類比間呈正比。

3.3 神經(jīng)網(wǎng)絡(luò)與支持向量機的電力電子裝置故障診斷對比

神經(jīng)網(wǎng)絡(luò)目標(biāo)是風(fēng)險的最小化，屬于樣本為無窮大漸進理論，支持向量機以結(jié)構(gòu)風(fēng)險最小化為基礎(chǔ)，側(cè)重小樣本計算，學(xué)習(xí)算法基礎(chǔ)為統(tǒng)計學(xué)理論，神經(jīng)網(wǎng)絡(luò)與支持向量機無論是在理論基礎(chǔ)上還是在優(yōu)化目標(biāo)、學(xué)習(xí)算法等不同，致使神經(jīng)網(wǎng)絡(luò)與支持向量機在適用范圍、逼近能力以及泛化能力等方面存在差異。神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于解決復(fù)雜的非線性問題，但神經(jīng)網(wǎng)絡(luò)局部極小點、收斂速度慢等問題，致使神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷過程中是需要大量故障數(shù)據(jù)支撐，制約故障診斷中神經(jīng)網(wǎng)絡(luò)發(fā)展。支持向量機則憑借結(jié)構(gòu)風(fēng)險的最小化原則，考慮泛化能力與訓(xùn)練誤差，在小成本數(shù)據(jù)集、非線性問題等方面具有獨特優(yōu)勢，主要適用于故障診斷模型。

4 結(jié)語

電力電子裝置故障種類比較多，產(chǎn)生故障原因較多，若只依靠人工查找或者是維修人員經(jīng)驗進行故障定位，那么無法保證電力電子裝置順利運行，那么就需要構(gòu)建故障診斷系統(tǒng)提升電力電子裝置故障診斷有效性。電力電子裝置成為現(xiàn)代工業(yè)系統(tǒng)內(nèi)關(guān)鍵技術(shù)，不僅改造傳統(tǒng)產(chǎn)業(yè)，還高效利用于新型領(lǐng)域，為滿足用戶需求，電力電子裝置綜合化、自動化、智能化等要求逐步提升，裝置結(jié)構(gòu)愈發(fā)復(fù)雜，這就使得電力電子裝置故障發(fā)生具有并發(fā)性、不確定性以及非線性。電力電子裝置故障診斷技術(shù)有利于減少故障催生的設(shè)備停機實踐，若僅憑借維修人員排除故障，那么可能造成詳細故障信息不足而影響故障診斷效率。故障診斷技術(shù)能夠在短時間內(nèi)向維修人員提供裝置故障信息，準(zhǔn)確定位故障點，盡可能減少停機實踐，提升電力電子裝置可靠性。電力電子裝置在行業(yè)生產(chǎn)中具有非常重要的作用，這就對電力電子裝置可靠性要求比較高，否則可能造成巨大經(jīng)濟損失。

參考文獻

[1]陳石.電力電子系統(tǒng)故障診斷技術(shù)研究綜述[J].科技展望，2016，26（16）：53.

[2]蔡濤，段善旭，康勇.電力電子系統(tǒng)故障診斷技術(shù)研究綜述[J].電測與儀表，2008，（05）：5-11，52.

[3]彭濤.電力電子電路智能故障診斷技術(shù)研究[J].消費電子，2014，（2）：54-54.

[4]劉華姿，林明勇.虛擬儀器技術(shù)在電力電子裝置故障診斷中的應(yīng)用[J].機電技術(shù)，2008，（04）：58-61.