魏念巍,姜媛媛,陳李,賈漢坤,張振振

(安徽理工大學(xué) 電氣與信息工程學(xué)院,安徽 淮南,232001)

Boost變換器已廣泛用于DC-DC和AC-DC電源轉(zhuǎn)換中,作為開關(guān)電源以實(shí)現(xiàn)所需的電能轉(zhuǎn)換,例如海上風(fēng)電系統(tǒng)[1]、太陽能光伏(PV)系統(tǒng)[2]和功率因數(shù)校正(PFC)轉(zhuǎn)換器[3]等。作為開關(guān)電源的核心部件,Boost變換器發(fā)生故障會導(dǎo)致電路性能發(fā)生變化,電子設(shè)備功能發(fā)生失效,甚至可能會導(dǎo)致整個系統(tǒng)的故障,造成巨大經(jīng)濟(jì)損失[4]。因此，正確診斷Boost變換器發(fā)生的故障能夠及時明確整個電路的運(yùn)行情況,及時進(jìn)行維護(hù)。

Boost變換器故障大致可分為結(jié)構(gòu)故障(硬故障)和參數(shù)故障(軟故障)。硬故障主要是指開路故障和短路故障,軟故障是指電路中元器件的參數(shù)退化所導(dǎo)致的電路性能下降[5-6]。導(dǎo)致系統(tǒng)發(fā)生故障的元器件主要是:鋁電解電容、功率MOSFET、肖特基二極管和電感。其中，不同的元件的退化情況對系統(tǒng)整體性能的影響程度也不同,發(fā)生故障概率最大的是電解電容器,其失效率達(dá)到60%。為提供用于電流紋波的低阻抗路徑并保持轉(zhuǎn)換器的穩(wěn)定性,Boost變換器中使用了輸出濾波電容。鋁電解電容擁有高額定電壓、低成本和高容積等優(yōu)點(diǎn)被廣泛應(yīng)用,在這種情況下通常首選鋁電解電容作為濾波電容[7-8]。故本文對Boost變換器的軟故障診斷主要是研究電解電容退化引起的參數(shù)故障。

Boost變換器的故障診斷方法主要分為基于模型的方法和基于知識的方法[9]。基于知識的故障診斷方法利用機(jī)器學(xué)習(xí)算法,無需建立系統(tǒng)的精確模型,應(yīng)用較多。基于知識進(jìn)行故障診斷的前提是準(zhǔn)確地提取故障特征,采用時域或頻域分析提取故障信號中的故障特征[10]。目前,電力電子電路的故障特征提取方法主要有快速傅里葉分解法、高階譜法、小波變換模極大值法和小波包能量譜法等；選取的故障信號主要有輸出電壓、電容電流、電容電壓、電感電流、電感電流導(dǎo)數(shù)等[11-13]。在信息論中,Shannon熵描述每個符號所提供的平均信息量和信源的平均不確定性[14]。本文選取Boost變換器的輸出電壓作為故障信號,使用小波包Shannon熵確定小波包分解的層數(shù),提取小波包能量構(gòu)建故障特征向量,選擇支持向量機(jī)(support vector machine,SVM)[15-16]作為分類器進(jìn)行訓(xùn)練和測試實(shí)現(xiàn)Boost變換器的軟故障診斷。

1 小波包Shannon熵

1.1 小波包分解

小波分解在分解的過程中只對低頻信號再分解,對高頻信號不再實(shí)施分解,使得它的頻率分辨率隨頻率升高而降低。小波包分解基于小波分解進(jìn)一步發(fā)展而來,將頻帶部分多層次劃分,對小波分解沒有細(xì)分的高頻部分進(jìn)一步分解,并能夠根據(jù)被分析信號的特征,自適應(yīng)地選擇相應(yīng)的頻帶,使之與信號頻譜相匹配,從而提高了時頻分辨率,有助于獲得信號更細(xì)節(jié)的信息,相對于小波分解來說是一種更精細(xì)的分解方法。典型小波包分解示意圖如圖1所示。

圖1 小波包分解示意圖

圖中F為原始信號,進(jìn)行n層分解即可得到相應(yīng)的低頻分量Fn,0和高頻分量Fn,i(i=1,2,…,2n-1),從上至下分別為進(jìn)行1～3層小波包分解后的分量。

1.2 Shannon熵

Shannon熵值實(shí)際上反映了其概率分布的均勻性,即信號的概率分布越接近于無序的分布,其熵值越大。

1.3 小波包Shannon熵

小波包分解的實(shí)質(zhì)就是將一個信號分解為高頻分量和低頻分量并逐級分解下去,細(xì)分整個頻帶以較好地觀察各頻帶分量,提取故障特征量。對故障信號進(jìn)行n層小波包分解,則故障信號分解為2n個分量。選擇小波包分解后各個分量小波包系數(shù)的平方和作為小波包能量,則各分量的小波包能量為

(1)

pi=Ei/Etotal

(2)

2 基于小波包Shannon熵的故障診斷

2.1 故障模式分析

電解電容器是電力電子轉(zhuǎn)換器中最易損壞的組件。本文以圖2所示的Boost變換器為例,研究Boost變換器電解電容的軟故障。

圖2 Boost變換器的主電路

圖中L為電感線圈,RL為電感等效電阻,Q和D分別為MOS管和續(xù)流二極管,C為電解電容,其等效串聯(lián)電阻為RC,R為負(fù)載。電路中電解電容電解液的蒸發(fā)是導(dǎo)致電容失效的關(guān)鍵因素,隨著電解液的蒸發(fā),等效串聯(lián)電阻RC增大,電容C減小，這將導(dǎo)致電壓紋波增加,額外功率損耗,轉(zhuǎn)換器工作不穩(wěn)定。一般來說,一旦C降低到80%或RC增加到初始值的2到3倍,電解電容器則視為失效。電路中電解電容的標(biāo)稱值為220 μF,其等效電阻為0.18 Ω。將電解電容退化程度分為10種,電容退化了2%～20%。同時，考慮電容等效電阻增大,設(shè)置故障模式如表1所示。其中，f0為正常模式,電解電容沒有發(fā)生退化,f1～f10這10種故障模式對應(yīng)電解電容的10種退化程度。

表1 Boost變換器電解電容軟故障模式

2.2 故障特征提取

使用小波包分解可以將故障信號分解為低頻分量和高頻分量,小波包分解的層數(shù)過多時會造成過分解,不僅會增加計(jì)算量,并會造成信號中的有用信息丟失；當(dāng)分解層數(shù)過少時,會造成欠分解,無法有效進(jìn)行故障特征提取。因此，選擇合適的分解層數(shù)對后續(xù)的處理有很大影響。由小波包能量Shannon熵確定故障信號進(jìn)行小波包分解的層數(shù)并故障特征向量的步驟如圖3所示。

圖3 故障特征提取步驟

首先根據(jù)小波包Shannon熵確定最優(yōu)的小波包分解層數(shù)n,對故障信號進(jìn)行n層小波包分解,根據(jù)式(1)和式(2)求出每個分量的相對小波包能量作為故障信號的故障特征,最后以相對小波包能量構(gòu)建故障特征向量如下：

T=[p1,p2,…,p2n]

2.3 故障診斷

采集Boost變換器的輸出電壓作為故障信號,根據(jù)小波包Shannon熵確定小波包分解層數(shù)后對故障信號進(jìn)行小波包分解,提取小波包能量構(gòu)建故障特征向量,使用SVM分類器進(jìn)行診斷。故障診斷過程如圖4所示。

圖4 故障診斷過程

采集每種故障模式下的Boost變換器的輸出電壓作為故障信號,選擇小波包Shannon熵最小的小波包分解層數(shù)n,對采集的故障信號進(jìn)行n層小波包分解后提取每個分量的相對小波包能量作為故障特征,以提取的故障特征構(gòu)建Boost變換器的故障特征向量,根據(jù)不同故障模式下故障特征向量將其分別組成訓(xùn)練樣本和測試樣本。使用訓(xùn)練樣本訓(xùn)練SVM分類器,使用測試樣本測試訓(xùn)練好的分類器的性能,得出診斷結(jié)果,識別出故障模式。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 仿真實(shí)驗(yàn)參數(shù)設(shè)置

根據(jù)圖2所示的Boost變換器的主電路搭建如圖5所示的Boost變換器Simulink仿真模型,圖中輸入電壓為15 V,電感L為150 μH,等效串聯(lián)電阻為0.17 Ω,PWM占空比為25%,頻率為50 kHz,負(fù)載電阻為10 Ω。

圖5 Boost變換器Simulink仿真模型

圖中電解電容C標(biāo)稱值為220 μF,其等效串聯(lián)電阻為0.18 Ω,根據(jù)表1設(shè)置的1種正常模式和10種故障模式,在每種不同電容的±1%范圍內(nèi)隨機(jī)取50組電容進(jìn)行仿真實(shí)驗(yàn),仿真時間為0.2 s,采樣頻率為200 kHz,采集輸出電壓信號則最終得到550組信號樣本。

3.2 實(shí)驗(yàn)結(jié)果

根據(jù)圖5進(jìn)行仿真實(shí)驗(yàn)后得到的部分輸出電壓波形如圖6所示,不同故障模式下的輸出電壓波形相似,故有必要進(jìn)行故障特征提取。

圖6 部分故障模式輸出電壓波形

根據(jù)小波包Shannon熵確定小波包分解的層數(shù)為3層,對每組故障信號進(jìn)行3層小波包分解,計(jì)算每組信號分解后的8個分量的相對小波包能量構(gòu)建8維故障特征向量。部分故障模式的小波包能量譜如圖7所示。

圖7 部分故障模式小波包能量譜

圖7所示為正常模式f0和故障模式f5、f10故障信號經(jīng)3層小波包分解后8個分量的相對小波包能量組成的小波包能量譜，其中，橫坐標(biāo)為經(jīng)小波包分解后的8個分量,縱坐標(biāo)為相對能量值。

本文選用SVM作為分類器,每種模式對應(yīng)50組數(shù)據(jù)。選取每種模式的35個故障特征向量樣本作訓(xùn)練樣本,每種模式余下的15個故障特征向量樣本作診斷測試樣本。訓(xùn)練樣本集與測試樣本比例為7∶3。最終測試樣本的分類正確率為97.58%,分類結(jié)果如圖8所示。

圖8 故障分類結(jié)果

圖8縱坐標(biāo)為11種模式類別標(biāo)簽,橫坐標(biāo)為測試樣本集。由圖8可知:第8，9和11類個別樣本分類錯誤,最終分類正確率為97.58%。

4 結(jié)論

Boost變換器中的電解電容減少、等效串聯(lián)電阻增大會導(dǎo)致Boost變換器的軟故障,影響整體電路的性能。為了實(shí)現(xiàn)Boost變換器的軟故障診斷,以其輸出電壓作為故障信號,根據(jù)小波包Shannon熵確定小波包分解的層數(shù),提取小波包相對能量構(gòu)建故障特征向量,使用SVM進(jìn)行故障診斷。根據(jù)電容退化設(shè)置故障模式進(jìn)行simulink仿真,最終分類正確率達(dá)97.58%,能準(zhǔn)確診斷Boost變換器軟故障。