崔忞忞 ，萬 鵬

（1. 海裝上海局駐南京地區(qū)軍事代表室，南京 210016；2. 上海船舶設(shè)備研究所，上海 200031）

0 引言

電力電子電路具有很強(qiáng)的非線性，傳感器所檢測(cè)到的信號(hào)，往往會(huì)受到噪聲或干擾的影響，有時(shí)所需的特征信號(hào)往往比這種噪聲小得多。本文采用小波分析的方法提取故障特征量，建立電路電壓/電流—頻帶能量—故障之間的對(duì)應(yīng)關(guān)系，再通過BP神經(jīng)網(wǎng)絡(luò)算法建立高效的故障診斷模型，對(duì)電路的故障進(jìn)行診斷及定位。

1 小波分析

基于小波分析的故障診斷技術(shù)能夠在時(shí)間—頻率兩域?qū)π盘?hào)進(jìn)行分析，且不需要被診斷對(duì)象的數(shù)學(xué)模型，尤其是在非平穩(wěn)信號(hào)的處理中，能夠?qū)π盘?hào)在不同范圍、不同的時(shí)間區(qū)域內(nèi)進(jìn)行分析，計(jì)算量不大，對(duì)噪聲不敏感，靈敏度高[1]。

1.1 小波變換

一段信號(hào)通過小波變換獲得頻譜和頻譜出現(xiàn)的時(shí)刻，如圖1所示，通過尺度因子和平移因子的變化識(shí)別并分離出信號(hào)的低頻成分和高頻成分，能同時(shí)描述故障信號(hào)的時(shí)域和頻域信息[2]。

小波變換為

式中：a為尺度，控制小波函數(shù)的伸縮；τ為平移量，控制小波函數(shù)的平移。尺度對(duì)應(yīng)于頻率（反比），平移量τ對(duì)應(yīng)于時(shí)間。

1.2 小波包分解

基于多分辨率的小波包分解是指不斷變化尺度因子的大小實(shí)現(xiàn)對(duì)上一尺度因子下的低頻成分進(jìn)一步分解，得到本次尺度因子下的低頻成分和高頻成分，每一層分解得到的系數(shù)都要再分解。如圖2所示，S為初始信號(hào)，A為分解所得高頻小波系數(shù)，D為分解所得低頻小波系數(shù)，數(shù)字為對(duì)應(yīng)分解層數(shù)[3]。

圖2 小波包分解

利用上述方法對(duì)本文仿真電路的故障信號(hào)進(jìn)行4層小波包分解，設(shè)E4,n為第4層小波包分解后第n個(gè)小波系數(shù)S4,n的能量，表達(dá)式為

2 神經(jīng)網(wǎng)絡(luò)故障診斷模型

2.1 B P神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，是目前最成功的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[4]。BP神經(jīng)網(wǎng)絡(luò)的輸入輸出是非線性映射特性的，能學(xué)習(xí)和存貯大量的輸入—輸出的映射關(guān)系，得到用來判定新的輸入所對(duì)應(yīng)的輸出的規(guī)律，且無需對(duì)該映射關(guān)系提出數(shù)學(xué)方程式的描述，典型的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)包括網(wǎng)絡(luò)層數(shù)、隱含層神經(jīng)元數(shù)、初始權(quán)值、期望誤差以及學(xué)習(xí)速率的選取，BP神經(jīng)網(wǎng)絡(luò)算法程序流程圖如圖4所示。

單管故障波形（VT1故障，VT6故障）如圖7所示。

圖7 單管故障波形

同半橋2個(gè)開關(guān)管故障（VT1和VT3故障，VT2和VT4故障）波形如圖8所示。

圖8 同半橋2個(gè)開關(guān)管故障波形

同一相2個(gè)開關(guān)管故障（VT1和VT4故障，VT2和VT5故障）波形如圖9所示

圖9 同一相2個(gè)開關(guān)管故障波形

不同相2個(gè)開關(guān)管故障（VT1和VT2故障，VT5 和VT6故障）波形如圖10所示。

圖10 不同相2個(gè)開關(guān)管故障波形

表1 故障編碼表

圖12 歸一化數(shù)據(jù)及故障代碼

3.3 故障診斷

對(duì)以上得到的故障特征向量，再采用BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行辨識(shí)處理，從而完成整個(gè)故障診斷的過程。

根據(jù)前節(jié)的仿真模型，得到包括正常模式和故障模式下的訓(xùn)練樣本和測(cè)試樣本數(shù)據(jù)，取得訓(xùn)練樣本之后，運(yùn)用交叉驗(yàn)證的方法，對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行選擇，神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)目選擇為14個(gè)，神經(jīng)網(wǎng)絡(luò)確定參數(shù)的結(jié)果如圖13所示。

圖13 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

最后將測(cè)試樣本輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)診斷模型中進(jìn)行診斷，診斷結(jié)果如圖14所示。

圖14 診斷結(jié)果

圖14所示的故障診斷結(jié)果顯示基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法的準(zhǔn)確率達(dá)81.8%。

4 結(jié)論

本文主要研究應(yīng)用最為廣泛的三相橋式整流電路的故障診斷，首先分析了三相橋式整流電路運(yùn)行中經(jīng)常會(huì)遇到的晶閘管的故障情況，根據(jù)晶閘管的故障對(duì)電路輸出母線電壓波形產(chǎn)生的影響，在Simulink模塊中對(duì)電路可能出現(xiàn)的故障狀態(tài)進(jìn)行仿真，在電路負(fù)載端得到故障狀態(tài)電壓波形。對(duì)采集的故障信號(hào)進(jìn)行四層小波包分解并歸一化，提取故障特征向量，將故障信息輸入BP神經(jīng)網(wǎng)絡(luò)中，將網(wǎng)絡(luò)輸出信息與期望值對(duì)比，從而得出故障位置與故障診斷率，仿真結(jié)果顯示基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法的準(zhǔn)確率達(dá)81.8%，證明BP神經(jīng)網(wǎng)絡(luò)可以對(duì)電路進(jìn)行故障診斷。