趙旭ZHAO Xu
(鶴壁職業(yè)技術(shù)學(xué)院,鶴壁458030)
變頻器(Variable-frequency Drive,VFD)技術(shù)自20 世紀(jì)60 年代在高新技術(shù)工業(yè)領(lǐng)域批量化應(yīng)用以來,經(jīng)過近六十多年的發(fā)展VFD 的各類新技術(shù)在工業(yè)民用領(lǐng)域的應(yīng)用逐漸成熟、日新月異,特別是長(zhǎng)期困擾技術(shù)人員的高壓大功率變頻調(diào)速技術(shù)方面,由于伴隨著新工藝、新材料、新發(fā)現(xiàn)、新經(jīng)驗(yàn)的不斷發(fā)展與成熟,相關(guān)問題已經(jīng)得到了進(jìn)一步解決,從而極大的擴(kuò)展了VFD 的應(yīng)用場(chǎng)景,進(jìn)而使得人們能夠高效、合理、節(jié)能使用各類能源成為了現(xiàn)實(shí)[1]。
在當(dāng)今社會(huì),高壓變頻技術(shù)已廣泛應(yīng)用在變頻節(jié)能(風(fēng)機(jī)、水泵)、自動(dòng)化系統(tǒng)(化纖行業(yè)、玻璃工業(yè)、配料行業(yè))、提升工藝、產(chǎn)品質(zhì)量方面(起重和機(jī)床等各種機(jī)械設(shè)備)等領(lǐng)域[2-3]。本文研究的級(jí)聯(lián)式變頻器,為級(jí)聯(lián)型多電平高壓變頻器簡(jiǎn)稱,是一種特殊形式的高壓變頻器。與傳統(tǒng)的普通變頻器相比,它最大的問題在于主電路功率器件增多,容易造成電路運(yùn)行過程中過熱,由此產(chǎn)生的故障問題較為突出[4],特別是因電路中的功率管發(fā)生直通、開路問題而引起的故障率較高[5]。大多數(shù)故障可以通吃系統(tǒng)自檢進(jìn)行排除,但功率器件開路故障因其對(duì)變頻器輸出電壓、電流影響小而不易被發(fā)現(xiàn),會(huì)對(duì)生產(chǎn)安全、設(shè)備穩(wěn)定性帶來不小的隱患。由于此類問題廣泛存在于功率半導(dǎo)體器件,如何消除此類問題帶來的隱患,將是我們進(jìn)行研究必須要重視及考慮的問題,因此,研究級(jí)聯(lián)式變頻器故障診斷問題,對(duì)于變頻器穩(wěn)定長(zhǎng)期、穩(wěn)定可靠運(yùn)行具有現(xiàn)實(shí)意義,迄今為止仍是各學(xué)者重要的研究方向。本文提出了一種了基于組合神經(jīng)網(wǎng)絡(luò)的級(jí)聯(lián)式變頻器故障分析系統(tǒng),以滿足生產(chǎn)應(yīng)用的需求,達(dá)到了預(yù)期的設(shè)定目標(biāo)要求。
本文設(shè)計(jì)的經(jīng)過優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷的基本思路是:
①根據(jù)實(shí)際情況,建立級(jí)聯(lián)式變頻器仿真模型,采集所需數(shù)據(jù)并實(shí)時(shí)進(jìn)行存儲(chǔ)。
②特征提取:對(duì)采集數(shù)據(jù)進(jìn)行數(shù)據(jù)分析,利用模型及小波包測(cè)算出信號(hào)的歪度值并提取其障特征值,并利用歪度值、故障特征構(gòu)造特征向量,將其作為我們優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷的輸入樣本。
③利用模型對(duì)輸入樣本進(jìn)行訓(xùn)練,根據(jù)訓(xùn)練結(jié)果利用遺傳算法優(yōu)化網(wǎng)絡(luò)的權(quán)值、閾值,通過多種途徑獲取最優(yōu)的網(wǎng)絡(luò)權(quán)值和閾值,直到訓(xùn)練誤差達(dá)到預(yù)期設(shè)定精度目標(biāo)。
④利用優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練好的樣本進(jìn)行估值診斷,分析網(wǎng)絡(luò)輸出值并判斷屬于哪種估值類型。
優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷的基本流程如圖1所示。
圖1 優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷流程圖
特征量的提取在優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷過程中非常重要,它與故障診斷結(jié)果的準(zhǔn)確度與精確度密切相關(guān)。通常有兩類方法用以解決這個(gè)問題:一方面,采用傅里葉變換為基礎(chǔ)的信號(hào)處理方法,優(yōu)點(diǎn)是可以進(jìn)行時(shí)頻分析,缺點(diǎn)是處理對(duì)象局限性較大,尤其是處理含有分布不均的高頻諧波的故障信號(hào)時(shí)較為困難;一方面,采用小波包分析,它是一種新的時(shí)頻分析方法,其基本思想是利用二進(jìn)小波分解的多分辨進(jìn)行信號(hào)分析,進(jìn)而在不同頻域(低頻和高頻)內(nèi)進(jìn)行處理分解,它最大的特點(diǎn)是能將信號(hào)進(jìn)行時(shí)域和頻域局部化,尤其是能迅速捕捉非平穩(wěn)魚突變信號(hào)進(jìn)行精確特征提取,能夠較為精確的反映信號(hào)的時(shí)頻特征。本文采用小波包分析的方法對(duì)級(jí)聯(lián)式變頻器進(jìn)行估值特征提取。
由于dbN 小波具有緊支撐的特性,即伴隨著N 的變大其支撐長(zhǎng)度也會(huì)不斷變大,進(jìn)而消失矩陣也會(huì)隨之變大,其正則性、幅頻特性則會(huì)更好,故在特征提取中經(jīng)常采用dbN 小波。在故障特征提取過程,小波分解的分解層數(shù)是我們必須要考慮個(gè)一個(gè)因素。當(dāng)分解層數(shù)較大時(shí),信號(hào)分解較為精細(xì),會(huì)導(dǎo)致某些故障分解過于精細(xì)而被分到本不應(yīng)該分到的頻域內(nèi);當(dāng)分解層數(shù)較小時(shí),由于分解不精細(xì),會(huì)出現(xiàn)各種頻域(低頻至高頻)混雜,很難提取到精確故障特征信息。結(jié)合實(shí)踐,本文對(duì)故障信號(hào)進(jìn)行4 層小波分解來提取故障特征。具體方法如下:
①將存儲(chǔ)的信號(hào)進(jìn)行j 層小波包分解,提取第j 層的特征量(含低頻至高頻各種頻率)。
②利用小波包分解圖及提取信號(hào)的特征,求解信號(hào)最優(yōu)小波包分解樹,其結(jié)構(gòu)如圖2 所示。圖中,Si,j表示的第j層的第i 個(gè)節(jié)點(diǎn),其中,i=0,1,2,3,j=0,1,2,…,16。
圖2 最優(yōu)小波包分解樹結(jié)構(gòu)
③分析信號(hào)輸出電壓(或電流),獲取特征頻帶的總能量。設(shè)節(jié)點(diǎn)S4,j(j=0,1,…16)所對(duì)應(yīng)的頻帶能量為E4,j(j=0,1,…16),則有
其中:dj,k(j=0,1,…16,k=1,2,…n)表示S4,j的小波系數(shù)。
④特征向量構(gòu)造。當(dāng)級(jí)聯(lián)式變頻器發(fā)生性能故障時(shí),會(huì)影響信號(hào)不同頻帶內(nèi)的能量,因此我們需要以頻帶能量為元素構(gòu)建特征向量。
特征向量T 構(gòu)造為:
當(dāng)頻帶能量較大時(shí),需要進(jìn)行歸一化處理,令
其中:向量T′為歸一化后的特征向量。
對(duì)于功率器件故障診斷,本文選用電壓信號(hào)為采樣信號(hào),采樣頻率fs 為1800Hz,分析500 個(gè)采樣點(diǎn)。我們?cè)谶M(jìn)行故障診斷前,要先對(duì)仿真電壓信號(hào)進(jìn)行適當(dāng)預(yù)處理。其具體步驟如下所示:
①令A(yù) 相、B 相、C 相處于開路狀態(tài),分別計(jì)算其電壓信號(hào)的歪度值,采用4 層dbN 小波分解計(jì)算出最優(yōu)小波包分解樹,提取其故障特征信號(hào),具體如圖3 所示。
圖3 最優(yōu)小波包分解樹和原始波形
②根據(jù)最優(yōu)小波包分解樹計(jì)算出各個(gè)頻域(低頻至高頻)信號(hào)的能量總和。首先,一方面我們要重構(gòu)所有小波包的分解系數(shù),一方面我們要提取各個(gè)頻域(低頻至高頻)信號(hào)Si,j,然后求解出對(duì)應(yīng)的頻域(低頻至高頻)能量Ei,j。通過比較頻域(低頻至高頻)能量,選擇最優(yōu)小波包樹,其中分別為E11,E21,E31,E41。
③根據(jù)第一步和第二步結(jié)果構(gòu)造特征向量。A 相、B相、C 相均處于開路狀態(tài),采集此時(shí)的仿真電壓信號(hào),利用其歪度值的絕對(duì)值與②中頻帶能量構(gòu)建故障特征向量,命名為T,其中,由于各頻帶能量較大,所以將特征向量T 進(jìn)行歸一化處理,處理后的特征向量命名為T*,其中。
④特征向量T*作為優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)的輸入向量。首先挑選部分特征向量作為組合神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,然后對(duì)其權(quán)值與閾值初始化并進(jìn)行優(yōu)化,得到最優(yōu)組合神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值,并將其作為訓(xùn)練樣本進(jìn)行故障診斷前的訓(xùn)練。
⑤進(jìn)行數(shù)據(jù)模擬仿真測(cè)試。
⑥對(duì)比測(cè)試。經(jīng)過對(duì)結(jié)果分析并進(jìn)行仿真,通過結(jié)果來驗(yàn)證提出的組合神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的有效性、穩(wěn)定性及實(shí)用性,可以滿足級(jí)聯(lián)式變頻器對(duì)故障診斷的要求。
提出的遺傳算法優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)故障診斷流程圖如圖4 所示。
圖4 組合神經(jīng)網(wǎng)絡(luò)故障診斷流程圖
為了使網(wǎng)絡(luò)的輸出數(shù)據(jù)顯示結(jié)果簡(jiǎn)單清晰,方便通過觀察清晰的觀察故障類型,對(duì)組合神經(jīng)網(wǎng)絡(luò)的輸出設(shè)置如下,如表1 所示。
表1 組合神經(jīng)網(wǎng)絡(luò)的輸出設(shè)置
根據(jù)級(jí)聯(lián)式變頻器故障特點(diǎn),我們采集了100 組仿真電壓信號(hào)數(shù)據(jù),其中80 組作為訓(xùn)練樣本來訓(xùn)練遺傳算法優(yōu)化的組合神經(jīng)網(wǎng)絡(luò),20 組作為測(cè)試樣本。其網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖5 所示。從圖5 我們可以觀察出,神經(jīng)網(wǎng)絡(luò)模型經(jīng)過迭代18-20 次就達(dá)到了較高的訓(xùn)練誤差精度(0.001)。同時(shí),為了測(cè)試系統(tǒng)的穩(wěn)定性,是否存在幸存偏差,我們進(jìn)行了通過多次的仿真實(shí)驗(yàn),對(duì)采樣數(shù)據(jù)進(jìn)行訓(xùn)練、測(cè)試,來驗(yàn)證網(wǎng)絡(luò)性能,經(jīng)過驗(yàn)證所提出的組合神經(jīng)網(wǎng)絡(luò)故障診斷準(zhǔn)確率為98%,達(dá)到了預(yù)期訓(xùn)練精度目標(biāo)要求,滿足了級(jí)聯(lián)式變頻器對(duì)故障診斷的快速性、精確性和實(shí)時(shí)性要求。
圖5 優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線圖
本文對(duì)級(jí)聯(lián)式變頻器在處于開路故障時(shí)產(chǎn)生的數(shù)據(jù)進(jìn)行了仿真實(shí)驗(yàn),利用級(jí)聯(lián)式變頻器仿真模型,通過小波包特有的頻域能量方法對(duì)所采集的數(shù)據(jù)信號(hào)進(jìn)行故障的特征提取,同時(shí)連同仿真數(shù)據(jù)的歪度值的絕對(duì)值構(gòu)成特征向量,作為提出優(yōu)化的組合神經(jīng)網(wǎng)絡(luò)的輸入。經(jīng)過模擬訓(xùn)練、故障測(cè)試,仿真測(cè)試,本文提出的故障診斷模型能夠及時(shí)、準(zhǔn)確的提取級(jí)聯(lián)式變頻器斷路狀態(tài)時(shí)的故障特征并進(jìn)行有效分析,仿真結(jié)果驗(yàn)證了改進(jìn)的組合神經(jīng)網(wǎng)絡(luò)能夠滿足級(jí)聯(lián)式變頻器故障診斷的實(shí)時(shí)性、穩(wěn)定性、高效性,達(dá)到了預(yù)期設(shè)定要求。