朱琴躍， 李姚霖， 譚喜堂， 魏偉， 李愛華

(同濟大學 電子與信息工程學院，上海 201804)

0 引 言

廣泛應用于牽引逆變器中的功率開關(guān)器件IGBT由于工作時受到高溫、潮濕、靜電等惡劣因素的影響，內(nèi)部封裝也會遭受各種應力沖擊，疲勞損傷持續(xù)累積，最終會造成IGBT模塊內(nèi)部鍵合線脫落或者焊料層老化等各種微小故障，即造成老化故障。這類故障發(fā)展緩慢，電路參數(shù)變化幅度小，不像IGBT的開路或者短路故障那樣直接影響逆變器的正常工作狀態(tài)，但如果不對其進行及時的檢測處理，任由其自由發(fā)展，將會加快IGBT模塊的老化進程，最終導致模塊失效，微小故障可能演變成顯著故障[1-3]。為此，為了及時準確地檢測出微小故障，如何選取合適的能夠反映IGBT微小故障的特征變量，并從中準確提取故障特征參數(shù)就顯得十分重要。

與IGBT的開路或短路故障相比，微小故障的檢測難度更高。近年來國內(nèi)外專家學者的研究表明，能夠明確表征IGBT微小故障的特征參數(shù)主要包括集射極導通壓降VCE(on)、門極電壓VGE、關(guān)斷時間toff、開通時間ton、結(jié)殼熱阻Rth、結(jié)溫Tj等[4-6]。目前，這些微小故障特征主要通過對IGBT內(nèi)部結(jié)構(gòu)的精準建模并結(jié)合實驗結(jié)果獲得，其中應用最廣泛、研究最深入的是集射極飽和導通壓降、門極電壓以及短路電流等幾個重要參數(shù)。

1)集射極飽和導通壓降：VCE(on)是目前應用最為廣泛的IGBT微小故障程度測量標準參數(shù)之一，當IGBT發(fā)生微小故障時，VCE(on)將隨著IGBT等效雜散電阻和電感的增加而增加。國內(nèi)外專家在充分考慮集電極電流和結(jié)溫對微小故障影響的前提下，提出了集射極導通壓降VCE(on)的計算方法[7]。在此基礎上，文獻[8-9]探究了不同溫度下IGBT相應輸出特性曲線VCE(on)隨溫度變化的規(guī)律，證明了不同輸出特性曲線交點處集電極電流對應的VCE(on)幅值不受溫度變化的影響，可以有效反映IGBT模塊鍵合線脫落的故障特征。但上述方法主要用于單個模塊的實驗測試，對于實際運行著的牽引逆變器系統(tǒng)，IGBT的集電極電流不一定滿足交點電流要求，上述方法并不適用。為此，文獻[10]通過離線采集IGBT在特定導通電流時不同結(jié)溫下不同微小故障程度的導通壓降，形成參考數(shù)據(jù)集，基于此提出一種基于動態(tài)自適應導通壓降參考值的微小故障特征確定方法，實現(xiàn)了牽引變流器實際運行時IGBT微小故障的檢測。文獻[11]提出了另一種IGBT微小故障在線監(jiān)測策略，找到變流器工作過程中IGBT的空閑導通狀態(tài)，在該狀態(tài)下向IGBT導入測試電流，根據(jù)該測試電流下的VCE(on)變化來判斷微小故障程度。該方法需要額外的外部測試電路，在實際應用中增加了變流器系統(tǒng)的復雜性。

2)基于門極的電氣特征參數(shù)：隨著IGBT模塊老化程度不斷加劇，其門極寄生電容以及其他參數(shù)也隨之改變。大量理論分析和實驗測試表明，IGBT鍵合線老化時會減小米勒電容，從而縮短了米勒平臺持續(xù)時間[12]；門極過沖電壓隨著IGBT鍵合線脫落程度的增大而逐漸增加[13]；IGBT模塊發(fā)生芯片支路故障時，門極電荷持續(xù)時間明顯減小，且在一定的門極電壓范圍內(nèi)，基本不受到結(jié)溫的影響[14]；為此專家們提出可將門極電壓中的米勒平臺持續(xù)時間、門極過沖電壓、門極電荷持續(xù)時間等門極參數(shù)來作為IGBT鍵合線老化和脫落的微小故障特征參數(shù)，但上述參數(shù)易受到母線電壓、導通電流和結(jié)溫等因素影響。同時米勒平臺持續(xù)時間的故障靈敏度較低，門極電荷持續(xù)時間僅適用于所有鍵合線脫落的芯片失效故障，對單根鍵合線脫落的微小故障反應并不明顯。

3)基于短路電流的特征參數(shù)：IGBT模塊在發(fā)生短路擊穿時，鍵合線脫落等微小故障會改變鍵合線的等效電阻電感，進而導致其短路電流下降。文獻[15-16]探究了在特定門極驅(qū)動電壓(VGT)下，IGBT短路電流與鍵合線老化程度之間的關(guān)系，消除了結(jié)溫對短路電流的影響，驗證了短路電流對監(jiān)測IGBT鍵合線老化等微小故障的有效性。但是利用該參數(shù)需要讓IGBT模塊發(fā)生短路故障，會對IGBT模塊造成不可逆的傷害，因而在逆變器正常工作狀態(tài)下采取該特征參數(shù)檢測微小故障并不可行。

上述方法所提取的參數(shù)在不同的應用場景和不同的條件下可以反映IGBT模塊微小故障特征的變化，對IGBT微小故障有一定的檢測效果。但這些參數(shù)主要基于單個獨立的IGBT模塊進行采集，適用于對單個模塊故障的檢測，目前基于逆變器系統(tǒng)輸出參數(shù)對IGBT微小故障進行檢測的研究仍處于起步階段?；谏鲜鰠?shù)對逆變器在IGBT微小故障進行檢測，首先需要對系統(tǒng)中每個IGBT模塊均安裝相應的電壓或電流傳感器，所需傳感器數(shù)量較多。此外大多數(shù)參數(shù)不適用于運行中的逆變器在線監(jiān)測，有的需要增加額外的測試電路，有的會對正常系統(tǒng)造成破壞。這些操作不僅增加了系統(tǒng)的復雜程度，也提高了采樣難度，增加了許多額外的成本，還有可能影響系統(tǒng)的正常工作。

鑒于此，本文以兩電平牽引逆變器為研究對象，針對逆變器中IGBT模塊的鍵合線脫落微小故障，通過分析不同故障與模塊輸出特性、逆變器輸出特性間的關(guān)聯(lián)，選取逆變器輸出電壓為IGBT微小故障特征信號；并將開關(guān)狀態(tài)下的逆變器等效成二階系統(tǒng)，完成系統(tǒng)參數(shù)辨識后，采用Elman神經(jīng)網(wǎng)絡對輸出電壓的工作模態(tài)進行劃分，基于此提出一種輸出電壓原始數(shù)據(jù)和系統(tǒng)辨識參數(shù)相融合的故障特征參數(shù)提取方法，并通過仿真及實驗對所提方法的有效性進行了驗證。相比于現(xiàn)有方法，本文所提微小故障特征提取方法主要具有以下3點優(yōu)勢：1)直接從逆變器的輸出電壓信號中有效提取出IGBT微小故障特征參數(shù)，無需增添額外傳感器件；2)兩電平逆變器的工作模態(tài)劃分能對故障IGBT的故障特征進行有效區(qū)分，為故障器件的定位打下基礎；3)所提方法結(jié)合系統(tǒng)參數(shù)的辨識，有效降低了實際系統(tǒng)原始數(shù)據(jù)噪聲的干擾，同時又避免等效二階系統(tǒng)參數(shù)辨識誤差對特征提取效果的影響。

1 逆變器IGBT微小故障特征參數(shù)的選取

1.1 兩電平逆變器的基本工作原理

兩電平三相逆變器的主電路拓撲結(jié)構(gòu)如圖1(a)所示，由6個IGBT模塊組成，每兩個IGBT模塊相連組成一相電路，三相電路并聯(lián)在直流電壓兩側(cè)?？紤]到IGBT內(nèi)部各極之間的連接以及外部封裝等因素，組成主電路的6個IGBT模塊各個電極及電極之間存在寄生電阻、電感和電容等雜散參數(shù)，相應的IGBT模型如圖1(b)所示，其中：RG、RC、RE分別為門極、集電極和發(fā)射極的雜散電阻；LG、LC、LE分別為門極、集電極和發(fā)射極的雜散電感；CGC為門極-集電極寄生電容；CGE為門極-發(fā)射極寄生電容；CCE為集電極-射極寄生電容[17]。

圖1 兩電平逆變器主電路拓撲及計及雜散參數(shù)的IGBT模型Fig.1 Main circuit topology of two-level inverter and IGBT model with stray parameters

為便于描述，本文逆變器采用方波控制策略，令同一相上下兩IGBT模塊的導通角度相差180°，各相之間的導通角度依次相差120°?，F(xiàn)選取逆變器輸出端口電壓為故障特征信號，如圖2所示，工作時逆變器輸出相電壓可劃分為6個穩(wěn)態(tài)模態(tài)s1～s6和6個暫態(tài)模態(tài)d1～d6，每個穩(wěn)態(tài)模態(tài)對應其中3個開關(guān)管處于導通時的輸出，每個暫態(tài)模態(tài)對應同一相中某一開關(guān)管開通和另一開關(guān)管關(guān)斷時的輸出。當某個IGBT模塊發(fā)生微小故障，其故障特征主要體現(xiàn)在對應的輸出電壓暫態(tài)模態(tài)中，可從不同暫態(tài)模態(tài)中提取能夠表征IGBT模塊微小故障的特征參數(shù)。

圖2 兩電平逆變器輸出相電壓工作模態(tài)劃分示意圖Fig.2 Schematic diagram of working mode division of two-level inverter output phase voltage

1.2 暫態(tài)故障特征參數(shù)的選取

圖3 直流激勵下IGBT關(guān)斷時的等效電路Fig.3 Equivalent circuit in IGBT turn-off state under DC excitation

由圖3可知，當IGBT從導通到關(guān)斷的瞬間，原本被短路的雜散電容C被接入電路中，直流電源開始對電容充電，此時該等效電路為一個RLC的二階等效電路，由此可得電容電壓uC的微分方程為

(1)

式(1)為一個二階線性非齊次微分方程。令R=RIGBT+RLOAD，L=LIGBT+LLOAD，可得相應傳遞函數(shù)為

(2)

根據(jù)二階系統(tǒng)模型可求得：

(3)

(4)

綜上所述，當IGBT模塊發(fā)生鍵合線脫落的微小故障時，可選擇超調(diào)量σ和峰值時間tp作為暫態(tài)故障特征參數(shù)。此外，通過兩者的非線性組合可得到暫態(tài)模態(tài)電壓斜率絕對值為

(5)

其中Vnorm為該暫態(tài)過程趨于穩(wěn)定后的穩(wěn)態(tài)電壓值。電壓斜率特征雖然是由其他故障特征組合計算得到，但如果在診斷時沒有包含數(shù)據(jù)的非線性映射，同樣能夠為故障診斷帶來新的判別信息，其隨著σ的減小和tp的增大而減小，也可作為暫態(tài)故障特征參數(shù)。

2 基于Elman神經(jīng)網(wǎng)絡的逆變器工作模態(tài)劃分

逆變器工作模態(tài)的準確劃分是提取暫態(tài)故障特征參數(shù)的必要前提。兩電平逆變器的工作模態(tài)在切換時具有很顯著的時序特性，即某一模態(tài)僅可能發(fā)生在固定的工作模態(tài)之后。Elman神經(jīng)網(wǎng)絡是一種典型的反饋網(wǎng)絡，能夠完整存儲前一時刻的神經(jīng)元信息，很好地解決時序特征問題，其主要包括輸入層、隱含層、承接層和輸出層4個部分[22-23]。利用Elman神經(jīng)網(wǎng)絡的承接層神經(jīng)元直接記錄了上一時刻隱含層輸出結(jié)果的特點，可以對逆變器工作模態(tài)分類結(jié)果作出順序限制，自適應地根據(jù)數(shù)據(jù)時序特征建立模型。

相應地，確定合適的Elman神經(jīng)網(wǎng)絡輸入?yún)?shù)對準確劃分工作模態(tài)至關(guān)重要。由前述分析可知，當逆變器中IGBT模塊處于開關(guān)切換的工作情形下，逆變器系統(tǒng)可以等效成一個二階動態(tài)系統(tǒng)，此時逆變器輸出電壓可以等效成相應的二階系統(tǒng)輸出響應。由式(2)～式(4)可知，逆變器輸出電壓暫態(tài)模態(tài)中超調(diào)量和峰值時間等特征參數(shù)需要利用二階系統(tǒng)模型的參數(shù)ωn和ξ進行計算，因此需要利用實際輸出電壓數(shù)據(jù)辨識得到二階系統(tǒng)傳遞函數(shù)的相關(guān)參數(shù)。同時，這些辨識參數(shù)同樣反映了二階系統(tǒng)的暫態(tài)和穩(wěn)態(tài)過程，可作為Elman神經(jīng)網(wǎng)絡模態(tài)劃分模型的輸入?yún)?shù)。為此，在進行工作模態(tài)劃分前需先完成逆變器等效二階系統(tǒng)的參數(shù)辨識。

2.1 逆變器等效二階系統(tǒng)的參數(shù)辨識

參數(shù)辨識的相應過程如下：

設系統(tǒng)輸入為階躍信號u(t)，相應的階躍響應輸出為g(t)，信號的采樣間隔為Δt，則任意二階系統(tǒng)可用以下二階差分方程表示：

g(t)+a1g(t+Δt)+a2g(t+2Δt)=0。

(6)

其中a1、a2為與實際二階系統(tǒng)相關(guān)的參數(shù)。

根據(jù)差分方程的傳遞形式，時間依次延遲Δt，可得n個方程為：

(7)

令：

(8)

則式(7)可表示為

Y=Xθ。

(9)

現(xiàn)已知矩陣X和Y，要估計參數(shù)a1、a2。根據(jù)最小二乘法，令損失函數(shù)Loss為

(10)

(11)

如此，即可求得二階系統(tǒng)參數(shù)a1、a2。

同樣地，假設逆變器等效二階系統(tǒng)的傳遞函數(shù)G(s)可表示為

(12)

則系統(tǒng)的階躍響應表示為

g(t)=c1es1t+c2es2t。

(13)

采樣間隔為Δt，則t+Δt,t+2Δt,…,t+nΔt時刻的階躍響應分別可表示為：

(14)

將式(13)、式(14)代入式(6)中，可得

c1es1t[1+a1es1Δt+a2(es1Δt)2]+

c2es2t[1+a1es2Δt+a2(es2Δt)2]=0。

(15)

要使得方程(15)成立，則要求：

(16)

令：

(17)

對應可求得：

(18)

將x1、x2及t=0代入式(13)、式(14)得：

(19)

對該式聯(lián)合求解，可得c1、c2。

因此，求出二階系統(tǒng)的參數(shù)a1、a2后，可以進一步求得二階系統(tǒng)參數(shù)s1、s2、c1、c2。其中：a1、a2與輸出響應的工作狀態(tài)相關(guān)，可作為工作模態(tài)劃分的輸入特征參數(shù)；s1、s2、c1、c2可結(jié)合式(4)和式(12)用于超調(diào)量σ和峰值時間tp的求解。

2.2 基于Elman神經(jīng)網(wǎng)絡的工作模態(tài)劃分算法

2.2.1 工作模態(tài)分類特征參數(shù)的確定

在進行模態(tài)劃分前，先將原始輸出電壓數(shù)據(jù)劃分為多個時間片，對每個時間片的電壓數(shù)據(jù)進行二階系統(tǒng)參數(shù)辨識，辨識參數(shù)a1、a2可以作為工作模態(tài)劃分的特征參數(shù)，同時還能夠降低原始數(shù)據(jù)的噪聲干擾。由于辨識參數(shù)反映的是零狀態(tài)階躍響應特征，但由表1所示根據(jù)逆變器工作過程劃分的6個暫態(tài)模態(tài)所輸出電壓變化情況可知，逆變器不同暫態(tài)模態(tài)的階躍基準電平并不為0且不盡相同，為此，采用上述二階系統(tǒng)參數(shù)辨識方法時，需將不同暫態(tài)模態(tài)的輸出電壓統(tǒng)一增加或降低一定大小使得階躍基準電平均為零值。然而這樣處理后，模態(tài)d2和d6以及d3和d5的變化分別相同，無法利用辨識參數(shù)來區(qū)分不同的模態(tài)。

表1 不同暫態(tài)工作模態(tài)輸出電壓變化Table 1 Voltage variation in different transient modes

表2 各工作模態(tài)輸出電壓平均值分布表Table 2 Average voltage value of each working mode

2.2.2 工作模態(tài)劃分算法

本文利用Elman神經(jīng)網(wǎng)絡對逆變器輸出電壓數(shù)據(jù)進行訓練和測試，實現(xiàn)不同工作模態(tài)的劃分。相應的逆變器工作模態(tài)劃分流程如圖4所示，基本原理和過程如下。

圖4 基于Elman神經(jīng)網(wǎng)絡的模態(tài)劃分流程圖Fig.4 Flow chart of mode division based on Elman neural network

3 IGBT微小故障特征參數(shù)提取

對逆變器輸出電壓數(shù)據(jù)完成工作模態(tài)劃分后，根據(jù)上述分析，選取超調(diào)量σ、峰值時間tp和電壓斜率絕對值Δ作為IGBT微小故障的暫態(tài)特征參數(shù)。由于IGBT發(fā)生微小故障時，特征參數(shù)變化較為微弱，很容易受到采樣數(shù)據(jù)中噪聲的干擾，若直接對原始數(shù)據(jù)進行故障特征參數(shù)提取有可能存在較大的誤差。為此，本文首先通過原始數(shù)據(jù)和二階參數(shù)辨識系統(tǒng)分別提取暫態(tài)故障特征參數(shù)，其中基于原始數(shù)據(jù)提取的特征參數(shù)能夠反映數(shù)據(jù)原本的特征，基于參數(shù)辨識系統(tǒng)提取的特征參數(shù)能夠平滑噪聲的干擾；然后分別為上述兩種方法提取的特征參數(shù)確定合適的融合權(quán)值，將兩者融合計算得到最終的故障特征參數(shù)。

3.1 基于原始數(shù)據(jù)的故障特征參數(shù)計算

3.1.1 超調(diào)量計算

(20)

其中：avg(Vmax)為最大值集合的平均值；Vnorm為該暫態(tài)趨于穩(wěn)定后的穩(wěn)態(tài)電壓值；k的取值由實際數(shù)據(jù)量決定。

3.1.2 峰值時間計算

tp_Dataset=avg(Tmax)-t0。

(21)

其中：avg(Tmax)為峰值時刻集合的均值；t0為暫態(tài)起始時刻。

暫態(tài)起始時刻t0的確定同樣影響到峰值時間計算的準確性。由于時間片劃分的精確度會導致暫態(tài)模態(tài)第一個時間片內(nèi)的數(shù)據(jù)可能包含一部分上一穩(wěn)態(tài)模態(tài)的數(shù)據(jù)，因此，本文采用二分法在暫態(tài)模態(tài)第一個時間片內(nèi)進一步確定暫態(tài)起始時刻t0。

假設第一個時間片內(nèi)共有n個數(shù)據(jù)，第i個數(shù)據(jù)值為vi，采樣間隔為Δt，確定暫態(tài)起始時刻的步驟如下：

步驟1：以中心數(shù)據(jù)即n/2處的數(shù)據(jù)vn/2為分界點，將數(shù)據(jù)分為前后兩部分；

步驟3：比較kL和kR，將會出現(xiàn)以下3種情況：

1)kL≈kR>0，此時前半部分數(shù)據(jù)和后半部分數(shù)據(jù)均屬于暫態(tài)模態(tài)數(shù)據(jù)，時間片第一個時刻即為暫態(tài)起始時刻t0；

2)kL≈0且kR>0，此時前半部分數(shù)據(jù)均屬于上一穩(wěn)態(tài)模態(tài)的數(shù)據(jù)，暫態(tài)起始時刻t0應在區(qū)間[n/2,n]，在該區(qū)間內(nèi)重復步驟1～3，直至滿足情況1)；

3)kL、kR>0且kL

3.2 基于辨識參數(shù)的故障特征參數(shù)計算

根據(jù)等效二階辨識系統(tǒng)中求得的辨識參數(shù)s1、s2、c1、c2，代入式(12)中可求得自然振蕩頻率ωn和阻尼系數(shù)ξ，將ωn和ξ代入式(4)便可計算得到超調(diào)量σSystem和峰值時間tp_System。

3.3 原始數(shù)據(jù)和辨識參數(shù)相融合的故障特征參數(shù)提取

1)融合權(quán)值的確定。

假設前k大電壓數(shù)據(jù)分布為最理想情況，則令相應數(shù)據(jù)集Vmax獲得最高得分，即

(22)

若前k大電壓數(shù)據(jù)分布最分散，則數(shù)據(jù)集Vmax將獲得最低得分，即

(23)

將最低與最高得分區(qū)間映射到[0 , 1]區(qū)間，則原始數(shù)據(jù)信息的融合權(quán)值α為

(24)

其中：k為原始輸出電壓數(shù)據(jù)中選取大電壓值的總數(shù)；ti、ti+1分別表示第i和i+1個大電壓值對應的時刻。

根據(jù)上式可知，當數(shù)據(jù)分布最理想時，α=1；當數(shù)據(jù)分布最分散時，α=0。

辨識系統(tǒng)中參數(shù)誤差主要來自辨識系統(tǒng)與實際系統(tǒng)的差異，而式(10)中的損失函數(shù)Loss反映了這一差異大小。當辨識系統(tǒng)與原始數(shù)據(jù)完美擬合，數(shù)據(jù)完全匹配時，Loss最小值為0；當辨識系統(tǒng)與原始數(shù)據(jù)差異極大，在有限迭代次數(shù)內(nèi)辨識結(jié)果不收斂，Loss可能非常大，甚至趨近于∞。為此，采用式(25)所示方法來確定辨識系統(tǒng)的融合權(quán)值β，當兩類系統(tǒng)的數(shù)據(jù)擬合程度越好，β越接近于1，反之則越接近于0。

β=e-Loss。

(25)

2)融合后特征參數(shù)提取。

在上述基礎上，再進一步對α、β進行歸一化處理，得到α′、β′分別為：

(26)

因此，融合后的超調(diào)量σ為

σ=avg(σDataset,σSystem)=

(27)

融合后的峰值時間tp為

tp=avg(tp_Dataset,tp_System)=

(28)

提取系統(tǒng)超調(diào)量σ和峰值時間tp后，通過式(5)便可進一步提取暫態(tài)模態(tài)電壓斜率絕對值Δ。

綜上，基于原始數(shù)據(jù)和辨識參數(shù)相融合的IGBT微小故障特征參數(shù)提取流程如圖5所示。

圖5 IGBT微小故障特征參數(shù)提取流程Fig.5 Extraction process of incipient fault characteristic parameters in transient modes

4 仿真與實驗

為了驗證本文提出方法的有效性，按照圖1所示在MATLAB/Simulink上搭建了兩電平牽引逆變器仿真模型，IGBT模塊和逆變器主電路相應的仿真參數(shù)分別如表3和表4所示，其中IGBT模塊仿真參數(shù)參考FF75R12RT4模塊各項參數(shù)。

表3 IGBT模塊仿真參數(shù)Table 3 IGBT simulation parameters

表4 兩電平逆變器主電路仿真參數(shù)

4.1 工作模態(tài)劃分仿真驗證

(29)

圖6 Elman神經(jīng)網(wǎng)絡的工作模態(tài)劃分結(jié)果Fig.6 Working mode division results based on Elman neural network

根據(jù)圖6中3次交叉驗證的結(jié)果可以計算基于Elman神經(jīng)網(wǎng)絡的工作模態(tài)劃分模型的平均準確率為0.994，達到90%以上，證明了采用Elman神經(jīng)網(wǎng)絡可以對兩電平逆變器的12種工作模態(tài)進行較為準確的劃分。

4.2 故障特征參數(shù)提取仿真驗證

下面主要仿真模擬圖1所示主電路中VT3模塊發(fā)生鍵合線脫落的微小故障?？紤]到實際IGBT模塊中鍵合線是并聯(lián)排列的，通過依次增大VT3模塊的發(fā)射極鍵合線等效雜散電阻RE，模擬發(fā)射極鍵合線分別脫落1～6根時的微小故障。實驗時，采集逆變器A相輸出電壓100個周期的數(shù)據(jù)作為樣本，根據(jù)本文所提出的故障特征提取方法，可計算出A相電壓暫態(tài)模態(tài)d3中3個故障特征參數(shù)的均值如表5所示。

表5 正常和不同微小故障狀態(tài)下故障特征參數(shù)提取結(jié)果

由表5可見，隨著IGBT模塊鍵合線脫落程度的增大，提取得到的超調(diào)量σ逐漸減小，峰值時間tp逐漸增大，暫態(tài)電壓斜率Δ逐漸減小，符合理論分析結(jié)果。盡管變化幅度很小，但是已經(jīng)能夠有效區(qū)別微小故障狀態(tài)與正常工作狀態(tài)。

進一步，以VT3模塊發(fā)生3根鍵合線脫落的微小故障為例，以提取得到的3個特征參數(shù)為三維坐標變量，分別將正常工作狀態(tài)及發(fā)生3根鍵合線脫落微小故障狀態(tài)下的100個周期樣本投影在該三維坐標系上，得到圖7所示的不同狀態(tài)下特征參數(shù)三維分布對比。其中，圓形代表的是正常工作狀態(tài)，三角形代表的是微小故障狀態(tài)。由圖可見，正常工作狀態(tài)和微小故障狀態(tài)下的特征參數(shù)分別聚類在不同空間，并且兩種狀態(tài)之間的界限清晰，不存在相互混雜的情況，由此表明，基于本文所提出的方法提取而得的故障特征參數(shù)能夠有效區(qū)分正常和故障狀態(tài)。

圖7 正常工作和微小故障狀態(tài)下特征參數(shù)三維分布對比Fig.7 Comparison of three-dimensional distribution of characteristic parameters under normal working state and incipient fault state

4.3 故障特征參數(shù)提取實驗驗證

4.3.1 特征參數(shù)提取結(jié)果

兩電平逆變器實驗主電路如圖8所示，主要由110 V直流電源、IGBT模塊、電阻電感負載、調(diào)理電路、電壓和電流傳感器組成。另外，基于DSP的控制及驅(qū)動電路為IGBT模塊提供控制信號，24 V直流電源為驅(qū)動電路供電，12 V直流電源為傳感器和調(diào)理電路供電。與圖1拓撲相對應，VT1采用圖9所示的英飛凌公司的FF75R12RT4模塊，該模塊已發(fā)生兩根鍵合線斷裂，其余IGBT采用相同型號，均為正常。

圖8 兩電平逆變器實驗主電路Fig.8 Experimental circuit of two-level inverter

實驗中為了更符合實際控制情況，對主電路采用SPWM調(diào)整策略，相應的三相輸出電壓波形如圖10所示。由圖可見，雖有1個IGBT模塊發(fā)生微小故障，逆變器輸出電壓波形與正常相比并無明顯變化。將輸出相電壓進一步展開，得到圖11所示的暫態(tài)模態(tài)波形。由圖可見，暫態(tài)模態(tài)波形同樣呈現(xiàn)振蕩衰減的特點，符合前述分析，即可對應為等效二階系統(tǒng)階躍響應的暫態(tài)過程。

圖9 微小故障IGBT模塊Fig.9 IGBT model with incipient fault

圖10 逆變器三相輸出相電壓Fig.10 Three phase output voltages of inverter

根據(jù)本文提出的方法，提取得到d1～d6的暫態(tài)故障特征參數(shù)超調(diào)量、峰值時間的結(jié)果如圖12所示，各個暫態(tài)故障特征參數(shù)的均值大小如表6所示。

由于本實驗中VT1模塊發(fā)生了兩根鍵合線脫落的微小故障，該故障明顯反映在模態(tài)d4中。由表6可知，相比于其他暫態(tài)模態(tài)，d4中超調(diào)量最小，峰值時間最大，暫態(tài)電壓斜率最小，能夠反映VT1模塊內(nèi)部的微小故障。同時，由圖12可知，在樣本中提取得到的超調(diào)量和峰值時間波動很小，超調(diào)量波動不超過1.5%，峰值時間波動不超過2 μs，均小于IGBT模塊發(fā)生微小故障產(chǎn)生的特征變化(d4與其他暫態(tài)模態(tài)的差值平均)。因此，基于實驗數(shù)據(jù)所提取得到的微小故障特征參數(shù)能夠較好地反映IGBT模塊微小故障狀態(tài)。

圖11 相電壓各暫態(tài)模態(tài)波形Fig.11 Transient modes of phase voltage

表6 暫態(tài)故障特征參數(shù)提取均值Table 6 Mean of transient fault characteristic parameters

4.3.2 故障特征參數(shù)有效性測試

為了進一步驗證本文所提取的故障特征參數(shù)在故障診斷中的有效性，先分別采集VT1～VT6均為正常、僅VT1發(fā)生鍵合線故障兩種情形下逆變器輸出電壓數(shù)據(jù)；再應用本文提出的特征參數(shù)提取方法進行參數(shù)提??；最后采用目前常用的故障診斷方法——主元分析(principal component analysis,PCA)方法對提取的故障特征參數(shù)進一步計算，得到正常和微小故障狀態(tài)下PCA的兩個統(tǒng)計量T2(Hotelling’sT2)和SPE(squared prediction error)，將其與正常工作狀態(tài)下計算得到的統(tǒng)計量控制限進行比較，根據(jù)以下標準判斷系統(tǒng)中IGBT是否發(fā)生故障[27-29]：

1)SPE和T2都沒有超過各自的控制限，該IGBT沒有發(fā)生故障；

2)SPE和T2有一個超過其控制限，可以判斷該IGBT有微小故障發(fā)生。

實驗中分別對正常狀態(tài)和微小故障狀態(tài)下的輸出電壓采集100個周期樣本數(shù)據(jù)，采用PCA計算后，得到統(tǒng)計量T2和SPE與統(tǒng)計量控制限的對比圖如圖13所示。由圖可知，在微小故障狀態(tài)下，基于統(tǒng)計量T2的故障檢出率為85%，基于統(tǒng)計量SPE的故障檢出率為88%，很大程度地表明開關(guān)管發(fā)生了微小故障。在正常工作狀態(tài)下，計算得到的統(tǒng)計量T2和SPE除了個別異常值都低于統(tǒng)計量控制限，其中T2的故障誤檢率為0，SPE的故障誤檢率為2%，屬于極小概率事件，可表征為沒有故障發(fā)生。

圖12 暫態(tài)故障特征參數(shù)提取結(jié)果Fig.12 Extraction results of transient fault characteristic parameter

圖13 統(tǒng)計量T2和SPE與統(tǒng)計量控制限的對比圖Fig.13 Comparison chart of statistics of T2 and SPE and statistics of control limits

綜上所述，本文所提出的方法能夠準確有效地將相應的故障特征參數(shù)提取出來，并能基于此明顯地區(qū)分逆變器微小故障和正常工作狀態(tài)，為后續(xù)的故障診斷提供較好的特征參數(shù)輸入。

5 結(jié) 論

本文通過采集逆變器輸出端電壓作為故障特征信號，對輸出電壓數(shù)據(jù)進行處理，提取得到能夠表征逆變器中IGBT模塊微小故障的特征參數(shù)，并仿真驗證了其有效性。

1)提出一種基于Elman神經(jīng)網(wǎng)絡的工作模態(tài)劃分方法，將逆變器等效二階系統(tǒng)的辨識參數(shù)和原始數(shù)據(jù)計算得到的電壓均值等作為神經(jīng)網(wǎng)絡輸入?yún)?shù)，極大提高了模態(tài)劃分的準確性，解決了模態(tài)誤分類的問題。

2)在暫態(tài)工作模態(tài)，分別基于二階系統(tǒng)辨識參數(shù)和輸出電壓原始數(shù)據(jù)計算超調(diào)量和峰值時間，同時根據(jù)辨識系統(tǒng)和原始數(shù)據(jù)的特征為兩種方法的計算結(jié)果確定融合權(quán)值，得到最終的暫態(tài)故障特征參數(shù)，降低了因噪聲干擾和參數(shù)辨識失誤而造成的計算誤差。

3)通過仿真和實驗，得到了正常工作狀態(tài)和微小故障狀態(tài)下特征參數(shù)對比結(jié)果，表明所提取的故障特征參數(shù)能夠有效反映IGBT模塊的微小故障狀態(tài)，進一步驗證了所提故障特征參數(shù)提取方法的有效性。

基于目前提取得到的微小故障特征參數(shù)，未來可進一步結(jié)合其它逆變器輸出電壓電流參數(shù)以及溫度參數(shù)等多種類型參數(shù)，利用數(shù)據(jù)分析的方法對逆變器中IGBT微小故障進行診斷，進一步減少環(huán)境噪聲的干擾，提高故障診斷的準確率。