基于复合特征量和S_Kohonen神经网络的逆变器故障诊断方法

摘 要：针对三相PWM逆变器故障诊断的电流特性，以故障相电流作为故障信息，引入以电流平均值作为特征量的复合故障特征，并结合S_Kohonen神经网络的强大非线性分类能力，提出了一种基于S_Kohonen神经网络对三相PWM逆变器的故障诊断方法。仿真结果表明，该方法对三相PWM逆变器故障精确的定位和识别，并且具有较好的鲁棒性。

关键词：PWM三相逆变器；故障诊断；复合故障特征；S_Kohonen神经网络

引言

逆变器作为将直流转换为交流的换流装置，广泛的应用于国防军事和工业生产中，其一旦发生故障，将可能会对装置和设备造成损坏，造成经济损失，严重者更会威胁人身安全，因此对于逆变器故障问题应给予高度重视。对逆变器进行故障诊断具有重要意义[1-3]。

由于电力电子故障具有损坏速度快，故障信息存在时间也较短等特点，因此较为快速、准确的地位和故障识别是至关重要的。目前，国内外有不少学者对逆变器故障进行研究，现有的故障诊断已有大量的诊断方法，其中针对提取的故障特征量进行电流轨迹处理并结合BP神经网络实现的故障诊断方法[4]，该方法能有效地实现故障诊断，但需对特征量进行坐标转换等处理，显得较为繁琐。文献[5-7]等根据建立的模型实现的故障诊断方法，但是其需要建立精确的数学模型，否则会影响故障识别结果。

文章首先分析了三相PWM逆变器在不同故障下的故障特征量，然后以故障相电流作为故障信息，并结合三相电流平均值作为诊断的故障特征量，利用S_Kohonen神经网络强大的非线性分类能力实现故障诊断。

1 逆变器的故障分析

图1为三相电压型逆变器的电路拓扑图，该结构图广泛的应用于工业各领域，其开关管故障主要分为开路及短路故障，由于短路故障现已能准确的定位和识别，文章以开路故障作为重点进行研究。

针对三相逆变器的开路故障，其故障种类较多，但考虑到实际情况下的逆变器故障，可认为三相PWM逆变器的开路故障分为单管故障和双管故障，文章将正常运行的逆变器也归为一种特征故障，可分为5种故障类型，22种故障，其分类如下。

（1）逆变器正常运行状态； （2）只有一支功率管发生开路故障 VT1～VT6；（3）同一桥臂两支功率管发生开路故障 VT14、VT36、VT25；（4）同一半桥两支功率管发生开路故障VT13、VT24、VT35、VT46、VT15、VT26；（5）桥臂之间交叉功率管发生开路故障VT12、VT23、VT34、VT16、VT56、VT45。

针对以上开路故障，在仿真中将开路故障利用控制功率管触发角进行控制，将触发角去掉作为相应功率管的开路故障。在在Matlab7.01 Simulink6.1中搭建相应的仿真模型。直流电压源电压设置为530V，负载侧RLC模块有功功率1kW，无功功率100Var。由于篇幅原因，这里仅列出T16故障时三相电流波形图，见图2。

从图2可以看出，在相应功率管发生故障时，其对应相的电流会缺失对应的半波，其他故障类型的三相故障电流均有此特点，只有在同一半桥两只功率管发生故障时，由于会影响到正常相的导通会使非故障相电流半波丢失。

2 基于平均值的复合特征量提取

在上文搭建的仿真模型中，对22种开路故障进行仿真，并对每种故障利用MALTAB示波器提取三相电流采样点每相200个共600个点作为故障特征量，考虑到在实际情况下有噪声干扰等因素的影响，文章采用各相电流平均值作为部分特征量，其中对平均值T提取如（1）式：

（1）

其中N为每周期电流采用点数。

对各类开路故障代码及部分平均值列于表1，由于篇幅原因在表1中未列出故障时A、B、C三相各相波形采样点。

由表1及三相特征点可以看出，22种开路故障下的共603个特征向量之间具有非常复杂的非线性关系，需要利用智能算法进行故障识别。

3 基于Kohonen神经网路的逆变器开路故障诊断实现

Kohonen神经网络是由芬兰教授Teuvo Kohonen提出的无监督学习网络，该网络由自组织特征映射调整网络权值，使神经网络收敛于一种表示形态。Kohonen网络主要由输入层及竞争层组成，如图3所示。

Kohonen神经网络可以通过在竞争层后添加一层输出层，构成S_Kohonen网络，变为有监督学习的网络，用以实现故障分类，其中文章输入层节点数为603即故障特征量，由于竞争层选择一般要大大多于实际输入类别，文章选择竞争层节点数为81个，输出层即各种种类为22。在输入层、竞争层、输出层之间均有权值连接，通过训练对权值进行调整，调整方式如式（2）、（3）：

其中η、η2为学习概率；Wij为输入层与竞争层之间的权值；Xi为输入特征量；Wjk为竞争层与输出层权值；Yk为样本所属类型。

由于在实际情况中会遇到噪声等周围环境的影响，文章对提取的22种故障每种故障50组共1100组数据，分别加入SNR（信噪比，signal-to-noise ratio）为20dB、10dB和5dB的高斯白噪声，用以模拟在实际运行情况中的逆变器故障诊断，并利用S_Kohonen神经网络的非线性分类能力进行故障诊断，在进行加噪处理的1100组数据中，用660组数据作为训练样本，剩下的440组数据进行，由于篇幅原因只列出在10dB情况下的诊断结果图，其他噪声下诊断结果如表2。

由表2故障诊断正确率可以看出，复合平均值故障特征量结合S_Kohonen神经网络对三相PWM逆变器进行故障诊断，诊断正确率明显优于传统的BP神经网络，尤其是在噪声较大的环境中，说明复合平均值故障特征量结合S_Kohonen神经网络具有正确率高，抗噪能力强等特点。

4 结束语

针对三相PWM逆变器的开路故障，文章首先以各相电流平均值结合各相波形采样点作为复合故障特征量，结合S_Kohonen神经网络强大的非线性分类能力进行分类，仿真结果表明该方法能准确的定位和识别故障，并具有较高的鲁棒性等特点。

参考文献

[1]王萍，孙雨耕，许会军.逆变器直流侧谐波分析与有源补偿[J].中国电机工程学报，2005，25（14）：52-56.

[2]孙驰，马伟明，鲁军勇.三相逆变器输出电压不平衡的产生机理分析及其矫正[J].中国电机工程学报，2006. 26（21）：57-63.

[3]Bruendlinger R， Bletterie B，Milde M， et al.Maximum power point tracking performance under partially shaded PV array conditions[J].Proc.21st EUPVSEC，2006：2157-2160.

[4]梅雪峰，郑建勇，梅军，等.基于电流轨迹和神经网络的逆变器故障诊断方法[J].电测与仪表，2010（4）：5-8.

[5]Cat el lan i S， S aadi J， C ham pen oi s G. Monitoring of a st at ic con verterf ed machine using average reference models[A].IFAC SafeProcess.91[C].Baden-Baden， Germany，1991.

[6]Berend sen C S， Cham p enois G， Davoine J， et al. How to detect andto localize and to l ocal ize a f aul t in a dc/dc con vert[A].IEEE-IECON.92[C].1992.

[7]Smith K S， Li R， Pem man J.Real-time d et ection of int erm it tentm isf iring in a volt age-fed PWM invert er in duct ion-mot or dri ve[J].IEEE，T ransact ion. Ind. Electron，1997，44（ 4）：1201-1211.