H桥逆变器IGBT开路故障诊断方法研究

杨晓冬，王崇林，史丽萍

（中国矿业大学信息与电气工程学院，江苏徐州 221116）

H桥逆变器IGBT开路故障诊断方法研究

杨晓冬，王崇林，史丽萍

（中国矿业大学信息与电气工程学院，江苏徐州 221116）

针对H桥结构的逆变器中功率器件（insulated gate bipolar transistor，IGBT）开路故障的特点，提出了基于小波多分辨率分析、核主成分分析和最小二乘支持向量机的故障诊断方法。此方法选取半个基波周期的电容电压平均值为原始信号，避免了负载变化对故障诊断的影响。首先利用小波多分辨率分析对原始信号进行多尺度分解提取出特征向量，然后利用核主成分分析方法来实现特征降维，最后建立了基于最小二乘支持向量机的故障分类器。在一台660 V低压静止同步补偿器试验样机上进行了试验和分析，结果表明该方法具有良好的准确性和实时性。

H桥逆变器;绝缘栅双极型晶体管;核主成分分析;最小二乘支持向量机;故障诊断

0 引言

近年来，基于H桥结构的逆变器因其模块化、易于安装、扩展方便等优点，在变频调速、无功补偿等领域得到了广泛应用。具有容错控制能力的逆变器系统能通过及时诊断系统中的故障，并在故障后主动重构系统的软硬件结构，从而确保装置在不损失性能指标或部分性能指标降低的情况下安全运行，近年来已经成为研究的热点［1－5］，目前对于逆变器的容错控制研究大都集中在拓扑结构和控制策略方面，而实现容错控制系统的前提是准确定位故障，据此才能实现系统的容错控制功能。

绝缘栅双极型晶体管（insulated gate bipolar transistor，IGBT）是构成逆变器的核心器件，其发生故障将直接影响系统运行效果。本文将对IGBT故障诊断展开研究。IGBT的故障有短路和开路两种，其中开路故障分为过流烧毁和驱动信号开路。而短路故障已有成熟的解决方案，一般集成于驱动电路［6］。目前IGBT开路故障的检测方法主要有:

1）电流检测法

文献［7－8］利用信号处理的方法对系统中的电流量进行分析，来诊断单管开路和单相开路故障。缺点在于诊断时间最少为一个基波周期，不利于实时诊断。文献［9－11］通过判断平均电流的Park矢量的幅值和相位定位哪只IGBT出现故障。此种方法的缺点在于对负载变化敏感。

2）基于知识的方法

文献［12－14］分别介绍了基于神经网络、模糊神经网络和模糊小波控制的故障诊断方法等。但其分析对象仍为系统中的电流量，不利于诊断的实时性。

针对IGBT开路故障的特点，综合考虑诊断时间和准确率，本文提出了一种基于核主成分分析（kernel principal component analysis，KPCA）和最小二乘支持向量机（least squares support vector machines，LS－SVM）的故障诊断方法，首先对原始故障信号进行小波多分辨率分析（wavelet multi－resolution analysis，MRA）提取出特征向量，然后利用KPCA进行特征降维，最后以LS－SVM作为故障分类器。通过对一台660 V低压静止同步补偿器（static synchronous compensator，STATCOM）试验样机的研究和分析，表明此方法对IGBT的开路故障具有良好的诊断效果。

1 试验平台

本文以一台660 V低压STATCOM装置为研究对象，其电路原理如图1所示。

主电路拓扑结构如图2所示，共有3个单相H桥单元，每个H桥单元由4个IGBT组成，共有12个IGBT。

对于IGBT的开路故障，本文通过控制DSP使相应的IGBT驱动信号接至无效电平，将其处于常断状态来实现。

图1660 V低压STATCOM装置原理图Fig.1Schematic of the 660V low voltage STATCOM

图2 主电路拓扑结构图Fig.2Diagram of the main circuit structure

基于H桥结构的逆变装置由于各相采用独立的电容当做直流电源，因此易于实现电容电压的平衡。图3给出了正常情况和IGBT发生开路故障时（图中0.3 s处）的系统电流is、负载电流il、补偿电流ic和电容电压Udc的仿真波形，由图3中可以看出若H桥中某一个IGBT发生开路故障时，只有其电容电压波形会发生明显变化，且在半个基波周期内再次趋于平衡。为保证诊断的准确性和实时性，本文以H桥半个基波周期的电容电压为原始信号，对其进行小波分解来提取特征向量。为减少支持向量机输入向量，本文以三相电容电压的平均值为原始信号进行处理，一个周期的采样点数为216。

图3 系统电流、负载电流、补偿电流和电容电压Fig.3System circuit，load circuit，compensating current and capacitor voltage

2 故障特征提取技术

2.1 小波多分辨率分析提取故障特征

小波多分辨率分析实质是将信号在许多不同尺度上进行局部化分解，故也被称为多尺度分析。若小波是正交的，则可根据Mallat的塔式分解算法按二分规律来实现二进正交小波分解［15］。

设由三相电容电压采样得来的电容电压平均值为A，取半个基波周期共108个采样点组成原始信号序列为A0=（fdn）n∈z，如图4～图7所示（限于篇幅这里只给出了正常情况、Ta1开路、Ta2开路、Tb1开路的波形，其中U为电容电压平均值，t为时间）。

图4 正常情况Fig.4Normal

图5 Ta1开路Fig.5Ta1open circuit fault

图6 Ta2开路Fig.6Ta2open circuit fault

图7 Tb1开路Fig.7Tb1open circuit fault

定义A0序列Frobenius范数的平方‖A0‖2为信号的能量，则

经过J层分解以后

即原始信号的能量等于第J层低频系数能量‖AJ‖2和各层高频系数能量‖Dj‖2之和。因此可以选取各层高频信号能量作为信号的特征向量，设EJ为第J层高频小波分解序列DJ的能量，则有

其中，DJ（k）是第J层高频小波分解序列的第k个分量，N是分量个数。

以各层高频小波分解序列的能量组成特征向量，T=［E1，E2，…，EJ］。

通过对比研究发现以Daubechies小波对故障电压信号进行8尺度小波分解，可以在保证故障诊断准确率的同时提高小波分解的容易程度和诊断速度。本文选取db40小波分解母函数，对半个基波周期的电容电压平均值进行8尺度小波分解得到特征向量。对图4～图7信号进行8尺度小波分解得到特征向量如表1所示。

表1 故障类型及对应特征向量Table 1Fault types and corresponding eigenvector

不同故障类型的各尺度能量比较如图8所示，由图可以看出通过小波多分辨率分析进行8尺度分解得到特征向量是能够区分不同故障类型的。

图8 不同故障类型各尺度能量比较Fig.8Energy distribution comparison for different fault types

2.2 基于核主成分分析（KPCA）的故障特征降维

对于给定数据样本集{T1，T2，…，Tn}，T∈Rn为系统输入，即对原始信号进行小波多分辨率分析后得到的特征向量。引入非线性映射函数Φ，实现输入空间到特征空间F的映射，即Φ（Τ1）、Φ（Τ2）、…、Φ（Τn），假设映射数据是零均值的，即

则在映射空间中的协方差矩阵为

在特征空间中，KPCA是求解如下特征问题

其中，λ是C的一个特征值，v∈F{0}是相应的特征矢量，将每个样本与该式做内积，可得

并且存在参数αi（i=1，2，…，n），使得v由Φ（Τi），i=1，2，…，n线性表出，即

合并式（7）和式（8），并定义n×n阶矩阵K，其元素为

则式（6）可等价表示为

其中，α=［α1，α2，…，αn］T。

式（6）的求解问题可以转化为求矩阵K的特征值和特征向量。设λp是第一个不为零的特征值。

主成分提取的目的就是计算测试样本在特征向量vk（k=1，2，…，n）上的映射。设T是一个测试样本点，在F中的映射为Φ（T），则

众所周知，一般PCA提取主成分的个数最多为输入向量的维数N，而在KPCA中，如果样本数量超过输入维数，主成分提取个数可以超过输入维数。

当式（4）的假设不成立时，需对映射进行调整，设

定义一个n×n阶矩阵I，其中Iij=1/n，则

所得特征值为λi，且λ1≥λ2≥…≥λn。

主元λk的贡献率为，前k个主元的累积贡献率为。主元贡献率的大小表示了该主元所携带的原始特征变异信息的大小，贡献率越大，表明它对特征信息的解释能力越强，对原始数据的综合能力也越好［16－17］。

表2为每种故障类型的1组数据。

表2 故障类型及对应特征向量Table 2Fault types and corresponding eigenvector

对此样本数据分别进行主成分分析（PCA）、p阶多项式核主成分分析（KPCA1）和高斯径向基核主成分分析（KPCA2），前4个特征值和累计贡献率如表3所示。

表3 PCA、KPCA1和KPCA2的效果比较Table 3The comparison of effect between PCA，KPCA1 and KPCA2

由表3可以看出采用PCA方法，其第一主成分贡献率仅为50.7%，前4个主成分的累计贡献率为95.9%，降维效果不是很理想。而采用KPCA方法则可获得更好的降维效果，无论采用何种核函数，第一主成分的贡献率都达到98%以上。

为兼顾诊断准确率和诊断时间，在故障诊断实例中本文将采用KPCA2来处理数据，并选取前3个主成分的特征向量作为故障分类器的输入。表2中的数据经过KPCA2处理后得到的特征向量如表4所示。

表4 故障类型及对应特征向量Table 4Fault types and corresponding eigenvector

3 基于最小二乘支持向量机的故障分类

支持向量机（support vector machine，SVM）因能在样本很少的情况下具有较好的分类推广能力，在故障诊断方面应用越来越广泛［18－20］。标准的支持向量机算法是在线求解一个受约束的二次规划问题，因此计算复杂性比较大。为此，Suyken等人提出了最小二乘支持向量机（LS－SVM），它将求解二次规划问题转化为求解线性方程组，降低了计算的复杂度。

根据结构风险最小化原则，LS－SVM的原始优化问题为

式中:w为权系数向量代表模型的复杂度;C∈R+是惩罚因子（调整函数的平滑性和训练误差）;b为决策超平面的偏置常数;ξ为松弛因子代表经验误差。

用拉格朗日法把此约束优化问题转化为无约束优化问题

式中，虚线框内为核矩阵K。用最小二乘法求出系数αi和偏差b，得到非线性预测模型为

4 故障诊断实例和分析

原始信号采集由图1的试验平台完成，数据处理和分析由一台上位机（配置2G内存、CPU为Intel E5300 2.6 GHz）完成，两者之间采用RS232串行通信方式。由于两个或两个以上IGBT同时发生开路故障的可能性很低，所以本文只考虑单个IGBT发生开路故障的情况，即故障类型有12种，加上无故障情况则共有13种类型。具体试验步骤如下:

1）对3相H桥电容电压进行采样，每种故障类型按一定时间间隔（半个基波周期0.01 s）采样50组数据。图9给出了不同类型下的电容电压波形（限于篇幅这里只给出了正常情况、Ta1开路、Tb1开路、Tc1开路波形，时间间隔为0.2 s）。

图9 不同类型下的电容电压Fig.9The capacitor voltage for different types

2）每种故障类型选取其中10组数据作为训练样本，对130组数据（10×13种故障类型）分别进行8尺度小波分解，得到130×8的能量矩阵Ttrain=［E1，E2，…，EJ］，其中E1代表第1尺度能量，E2代表第2尺度能量，以此类推。

3）对Ttrain进行高斯径向基核主成分分析，径向基参数σ取106，取前3个主成分的特征向量组成130×3的特征向量矩阵Vtrain。

4）将特征向量矩阵Vtrain及其对应的类标签输入最小二乘支持向量机（LS－SVM），进行分类学习。

5）将每种故障类型剩余的40组数据作为测试样本，分别进行第2和第3步骤处理，得到测试样本的特征向量矩阵Vtest。

6）将Vtest输入学习好的LS－SVM，验证故障分类器的性能。

为实现在线实时故障诊断，可以由以下步骤来完成:

1）对3相H桥电容电压进行采样，每隔一定时间间隔（半个基波周期0.01 s）采样1组数据。

2）对此数据进行8尺度小波分解，得到Ti。

3）合并Ttrain和Ti，对其进行高斯径向基核主成分分析，得到Vi。

4）将Vi输入LS－SVM，得到分类结果。

表5给出了故障分类器的识别效果。

表5 各模型识别效果Table 5Recognition effects of different models

由表5可以看出采用KPCA方法进行故障特征降维的LS－SVM在保证诊断准确率的情况下，缩短了诊断时间，在不到一个基波周期即可诊断出结果。这样可以使系统能够迅速响应，运行相应容错控制策略。

5 结语

针对目前IGBT开路故障诊断方法在诊断时间和负载改变时诊断准确率方面的缺点，本文以逆变器半个基波周期的电容电压信号为研究对象，提出了MRA、KPCA和LS－SVM相结合的故障诊断方法。此方法以半个基波周期电容电压信号作为原始信号来处理，在保留故障信号特征的同时又能保证诊断的实时性，并且减少了因负载变化而导致误诊断情况。采用KPCA方法降维以后的特征向量作为LS－SVM故障分类器的输入，在保证诊断准确率的前提下减少了诊断时间，同时继承了传统SVM分类方法小样本学习的优点。通过实验验证了此方法的可行性，为IGBT开路故障诊断提供了一种新的诊断途径。

［1］WENCHAO S，HUANG A Q.Fault-tolerant design and control strategy for cascaded H-bridge multilevel converter-based STATCOM［J］.IEEE Transactions on Industrial Electronics，2010，57 （8）:2700－2708.

［2］李宁，李颖晖，朱喜华，等.新型容错逆变器的混杂系统建模与故障诊断［J］.电机与控制学报，2012（9）:53－58.

LI Ning，LI Yinghui，ZHU Xihua，et al.Hybrid system modeling and fault diagnosis of fault tolerant inverter［J］.Electric Machines and Control，2012（9）:53－58.

［3］LEZANA P，ORTIZ G，RODRIGUEZ J.Operation of regenerative cascade multicell converter under fault condition［C］//Control and Modeling for Power Electronics，August 17－20，2008，Zurich，Switzerland.2008:1－6.

［4］倪喜军，赵剑锋，曹武，等.级联型逆变器故障状况下的调制重构［J］.中国电机工程学报，2010，30（33）:16－22.

NI Xijun，ZHAO Jianfeng，CAO Wu，et al.Modulation reconfiguration of cascaded multilevel inverters under fault condition［J］.Proceedings of the CSEE，2010，30（33）:16－22.

［5］BARRIUSO P，DIXON J，FLORES P，et al.Fault-tolerant reconfiguration system for asymmetric multilevel converters using bidi-rectional power switches［J］.IEEE Transactions on Industrial E-lectronics，2009，56（4）:1300－1306.

［6］安群涛，孙力，赵克，等.基于开关函数模型的逆变器开路故障诊断方法［J］.中国电机工程学报，2010，30（6）:1－6.

AN Quntao，SUN Li，ZHAO Ke，et al.Diagnosis method for inverter open-circuit fault based on switching function model［J］.Proceedings of the CSEE，2010，30（6）:1－6.

［7］杨忠林，吴正国，李辉.基于直流侧电流检测的逆变器开路故障诊断方法［J］.中国电机工程学报，2008，28（27）:18－22.

YANG Zhonglin，WU Zhengguo，LI Hui.Inverter fault diagnose based on detecting DC side current［J］.Proceedings of the CSEE，2008，28（27）:18－22.

［8］肖岚，李睿.逆变器并联系统功率管开路故障诊断研究［J］.中国电机工程学报，2006，26（4）:99－104.

XIAO Lan，LI Rui.Research on the open-circuit fault diagnosis of transistor in inverter paralleling system［J］.Proceedings of the CSEE，2006，26（4）:99－104.

［9］MENDES A M S，CARDOSO A J M.Voltage source inverter fault diagnosis in variable speed AC drives，by the average current Park’s vector approach［C］//IEMD’99，May 9，1999，Seattle，WA.1999:704－706.

［10］秦娟英，王胜东.一种基于电流矢量轨迹的PWM逆变器故障诊断方法［J］.电子质量，2004，（4）:11－12.

QIN Juanying，WANG Shengdong.Fault diagnose on a PWM inverter based on current trajectories［J］.Electronics Quality，2004，（4）:11－12.

［11］CASEIRO J A A，CARDOSO A J M.Fault diagnosis on a PWM rectifier AC drive system with fault tolerance using the average current Park’s vector approach［C］//IEMDC’09，May 3－6，2009，Miami，FL，USA.2009:695－701.

［12］MARTINS J F.Unsupervised neural-network-based algorithm for an on-line diagnosis of three-phase induction motor stator fault［J］.IEEE Transactions on Industrial Electronics，2007，54 （1）:259－264.

［13］BALLAL M S.Adaptive neural fuzzy inference system for the detection of inter-turn insulation and bearing wear faults in induction motor［J］.IEEE Transactions on Industrial Electronics， 2007，54（1）:250－258.

［14］KHANNICHE M S.Wavelet-fuzzy-based algorithm for condition monitoring of voltage source inverter［J］.Electronics Letter，2004，40（4）:267－268.

［15］于飞，田玲玲，刘喜梅，等.基于小波多分辨率分析和主元分析的电力电子电路故障诊断［J］.华东理工大学学报，2006，32（9）:1113－1115.

YU Fei，TIAN Lingling，Liu Ximei，et al.Fault diagnosis of power electronic circuits based on wavelet multi-resolution analysis and PCA［J］.Journal of East China University of Science and Technology:Natural Science Edition，2006，32（9）:1113－1115.

［16］MALHI A，GAO R X.PCA-based feature selection scheme for machine defect classification［J］.IEEE Transactions on Instrumentation and Measurement，2004，53（6）:1517－1525.

［17］HE Q，YIBING L，PENG L.Kernel principal components analysis for early identification of gear tooth crack［C］//IEEE Proceedings of the 6th World Congress on Intelligent Control and Automation，June 21－23，2006，Dalian，China.2006:5748－5751.

［18］姜媛媛，王友仁，崔江，等.基于LS-SVM的电力电子电路故障预测方法［J］.电机与控制学报，2011，（8）:64－68.

JIANG Yuanyuan，WANG Youren，CUI Jiang，et al.Research on fault prediction method of power electronic circuits based on least squares support vector machine［J］.Electric Machines and Control，2011，（8）:64－68.

［19］彭文季，罗兴锜.基于粗糙集合支持向量机的水泵机组振动故障诊断［J］.电工技术学报，2006，21（10）:117－122.

PENG Wenji，LUO Xingqi.Vibration fault diagnosis of hydroturbine generating unit based on rough sets and support vector machine［J］.Transactions of China Electrotechnical Society，2006，21（10）:117－122.

［20王德成，林辉.一种SVM不平衡分类方法及在故障诊断的应用［J］.电机与控制学报，2012（9）:48－52.

WANG Decheng，LIN Hui.Imbalanced pattern classification method based on support vector machine and its application on fault diagnosis［J］.Electric Machines and Control，2012（9）:48－52.

（编辑：刘琳琳）

Study of IGBT open-circuit fault diagnosis method for H-bridge inverter

YANG Xiao-dong，WANG Chong-lin，SHI Li-ping
（School of Information and Electrical Engineering，China University of Mining and Technology，Xuzhou 221116，China）

A new fault diagnosis method of insulated gate bipolar transistor（IGBT）open-circuit fault was proposed for the H-bridge inverter based on wavelet multi-resolution analysis（MRA），kernel principal component analysis（KPCA），and least squares support vector machine（LS-SVM）.To avoid the influence of load variation on fault diagnosis，the average value of capacitor voltage in a half fundamental period was chosen as the original signal.The features of the original signal were extracted by using the MRA.The feature dimensions were then reduced based on KPCA.Finally，the fault classifier was constructed via the LS-SVM.An experimental prototype of the 660 V STATCOM was built to test the proposed method，and the experimental results demonstrate the high accuracy and efficiency of the method.

H-bridge inverter;insulated gate bipolar transistor;kernel principal component analysis; least squares support vector machine;fault diagnosis

TP 277

A

1007－449X（2014）05－0112－07

2013－08－28

教育部高等学校博士学科点专项科研基金（20110095110014）

杨晓冬（1982—），男，博士研究生，研究方向为电力电子故障诊断;

王崇林（1956—），男，教授，博士生导师，研究方向为电气安全与智能电器;

史丽萍（1964—），女，教授，博士生导师，研究方向为设备与电网运行及故障诊断、智能电器。通讯作者：杨晓冬