BP神经网络在电力电子电路故障诊断中的应用

摘要：本文主要介绍和研究了BP神经网络系统，对其设计过程和应用做了系统的阐述。在此基础上就BP神经网络的原理及算法做了进一步的研究。在研究电力电子电路故障模式的基础上，叙述了应用神经网络诊断电力电子故障的一般步骤。最后讨论了BP神经网络在应用中存在的问题与不足。

关键词：BP神经网络 电力电子 故障诊断

0 引言

目前电力电子技术已应用于生活的许多方面，例如国防、通信、商业、交通等领域。在运转过程中万一这些电力电子设备发生了故障，将会造成非常严重的后果，不仅会造成财产上的损失，更可能危及到人们的生命安全。介于这些原因如果能够在事故发生之前就可以对电力电子电路进行准确的诊断，那么就可以避免了财产和生命的损失，更能够提高电力电子设备的管理水平[1]。有一个难点是由于电力电子设备种类很多而且组成复杂，对这些设备的故障进行诊断，就是对其中所有的电路进行检测，因此检测具有一定的难度。用于诊断的方法非常多也在不断发生着变化，随着科技的进步诊断方法更加自动化和智能化。在用于故障诊断的方法中人工神经网络由于具有的非线性、容错性、并行性等优点，广泛应用于电力电子电路的故障诊断中。

1 BP神经网络

BP神经网络是1986年以Rumelhart和McCelland为主的科学家小组提出。BP神经网络是一种按照误差逆传播算法训练出来的多层前馈网络，这种网络具有极高的存储能力，可以存储大量的输出模式映射关系，而不需要在事前进行描述。它主要通过最速下降法进行学习，利用反向传播的方式来不断调整网络的权值和阈值，使网络误差平方和达到最小值。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。目前BP神经网络已广泛应用至各个领域。

1.1 BP神经网络设计

1.1.1 BP神经网络结构设计。经研究分析表明，当隐含层的神经元可以适应具体要求进行设计时，即说明三层前向神经网络可以进行BP神经网络设计。本文仅以三层神经网络为研究对象。其典型结构如图1

1.1.2 BP网络的学习样本设计。在BP神经网络中，直接影响其训练效果的就是其学习样本设计。而在此环节中最基本的要求就是准备样本数据。输入层神经元的多少主要取决于要输入样本的维数，这就会对整个网络的负责性造成影响。同时，在数据输入过程中还要考虑一些其他因素，例如对数据进行标准化从而防止sigmoid函数进行输出饱和区；输入的数据之间应能保证其不相关或相关性较小；数据的每个类型中，不能忽视随机噪声的影响；参数变化范围的一致性和样本分布的正常性也应当在考虑的范围之内。

1.2 BP神经网络原理与算法

1.3 人工神经网络在电力电子故障诊断中的实际应用

1.3.1 故障模式。电力电子中容易出现的故障包括参数故障和结构故障。参数故障会导致装置的正常特性发生严重的改变，不能正常作用，例如电阻、电感等元器件的参数发生偏移和开关管的性能已不能正常使用。结构性故障主要指因各元件尤其指功率器件的破坏而出现的电力结构改变。例如电容、电感和开关器件的开路及短路[2]。电器元件故障模式有软故障和硬故障两种。当电器元件出现短路和开路从而引发的故障被称为硬故障。电气软件没有短路或开路但其实际大小与正常值之间有所偏离导致电路的不正常特性，这时的故障模式为软故障。从实际情况可知，硬故障所占比例较大，约为80%。电容故障模式主要包括开路、短路、软故障偏大和软故障偏小四种。在整个系统中电容发生故障的概率最大。在硬故障模式中，钽电容器通常是短路而陶瓷电容和铝电容通常是开路。开关器件作为电力电子变换器的关键部位和基本元件，直接影响着电力电路的安全性。根据电力电子电路故障中触发脉冲故障一大特点，其故障表现形式主要有缺脉冲、多脉冲、相序错和脉冲间距错四种。有一种特殊的故障模式与原有电力电子变换器的故障诊断不同，即便是被诊断为可以正常工作的电力电子变换器，这种故障模式也会导致变换器的性能恶化甚至无法运行。这种故障模式发生的原因在于很多设计者并不了解变换器中的一些非线性特性和工作模态。

1.3.2 神经网络在电力电子电路故障诊断中的应用。神经性网络在电力电子电路故障的诊断过程如下：①确定神经网络目标输出样本：对电力电子电路进行分析，确定电路中会出现的故障类型，把这些故障类型作为神经网络的目标输出样本。②得到神经网络的标准输入样本：从分析所得的故障类型中提取故障信号，将故障信号进行相关处理后将其作为神经网络的标准输入样本。③样本训练：依据网络拓扑结构通过神经网络学习和存储个故障信号和类型间的映射关系，根据相应学习规则进行样本训练。④结果显示：通过计算得出神经网络的参数值，将结果传至执行机构或者显示设备。在整个过程中故障特征的提取及预处理和神经网络的设计是两个重要的步骤，下面对其进行详细的叙述：①故障特征信号的提取和预处理故障电路状态信号分析、处理和各种预处理技术通常用来对故障信号进行提取。按照一定的规则对电力电子电路的测试数据进行分类、压缩。由于提取的故障特征和电路在不同故障状态下的统一故障特征与元件的故障状态没有关系，从而大大的使故障特征的提取得到了简化，计算量减小，诊断速度也得到了很大的提高。故障特征信号提取和预处理过程的基本结构见图2，首先在发生故障的电路上加激励源，再采用相关方法测量其响应信号，最后预处理其特征信号，将其从测量空间转化到特征空间。②神经网络设计过程。神经网络的设计过程可按照如下几个步骤进行：a对神经网络的拓扑结构进行设计；b根据网络的拓扑结构确定输入标准样本和目标输出样本；c对神经网络的算法进行设计，并使用学习算法训练其输入样本，直到其符合要求；d获得网络参数，输出结果。其设计过程如图3示[4]。

2 总结

BP神经网络应用于电力电子故障诊断中能够有效的处理许多问题，但它也存在着一些问题和缺陷，主要表现在以下几个方面：①对样本的要求很高[5]：要构成神经网络的学习样本需要满足以下两个方面的条件，其中之一是每个故障模式样本都不能与其它的样本重复，即样本是唯一的，第二个条件就是要形成样本库需要非常多的样本数据。然而在现实的应用中这样的条件往往是比较难满足的，这是由于在通常情况下已知的故障样本量比较小，不论是在数量还是质量都难以满足高性能神经网络故障诊断模型对样本的条件要求。因此神经网络对学习样本的条件非常高。②训练的时间过长：在处理一些复杂问题时，BP神经网络的训练时间可能达到好几个小时还可能更长久，引起这种情况的原因可能是学习效率的值过于小，解决这种情况的方法是采用自适应学习速率进行改善，但是有时候这种方法并不能起到很大的改善作用，这个时候就可以考虑采用其它的算法。③可能出现麻痹现象：所谓的麻痹现象就是指网络在经过一段时间的训练之后，误差平方和的输出值恒定在一个特定的值不下降。产生这种现象的原因可能是因为在训练过程中初始权值选的太大，这样的后果是几乎所有的或是大部分神经元的加权和偏大，S传递函数的输入值在它的饱和区，这点导数趋于零，最后导致的结果是两次的权值几乎没有变化，自然输出的误差平方和也就基本保持不变了。

参考文献：

[1]从静.电力电子装置故障诊断技术研究[D].哈尔滨：哈尔滨工程大学，2009.

[2]A.B olopion，J.P.Rognon and D.Roye.The Use of Microprocessor for Control and Fault Detection of Electronic Power Converters：Contribution to Safety and Maintainability. Lansane：IFAC Control in Power Electronics and ElectricalDrvies，1981.

[3]陈哲，冯天瑾.小波分析与神经网络结合的研究进展.电子科学学刊，2000（3）：496-504.

[4]龙伯华.电力电子电路故障诊断方法研究[D].长沙：湖南大学，2009.

[5]张立明，人工神经网络的模型及其应用[M].复旦大学出版社，1992.

作者简介：丁汛（1991-），男，河南范县人，本科，合肥工业大学仪器科学与光电工程学院。endprint

摘要：本文主要介绍和研究了BP神经网络系统，对其设计过程和应用做了系统的阐述。在此基础上就BP神经网络的原理及算法做了进一步的研究。在研究电力电子电路故障模式的基础上，叙述了应用神经网络诊断电力电子故障的一般步骤。最后讨论了BP神经网络在应用中存在的问题与不足。

关键词：BP神经网络 电力电子 故障诊断

0 引言

目前电力电子技术已应用于生活的许多方面，例如国防、通信、商业、交通等领域。在运转过程中万一这些电力电子设备发生了故障，将会造成非常严重的后果，不仅会造成财产上的损失，更可能危及到人们的生命安全。介于这些原因如果能够在事故发生之前就可以对电力电子电路进行准确的诊断，那么就可以避免了财产和生命的损失，更能够提高电力电子设备的管理水平[1]。有一个难点是由于电力电子设备种类很多而且组成复杂，对这些设备的故障进行诊断，就是对其中所有的电路进行检测，因此检测具有一定的难度。用于诊断的方法非常多也在不断发生着变化，随着科技的进步诊断方法更加自动化和智能化。在用于故障诊断的方法中人工神经网络由于具有的非线性、容错性、并行性等优点，广泛应用于电力电子电路的故障诊断中。

1 BP神经网络

BP神经网络是1986年以Rumelhart和McCelland为主的科学家小组提出。BP神经网络是一种按照误差逆传播算法训练出来的多层前馈网络，这种网络具有极高的存储能力，可以存储大量的输出模式映射关系，而不需要在事前进行描述。它主要通过最速下降法进行学习，利用反向传播的方式来不断调整网络的权值和阈值，使网络误差平方和达到最小值。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。目前BP神经网络已广泛应用至各个领域。

1.1 BP神经网络设计

1.1.1 BP神经网络结构设计。经研究分析表明，当隐含层的神经元可以适应具体要求进行设计时，即说明三层前向神经网络可以进行BP神经网络设计。本文仅以三层神经网络为研究对象。其典型结构如图1

1.1.2 BP网络的学习样本设计。在BP神经网络中，直接影响其训练效果的就是其学习样本设计。而在此环节中最基本的要求就是准备样本数据。输入层神经元的多少主要取决于要输入样本的维数，这就会对整个网络的负责性造成影响。同时，在数据输入过程中还要考虑一些其他因素，例如对数据进行标准化从而防止sigmoid函数进行输出饱和区；输入的数据之间应能保证其不相关或相关性较小；数据的每个类型中，不能忽视随机噪声的影响；参数变化范围的一致性和样本分布的正常性也应当在考虑的范围之内。

1.2 BP神经网络原理与算法

1.3 人工神经网络在电力电子故障诊断中的实际应用

1.3.1 故障模式。电力电子中容易出现的故障包括参数故障和结构故障。参数故障会导致装置的正常特性发生严重的改变，不能正常作用，例如电阻、电感等元器件的参数发生偏移和开关管的性能已不能正常使用。结构性故障主要指因各元件尤其指功率器件的破坏而出现的电力结构改变。例如电容、电感和开关器件的开路及短路[2]。电器元件故障模式有软故障和硬故障两种。当电器元件出现短路和开路从而引发的故障被称为硬故障。电气软件没有短路或开路但其实际大小与正常值之间有所偏离导致电路的不正常特性，这时的故障模式为软故障。从实际情况可知，硬故障所占比例较大，约为80%。电容故障模式主要包括开路、短路、软故障偏大和软故障偏小四种。在整个系统中电容发生故障的概率最大。在硬故障模式中，钽电容器通常是短路而陶瓷电容和铝电容通常是开路。开关器件作为电力电子变换器的关键部位和基本元件，直接影响着电力电路的安全性。根据电力电子电路故障中触发脉冲故障一大特点，其故障表现形式主要有缺脉冲、多脉冲、相序错和脉冲间距错四种。有一种特殊的故障模式与原有电力电子变换器的故障诊断不同，即便是被诊断为可以正常工作的电力电子变换器，这种故障模式也会导致变换器的性能恶化甚至无法运行。这种故障模式发生的原因在于很多设计者并不了解变换器中的一些非线性特性和工作模态。

1.3.2 神经网络在电力电子电路故障诊断中的应用。神经性网络在电力电子电路故障的诊断过程如下：①确定神经网络目标输出样本：对电力电子电路进行分析，确定电路中会出现的故障类型，把这些故障类型作为神经网络的目标输出样本。②得到神经网络的标准输入样本：从分析所得的故障类型中提取故障信号，将故障信号进行相关处理后将其作为神经网络的标准输入样本。③样本训练：依据网络拓扑结构通过神经网络学习和存储个故障信号和类型间的映射关系，根据相应学习规则进行样本训练。④结果显示：通过计算得出神经网络的参数值，将结果传至执行机构或者显示设备。在整个过程中故障特征的提取及预处理和神经网络的设计是两个重要的步骤，下面对其进行详细的叙述：①故障特征信号的提取和预处理故障电路状态信号分析、处理和各种预处理技术通常用来对故障信号进行提取。按照一定的规则对电力电子电路的测试数据进行分类、压缩。由于提取的故障特征和电路在不同故障状态下的统一故障特征与元件的故障状态没有关系，从而大大的使故障特征的提取得到了简化，计算量减小，诊断速度也得到了很大的提高。故障特征信号提取和预处理过程的基本结构见图2，首先在发生故障的电路上加激励源，再采用相关方法测量其响应信号，最后预处理其特征信号，将其从测量空间转化到特征空间。②神经网络设计过程。神经网络的设计过程可按照如下几个步骤进行：a对神经网络的拓扑结构进行设计；b根据网络的拓扑结构确定输入标准样本和目标输出样本；c对神经网络的算法进行设计，并使用学习算法训练其输入样本，直到其符合要求；d获得网络参数，输出结果。其设计过程如图3示[4]。

2 总结

BP神经网络应用于电力电子故障诊断中能够有效的处理许多问题，但它也存在着一些问题和缺陷，主要表现在以下几个方面：①对样本的要求很高[5]：要构成神经网络的学习样本需要满足以下两个方面的条件，其中之一是每个故障模式样本都不能与其它的样本重复，即样本是唯一的，第二个条件就是要形成样本库需要非常多的样本数据。然而在现实的应用中这样的条件往往是比较难满足的，这是由于在通常情况下已知的故障样本量比较小，不论是在数量还是质量都难以满足高性能神经网络故障诊断模型对样本的条件要求。因此神经网络对学习样本的条件非常高。②训练的时间过长：在处理一些复杂问题时，BP神经网络的训练时间可能达到好几个小时还可能更长久，引起这种情况的原因可能是学习效率的值过于小，解决这种情况的方法是采用自适应学习速率进行改善，但是有时候这种方法并不能起到很大的改善作用，这个时候就可以考虑采用其它的算法。③可能出现麻痹现象：所谓的麻痹现象就是指网络在经过一段时间的训练之后，误差平方和的输出值恒定在一个特定的值不下降。产生这种现象的原因可能是因为在训练过程中初始权值选的太大，这样的后果是几乎所有的或是大部分神经元的加权和偏大，S传递函数的输入值在它的饱和区，这点导数趋于零，最后导致的结果是两次的权值几乎没有变化，自然输出的误差平方和也就基本保持不变了。

参考文献：

[1]从静.电力电子装置故障诊断技术研究[D].哈尔滨：哈尔滨工程大学，2009.

[2]A.B olopion，J.P.Rognon and D.Roye.The Use of Microprocessor for Control and Fault Detection of Electronic Power Converters：Contribution to Safety and Maintainability. Lansane：IFAC Control in Power Electronics and ElectricalDrvies，1981.

[3]陈哲，冯天瑾.小波分析与神经网络结合的研究进展.电子科学学刊，2000（3）：496-504.

[4]龙伯华.电力电子电路故障诊断方法研究[D].长沙：湖南大学，2009.

[5]张立明，人工神经网络的模型及其应用[M].复旦大学出版社，1992.

作者简介：丁汛（1991-），男，河南范县人，本科，合肥工业大学仪器科学与光电工程学院。endprint

摘要：本文主要介绍和研究了BP神经网络系统，对其设计过程和应用做了系统的阐述。在此基础上就BP神经网络的原理及算法做了进一步的研究。在研究电力电子电路故障模式的基础上，叙述了应用神经网络诊断电力电子故障的一般步骤。最后讨论了BP神经网络在应用中存在的问题与不足。

关键词：BP神经网络 电力电子 故障诊断

0 引言

目前电力电子技术已应用于生活的许多方面，例如国防、通信、商业、交通等领域。在运转过程中万一这些电力电子设备发生了故障，将会造成非常严重的后果，不仅会造成财产上的损失，更可能危及到人们的生命安全。介于这些原因如果能够在事故发生之前就可以对电力电子电路进行准确的诊断，那么就可以避免了财产和生命的损失，更能够提高电力电子设备的管理水平[1]。有一个难点是由于电力电子设备种类很多而且组成复杂，对这些设备的故障进行诊断，就是对其中所有的电路进行检测，因此检测具有一定的难度。用于诊断的方法非常多也在不断发生着变化，随着科技的进步诊断方法更加自动化和智能化。在用于故障诊断的方法中人工神经网络由于具有的非线性、容错性、并行性等优点，广泛应用于电力电子电路的故障诊断中。

1 BP神经网络

BP神经网络是1986年以Rumelhart和McCelland为主的科学家小组提出。BP神经网络是一种按照误差逆传播算法训练出来的多层前馈网络，这种网络具有极高的存储能力，可以存储大量的输出模式映射关系，而不需要在事前进行描述。它主要通过最速下降法进行学习，利用反向传播的方式来不断调整网络的权值和阈值，使网络误差平方和达到最小值。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。目前BP神经网络已广泛应用至各个领域。

1.1 BP神经网络设计

1.1.1 BP神经网络结构设计。经研究分析表明，当隐含层的神经元可以适应具体要求进行设计时，即说明三层前向神经网络可以进行BP神经网络设计。本文仅以三层神经网络为研究对象。其典型结构如图1

1.1.2 BP网络的学习样本设计。在BP神经网络中，直接影响其训练效果的就是其学习样本设计。而在此环节中最基本的要求就是准备样本数据。输入层神经元的多少主要取决于要输入样本的维数，这就会对整个网络的负责性造成影响。同时，在数据输入过程中还要考虑一些其他因素，例如对数据进行标准化从而防止sigmoid函数进行输出饱和区；输入的数据之间应能保证其不相关或相关性较小；数据的每个类型中，不能忽视随机噪声的影响；参数变化范围的一致性和样本分布的正常性也应当在考虑的范围之内。

1.2 BP神经网络原理与算法

1.3 人工神经网络在电力电子故障诊断中的实际应用

1.3.1 故障模式。电力电子中容易出现的故障包括参数故障和结构故障。参数故障会导致装置的正常特性发生严重的改变，不能正常作用，例如电阻、电感等元器件的参数发生偏移和开关管的性能已不能正常使用。结构性故障主要指因各元件尤其指功率器件的破坏而出现的电力结构改变。例如电容、电感和开关器件的开路及短路[2]。电器元件故障模式有软故障和硬故障两种。当电器元件出现短路和开路从而引发的故障被称为硬故障。电气软件没有短路或开路但其实际大小与正常值之间有所偏离导致电路的不正常特性，这时的故障模式为软故障。从实际情况可知，硬故障所占比例较大，约为80%。电容故障模式主要包括开路、短路、软故障偏大和软故障偏小四种。在整个系统中电容发生故障的概率最大。在硬故障模式中，钽电容器通常是短路而陶瓷电容和铝电容通常是开路。开关器件作为电力电子变换器的关键部位和基本元件，直接影响着电力电路的安全性。根据电力电子电路故障中触发脉冲故障一大特点，其故障表现形式主要有缺脉冲、多脉冲、相序错和脉冲间距错四种。有一种特殊的故障模式与原有电力电子变换器的故障诊断不同，即便是被诊断为可以正常工作的电力电子变换器，这种故障模式也会导致变换器的性能恶化甚至无法运行。这种故障模式发生的原因在于很多设计者并不了解变换器中的一些非线性特性和工作模态。

1.3.2 神经网络在电力电子电路故障诊断中的应用。神经性网络在电力电子电路故障的诊断过程如下：①确定神经网络目标输出样本：对电力电子电路进行分析，确定电路中会出现的故障类型，把这些故障类型作为神经网络的目标输出样本。②得到神经网络的标准输入样本：从分析所得的故障类型中提取故障信号，将故障信号进行相关处理后将其作为神经网络的标准输入样本。③样本训练：依据网络拓扑结构通过神经网络学习和存储个故障信号和类型间的映射关系，根据相应学习规则进行样本训练。④结果显示：通过计算得出神经网络的参数值，将结果传至执行机构或者显示设备。在整个过程中故障特征的提取及预处理和神经网络的设计是两个重要的步骤，下面对其进行详细的叙述：①故障特征信号的提取和预处理故障电路状态信号分析、处理和各种预处理技术通常用来对故障信号进行提取。按照一定的规则对电力电子电路的测试数据进行分类、压缩。由于提取的故障特征和电路在不同故障状态下的统一故障特征与元件的故障状态没有关系，从而大大的使故障特征的提取得到了简化，计算量减小，诊断速度也得到了很大的提高。故障特征信号提取和预处理过程的基本结构见图2，首先在发生故障的电路上加激励源，再采用相关方法测量其响应信号，最后预处理其特征信号，将其从测量空间转化到特征空间。②神经网络设计过程。神经网络的设计过程可按照如下几个步骤进行：a对神经网络的拓扑结构进行设计；b根据网络的拓扑结构确定输入标准样本和目标输出样本；c对神经网络的算法进行设计，并使用学习算法训练其输入样本，直到其符合要求；d获得网络参数，输出结果。其设计过程如图3示[4]。

2 总结

BP神经网络应用于电力电子故障诊断中能够有效的处理许多问题，但它也存在着一些问题和缺陷，主要表现在以下几个方面：①对样本的要求很高[5]：要构成神经网络的学习样本需要满足以下两个方面的条件，其中之一是每个故障模式样本都不能与其它的样本重复，即样本是唯一的，第二个条件就是要形成样本库需要非常多的样本数据。然而在现实的应用中这样的条件往往是比较难满足的，这是由于在通常情况下已知的故障样本量比较小，不论是在数量还是质量都难以满足高性能神经网络故障诊断模型对样本的条件要求。因此神经网络对学习样本的条件非常高。②训练的时间过长：在处理一些复杂问题时，BP神经网络的训练时间可能达到好几个小时还可能更长久，引起这种情况的原因可能是学习效率的值过于小，解决这种情况的方法是采用自适应学习速率进行改善，但是有时候这种方法并不能起到很大的改善作用，这个时候就可以考虑采用其它的算法。③可能出现麻痹现象：所谓的麻痹现象就是指网络在经过一段时间的训练之后，误差平方和的输出值恒定在一个特定的值不下降。产生这种现象的原因可能是因为在训练过程中初始权值选的太大，这样的后果是几乎所有的或是大部分神经元的加权和偏大，S传递函数的输入值在它的饱和区，这点导数趋于零，最后导致的结果是两次的权值几乎没有变化，自然输出的误差平方和也就基本保持不变了。

参考文献：

[1]从静.电力电子装置故障诊断技术研究[D].哈尔滨：哈尔滨工程大学，2009.

[2]A.B olopion，J.P.Rognon and D.Roye.The Use of Microprocessor for Control and Fault Detection of Electronic Power Converters：Contribution to Safety and Maintainability. Lansane：IFAC Control in Power Electronics and ElectricalDrvies，1981.

[3]陈哲，冯天瑾.小波分析与神经网络结合的研究进展.电子科学学刊，2000（3）：496-504.

[4]龙伯华.电力电子电路故障诊断方法研究[D].长沙：湖南大学，2009.

[5]张立明，人工神经网络的模型及其应用[M].复旦大学出版社，1992.

作者简介：丁汛（1991-），男，河南范县人，本科，合肥工业大学仪器科学与光电工程学院。endprint