基于神经网络的固态功率控制器的故障诊断研究

汤恒先， 林 蓉 ，庞骥庭，周军涛

（1.西北工业大学 第365研究所，陕西 西安 710065;2.空军工程大学 陕西 西安 710051）

目前SSPC控制组件开始广泛地应用于飞机，舰船，车辆的配电系统，正逐步取代了机电式断路器。SSPC控制组件是负载监控中心的核心组成,为负载提供控制和故障保护功能,通过实时监控通过负载的电流大小，判断负载工作是否正常，并具有热记忆功能,保证了负载供电和电源系统的可靠性[1]。飞机供电系统的安全性直接影响到飞行任务的安全。对于其重要组成部分——SSPC的故障诊断十分重要。然而SSPC尚未建立完整的数学模型，因此采用无数学模型的故障诊断方法。

近年来，人工神经网络在故障诊断系统中广泛应用，特别在较为复杂的基于知识和规则的故障诊断系统中，已有不少成功的例子。传统的故障诊断一般只能处理事先预设置好的故障现象及其对应的诊断策略，自主学习功能，一旦碰到新问题、新故障时就会无从下手[2]。而人工神经网络具有自学习和自适应能力，可以通过权值和结构的不断修正来适应系统故障的新问题。它的并行处理能力能使故障诊断的速度加快，提高了诊断系统实时性。因此本文采用人工神经网络方法进行SSPC的故障诊断研究。

MATLAB神经网络工具箱提供了很多封装好可直接调用的工具箱函数，为神经网络系统的分析与设计提供了很大方便，是进行神经网络故障诊断系统分析和设计的很好工具[3]。本系统采用神经网络工具箱编制SSPC故障诊断软件。

1 固态功率控制器的数据采集

SSPC的结构如图1所示，它由MCU主控电路、电流采集单元、隔离电路，快速保护电路，驱动电路及功率MOS管件组成。

图1 固态功率控制器的结构图Fig.1 Structure diagram of the solid state power controller

电流采集单元，在SSPC接负载的电路中串联一个小阻值的采样电阻，将R上将负载回路中的电流信号以电压形式采集出来。采集出来的信号经过放大器和跟随器等隔离处理后送给MCU主控电路。MCU主控电路接收信号控制单元发送的关断/导通信号控制电子开关元件的关断与导通。当负载电流出现短路，过载异常时，断开电路，保护负载及供电系统安全。系统实验时可接入一个滑线变阻器来模拟SSPC所带的真实负载。

数据采集分别采集负载正常、负载故障这两种情况下的电流数据。当电压值在0～0.45 V之间时为断路故障，在0.45～0.65 V之间时为正常，大于0.65 V为过载异常。

2 固态功率控制器故障诊断仿真程序设计

2.1 程序初始化选择

系统采用BP网络对正常和异常电流进行识别，当网络输入为正常数据时输出值置0，输入为异常数据时，输出值置1。BP网络具有网络结构简单，鲁棒性强等优点，不要求训练样本完全与标准模式完全一致，只要需要训练样本有一定的正常或异常的特征即可[4]。网络训练后，其在线识别能力准确又快速。为提高运算速度，各神经元采用Sigmoid函数训练，即f(x)=，且采用前向三层神经网络对电流进行识别，即输入层、输出层和隐含层。

当学习样本确定后，神经网络输入层、输出层的神经元个数也就确定了，而如何选取合适的隐含层神经元的个数没有固定的理论可循，需要通过一系列的仿真实验来调整。若隐含神经元数目太少，则网络可能根本无法训练；若隐含神经元数目刚刚够，则网络可以训练，但鲁棒性较差，抗噪音能力较弱，甚至网络学习根本就不能收敛；如果隐含神经元节点数太多，会出现训练时间过长,网络结构复杂、庞大，占用过多内存，可能还会出现过渡训练的问题。软件按下式给出的公式确定隐含层神经元数目[5]。

式中：nH为隐含层神经元的个数；nI为输入层神经元的个数；nO为输出层神经元个数；l为1～10之间的整数。

BP神经网络在学习过程中不断调整调整权系数，文中权值和阈值的调节方法使用的是误差反向传播算法 （BP算法）[6]。标准的BP学习算法较为容易陷入局部极小点，收敛速度较慢等缺点。所以本系统采用BP网络的改进算法。BP网络分别采用trainlm，trainbfg和trainscg函数训练。这3种函数训练的结果同时列出，以用来分析、比较。

2.2 各函数功能

Trainlm函数：利用Levenberg-Marquardt优化方法训练网络。trainlm函数收敛速度较快，收敛误差小。它的效率优于最速下降法，但内存占用较大，性能随训练网络规模增大而变差。

Trainbfg函数：利用quasi-Newton算法训练网络。算法收敛较快，但占用的内存比共轭梯度算法要大，适用于小规模网络。计算量随着网络规模的增大会出现几何增长。Trainscg函数：利用共轭梯度学习算法训练网络。trainscg函数算法采用了Levenberg-Marquardt算法中的模型置信区间方法和共轭梯度算法，减少了费时较大的线搜索，提高了网络的训练速度。而且性能稳定，占用内存中等，适用于网络规模较大的情况。

2.3 程序流程

下面只列出使用trainlm函数进行训练的程序流程，其他不同函数的训练流程与之相同。程序流程图如图2所示。

图2 程序设计流程图Fig.2 Flow chart of the software design

2.4 训练结果

下面取一组测量值作为训练样本，训练样本及其仿真结果如表1所示。

表1 训练样本及其仿真结果表Tab.1 Training simple and result of simulation

其中，F1是负载过载故障，F2是负载欠流故障。结果表明，3种训练方法均能对网络进行很好的训练，即实际上已建立了用以识别负载正常电流和负载故障电流的神经网络模型。

图3为采用trainlm函数进行网络训练的方差变化曲线，其中隐含层神经元数目取3；

图3 trainlm函数方差变化曲线Fig.3 Variation curve of the trainlm function

图4 中为采用trainbfg函数进行网络训练时的方差变化曲线，其中隐含层神经元数目为4；

图4 trainbfg函数方差变化曲线Fig.4 Variation curve of the trainbfg function

图5 中为采用trainscg函数进行网络训练时的方差变化曲线，其中隐含层神经元数目为3。

图5 trainscg函数方差变化曲线Fig.5 Variation curve of the trainscg function

关于收敛速度，可用网络为达到允许的误差平方和所需的训练次数来表征。事实上，由图3、图4和图5，就可以看到每个网络的收敛速度。图3所示训练次数小于40次，图4所示训练次数为326次，图5所示训练次数为970次。采用不同的训练方法，其收敛速度也不一样。

2.5 仿真结果

利用训练得到的网络模型，将采集得到的另外十组电流数据作为网络的输入，调用Sim函数进行仿真，得到网络的输出向量。如表2所示。

从仿真结果看，网络训练是成功的。在0～0.45 V间的数据，可以诊断出是欠流故障，在0.45～0.65 V间的数据可以诊断出是正常，大于0.65 V的数据可以诊断出是过载故障。

3 结束语

本文提出了一种基于神经网络的固态功率控制器的故障诊断研究，利用模糊神经网络的泛化能力和学习能力，可以准确地识别SSPC所控制负载的正常电流和故障电流，在SSPC的故障诊断中能较好地起到保护的作用，具有广泛应用前景。BP网络的各种训练方法中，采用Levenberg-Marquardt规则的trainlm方法具有训练速度快的优点，但需要配置CPU运算较快的机器。

表2 输入数据及其仿真结果表Tab.2 Input data and result of simulation

[1]王大牛，雷金奎.基于DSP的无人机供电系统固态配电技术的研究[J].计算机测量与控制，2009，17（12）：2076-2078.WANG Da-niu，LEI Jin-kui.Study of DSP-based solid state power distribution technology for unmanned aerial vehicle power supply system[J].Computer Measurement&Control《2009，17（12）:2076-2078.

[2]侯媛彬，杜京义，汪梅.神经网络[M].西安：西安电子科技大学出版社，2007.

[3]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社，2005.

[4]张建宏.基于混沌神经网络的分类算法[J].计算机科学，2010，37（8）:251-252.ZHANGJian-hong.Classification algorithm based on a chaotic neural network[J].Computer Science，2010，37（8）:251-252.

[5]马成才，顾小东.基于神经网络组成与故障分级的故障诊断[J].系统工程与电子技术，2009，31（1）：226-227.MA Cheng-cai，GU Xiao-dong.Fault diagnosis fault gradation using neural network gurop[J].System Engineering and Electronics，2009，31（1）:226-227.

[6]王重云.基于神经网络的变压器故障诊断技术研究[D].大庆：东北石油大学，2013.