电压型PWM整流器故障诊断方法综述*

彭莉峻 ,何林 ,韩行

(1.西安建筑科技大学 机电学院，西安 710055； 2.西安建筑科技大学 理学院， 西安 710055)

0 引 言

近年来国家对节能减排工作重视程度在不断提高和深化，工业节能方面，“十三五”节能减排工作方案着重强调电机系统能效提升、节能技术装备产业化技术的发展，并将工业园区可再生能源占比纳入其考核体系中[1-2]。一直以来，变频器因其调速性能和电机运行节能环保能力方面的突出表现，已成为动力系统重要组成部分[3-4]。传统变频器整流环节为二极管整流，具有结构简单、运行稳定的优势，但随着绿色电网要求的不断提高[5-6]，变频器在再生制动能量节能技术应用环节的需求的增长[7-10]，二极管整流存在许多不足，而三相电压型PWM整流器因其网侧单位功率因数、直流输出电压恒定，能量双向流动等优点，在交流传动控制、单位功率因数整流等场合逐渐得到推广应用[11-12]，国内外研究人员围绕其高效运行，已展开许多控制策略的研究[13-14]。由于电力电子器件控制的复杂性，其故障的发生在所难免，因此针对PWM整流器开展运行状态监测、故障技术研究，做到及时维修以及容错控制，对提高设备可靠性和设备的使用率，保证工业生产的正常、稳定运行具有极其重要的意义。

文献显示，38%的功率变流装置系统故障均由功率开关器件的短路和开路故障引起[15]，其中短路故障的诊断和系统保护多采用硬件电路设计的方法解决[16]；而开路故障由于其往往引起的是系统输入、输出侧信号的变化，导致系统二次故障而非直接关机，因此需进行专门的故障诊断研究。目前针对PWM整流器所开展的开路故障诊断研究工作，其研究内容主要集中在故障特征向量的选取和故障识别、诊断方法两大方向上，以力求准确、快速的在全功率范围完成较为全面的故障诊断工作，且诊断系统本身不受负载的波动影响，可靠性高。

1 故障的类型

三相电压型PWM整流器作为一种典型的功率变流装置，结构如图1所示，可工作在整流和逆变两种状态，其中逆变状态与三相逆变器工作完全一致，已具有较为成熟的故障诊断研究[17]，但整流状态下由于电路结构和双闭环控制系统的特点，运行特征上与逆变状态有较大差别[18-19]，引起研究人员的重视，并从不同角度展开了相关研究。

图1 三相电压型PWM整流器拓扑结构图

按照功率开关管故障个数，三相电压型整流器开关管开路故障类型可分为三类，包括:(1)单管故障，以A相为例，出现的D1开路故障或D1、V1同时开路故障等；(2)双管故障包括同一桥臂的两只功率管故障，如D1、V2同时开路，V1、V2同时开路等，以及上桥臂或下桥臂中任意两只功率管故障，如V1、V3同时开路等；(3)三管及多管故障，这类故障是十分少见的[20-21]。

2 故障诊断方法

准确、可靠地实现设备的故障诊断，一是要在不影响原系统运行状态的前提下，合理采集、提取具有故障特征的信号，其二是采用合适的故障诊断方法分析信号，包括基于数据驱动的方法、基于解析模型的方法。

目前三相电压型PWM整流器故障诊断中的故障特征向量的选取方法主要有两大类，一类是直接提取功率开关管特征参数，如利用功率开关管故障前后导通电阻变化、导通压降变化、门极电压变化等[22]，这类故障特征参数的提取方法需要在原系统中加入新的信号采集点，一定程度上降低了系统的可靠性，同时成本也较高；另一类则是利用故障下系统的工作机理和故障对系统输入、输出特性影响特征及作用关系，如在电压、电流双闭环控制作用下，利用整流器网侧相电流、直流侧电压等系统已有的信号测量点，通过直接或间接的方式，从这类信号中挖掘蕴含的故障特征信息，再采用不同的分析方法实现故障程度以及类型的诊断。

2.1 数据驱动方法

2.1.1 门极电压检测法

整流器正常工作时，交流侧相电压可表示为:

vj0(t)=vjN(t)+vN0(t)，(j=a，b，c)

(1)

其中:

vjN(t)=sjvdc，(j=a，b，c)

(2)

(3)

由此可推导出不同的开关模式下，交流侧各线电压均有3种电压值，如:

(4)

可见，每一种开关组合只对应一个线电压值[23]。文献[24]以此为依据，利用开关管门极信号和交流侧线电压唯一的组合关系，将开关管开路故障前后线电压的变化信号作为故障特征向量，实现单管及多管故障的诊断和定位。以线电压vab为例，故障特征向量如表1所列，其中T的值表示线电压发生了由0向+vdc或-vdc的变化。

表1 开关管开路故障特征向量

这种诊断方法中由于作为故障特征向量的交流侧线电压受直流侧电压波动影响较大，因此针对实际系统时必须合理、谨慎选取线电压比较阈值，以免导致误判。另一方面，由于选取了开关管的门极电压作为特征信号，因此需要在原系统的基础上加入新的检测点，一定程度上加大了诊断系统的成本。

2.1.2 直接电流检测法

由于三相电压型PWM整流器电路结构和电压、电流双闭环控制的作用，开关管开路故障后故障相相电流变化尤其明显，出现电流正、负半周不对称，而非逆变器开路故障中出现的某一半周缺失的现象，如图2所示。

图2 V1开路故障前后整流器三相电流波形

文献[25-27]针对系统的这一特点，提出将相电流均值不为零作为故障特征向量，即：

(5)

这类方法，作为故障特征量的相电流信号容易获取，且诊断数据量和计算量小，但随着整流器功率的提高及直流侧负载的变动，漏诊率大[28]，可靠性较低且无法解决多开关管故障识别和定位问题。

2.1.3 标幺化均值法

(6)

将上述两故障特征量分别与相应的固定门限值进行比较，利用表2所示的不同开关管开路故障时比较结果的编码组合不同，完成故障诊断和定位。

表2 故障开关管确定方法

编码规则为：

(7)

(8)

表2中Vc、Ijc分别表示电压、电流标幺化均值与相应门限值的比较结果。

这种诊断方法能够在全功率范围内有效，且能够应对负载变化频繁的场合，但实际应用中各标幺化均值的门限比较值选取对诊断效果非常重要，门限值过大虽然能够获得可靠性高的诊断结果，但诊断时间长；反之，门限值过小可靠性降低，容易发生误诊等情况，且这种方法只适用于单管故障的情况。

2.1.4 电流相角检测法

三相电压型PWM整流器控制系统设计多采用电压、电流矢量信号，将网侧三相电流进行Park变换，得到的电流矢量幅值、相角可分别表示为：

(9)

稳态时，电流矢量相角从0～2π变化，同时，对于数字系统，在一个采样周期内电流矢量相角的变化量Δθi是与采样频率相关的定值：

(10)

当整流器不同开关管发生开路故障后，如图2所示，将导致故障相网侧电流在特定区域近似为零，相应其电流相角将出现的Δθi=0情况，如图3所示。

图3 V1开路故障前后电流相角图

根据系统的以上特点，文献[29]提出将电流相角的导数和归一化的相电流平均绝对值作为故障特征向量，进行故障定位；文献[30-31]利用不同位置开关管开路故障时检测判断Δθi=0所属区域，结合当前θi角度共同作为故障特征信息实现多管同时故障时的诊断工作。

利用电流相角的检测方法在实际诊断故障中，由式(10)可知Δθi的大小与采样频率、点数有关，采样点数越高则诊断结果越可靠，但需要花费诊断时间为代价，因此需折中考虑；另一方面，实际系统中，不将Δθi直接与0进行比较，而需要设定一个比较阈值Th，一旦出现Δθi

2.1.5 基于Hilbert矢量变换法

根据整流器网侧电流特征，传统Park矢量法无法绘制出能够表征故障规律且特征明显的矢量图[32]，文献[33]提出通过三相网侧相电流及其共轭电流分别绘制Hilbert矢量图的方法，如图4所示，利用不同开关管发生故障时Hilbert矢量图左右半圆和凹凸位置不同作为故障特征，进行故障的定位和识别，该方法直观方便，但只能完成对单管的故障判断，且准确度不高。

图4 V1、V2断开后a相电流Hilbert矢量图

2.1.6 智能分析方法

直接利用时域信号作为故障特征向量，对比较阈值的设计非常重要，所含的信息量往往有限，也容易收到噪声等干扰的影响，因此越来越多的研究人员倾向于对信号进行二次开发。针对整流器系统的输入、输出信号特点，对交流侧相电流、直流侧电压利用傅里叶变换、小波分析等信号处理的方法，以将信号从时域转换到频域，获取更为丰富的故障特征信息，再结合遗传算法、神经网络、支持向量机、粗糙集等智能算法设计合适的分类器对待检测的信号进行故障的诊断和分类。

文献[34-36]首先对整流器各相电流网侧电流进行傅里叶变换，提取每一相电流谐波的直流分量、基波分量、二次谐波、三次谐波作为故障特征信号，通过模型电路标准故障建立故障样本库，针对待诊断系统结合SOM、ELAM等具有自组织特征映射的神经网络进行故障的诊断及定位。但实际系统中，相电流谐波很大程度上受控制系统参数等方面的影响，当谐波数据出现一定程度的偏差，则数据较为接近的不同类别的故障容易发生误判。

文献[37]利用小波分析具有双重定域和多分辨率分析能力，以及将信号在低频和高频同时分解和重构信号的功能[38]，将小波包分析整流器开关管开路故障前后直流侧电压得到的能量谱和功率谱细节信号作为故障特征向量；文献[39]在利用小波分析获得的频谱故障特征向量的基础上，建立了基于支持向量机的故障诊断方法，在有限样本中最大程度挖掘隐含的信息，同时解决了数据维数问题，能够有效的实现故障诊断工作。文献[40-41]将小波分析与粗糙集相结合，针对故障特征信息，运用粗糙集的数据挖掘能力去除冗余条件属性，减小故障数据的维数，构建条件属性集与决策属性集，约简后提取出故障诊断规则，以实现快速、有效地诊断各类故障。随着智能算法的发展，也有许多研究将多种智能算法结合使用，如模糊神经网络等[42-43]。

采用这类基于数据和信号处理的方法，诊断的准确性对于受训练样本的数量和种类表现出很高的依赖性，但考虑到现实中已发故障的数据量毕竟是有限的，因此要注意智能算法相关参数合适的选择，避免当输入数据十分相近时不同类别故障不易区分甚至错判。另一方面，为获得更多的状态信息，当选择小波包层数较高时，数据维数增大，容易导致分类网络收敛、聚类速度降低，影响诊断系统性能。

2.1.7 信息融合技术

上述针对整流器展开的故障诊断方法中，故障特征向量都是对直流侧电压或交流侧相电流中提取的单信息，当实际系统中存在较大干扰或噪声时，故障信息的不确定性将降低诊断系统的可靠性。为弥补单一故障特征信息的不足之处，提高故障诊断的准确率，采用融合算法进行设备的故障诊断工作成为研究方向之一。

信息融合的方式一般可发生在传感器层、特征层和决策层，其中传感器层融合是一种较为直接的信息融合方法，通过采用多源传感器采集故障信息，解决故障信息不足的情况[44]，但是采用这种方法需要较多的检测点，成本升高。

特征层数据融合方法则是利用不同的特征提取方法分析和处理电路故障的原始信息，从多角度提取故障信号的全面特征信息，常用的处理方法包括小波包变换、傅里叶变换、经验模态分解等。然后按照一定的融合方法对提取的多个特征向量进行融合，诊断结构如图5所示。文献[45]提出将待检测电路的电压信号、电流信号分别进行小波包分解后的数据作为故障特征量，采用间隔交叉的方式进行特征层的融合，从而增加电压信息和电流信息对故障特征的相互补充。相较单故障样本信息，进行特征层融合后的故障样本维数较大，因此往往还需对特征向量的维数进行冗余消除工作，以提高后续故障分类和识别的速度。

图5 特征层数据融合诊断结构

决策层的信息融合技术是把两种或多种分类器进行集成，如常用的人工神经网络、支持向量机等，采用模糊融合、分类融合、D-S证据等融合算法进行融合决策，得到最终诊断结果，诊断结构如图6所示。值得注意的是，决策层的融合必须基于良好的数据预处理，否则会直接影响决策的结果。

图6 决策层数据融合诊断结构

随着信息融合技术的发展，在故障诊断工作中综合运用多特征提取和多分类器融合决策的方法，将一定程度的提高故障诊断的准确性和可靠性。

2.1.8 大数据技术

作为关键的整流环节，三相电压型PWM整流器的应用将越来越广泛，故障诊断依赖于良好的诊断方法，而基于数据驱动的诊断方法的核心就是数据，没有数据支持的算法毫无意义，但目前针对其展开的进故障诊断研究中，故障特征的提取、故障信息的发掘，以及故障分类器的建立和训练所依托的大都是标准故障模型，或有限的较小数量级的数据信息，并且诊断工作都是在已发故障的前提下展开，这类诊断方法，很难满足实际系统工作状态多变的情况下，在线故障诊断的准确性和可靠性要求，以及在故障发生前进行快速、有效地故障预警。随着大数据技术的发展，已在其他故障诊断领域利用大数据技术开展的故障诊断与预警研究，亦可引入到整流器故障诊断工作中来[46-47]。

基于大数据技术收集和分析整流装置的实际运行数据而非传统模型样本数据，以海量数据为基础，在有限时间内从监测的大数据环境中得到最新的诊断模型和预测模型，采用数据挖掘方法进行故障诊断和分类，并能够合理精确的完成预警，这也是目前研究的热点之一。

2.2 解析模型法

与基于数据和信号的故障诊断方法不同，解析模型法是基于系统精确的数学模型之上的。利用整流器数学模型，同时构造状态观测器，当发生不同故障时，系统状态观测器特征向量的输出与实际系统该特征向量输出之间将产生残差，通过分析该残差来实现故障诊断。文献[48]以变流器输出电压作为故障特征量，通过分析实际系统电压值与参考模型输出量之间侧残差实现故障诊断的目的，但由于PWM整理器是非线性时变的系统，很难建立精确的数学模型，因此该方法在应用中收到很大的限制。

3 结束语

本文对PWM整流器现有故障诊断方法进行了介绍和对比，由于PWM整流器属于非线性系统，因此在故障特征向量的选取方面，采用基于数据驱动和信号处理的方法，给诊断工作提供了更多的信息，提高了诊断方法的适用范围、精度和可靠性。故障诊断方法也在考虑诊断速度的前提下，逐渐从单一的智能分析算法向综合性融合诊断算法发展。

目前，针对PWM整流器展开的故障诊断工作都是在故障已发的前提下展开的，但在工业生产中，已发故障容易导致异常停机，因此在现有故障诊断技术的基础上对PWM整流器故障状态预警及设备的运行寿命预测，以及故障后的容错控制进行更深入研究，具有很大的应用价值和前景。