基于神经网络的电力电子电路故障诊断

徐文韬 项旻尧 谢晓彤 朱政栋 张帆远

【摘 要】隨着科技的不断发展，电力电子设备在工业和生活中得到了很广泛的应用，但由于其工作电路复杂，因此在实际使用中，电力电子设备容易出现不同程度的故障，如何高效的定位以及排除这些故障成为了电力电子行业研究领域内的重点话题。本文针对于电力电子电路的主要故障分析方法，将神经网络设定为主要研究对象，介绍了人工神经网络的结构并对其应用于电力电子电路中的故障诊断方法做了探究。

【关键词】电力电子电路;神经网络;故障诊断

随着信息化时代的不断发展，电力电子技术作为主要的硬件设施成为了现代化设备的核心技术。随着工业以及生活对现代化设备的要求不断提高，设备的核心电路也越来越复杂，传统的电路故障诊断方法逐渐被淘汰。目前，主要通过人工神经网络来诊断电力电子电路中的故障，人工神经网络是基于简化的神经元模型和学习规则对人脑机制的简单模仿，将此诊断方法用于电力电子电路具有许多优点。然而，随着神经网络在电力电子电路诊断中应用的不断深入，人工神经网络已逐渐显示出其缺点：①如果信息量相对较大，则传统的神经网络学习处理速度太慢，这与大容量的诊断操作不兼容;②人工神经网络的存储能力有限;③当神经网络收到新信息时，会存在部分信息的遗忘现象。这些缺陷促使许多研究人员开始探索新的神经网络诊断结构和理论。

1 诊断方法概述

尽管电力电子电路的故障诊断方法非常广泛，但是它们本质上是从几个经典的方法发展而来。

1.1 光谱分析法

由于普遍存在噪声和故障信号，因此在光谱分析法当中，故障信号的时域波形通常无法清晰地反映实际的故障属性。除了相关分析、滤波等其他方法外，常用的电力电子电路故障监测方法还包括傅立叶频谱或波什尔频谱等光谱分析方法。

1.2 故障字典法

在电力电子电路的故障诊断中，研究人员将最能反映特定状态下运行故障的数据保存为故障字典，并在将实际诊断结果与字典中存储的数据进行比较来评估电力电子电路的故障。该方法通常在诊断单个模拟或数字电路中起重要作用。但故障字典法在处理故障条目较多的电力电子电路诊断时效率较低。

1.3 故障树

在分析了导致电力电子电路故障的各种可能因素之后，可以将这些因素从大到小分层排列，创建逻辑框架为基础的故障树，即逻辑框图，故障树的故障诊断方式是从故障树的顶部事件使用分层搜索来找到最终确定故障原因的方法。故障树可以表达电路的内部连接，从而使组件故障和系统之间的逻辑关系清晰可见。此方法可以用作常规故障排除方法，诊断过程直观、灵活，但是很容易使得故障诊断过程变得繁琐，但是由于故障树的构建需要太多的工作，使得故障树方法在实际应用中，容易出现因数据太过庞大而导致的结论易错问题，它更适合于故障较少的电力电子电路故障诊断。

1.4 参数化建模

该方法可以分为状态估计方法和参数估计方法。以状态估计法为例，该方法类似于故障字典法，通过使用系统的定量模型和测量信号来重构一些可测量的变量，然后比较测量值和估计值之差的绝对值，正常状态下绝对值为零，其余故障状态不为零。然而，状态估计过程必须基于在传统诊断过程中难以实现的精确数学模型的构建，这限制了该方法的使用。

1.5 人工智能方法

与状态估计方法相反，人工智能方法不需要研究对象具有精确的数学模型。因此，它具有良好的普适性，主要包括人工神经网络、模式识别、专家系统和其他用于电力电子电路的集中式故障诊断方法。

2 人工神经网络在电力电子电路诊断中的特点

人工神经网络（简称神经网络）是由许多基本部分组成的网络，这些基本部分称为复杂神经元。人工神经网络模拟人脑的信息处理功能，是一种基于数学、统计学、神经学、物理学、计算机科学和其他学科结合而成的技术。

人工神经网络由简单的处理单元组成，大量处理器并行分布在这些单元中，处理器具有存储和应用经验知识的自然属性，它是人工神经网络能大规模并行处理电力电子电路中故障信息的基础。神经网络在电力电子电路故障诊断中的特性主要体现在以下几个方面：

（1）神经网络将电力电子电路中故障信息的存储和处理合二为一，即故障信息存储在神经元连接的分布中。

（2）电力电子电路故障诊断中神经网络主要进行大规模的模拟数值计算，而传统计算机则主要进行实际的分散数值处理。

（3）在电力电子电路的故障诊断中，神经网络具有较高的容错率、较强的适应性和广泛的归纳和分布能力，可以对故障信息进行分类和推广计算，仅当故障信息分类较为广泛时，神经网络的分析计算才有可能出现一定的偏差。

（4）神经网络是一种非常重要的故障检测方法。当有新的故障信息时，它可以充分发挥作用，独立学习记忆新的信息并不断改善记忆过程。

3 电力电子电路故障诊断中的神经网络模型

要理解神经网络并将其熟练的应用在电力电子电路的故障诊断中，首先需要明白其基本单元结构，和人脑一样，人工神经网络模型的基本结构也是神经元，如图1所示。

其中u表示神经元结构的内部状态，阈值为θ，输入信号为x，从一个神经元i到与之相连接的神经元j之间联结的权值表示为W，S表示在神经元数据传播时抑制神经元u的外部激励信号，则：

u=f（+S-θ）

y=g（u）

常见的电力电子故障诊断神经网络包括三个部分：

（1）输入层，在输入层中，许多神经元接受大量的非线性输入信息，即输入向量。

（2）隐藏层，是连接输入层和输出层的层。隐藏层可以是多层的，也可以是不存在的，常见的神经网络模型中一般会保留一层。其节点数不确定。节点越多，神经网络的计算能力越强，这也是神经网络能够更好适应外部条件的基础。

（3）输出层，在输出层中，来自大量神经元的信息被传输，分析和加权，最终输出所谓的输出向量。

4 结语

神经网络模型是近年来大量应用于电力电子电路故障诊断中的新型技术，其主要是以神经元为单位，进行输入信息的交叉计算并输出故障信息的计算结果，同时，在故障的诊断中神经网络模型能够进行故障信息的记忆，使得同一故障再次发生时能够获得较高的诊断效率。神经网络模型中的输入与输出节点能够自由调配，这也是其能更好适应外部环境的本质。

参考文献：

[1] 基于量子神经网络的电力电子电路故障诊断[J].李世涛，王迎晖，林月.电子技术与软件工程.2016（24）

[2] 电力电子电路故障预测关键技术论述[J].王力，王旭，徐哲.通讯世界.2016（02）

（作者单位：上海理工大学机械工程学院）