电力电子电路智能故障诊断技术探讨

2020-02-20胡国喜

通信电源技术 2020年1期

胡国喜

（河南省工业科技学校，河南新乡 453000）

0 引言

随着电力电子领域技术的快速发展，相应电路的诊断方式也逐渐向自动化和智能化方向演变。传统诊断方式的缺陷较多，需要等设备已经损坏再实施维修工作，并且需要定期对设备进行检验维护。由于这两方面的不足，导致相关企业的经济损失、人员的人身伤害。因此，电力电子电路的诊断向智能化发展是该领域发展的必然趋势和时代选择[1]。其中，小波演变有着较高的时域区域性，因噪声导致误报率相对较高；支持向量机（Support Vector Machine）虽然具有较好的实用性，但是仅适合小样本诊断，如果样本数量过多，正确率将受到负面影响；AEMA（Auto Regression Moving Average，ARMA）谱估计方式，虽然诊断率良好、适用性较强，但是仍然局限于时域中[2]。本文充分利用现代化BP神经网络，对电力电子电路基本故障进行有效分析和处理分类，继而实现快速精准挖掘故障并实施深度处理的功能[3]。依照BP神经网络基本工作原理，综合研究以神经网络为基础的智能化电力电子电路故障提取方式，将该方式有效利用在三相整流电路相关的故障检测诊断中，具有可视性、简单化、诊断效率质量较高的优势。此外，该方法还具有大幅度普适性，适用于多种类电力电子电路产品诊断。

1 整流电路基本故障解析

1.1 故障模式

立足于三相桥型电力电子电路诊断，在全时间段内的某一随机时刻，均具有两个晶闸管共同通导，组成电流基本回路架构。其中每间隔π/3进行换相操作一次，换相过程始终保持在共阳/阴极之间来回进行，该管的通导顺序为KT1→KT2→KT3→KT4→KT5→KT6。整流桥输出方向电压ud为测试点，能够有效反馈电路运行状态；电压电流测试相对容易，不进行详细描述。因此，本文仅将ud作为分析处理基本点。

电路运行表明，大部分故障呈现晶闸管损伤，并以晶闸管短路较为普遍，因此对该部分进行分析。

有且最多只有两个晶闸管产生损坏现象，因此其中包括两个全部损坏或一个正常运行一个已经损坏的情况。故障A：每个晶闸管均状态良好，能够正常运行。故障B：有一个晶闸管出现问题，也就是KT1、KT2、KT3、KT4、KT5、KT6中的一个损坏。

故障C：有两个晶闸管出现问题，也就是KT1、KT2、KT3、KT4、KT5、KT6中的任意两个组合发生损坏。

经过分析不难发现，该部分故障种类大致有5种，每种均含有6个子级类型。即以6位标号方式便能够融括全部电路故障类别。

1.2 故障分析

对三相桥型电流进行模拟仿真，如图1所示。利用仿真模型得出故障电压ud波形。

图1 三相桥型电流进行模拟仿真图

图2为无故障电路输出图，图3为故障电路输出图，其属性是当出发点A发生改变时，波形将随之发生改变。

图2 无故障电路输出图

图3 故障电路输出图

2 立足于BP神经网络的智能化电力电子电路故障诊断

2.1 故障诊断

BP神经网络技术诞生于20世纪90年代，是一种依照误差方向传导基础算法训练的全方位、多层次前馈智能网络，是现阶段应用最为普遍的神经网络技术之一。BP网络能够有效学习与存储输出和输入映射关系，不需要提前展现相关数学方程[4]。

BP神经网络和现阶段较为流行的其他类型神经网络有所区别，并主要体现在隐含层中。对于具有两个甚至更多隐含层的神经网络，其激活函数功能是一种二次性质的重叠函数[5]。因该模型较为稳定，所以相对于线性区别更加准确可靠，鲁棒性质也更加明显优异。此外，因激活函数具有可微性和连贯性，所以可以用梯度方式实施修正公式的计算工作，以反向传导方式予以验证。

在实施正式网络训练前，必须对网络结构加以确立。在此期间，选用BP神经网络，基本层数为5层。其中故障种类代码数位决定输出层点位数量，即输出节点等于6；由于隐层特殊性质，隐层节点不具有固定规律，尽可以利用不断试验加以改进。在选择隐层节点的过程中，当节点为9时较为理想。此处，在A=0°和A=30°时，全部故障类型作为训练标本（见表1），其中前10组数据训练，后5组数据测试，训练误差（见图4）。