DC-DC变换器的典型故障分类方法研究

徐钊, 张一童, 潘震, 池程芝, 刘晓斌

(1.西北工业大学 电子信息学院, 陕西 西安 710129;2.中国航空无线电电子研究所 航空电子系统综合技术重点实验室, 上海 200233 3.西安现代控制技术研究所, 陕西 西安 710065)

随着信息技术的推动和信息条件下作战需求的牵引,综合模块化航空电子系统的作用和地位日益突出,它是现代作战飞机完成导航与识别、控制与管理等任务的先进综合集成平台。以F-35为代表的新一代战机,拥有先进的模块化航空电子系统,实现了机载资源的高度共享、分层系统的综合管理,极大地提升了战机的作战效能,因此,航空电子系统的可靠性显得尤为重要[1-3]。

作战飞机不可避免地装载了大量的用电设备,综合模块化航电的电源转换模块(power conversion module,PCM),将飞机电源系统供电转换为内部机架式电源的直流输入电压,进而通过电源开关给各通用功能模块供电。PCM模块是其他各通用功能模块工作的基础,其工作状态对其他通用功能模块能否正常工作有着重要的影响。PCM的核心部分为DC-DC变换器,其健康状况能够反映整个PCM的工作状态,对其进行状态监测和故障诊断具有重要的意义。文献[4-5]对升压型变换器故障诊断方法进行了研究。文献[6]提出了零电压开关直流变换器开关的短路故障和开路故障诊断方案。文献[7-8]研究了三电平变换器的故障诊断方法。

传统的故障诊断与维修方法,存在维修效率低、维修成本高、可靠性差等问题。因此,利用对DC-DC变换器在线采集数据进行分析,建立故障诊断模型,及时的发现故障,采取有效管理措施,具有重要意义,可极大地提高飞机系统可靠性。

1 DC-DC变换器失效模式分析

电力电子线路的性能退化通常是由电路中元器件的失效引起。DC-DC转换器的故障主要由一小部分组件导致的。DC-DC变换器失效概率较大的部件主要有电解电容器、开关晶体管、电感和二极管,由于主电路工作频率较低,不会对电感器件造成大的损坏,故在此不予考虑,本文主要针对电解电容器、开关晶体管和二极管提取故障特征参数,建立故障分类诊断模型。

铝电解电容即滤波网络中的滤波电容,在DC-DC变换器中主要用于滤波网络,用来吸收电压纹波进而达到平滑输出电压的作用,所以铝电解电容的劣化会使DC-DC变换器输出的交流成分增加。电解电容因具有成本低、容量大等优点被广泛应用于滤波和电能的存储变换,但其发生故障的概率很大,对输出电压有较大影响,其性能的好坏直接决定DC-DC变换器的可靠性。

开关晶体管作为电力电子电路的功率转换器件,开关晶体管的故障将直接影响DC-DC变换器的失效率、温升指标和技术性能。考虑到航空用途PCM的实际情况,一般采用MOSFET晶体管,MOSFET晶体管可在高频率环境下作业。

功率二极管作为一种常用的功率器件,在电力电子电路中起着续流、整流等重要作用。肖特基二极管作为一种常用的功率二极管,在DC-DC变换器中也较为常见,具有低电压、大电流以及速度快等优点,但容易在过大的反向电压和电流作用下,出现反向击穿的现象。

本文在PSPICE环境下设计了典型的基于Sepic拓扑结构的DC-DC变换器,Sepic型变换器是DC-DC变换器的一种,它允许输出电压大于、小于或等于输入电压的变换器,由主控开关控制,且通过主回路上的电容能够实现输出和输入的隔离,广泛应用于航空领域。通过设置元器件参数可以实现预期的升降压变换。PSPICE基于FORTRAN语言,是由SPICE发展而来的通用电路分析软件,主要用于大规模集成电路的计算机辅助设计,具有丰富的元器件库,是最流行的电力电子线路EDA软件之一。PSPICE不仅可进行数模混合电路的仿真,而且具有PSPICE-MATLAB接口软件模块来用于测试实际电子设计的系统级接口,便于我们后续对仿真结果进行数据交互与分析。

搭建的PSPICE模型图1所示。在PSPICE中可以对不同类型的故障进行仿真,采集故障数据。本文共设置了5种故障模式:MOS管短路故障、二极管开路故障、二极管短路故障、电解电容击穿故障和电解电容开路故障。在PSPICE中对短路故障的模拟方法为:为短路故障元件并联一个SW-open开关,设置开关在6 ms时刻由断开状态切换至闭合状态,模拟元器件的突然短路故障。开路故障的模拟方法为:为开路故障元件串联一个SW-close开关,设置开关在6 ms时刻由闭合状态切换至断开状态,模拟元器件的突然开路故障。也可以串联一个大电阻的方式模拟元件开路。采集的信号包括输出电压、模拟输出电压、MOS管漏极电压、MOS管源极电压、二极管p极电压。采集的数据用于后续仿真验证。

图1 基于Sepic结构的DC-DC变换器PSPICE模型

2 DC-DC变换器故障诊断框架

单一的模型可靠性低,而多模型融合有利于提高故障诊断的精度和鲁棒性。本文采用的DC-DC变换器故障诊断技术路线如图2所示。主要包括数据预处理、特征提取与选择、故障诊断建模和多模型融合4个模块。数据预处理模块主要完成数据清理、匹配和集成,便于后续对数据的分析处理;特征提取和优化选择模块可以将数据转化为有价值的知识,发现隐藏在数据集中的与故障相关的特征变量;故障诊断建模模块通过多种智能方法建立特征变量与故障类型之间的对应关系;多模型融合模块通过对多模型的优化融合提高故障诊断的精度。

图2 DC-DC变换器故障分类技术路线图

3 基于多模型融合的DC-DC变换器实时故障诊断

下面介绍本文拟采用的3种建模方法。

3.1 基于神经网络的故障分类

人工神经网络是一种基于数据的建模方法,它通过大量的非线性的神经元的组合和连接以及自学习的算法,建立了输入输出之间的非线性的映射关系。本文采用如图3所示的多输入多输出的BP神经网络拓扑结构。

图3 BP神经网络拓扑结构图

其中,X1,…,Xn为输入变量;Y1,Y2,…,Ym是输出变量;ωij和ωjk分别是网络输入层与隐含层、隐含层与输出层神经元之间的权重。

3.2 基于KNN的故障分类

K最近邻(k-nearest neighbor,KNN)算法是一种有效的分类算法。它以对象间的距离作为衡量指标进行分类,一般使用欧氏距离或曼哈顿距离:

(1)

(2)

KNN算法描述可如下:

1) 计算测试数据与各个训练数据之间的距离;

2) 按照距离的递增关系进行排序;

3) 选取距离最小的K个点;

4) 确定前K个点所在类别的出现频率;

5)返回前K个点中出现频率最高的类别作为测试数据的预测分类。

3.3 基于PSO-SVM的DC-DC变换器故障诊断模型

支持向量机(support vector machine,SVM)具有优异的分类性能。本部分主要针对支持向量机的训练和优化进行阐述。选取RBF作为核函数,即

κ(x,xi)=e-γ‖x-xi‖2

(3)

式中,SVM模型中有2个需要确定的参数:惩罚因子C和正则化参数γ,采用较好的参数(C,γ)能够对故障类型有较好的分辨率。由于SVM采用的是多分类,合适的结构参数选取较为困难,故本文采用标准粒子群算法对结构参数进行寻优。基于PSO-SVM的故障诊断流程图4如下:

图4 PSO优化SVM结构参数流程图

3.4 多模型融合

多预测模型融合可用如下加权求和公式表示

(4)

式中:wj表示第j个模型的权重系数;y表示测试数据;x表示训练数据;M为模型的总数;Lj(y,x)表示第J个模型的分类值。可以采用加权平均法对多分类模型的结果进行融合,即wj=1/M。对于结构复杂、较难分类的数据,分类模型的可靠性越高,其权重应当越大,因此wj可定义为

式中,I{·}是示性函数。当括号内的条件满足时,I{·}=1;否则,I{·}=0。模型可靠性函数定义为

Rm,j=exp(-cEm,j)

式中,c是一个待优化参数。参数c的选取需要通过实验数据的测试,其最优值应当使多次实验的平均预测误差方差最小,其初始值应当使Rm,j在[0,1]区间内较为均衡地分布。

4 仿真验证

本部分的故障诊断算法研究主要针对于PCM常见的硬故障类型,具体包括:MOS管短路故障、二极管开路故障、二极管短路故障、电解电容击穿故障和电解电容开路故障共5种硬故障模式,故障的设置详见文章第2部分。

实验采集的信号包括输出电压、模拟输出电压、MOS管漏极电压、MOS管源极电压、二极管p极电压。对上述信号分别提取以下特征:①时域特征变量:均值、均方差;②频域特征变量:快速傅里叶变换(fast Fourier transform,FFT);③时频域特征变量:小波变换。

对上述采集的5种信号分别提取以上4种特征,部分信号统计量变化规律如图5所示:

图5 输出电压信号部分统计量变化曲线

MOS管漏极电压信号如图6所示:

二极管p极电压信号如图7所示:

图7 二极管p极电压信号部分统计量变化曲线

由于特征提取后的特征变量中包含了大量的冗余,对与性能退化无关的特征变量进行建模会阻碍准确的故障诊断或使诊断的速度变慢。因此,需要对提取的特征进行降维。本文对上述提取后的特征,采用主成分分析(principal component analysis,PCA)进行降维处理。在降维过程中,选取累计方差贡献率达到95%以上的前几个最大特征值对应的特征向量作为降维后的特征向量,主成分分析如图8所示,从图中可以看出,降维后的状态监测特征向量维数为4,大大简化了输入数据的维数,去除了冗余,简化了模型,加快了分类速度。

图8 特征向量主成分分析图(95%)

采用BP神经网络、KNN以及PSO-SVM 3种模型的DC-DC变换器故障分类模型训练参数如表1。仿真结果如图9至11所示。

表1 分类模型参数设置

从图中可以看出,分类精度达到100%。本文采用加权平均法将以上3种模型进行优化融合,得到的分类结果仍然是100%。仿真结果表明该多模型融合方法对于DC-DC变换器的故障分类技术时可行的。同样该模型可不失一般性的对航空电子线路设备进行故障诊断,通过对电路电气特性分析,进行特征提取和故障分类。该模型方法具有较强的适用性和准确率。

图9 神经网络模型分类结果 图10 KNN模型分类结果 图11 PSO-SVM模型分类结果

5 结 论

本文首先基于PSPICE仿真软件,采用Sepic拓扑结构,设计了DC-DC变换器模型,并对DC-DC变换器的失效规律进行了分析。对DC-DC变换器的MOS管短路故障、二极管开路故障、二极管短路故障、电解电容击穿故障和电解电容开路故障共5种硬故障模式进行模拟仿真,并采集相关数据。对故障数据进行了时域、频域以及时频域的特征提取,并进行PCA降维。建立了基于神经网络、KNN以及SVM的多分类模型,并将多模型分类结果进行了融合以提高模型的鲁棒性和准确性。仿真结果表明,本文提出的故障分类方法能有多故障进行精确的分类。