三相整流电路故障诊断技术

崔忞忞 ，万 鹏

（1. 海装上海局驻南京地区军事代表室，南京 210016；2. 上海船舶设备研究所，上海 200031）

0 引言

电力电子电路具有很强的非线性，传感器所检测到的信号，往往会受到噪声或干扰的影响，有时所需的特征信号往往比这种噪声小得多。本文采用小波分析的方法提取故障特征量，建立电路电压/电流—频带能量—故障之间的对应关系，再通过BP神经网络算法建立高效的故障诊断模型，对电路的故障进行诊断及定位。

1 小波分析

基于小波分析的故障诊断技术能够在时间—频率两域对信号进行分析，且不需要被诊断对象的数学模型，尤其是在非平稳信号的处理中，能够对信号在不同范围、不同的时间区域内进行分析，计算量不大，对噪声不敏感，灵敏度高[1]。

1.1 小波变换

一段信号通过小波变换获得频谱和频谱出现的时刻，如图1所示，通过尺度因子和平移因子的变化识别并分离出信号的低频成分和高频成分，能同时描述故障信号的时域和频域信息[2]。

小波变换为

式中：a为尺度，控制小波函数的伸缩；τ为平移量，控制小波函数的平移。尺度对应于频率（反比），平移量τ对应于时间。

1.2 小波包分解

基于多分辨率的小波包分解是指不断变化尺度因子的大小实现对上一尺度因子下的低频成分进一步分解，得到本次尺度因子下的低频成分和高频成分，每一层分解得到的系数都要再分解。如图2所示，S为初始信号，A为分解所得高频小波系数，D为分解所得低频小波系数，数字为对应分解层数[3]。

图2 小波包分解

利用上述方法对本文仿真电路的故障信号进行4层小波包分解，设E4,n为第4层小波包分解后第n个小波系数S4,n的能量，表达式为

2 神经网络故障诊断模型

2.1 B P神经网络算法

BP神经网络是一种多层前馈神经网络，是目前最成功的神经网络学习算法[4]。BP神经网络的输入输出是非线性映射特性的，能学习和存贮大量的输入—输出的映射关系，得到用来判定新的输入所对应的输出的规律，且无需对该映射关系提出数学方程式的描述，典型的BP神经网络的拓扑结构如图3所示。

图3 BP神经网络拓扑结构

BP神经网络的设计包括网络层数、隐含层神经元数、初始权值、期望误差以及学习速率的选取，BP神经网络算法程序流程图如图4所示。

单管故障波形（VT1故障，VT6故障）如图7所示。

图7 单管故障波形

同半桥2个开关管故障（VT1和VT3故障，VT2和VT4故障）波形如图8所示。

图8 同半桥2个开关管故障波形

同一相2个开关管故障（VT1和VT4故障，VT2和VT5故障）波形如图9所示

图9 同一相2个开关管故障波形

不同相2个开关管故障（VT1和VT2故障，VT5 和VT6故障）波形如图10所示。

图10 不同相2个开关管故障波形

表1 故障编码表

图12 归一化数据及故障代码

3.3 故障诊断

对以上得到的故障特征向量，再采用BP神经网络对其进行辨识处理，从而完成整个故障诊断的过程。

根据前节的仿真模型，得到包括正常模式和故障模式下的训练样本和测试样本数据，取得训练样本之后，运用交叉验证的方法，对神经网络参数进行选择，神经网络的隐含层数目选择为14个，神经网络确定参数的结果如图13所示。

图13 BP神经网络训练结果

最后将测试样本输入到训练好的BP神经网络诊断模型中进行诊断，诊断结果如图14所示。

图14 诊断结果

图14所示的故障诊断结果显示基于BP神经网络的故障诊断方法的准确率达81.8%。

4 结论

本文主要研究应用最为广泛的三相桥式整流电路的故障诊断，首先分析了三相桥式整流电路运行中经常会遇到的晶闸管的故障情况，根据晶闸管的故障对电路输出母线电压波形产生的影响，在Simulink模块中对电路可能出现的故障状态进行仿真，在电路负载端得到故障状态电压波形。对采集的故障信号进行四层小波包分解并归一化，提取故障特征向量，将故障信息输入BP神经网络中，将网络输出信息与期望值对比，从而得出故障位置与故障诊断率，仿真结果显示基于BP神经网络的故障诊断方法的准确率达81.8%，证明BP神经网络可以对电路进行故障诊断。