基于频谱分析和改进BP网络的UPS系统三相SPWM逆变电路故障诊断研究*

2023-01-18黄艺娜

九江学院学报(自然科学版) 2022年4期

黄艺娜

(漳州职业技术学院智能制造学院福建漳州 363000)

随着电力电子技术的发展，由逆变器供电的电动机变频调速系统在工业生产中得到越来越广泛的应用，在故障发生时必须快速准确地确定故障情况，才能采取相应的措施恢复系统，保证工业生产的正常运行[1]。因此，进行逆变电路的故障诊断研究具有实际应用意义。目前，有很多对于电力电子电路故障诊断方法的研究，如文献[1]提出一种三电平逆变器混杂建模及开路故障诊断方法，文献[2]提出了基于电流滞环控制的三相逆变器故障诊断研究，文献[3]提出了逆变器IGBT器件在线诊断方法。文章运用频谱分析对故障信号进行特征量提取，引入动量算法改进标准神经网络，对UPS系统三相SPWM逆变电路主电路的功率管开路故障进行了故障诊断的仿真研究与验证。

1UPS系统三相SPWM逆变电路故障分析文章选取如图1所示的三相电压型SPWM逆变电路进行故障诊断研究。由于实际应用中，主电路的功率管开路故障较为常见，且多个功率管同时开路故障发生的概率较小，因此针对最多同时只有2个功率管开路故障进行诊断分析，故障分类如下：

图1 UPS系统三相电压型逆变电路图

第一类：无功率管故障，即正常运行。

第二类：只有一个功率管开路故障，即V1、V2、V3、V4、V5、V6中任意一个发生故障。

第三类：接同一相的2个功率管开路故障，即V1与V2、V3与V4、V5与V6中任意一组两个功率管同时发生故障。

第四类：上、下桥臂中任意2个功率管开路故障，即V1与V3、V1与V5、V3与V5、V2与V4、V2与V6、V4与V6中任意一组两个功率管同时发生故障。

第五类：上下桥臂各1个且不同相的功率管开路故障，即V1与V6、V1与V4、V3与V2、V3与V6、V5与V2、V5与V4中任意一组两个功率管同时发生故障。

为便于神经网络训练，可将三相SPWM电路的故障类型用六位编码X1X2X3X4X5X6表示，其中Xi=1或0，前三位表示故障大类，后三位表示故障小类，具体编码见表1。

2 故障特征提取

故障诊断时选择有效的可反映故障情况的特征信号非常关键。文章利用MATLAB/Simulink建立三相SPWM逆变电路的仿真模型，通过关断IGBT管的驱动信号来仿真功率管的各种开路故障，测试其三相输出的线电压波形，图2给出了部分故障波形，从左至右依次为无故障、V1、V2、V3、V4、V5、V6故障时的三相输出线电压波形，由波形分析可知，当功率器件发生开路故障时，线电压波形会发生畸变，且具有一定的规律，因此可选取输出线电压作为故障特征信号。

图2 故障输出线电压波形

逆变电路故障时的输出线电压波形是非正弦周期波形，通过傅里叶变换即频谱分析可得到其各阶频谱数据，这些数据包含了相应故障信息。通过频谱分析，可知IGBT开路故障时，输出线电压的频谱会发生相应变化，即在不同故障时输出线电压的各阶频谱与正常运行时的频谱是不同的。由于许多信号中都会包含有重复的故障特征信息，因此可通过对不同故障情况下的数据进行比对化简，去掉一些包含相同故障特征信息的数据，找出能够反应某故障区别于其他故障的一组数据，用此作为故障特征量。

为提取故障特征量，通过对三路输出线电压进行频谱数据分析，选取了线电压Uab的直流分量、基波幅值、基波相位、二次谐波相位、线电压Ubc的直流分量、二次谐波相位这六个特征量用以区分22种故障。

3神经网络算法

逆变电路有较强的非线性，利用人工神经网络的学习能力以及其输入输出之间的非线性映射关系，可把故障波形与故障原因间的关系通过神经网络的学习后保存在其结构和权中，将某时刻的波形的数据作为该神经网络的输入，输出即为对应的故障类型，从而实现故障的自动诊断[4-6]。

神经网络结构由输入层、隐含层、输出层组成，如图3所示[4]。输入层和输出层的神经元个数一般由实际问题决定，输入层的神经元个数由是故障特征量来决定，输出层神经元个数由目标向量决定，隐含层的神经元个数确定没有统一的规定，合理选择隐层节点数对神经网络学习能力和泛化能力有重要影响[5]。

图3 三层神经网络结构图

BP神经网络算法[7-8]：

(1)正向计算。将第p个样本(xp={xp1， xp2…xpn})顺序输入到网络中，分别计算隐含层输出值和输出层输出值，即：

(1)

(2)

激活函数常采用 S 型 Sigmoid函数

(3)

(3)反向计算。计算权值的增量：

(4)

(5)

而

(6)

(7)

(4)更改权值：

whkn(i+1)=whkn(i)+Δwhkn(i+1)

(8)

womk(i+1)=womk(i)+Δwomk(i+1)

(9)

(5)置i=i+1，返回式(1)。

传统的BP算法主要存在以下问题：①采用非线性优化易形成局部极小而得不到全局最优值；②迭代算法次数多使学习效率低，收敛速度慢；③隐含层和节点数的选择无理论指导。

BP神经网络算法的改进方法主要有动量BP算法、学习速率可变的BP算法、拟牛顿算法、弹性BP算法、变梯度BP算法、LM(Levenberg-Marquardt)算法等[5]。文章采用了动量BP算法对标准BP神经网络算法进行改进，加速了算法收敛并有效避免了训练中陷入局部极小值的问题。权值调整公式如式(10)所示。

(10)

式中，Δwij(n+1)表示第n+1次迭代计算时连接权的修正值，Δwij(n)表示前一次迭代时所得的连接权修正值，α为学习速率，λ为动量因子，λΔwij(n)是附加动量项，利用附加动量项可以平滑梯度方向的剧烈变化，增加算法的稳定性。

4神经网络学习样本设计及训练

文章选用三层BP神经网络结构。为了提高神经网络的泛化能力，选取了负载功率10KW、30KW时的故障特征数据共44个学习样本进行神经网络训练，同时为了减少计算量及提高神经网络的训练速度，对故障特征数据进行归一化处理，文中采用的归一化处理公式为：(X-Xmin)/(Xmax-Xmin)，式中，X表示当前数值；Xmin表示本列数据的最小值；Xmax表示本列数据的最大值。

表1中给出了负载功率10KW时的学习样本数据及相应的故障编码，表中X1X2X3X4X5X6分别为线电压Uab的直流分量、基波幅值、基波相位、二次谐波相位、线电压Ubc的直流分量、二次谐波相位的归一化值。

表1 神经网络学习样本

输入层神经元个数N1=6，输出层神经元个数N3=6。通过反复仿真验证，选用隐含层节点数N2=12。网络的初始权值由随机函数给定，网络训练误差为0.0001，动量因子为0.92，学习速率为0.2，第一层传递函数为tansig，第二层传递函数为logsig。网络训练过程是一个不断修正权值和阈值的过程，通过调整，使网络的输出误差达到最小，以满足实际应用的要求。网络训练误差曲线如图4所示。

图4 改进的神经网络训练误差曲线

5 仿真测试结果分析

仿真实验中，另外选取了电压Uab的直流分量、二次谐波相位、线电压Ubc的直流分量、二次谐波相位这四个故障特征量构造神经网络学习样本，并进行了训练。用加不同比例噪声信号的测试样本对训练好的两个网络进行测试，测试结果如表2所示。由表2可知，选取6个故障特征量的训练的神经网络具有更好的性能，在含1%、5%、10%噪声测试样本的测试中，其测试准确率都达到了100%。

表2 故障诊断结果比较表

为了与文章提出的改进的神经网络进行比较，选取同样的学习样本用标准的神经网络算法进行网络训练，训练误差曲线如图5所示。与图4比较可知，采用改进的神经网络训练时的迭代步数要小得多，训练时间更短。同时也对两种网络用加不同比例噪声的测试样本进行测试，测试结果如表2所示，改进的神经网络在噪声较大时的测试准确率更高。