基于复合特征量和S_Kohonen神经网络的逆变器故障诊断方法.docVIP

基于复合特征量和S_Kohonen神经网络的逆变器故障诊断方法 　　摘 要：针对三相PWM逆变器故障诊断的电流特性，以故障相电流作为故障信息，引入以电流平均值作为特征量的复合故障特征，并结合S_Kohonen神经网络的强大非线性分类能力，提出了一种基于S_Kohonen神经网络对三相PWM逆变器的故障诊断方法。仿真结果表明，该方法对三相PWM逆变器故障精确的定位和识别，并且具有较好的鲁棒性。 　　关键词：PWM三相逆变器；故障诊断；复合故障特征；S_Kohonen神经网络 　　引言 　　逆变器作为将直流转换为交流的换流装置，广泛的应用于国防军事和工业生产中，其一旦发生故障，将可能会对装置和设备造成损坏，造成经济损失，严重者更会威胁人身安全，因此对于逆变器故障问题应给予高度重视。对逆变器进行故障诊断具有重要意义[1-3]。 　　由于电力电子故障具有损坏速度快，故障信息存在时间也较短等特点，因此较为快速、准确的地位和故障识别是至关重要的。目前，国内外有不少学者对逆变器故障进行研究，现有的故障诊断已有大量的诊断方法，其中针对提取的故障特征量进行电流轨迹处理并结合BP神经网络实现的故障诊断方法[4]，该方法能有效地实现故障诊断，但需对特征量进行坐标转换等处理，显得较为繁琐。文献[5-7]等根据建立的模型实现的故障诊断方法，但是其需要建立精确的数学模型，否则会影响故障识别结果。 　　文章首先分析了三相PWM逆变器在不同故障下的故障特征量，然后以故障相电流作为故障信息，并结合三相电流平均值作为诊断的故障特征量，利用S_Kohonen神经网络强大的非线性分类能力实现故障诊断。 　　1 逆变器的故障分析 　　图1为三相电压型逆变器的电路拓扑图，该结构图广泛的应用于工业各领域，其开关管故障主要分为开路及短路故障，由于短路故障现已能准确的定位和识别，文章以开路故障作为重点进行研究。 　　针对三相逆变器的开路故障，其故障种类较多，但考虑到实际情况下的逆变器故障，可认为三相PWM逆变器的开路故障分为单管故障和双管故障，文章将正常运行的逆变器也归为一种特征故障，可分为5种故障类型，22种故障，其分类如下。 　　（1）逆变器正常运行状态； （2）只有一支功率管发生开路故障 VT1～VT6；（3）同一桥臂两支功率管发生开路故障 VT14、VT36、VT25；（4）同一半桥两支功率管发生开路故障VT13、VT24、VT35、VT46、VT15、VT26；（5）桥臂之间交叉功率管发生开路故障VT12、VT23、VT34、VT16、VT56、VT45。 　　针对以上开路故障，在仿真中将开路故障利用控制功率管触发角进行控制，将触发角去掉作为相应功率管的开路故障。在在Matlab7.01 Simulink6.1中搭建相应的仿真模型。直流电压源电压设置为530V，负载侧RLC模块有功功率1kW，无功功率100Var。由于篇幅原因，这里仅列出T16故障时三相电流波形图，见图2。 　　从图2可以看出，在相应功率管发生故障时，其对应相的电流会缺失对应的半波，其他故障类型的三相故障电流均有此特点，只有在同一半桥两只功率管发生故障时，由于会影响到正常相的导通会使非故障相电流半波丢失。 　　2 基于平均值的复合特征量提取 　　在上文搭建的仿真模型中，对22种开路故障进行仿真，并对每种故障利用MALTAB示波器提取三相电流采样点每相200个共600个点作为故障特征量，考虑到在实际情况下有噪声干扰等因素的影响，文章采用各相电流平均值作为部分特征量，其中对平均值T提取如（1）式： 　　（1） 　　其中N为每周期电流采用点数。 　　对各类开路故障代码及部分平均值列于表1，由于篇幅原因在表1中未列出故障时A、B、C三相各相波形采样点。 　　由表1及三相特征点可以看出，22种开路故障下的共603个特征向量之间具有非常复杂的非线性关系，需要利用智能算法进行故障识别。 　　3 基于Kohonen神经网路的逆变器开路故障诊断实现 　　Kohonen神经网络是由芬兰教授Teuvo Kohonen提出的无监督学习网络，该网络由自组织特征映射调整网络权值，使神经网络收敛于一种表示形态。Kohonen网络主要由输入层及竞争层组成，如图3所示。 　　Kohonen神经网络可以通过在竞争层后添加一层输出层，构成S_Kohonen网络，变为有监督学习的网络，用以实现故障分类，其中文章输入层节点数为603即故障特征量，由于竞争层选择一般要大大多于实际输入类别，文章选择竞争层节点数为81个，输出层即各种种类为22。在输入层、竞争层、输出层之间均有权值连接，通过训练对权值进行调整，调整方式如式（2）、（3）： 　　其中η、η2为学习概率；Wij为输入层与竞争层之间的