基于改进BP神经网络的牵引变流器故障诊断

孟苓辉，王 磊，徐春梅，刘志刚

（北京交通大学 电气工程学院，北京 100044）

牵引变流器是地铁机车能量转换的关键部件，主要由大功率半导体开关器件组成，它的正常与否直接关乎机车的安全运行与铁路的安全运营，而开关管的故障是变流器的主要故障，因此，对变流器开关管的故障研究，对地铁机车的安全运行具有重大意义。

1 牵引变流系统及故障模式的分析

1.1 牵引变流器拓扑简图

图1 地铁牵引逆变器拓扑简图Fig.1 Structure diagram of the subway traction inverter

1.2 牵引变流器故障模式集的提取

机车的牵引变流器通常工作在大电压、大电流的条件下，在IGBT开通与关断的过程中，电路的电流变化率很大，继而由于回路中的分布电感而产生的电压尖峰也很大，大大增加了开关管过压损坏的可能性；同时，在高频开关状态下，特别是在高电压、大电流条件下IGBT发热造成过温的可能性更大，发热严重，更容易引发故障[1]。因此，文中主要诊断开关管IGBT的故障，而开关管的故障主要分为开关管的开路故障和短路故障，而开关管短路故障发生时，由于过流保护开关管最终变为开路，因此主要诊断开关管IGBT的开路故障。

2 BP神经网络模型

BP神经网络（Back-Propagation Network）是将误差信息反向传播，对非线性可微分函数进行权值训练的最具代表性的多层前馈型神经网络[2]。

BP算法的数学描述如下：设xi和yi分别为神经网络的输入和输出，Oij为网络第i层第j个神经元的输出，netij为网络第层第j个神经元的总输入，wijk为网络第层第j个神经元到第i+1层第k个神经元的连接权值，θij为网络第i层到第j个神经元的阈值，Ni为网络第层神经元的节点数。

网络的前馈计算公式为：

其中，fs（·）为各节点的激活函数，一般选用Sigmoid激活函数。

定义误差为：

网络的目标误差为：

权值的修正应使目标函数E减小，即网络的权值沿E函数梯度下降的方向修正，即通过对普通BP算法进行改进，可以得到动量BP算法，其权值修正公式如下：

其中，λ 是动量因子，一般取接近 1 的数；λΔωij（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。实际计算中，学习速率η选取过大或过小都不能使网络收敛达到理想的效果；而动量因子λ取得过大也可能导致网络发散，过小则使网络收敛速度太慢。

3 基于神经网络的变流器故障诊断模型的建立

3.1 故障特征参数的选取

开关管发生故障时，电流变化量最明显，所以，考虑在负载一定的条件下，根据电流的相应变换进行变流器主回路开关管故障的诊断。用matlab对各种正常和故障情况下进行仿真，正常情况下三相电流波形基本上是中心对称的，即：

而当发生故障时，如开关管1发生故障，波形如图2所示。

图2 开关管故障时三相电流输出波形Fig.2 The three-phase fault output waveform of the switch tube

很容易发现在故障时波形已经明显畸变，因此整周期内积分不再是零，为了使输入样本具有可比性，而且便于神经网络的运算处理，我们对其标幺化，由于电流的有效值如式（7）：

以此作为诊断开关管故障的切入点，并通过仿真读取故障样本数据，将其输入神经网络进行学习，最终完成对6个开关管开路故障的诊断[3]。

3.2 开关器件诊断学习样本空间的建立

变流器三相桥臂上一共6个开关管，为了降低神经网络对样本学习的复杂性，提高诊断的准确性，只对6个开关管单管故障进行诊断，其他情况以此类推[4]。由于23=8＞6，所以用三位二进制数X3X2X1对变流器的故障进行编码，具体编码方式如表1所示。

3.3 神经网络诊断模型的建立与仿真

本文选用三层BP神经网络对变流器开关管开路故障进行诊断[5]。根据三相电流的特征值进行分析诊断，即N1=3；隐层节点数根据 N2=2N1+1=7，N3=3， 设定 λ=0.9，ηmin=0.05，ηmax=1，e=0.01，网络隐层采用正切 S 型（tansig）激活函数，输出层采用对数S型（logsig）激活函数。用MATLAB神经网络工具箱[6]生成神经网络，采用Trainlm算法进行训练。

表1 开关管故障编码表Tab.1 Structure diagram of the Switch tube fault code

训练的输入参数为p1为：

训练过程如图3所示。

选取隐层节点数为7，初始学习率为0.2，动量项系数为0.9的神经网络作为变流器开关管的故障诊断比较理想[7]。图3为这一网络的学习过程中的误差收敛曲线，从图3看出，误差收敛到1e-4以下，满足期望的要求[8]。

图3 BP神经网络训练样本收敛曲线Fig.3 The BP neural network training samples’convergence curve

神经网络经过训练后，冻结网络的权值和阈值，对神经网络输入实际故障样本数据进行测试，实际输出和期望输出值对比表如表2所示。

表2 神经网络的实际输出和期望输出对比表Tab.2 Contrast diagram of the neural network’s real output and the expected output

通过对神经网络输入测试样本，并对网络的输出进行模糊化处理，通过将输出值的故障代码与故障编码表进行对比分析：网络的期望输出与实际输出一致，由此可见本文提出的方法是切实可行的[9]。

4 结 论

文章主要针对变流器开关管的开路故障，通过对故障模型的仿真，对比分析提取出故障特征，并基于改进训练样本的归一化方法[10]，将样本归一化到[0，1]区间，采用动量BP算法，再对故障进行编码，建立了故障样本空间，网络经过学习训练快速收敛到误差规定范围内，输入测试样本，经过模糊处理后的故障代码与实际故障相对应，正确率100%，因此说明该算法收敛速度快、稳定，而且故障诊断的准确率很高。

[1]刘志刚.电力电子学[M].北京:清华大学出版社，北京交通大学出版社，2004.

[2]傅荟璇，赵红.MATLAB神经网络应用设计[M].北京:机械工业出版社，2010.

[3]肖刚.三电平逆变器故障诊断研究[D].陕西：西安理工大学，2006.

[4]魏志磊，苏宏升，李全林.基于遗传神经网络的电力机车主变流器故障诊断[J].电气传动自动化，2010，32（4）:17-20.

WEI Zhi-lei，SU Hong-sheng，LI Quan-lin.Fault diagnosis of electric loco-motive lord’s converter based on genetic neural network[J].Electric Transmission and Automation，2010，32（4）:17-20.

[5]孙召瑞，贾友军，房玉胜，等.MATLAB神经网络工具箱在故障诊断中的应用 [J].兰州工业高等专科学校学报，2004，11（4）：12-15.

SUN Zhao-rui，JIA You-jun，FANG Yu-sheng，et al.The application of MATLAB neural network toolbox in fault diagnosis[J].Lanzhou Polytechnic College Journals，2004，11（4）:12-15.

[6]王仲生.故障智能诊断与容错控制[M].西安：西北工业大学出版社，2005.

[7]YIN Shi-rong.Application of BP neural network in analog circuits diagnosis[C]//International Conference on Computer Application and System Modeling，2010 ICCASM.

[8]Somayajula S S.A neural network approach to hierarchical analog fault diagnosis[C]//AUTOTESTCON93.IEEE Systems Readiness Technology Conference Proceedings，1993:699-706.

[9]Mariani L，Pastore F，Pezze M.Dynamic analysis for diagnosing integration faults [C]//IEEE Transactions on Software Engineering，2011:486-508.

[10]HU Qing，WANG Rong-jie，ZHAN Yi-ju.Fault diagnose technology of power electricbased on neural network[C]//The 3rdInternational Conference on Innovative Computing Information and Control，2008 IEEE.