小波包与径向基神经网络的电力电子装置故障诊断

付丽君,王光兴,任慧轩

(沈阳理工大学 信息科学与工程学院，沈阳 110159)



小波包与径向基神经网络的电力电子装置故障诊断

付丽君,王光兴,任慧轩

(沈阳理工大学 信息科学与工程学院，沈阳 110159)

为提高人工神经网络对电力电子装置进行故障诊断的准确性与快速性，提出一种小波包与RBF神经网络相结合并应用于电力电子装置故障诊断的方法。以三相桥式逆变电路为例，对电路的故障信号采用小波包分解，有效地提取出故障特征后利用RBF神经网络进行训练。仿真结果表明，该方法具有更快的收敛速度和更高的诊断精度，能够有效地进行电力电子电路的故障诊断。

RBF网络；故障诊断；小波包；故障特征

电力电子技术是使用电力电子器件(如IGBT等)对电能进行控制变换的技术。电力电子技术不仅可以用于一般工业，也可广泛用于交通运输、电力系统、新能源技术等，甚至在照明等家用电器及其他领域中也有一定的应用。因此这些电力电子设备一旦发生故障,小则造成交通阻塞、电器产品损坏,大则会威胁人民生命安全,甚至造成重大的灾难事故以及人员伤亡,严重影响国民经济的正常运转。所以,对电力电子装置进行故障诊断非常重要。目前，人们只能从输出波形来诊断它是否有故障，以及何种故障，现已有多种方法用于电力电子电路的故障诊断。文献[1]利用BP 网络来诊断无功发生器中逆变器主回路元件开路故障；文献[2]采用傅里叶分析方法实现了对三相变流器主电路的故障诊断；文献[3]提出了采用小波分析和神经网络诊断电力电子装置故障诊断的方法。

BP网络原理简单且容易实现,已被广泛应用于众多领域。但是由于BP神经网络具有收敛速度慢、学习效率低和易陷入局部极小等局限性[4],特别是BP神经网络结构的选取会影响到网络的学习和泛化能力。针对BP 网络的以上缺陷,许多学者提出了很多改进的学习算法。本文提出小波包与RBF神经网络算法相结合并应用于电力电子装置故障诊断方法，提高了故障的诊断速度与诊断精度。

1　逆变电路故障分类和编码

1.1故障的分类

本文以三相桥式逆变电路[5]作为诊断实例，电路如图1所示。

图1　三相桥式逆变电路

表1　故障类型表

由于三相桥式逆变电路在实际应用中出现故障比较多的往往是IGBT的断路故障和短路故障[6]。这两种故障所产生的后果和所造成的损失也比较严重。另外由于短路故障下的波形相对简单，而且发生短路故障时存在的时间也比较短，因此本文仅以IGBT的断路故障为例来进行分析，由于在实际系统运行时多个IGBT同时发生故障的可能性比较小，因此为了简化分析，假设最多同时有两路桥臂发生故障，其设置的故障类型如表1所示。

1.2故障的编码

为了便于神经网络能将所有的故障区分开来，用5位二进制编码N5N4N3N2N1来对表1中的故障分类进行编码，其中Ni=0、1，用来作为神经网络的输出。例如：第一种故障所对应的编码为00001。编码结果如表2所示。

表2　故障编码

2　基于小波包变换的特征提取

2.1小波包分解技术

小波包分解[7]也可称为小波包或者子带树以及最佳子带树结构。它的具体概念是用分析树来表示小波包，即利用多次迭代的小波转换来分析输入信号的细节部分。基于小波包分解的方法继承和发展了短时傅里叶变换局部化的思想，同时又克服了窗口大小不随频率变换等缺点，在电力电子装置故障诊断中已被广泛应用。小波包变换[8](Wavelet Packet Transform，WPT) 能将频带进行多层次划分，并能够根据被分析信号的特征选择相应的频带，使之与信号频谱相匹配，它是在多分辨率分析的基础上，为信号提供了一种更为准确的分析方法。

以一个三层小波包分解为例来进行说明，图2中A表示低频，S表示原始信号，D表示高频，末尾的序号数表示小波包分解的层数(即尺度数)则分解有如图2所示。

图2　三层小波包分解示意图

2.2小波包能量特征提取

小波包分解可以将信号分解在全频带上，进而将得到的不同频带上的能量作为故障诊断的重要信息。对电力电子电路输出电压信号Uab进行小波包分解，提取出从低频到高频的信号特征，在对小波包分解的系数进行重构，就可得到各频带信号的能量。具体定义如下：

1) 对三相桥式逆变电路的输出电压Uab进行3层小波包分解，采用的函数为wpdec，具体格式：G=wpdec(Uab,3,’db1’,’shannon’)。

2) 对小波包分解系数进行重构，提取出各频带范围的信号。重构系数采用的函数wprcoef，对第三层的所有节点进行系数重构。

3) 求各个频带信号的能量。

4) 构造特征向量，如果能量E的数值较大，为了加快神经网络的收敛性需要进行归一化处理。

根据以上定义，采用db1为小波基函数，对输出电压进行小波包分解，最后得到的重构部分波形以及部分数据样本如图3及表3所示(其中S代表重构系数)。

图3　重构系数波形

表3　部分数据样本

3　径向基神经网络原理

3.1RBF神经网络

径向基(RBF)神经网络可以任意精度逼近任意的非线性函数，具有全局逼近能力和收敛速度快的优点，是一种性能较好的前馈型网络。被广泛应用于自适应滤波、函数逼近、非线性时间序列预测等众多领域。

3.2RBF网络的Matlab函数及其功能

各函数功能如表4所示。

表4　函数功能表

其中newrbe()函数的功能是建立一个径向基神经网络。它的格式为

net=newrbe(X,Y,SPREAD)

各个参数说明如下：X为输入向量；Y为目标向量；SPREAD为径向基函数的分布密度，默认为1。

3.3小波包与RBF网络的结合

小波包与神经网络的结合主要有两种方式，一种是小波包变换被有效用来提取故障特征信息，之后在将这些故障特征信息送入故障分处理器进行故障诊断；另一种是把小波与神经网络结合起来，即形成小波神经网络或小波网络。它是在小波分析研究基础上提出的一种前馈网络。其基本思想是用小波元代替了神经元，小波神经网络由于把神经网络的自学习特性和小波的局部特性结合起来，具有自适应分辨性、良好的容错性、逼近能力强、网络学习收敛速度快以及有效避免了神经网络训练时局部最小值问题等优点。

4　实例分析

为检验小波包RBF神经网络的快速性与准确性，对图1故障模型进行仿真，创建RBF神经网络[8]，设输入向量X为小波包故障特征提取结果，输出向量Y如表2所示，设定样本目标的误差为0.01，扩展系数为1，训练次数为1000，对其进行训练，最后得到的训练过程曲线以及部分实际输出结果如图4及表5所示。

由图4可以看出，当训练次数达到16次之后神经网络就已经很好地收敛于期望输出。将实际输出用Yi(i=1～6)表示，令Yi>0.5时，Yi=1：Yi<0.5时，Yi=0，通过表2与表5对照可以看出，利用本文所提方法对测试样本的诊断准确率可达到95%，由此可见此方法可以提高神经网络的收敛速度，同时也提高了故障诊断的准确度。

图4　RBF网络误差训练曲线图

表5　部分实际输出

最终得到网络的部分输入到隐层权值为

W1=[3.4716-2.8575 3.1709

-1.0612 2.1588-1.0949

1.4438-2.4628-0.5847

-0.2776 4.8081-3.4901

-5.9092 1.7600-6.3767

-4.8437-1.2289 3.3298

-0.6897-0.7014-0.7889

-1.0495-0.9336 2.1407]

部分隐含层阈值为

B1=[-3.00533.9368-0.24076.1455-0.11094.8361]

部分隐层到输出层权值为

W2=[-4.4138-9.0753-0.0564

-1.8209 2.0019 9.4277

-1.2252 4.6967 2.6274

2.3185 1.1446-4.5502

-0.9217 0.2439 0.8616

-1.0008-3.0645 3.5176

-9.9381-1.1515]

部分输出层阈值为

B2=[2.57510.51003.1796-1.11822.2916-0.7814]

5　结束语

基于小波包算法和RBF神经网络算法相结合进行电力电子装置的故障诊断。由于BP神经网络具有收敛速度慢且容易陷入局部极小点等局限性，本文首先对采集到的故障数据进行小波包分解，然后将提取到的小波包系数能量作为故障特征向量并送入RBF神经网络进行训练，使其既具有RBF网络较强的自学习能力和快速收敛等优点，又具有小波包在频域良好的局部化特性。仿真结果表明，所提故障诊断方法既提高了故障诊断的准确性，同时也加快了网络的收敛速度。说明此方法应用于电力电子装置故障诊断是非常有效的。

[1]王旭,王文辉.人工神经元网络原理与应用[M].沈阳:东北大学出版社,2000.

[2]柳凌,钱祥忠.基于MATLAB的三相桥式SPWM逆变器建模与仿真 [J].电子设计工程,2014,22(14):1-4.

[3]李微,谭阳红,彭永进.基于小波分析及网络的电力电子电路故障诊断方法[J].电机与控制学报,2005,9(6):554-557.

[4]洪乃刚.电力电子和电力拖动控制系统的Matlab仿真[M].北京:机械工业出版社,2006.

[5]陈治佐.复杂系统的故障检测和诊断方法研究[D].上海:上海交通大学,2013.

[6]王兆安,黄俊.电力电子技术[M].北京:机械工业出版社,2006.

[7]WANG Jiu-he,YIN Hong-ren,ZHANG Jin-long,et al.Study on power decoupling control of three phasevoltagesource PWM rectifiers[C].Power Electronics and Motion Control Conference,Katholieke university,2006.

[8]薛定宇,陈阳泉.基于MATLAB/Simulink的系统仿真技术与应用[M].北京：清华大学出版社，2002.

(责任编辑：马金发)

Wavelet Packet with RBF Neural Network Fault Diagnosis of Power Electronic Device

FU Lijun,WANG Guangxing,REN Huixuan

(Shenyang Ligong Univercity,Shenyang 110159,China)

In order to make artificial neural network much more accurate and faster in fault diagnosis for power electronic device and speed,a new method of fault diagnosis using wavelet packet and RBF neural network which is applied to power electronic devices was proposed.In the case of three-phase bridge inverter circuit,when going wrong ,at first fault signal of circuit is decomposed with the wavelet packet and the fault feature is extracted effectively.Then training is conducted by using RBF neural network.Simulation results show that the proposed method has faster convergence speed and higher diagnosis accuracy,and can be effectively carried out in power electronic circuits.

RBF network；fault diagnosis；wavelet packet；fault feature

2015-05-25

付丽君(1962—),女,副教授,研究方向:运动控制系统智能监控。

TP277

A