基于小波变换和神经网络的PWM逆变电路故障诊断*

刘 玲

(四川工商学院，四川 成都 611475)

0 引言

随着电力电子技术的发展，基于PWM逆变电路供电的电动机变频调速系统在工业上、轨道交通领域应用广泛。PWM逆变电路作为变频装置中电能变换的主体，应用场合复杂，在运行过程中要承受主要的电热应力，故障率较高。

目前，对逆变电路的故障诊断研究取得了一定成果。文献[1]将逆变电路的故障诊断方法分为基于电压的方法和基于电流的方法。文献[2]利用小波包分解从逆变器的上、中、下桥臂电压提取出故障特征向量，再将特征向量输入SOM神经网络实现故障诊断。文献[3]提出一种基于电流矢量特征分析的逆变器单开关管开路故障诊断方法。文献[4]根据相电流平均值和平均绝对值残差来进行故障诊断。本文以电压型PWM逆变电路为研究对象，提出利用小波变换提取输出电流的故障特征，以神经网络实现故障模式分类的方法。

1 PWM逆变电路的开路故障分析

电压型PWM逆变电路是由六个IGBT构成的三相全桥电路，其拓扑结构如图1所示。功率器件的短路和开路是PWM逆变电路最频发的故障。短路故障因存在时间短且影响严重，目前在逆变电路的驱动电路中已集成短路故障监测和过流过压保护以减少短路故障带来的危害[5]。与短路故障相比，功率器件的开路故障影响相对较小，系统故障响应比较慢，虽不会导致系统立即崩溃，但很容易引起系统其他部件的二次故障，造成更大的损失。为此，本文主要研究的是PWM逆变电路功率器件的开路故障。

图1 PWM逆变电路主电路拓扑图

由于实际中3个功率器件同时发生故障的概率较小，本文研究最多同时只有两个功率器件发生开路故障的情况，根据故障类型可将开路故障分为5大类22种情况，如表1所示。

表1 逆变电路开路故障类型

由于难以直接获得逆变电路的内部信息，因此一般通过检测输出电压或输出电流来判断电路是否发生故障。与输出电压诊断法相比，输出电流诊断法无需使用较多的传感器，更具有优势。

使用MATLAB中的Simulink建立仿真模型，并对22种故障类型进行仿真，获得不同工况下输出电流波形，部分故障仿真波形如图2所示。

由图2可知，与正常工况相比，故障工况下输出电流的波形发生明显畸变，而且在不同故障工况下由于故障位置的不同，引起输出电流波形或缺相、或某相丢失大部分正半周或负半周的波形。由于不同故障对应的输出电流波形有明显不同，因此，可以从输出电流波形中提取相应故障的故障特征。

2 基于小波变换的故障特征提取

小波分析实质是对被检测信号的多带通滤波，不同工况下的逆变电路输出电流波形的各频带成分是不同的，通过分析输出电流频率分量的变化可以确定故障是否发生及进行故障定位。

本文选用db3小波基对逆变电路的输出电流信号进行 6层分解，提取一个低频系数和6个高频系数。由于小波分解后高频能量值相对低频能量比较小，无法表征故障特征，故本文只提取各相输出电流的低频能量值。实验中还发现，某些故障工况下，三相输出电流的小波能量特征值仅略有不同，不宜区分，如T5开路和T6开路，T1T3开路和T2T4开路等。分析不同故障工况的仿真波形发现，不同故障下输出电流波形在相位上有不同的体现，为此增设波形参数。假设波形参数为Qi(i=A,B,C)，以输出电流波形的前半个周期中波峰值(p1)与后半个周期中波峰值(p2)比值大小来确定Q值，即：

图2 部分故障仿真波形

由此，将三相低频能量值与三相波形参数合并，构成相应故障的特征向量，如表2所示。

表2 开路故障的故障特征向量

基于小波变换提取的特征向量，与故障之间的对应关系是一种复杂的非线性映射，需要选择合适的分类器来实现故障诊断。

3 基于BP神经网络的故障诊断

BP神经网络由输入层、隐含层和输出层组成，其核心是通过一边向后传递误差，一边修正误差的方法来不断调节权值和阈值，以实现或逼近所希望的输入输出映射关系[6]。

3.1 神经网络的搭建

网络的隐含层和输出层采用的神经元激活函数分别是正切S型传递函数(tansig)和对数S型传递函数(logsig)，训练函数采用Levenberg-Marquardt(LM) 规则训练的trainlm函数。

LM是一种改进的BP算法，具有局部收敛性和全局性，可克服传统BP神经网络收敛速度慢、易陷入局部极小值的缺陷[8]，其权值和阈值的调整率为:

(1)

式中J为误差相对权值和阈值的雅可比矩阵，e(x)为误差向量，μ是阻尼因子，I为单元矩阵。在LM算法中，每一次迭代就是寻找一个合适的μ。当μ很大时，式(1)就接近梯度下降法。由于LM算法提供了快速收敛的正则化方法，它的收敛速度比梯度下降法快得多。

3.2 神经网络的训练和测试

训练神经网络的目的是使其能够对故障特征进行识别分类，从而完成对逆变电路的故障诊断。本文设定总误差为0.001，训练次数为2 000。由图3可知，搭建的神经网络经过61次训练达到了目标误差，且误差仅为0.000 891。

图3 网络训练结果示意图

为了测试所搭建神经网络的正确性，加入±10%电压噪声的非训练样本数据到已训练好的BP神经网络，部分测试样本诊断结果如表3所示。经统计，测试样本的故障诊断正确率达到96%。

表3 部分测试样本输出结果

通过分析故障诊断试验结果可知，使用BP神经网络可以实现对故障类型的准确定位。

4 结束语

本文提出了基于小波变换的故障特征提取和基于BP神经网络的故障诊断方法，采用MATLAB实现电路仿真、故障特征向量提取和BP神经网络的搭建，并进行故障诊断试验。结果表明，将输出电流进行小波分解，增补波形参数，可以很好地反映故障特征；基于BP神经网络的故障分类器，能实现PWM逆变电路1只或2只IGBT开路故障的精确定位。该方法无需建立复杂的模型，具有故障特征提取简单、诊断正确率高、诊断速度快的特点。