多电平逆变器开关管故障诊断方法综述

宋 威，施伟锋，卓金宝，谢嘉令

(上海海事大学 电气自动化系，上海 201306)

0 引 言

多电平逆变器是一种新型逆变器，它通过改变逆变器自身拓扑结构来实现高压大功率输出。与传统的两电平电路相比，多电平逆变器具有功率器件串联均压、开关损耗小、输出电压谐波含量低、电磁干扰影响小和工作效率高等优点[1]，因此被广泛应用于中高压、电力传动与大功率电能变换系统。同时，多电平逆变器作为系统控制的中枢执行机构，其工作的稳定性、可靠性和可维护性显得更加重要[2]。然而，随着逆变器电平数的增加，开关管的数量也随之增加，使得逆变器发生故障的概率增大，严重影响系统的安全可靠运行，因此必须对多电平逆变器中开关管的故障进行诊断。

多电平逆变器中开关管的故障可分为短路故障和开路故障。由于功率器件短路故障发生的时间一般极短，难以检测，所以短路故障的诊断和系统保护多采用硬件电路设计的方法解决，也可以通过将快速熔断器接入电路，把短路故障转化为开路故障进行处理[3-5]。当开路故障发生后，系统往往还能继续运行，导致非故障功率半导体器件流过更大电流、转矩减小、发热和绝缘损坏等问题，严重时可以导致整个系统瘫痪，从而造成巨大经济损失。因此，目前多电平逆变器的故障诊断的研究重点集中于开关管的开路故障。

按照传统的分类方法，故障诊断方法可分为基于解析模型的方法、基于信号处理的方法、基于知识的方法[6-7]。本文提出一种全新的故障诊断分类方法，分别从定性和定量的角度对多电平逆变器开关管开路故障诊断方法进行分析，并总结出这些方法的基本思想、研究进展、适用条件和优缺点，最后进一步说明多电平逆变器开关管开路故障诊断方法今后的研究方向和趋势。

1 NPC三电平逆变器故障分类及其诊断方法

1.1 开关管开路故障分类

多电平逆变器主要有三种拓扑结构：二极管箝位型、飞跨电容型和级联型。中点钳位型(Neutral Point Clamped, NPC)三电平逆变器作为一种典型的多电平逆变器，已经广泛应用到电力传动系统和大功率电能变换系统中，其拓扑结构如图1所示。以NPC三电平逆变器为例，对常见的开关管开路故障进行分类。

图1 NPC三电平逆变器拓扑结构

NPC三电平逆变器由A、B、C三相桥臂组成，每相桥臂结构相同。每一相的钳位二极管通过中点相连，并连接到直流侧中性点，其作用是把桥臂上与其相连的点上的电位钳回到中性点电位[8-9]。

在逆变器实际运行工作中，很少出现3只或3只以上开关管同时故障的情况，针对常见的单管和双管开路故障情况进行分类和描述，分类结果如下所示：

(1)单个开关管发生故障，即Si1～Si4其中一个发生故障，其中i=a,b,c,共12种。

(2)同一桥臂两个开关管同时故障，即Sim和Sin同时发生故障，其中i=a,b,c，m，n=1,2,3,且m≠n，共18种。

(3)同一半桥交叉两桥臂双管故障，即Sik和Smn同时发生故障，其中i,m=a,b,c，i≠m，k,n=1,2,3,4，|k-n|≤1，共24种。

(4)上下半桥交叉两桥臂双管故障，即Sik和Smn同时发生故障，其中i,m=a,b,c，i≠m，k,n=1,2,3,4，|k-n|>1，共24种。

1.2 多电平逆变器故障诊断方法

通过总结已有的研究成果，以多电平逆变器开关管开路故障为对象，对现有的软件冗余故障诊断方法进行分析。从定性诊断方法和定量诊断方法出发，对目前的多电平逆变器故障诊断方法进行分类，并对定量诊断方法按照基于解析模型和基于数据驱动逐层细分，分类结构图如图2所示。

图2 多电平逆变器故障诊断方法分类

2 多电平逆变器定性故障诊断方法

基于定性经验的逆变器故障诊断是一种利用不完备先验知识描述系统功能结构，并建立定性模型实现故障诊断过程的方法，主要包括专家系统(Expert System,ES)、故障树分析(Fault Tree Analysis,FTA)等方法。

2.1 专家系统

基于ES的故障诊断方法的基本思想是：根据专家在故障诊断领域内积累的有效经验和专业知识，通过理论分析建立知识库，并通过计算机模拟专家思维过程，对故障信息进行推理和决策以得到诊断结果。典型的逆变器故障诊断专家系统如图3所示。

图3 基于专家系统的逆变器故障诊断

专家系统提供了灵活的人机交互界面，因此故障诊断结果表达直观性强，且故障诊断结果鲁棒性较好。文献[10]研究了基于专家系统理论的风电变流器故障诊断方法，这种方法不需要建立系统数学模型,而是从预先得到的变流器故障知识中提取出有效的故障诊断信息，然后再与变流器实际运行数据进行比较，从而实现系统的故障诊断。文献[11]中利用ES对逆变器进行故障诊断，并与电流电压测量法进行比较，证明了ES方法的实用性和精确性。

基于ES的逆变器开关管故障诊断不需要精准的数学模型，诊断过程和结果便于理解，但是该方法需要大量的专家领域知识积累。因为ES方法不具有自主学习的功能，所以当获取的知识出现未知情况或者阈值范围超出预判时，系统将无法做出判断。因此，目前更多的研究侧重于专家系统和人工智能算法的结合，如D-S融合专家系统、神经网络专家系统和贝叶斯网络专家系统[12-13]。

2.2 故障树分析法

FTA是以故障树逻辑图为基础的一种演绎分析方法，它对系统故障采用由果到因、从整体到局部、按树枝状逐步细化的方法[14]。故障树诊断系统直观明了、逻辑性强[15]，通过与其他算法相结合，可以实现多电平逆变器开关管的故障诊断。

文献[16]在三相电压型PWM逆变器的键合图模型基础上，采用故障树分析法，对逆变器开路故障进行定性分析，实现了故障源的定位，并且具有对模型精确度要求低和计算量少的优点。文献[17]通过故障树和双向联想记忆神经网络的结合，实现逆变器的故障诊断。实验证明通过两种方法的结合提高了诊断能力，并且表现出很好的实时性和有效性。

对于简单系统，建立故障树是比较方便的。但是，随着系统复杂性的增加，庞大的故障树规模使得故障诊断搜索过程变得非常困难。因此故障树诊断需要协同其他统计分析方法或者智能算法，才能更好地建立和维护故障树，实现故障源的快速搜索和定位[18]。

3 多电平逆变器定量故障诊断方法

3.1 基于解析模型的方法

基于解析模型的故障诊断方法的基本思想是：通过将被诊断对象的可测信息与数学模型表达的系统先验信息进行比较，产生残差，并对残差进行分析和处理，从而实现故障的识别和定位[19]。根据产生残差的方式不同，可分为参数估计法和状态估计法，基于解析模型的故障诊断基本原理如图4所示。

图4 基于解析模型的故障诊断原理

文献[20]通过对电压源逆变器的拓扑结构进行分析，提出了等电位的概念，并分别定义了描述健康和故障状态下的两种函数模型。结合任意两相函数之间的残差和电压源逆变器的拓扑结构，实现对故障的准确定位。文献[21]通过对永磁同步电机驱动系统中电压源逆变器的数学模型分析，提出依赖于自适应阈值的观测器故障诊断算法，实现了多个IGBT的故障诊断，且检测时间较短。文献[22]基于计算的平均桥臂极电压和误差自适应阈值，把平均桥臂极电压偏差作为故障检测和识别的诊断变量，实现电压源逆变器单、多管开路故障诊断。

电力电子电路作为开关型功率变换器，其离散事件与连续动态特性相互作用，是一个典型的混合逻辑动态(Mixed Logical Dynamic,MLD)系统[23]。近年来，基于混合逻辑动态系统模型的逆变器故障诊断方法得到发展。文献[24]建立了电力电子电路混合逻辑动态模型，并基于故障事件识别向量实现电路的故障诊断，最后通过逆变电路故障诊断的仿真和实验验证了诊断方法的有效性。文献[25]提出一种基于混合逻辑动态模型和残差生成的单相PWM整流器开路故障诊断的新方法，通过将MLD模型输出与实际系统输出相比较，产生残差，通过对残差的分析，实现整流器的故障诊断。文献[26]建立了三电平NPC变换器的混合逻辑动态模型，对电网电流进行了估计，不同故障下的被测电流减去估计值产生残差，进而根据残差变化率的特点实现晶闸管和二极管的快速检测和故障定位。实验结果表明此故障诊断方法时间短且避免了二次故障，提高了故障维护的可靠性和效率，并且也适合整流器和逆变器的故障诊断。

综上所述，基于解析模型的故障诊断需要充分了解系统运行机理，在构建合适的数学模型的基础上才能实现理想的故障检测与定位。因此，此方法适合可以建立精确数学模型的系统。然而，多电平逆变器所在整个系统是个复杂非线性系统，且存在电网扰动、负载扰动，很难建立一个精确数学模型，因此基于解析模型的多电平逆变器故障诊断存在着局限性。

3.2 基于数据驱动的方法

基于数据驱动的诊断方法是指对过程运行数据进行分析和处理，利用数学方法或者智能算法等一系列方法进行学习与推理，从而实现系统的故障诊断的方法。主要分为三类：基于统计分析的方法、基于信号处理的方法、基于人工智能定量算法的方法。

3.2.1 基于统计分析的方法

基于统计分析的方法是指运用基本数学理论和方法对系统运行数据进行统计与分析，从而实现系统的故障诊断。多电平逆变器故障诊断统计分析方法主要包括主成分分析(Principal Component Analysis,PCA)、贝叶斯网络(Bayesian Network,BN)。

(1)主成分分析

主成分分析是一种常用的多元统计分析方法，通过降低维度把多指标数据转化为能够反映事物特征的少量指标数据，从而从多元事物中解析出主要影响因素。PCA在多电平逆变器故障诊断中主要用于特征向量降维和故障辨识[27]。

文献[28]提出了一种基于主成分分析和多分类相关向量机的故障诊断技术。首先通过快速傅里叶变换对特征信号进行预处理，其次用PCA提取故障信号特征并减少样本维数，最后采用多分类支持向量机实现级联H桥多电平逆变器的故障诊断。文献[29]对三相电压源逆变器故障检测与诊断进行研究，提出了一种基于逆变器输出电流的主成分分析算法，通过仿真，验证了算法的可行性。

PCA主要用于多电平逆变器故障信号特征的降维处理，可以处理带有测量噪声、误差甚至数据缺失的多元相关数据[30]。通过将PCA与其他方法相结合，可实现对多电平逆变器的故障检测和诊断。

(2)贝叶斯网络

贝叶斯网络是在信息不确定、不完备的情况下，采用概率推理技术对部分未知状态进行估计，然后利用贝叶斯公式更新概率信息以进行诊断决策的一种统计模型决策方法[31]。

文献[32]提出一种基于多分辨率小波和贝叶斯分类器的NPC三电平逆变器的故障诊断方法，利用小波分析对故障信号进行多尺度分解，建立故障特征，以此作为贝叶斯分类器的输入来进行故障识别。文献[33]提出一种基于FFT-PCA-BN的一种三相逆变器故障诊断方法。采用快速傅里变换提取信号特征，利用主成分分析降低了样本的维数，并利用贝叶斯网络实现对系统的故障检测和诊断，实验表明基于贝叶斯理论的数据驱动故障诊断方法对传感器噪声和偏差有较好的耐受性。

贝叶斯网络的构建需要相关领域专家和工程师广泛收集相关资料，综合其各种检测数据和故障征兆，才能获得较为全面的故障集和征兆集，从而提高诊断结果的准确性。

3.2.2 基于信号处理的方法

基于信号处理的故障诊断方法是指直接利用测量信号的时域和频域特征实现故障的检测与定位。在传感器故障过程中，故障信息存在于已测信号里，根据这些故障特征和正常系统的相应特征进行比对，从而实现系统的故障诊断。信号处理的方法通常也作为其他故障诊断方法的第一步。基于信号处理的多电平逆变器故障诊断方法主要有频谱分析法、小波分析法和信息融合技术。

(1)频谱分析法

频谱分析法是指将系统输出的故障信号从时域信息变换频域，进而对功率谱、倒频谱或高阶谱进行分析，通过提取不同频谱表现的故障特征，实现系统的故障诊断[34]。用于多电平逆变器的频谱分析法主要是指傅里叶变换法。

文献[35]提出一种基于傅里叶变换和神经网络的逆变器故障检测与诊断方法，利用加窗傅里叶变换提取逆变器输出信号的正序对称分量，提出谱残差和相对谱残差的概念，利用基本残差实现逆变器的故障检测。文献[36]研究了采用高阶谱分析和支持向量机的电力电子电路故障诊断方法，首先利用高阶谱中的双谱技术分析、处理和提取电路状态的故障特征，然后采用多类层次支持向量机实现电路的故障准确定位。文献[37]针对变频驱动系统中的逆变器开关管开路故障，应用开关函数的双傅里叶变换技术，通过检测直流侧电流频谱的低频是否含有调制信号实现逆变器的故障诊断。

基于傅里叶变换的故障特征提取方法简单，适合平稳信号的处理。然而多电平逆变器三相电压中信号中含有非平稳或时变信息，因此难以有效提取故障特征。并且，故障原始信号经过傅里叶变换之后，经历了一个全局变化的过程，舍弃了时域特性且不能用于局部分析。基于以上缺点，频谱分析法逐渐被小波分析法取代。

(2)小波分析法

小波分析法是时间和空间频率的局部化分析，它通过伸缩平移运算对信号逐步进行多尺度和多分辨率细化，最终实现高频处时间细分，低频处频率细分，从而可以聚焦到信号的任意细节。目前应用于多电平逆变器故障诊断的小波分析法主要有小波变换、小波包变换与小波多分辨率分析[38]。

文献[39]针对H桥逆变器IGBT开路故障，提出一种基于小波多分辨率、核主成分分析和最小二乘法支持向量机的故障诊断方法，通过选取了半个基波周期的电容电压平均值为原始信号，避免了负载变化对故障诊断的影响。文献[40]提出一种结合小波变换与Concordia变换的逆变器故障特征提取方法，并用于开环控制的逆变器驱动电路功率管故障诊断与定位。文献[41]提出一种基于小波包分析和概率神经网络的电磁法三电平变换器故障诊断方法，通过小波包分析方法提取特征向量，然后利用核主成分分析对特征向量进行降维，最后采用概率神经网络建立故障分类器，提高诊断方法的鲁棒性。

相比于频谱分析法，小波分析法能够有效处理非稳态、非线性信号，具有多分辨率分析、时频局部化等优良特性，因此是分析和处理多电平逆变器的故障信息的有效工具。通过与其他数学分析方法和智能算法相结合，可以进一步提高故障诊断的可靠性。然而该方法也有一些缺点，如：自适应能力不强、小波基函数选取困难、小波谱的时频分辨率互相影响所造成的能量泄露问题等。

(3)信息融合技术

当实际系统中存在较大干扰或者噪声时，如果仅仅提取直流侧电压或者交流侧相电流作为故障特征向量，故障信息的不确定将降低诊断系统的可靠性[42]。基于信息融合技术的故障诊断方法的思想是通过利用不同传感器信息之间的互补和冗余关系，对多个信息源进行分析和综合，克服利用单一数据源信息进行故障诊断因故障信息的不确定性而导致诊断错误的问题，从而实现精确的故障定位[43]。

信息融合按照融合时信息的抽象层可以分为数据层融合、特征层融合和决策层融合，其中，数据层的融合通常利用多源传感器采集故障信息来实现。应用于多电平逆变器故障诊断的信息融合技术主要是特征层融合和决策层融合，其诊断结构分别如图5和图6所示[44]。

图5 特征层融合的多电平逆变器故障诊断结构

图6 决策层融合的多电平逆变器故障诊断结构

文献[45]将多源信息特征融合应用于光伏并网逆变器故障诊断中，选择电网侧电流和重要桥臂电压为融合对象，利用小波变换对数据进行预处理和特征提取，通过神经网络对特征值进行训练，有效提高了光伏并网逆变器故障诊断的精度。文献[46]将待测电路的电压信号、电流信号通过小波变换和主成分分析进行预处理与特征提取，采取间隔交叉的方式将电压特征矢量和电流特征矢量联合形成特征矢量，通过神经网络对联合特征矢量进行推理实现故障诊断。

信息融合故障诊断技术充分利用系统的故障信息，从而实现故障的准确定位。随着信息融合技术的发展，在故障诊断工作中综合运用多特征提取和多分类器融合决策的方法，将进一步提高故障诊断的准确性和可靠性。目前，信息融合技术的核心和难点是如何选择合适的融合算法和制定故障判定规则，这是进一步研究的方向。

3.2.3 基于人工智能定量算法的方法

人工智能定量算法的方法是逆变器故障诊断方法中的重要组成成分，通过将智能算法和故障诊断的思想相结合，实现系统的故障检测与定位。主要包括人工神经网络(Artificial Neural Network,ANN)，支持向量机(Support Vector Machines,SVM)，粗糙集(Rough Set,RS)等。

(1)人工神经网络

ANN是一种定量的人工智能算法，具有良好的泛化能力，并且具有自学习、自组织、并行性和较强的联想记忆功能，因此被越来越多的用在多电平逆变器系统的故障诊断中。神经网络一般由输入层、隐含层、输出层组成。

基于神经网络的故障诊断方法是指通过大量的已知故障数据样本进行训练，通过数据的学习不断调整权值和阈值的大小，从而建立故障信息和故障类型之间的映射关系，再将待诊断故障信息输入到训练好的神经网络中，从而实现系统的故障诊断。

文献[47]将神经网络应用于多电平逆变器的故障诊断中。通过把遗传算法应用于主成分分析，实现故障信息的降维处理和故障特征提取。这种方法不仅提高了系统故障诊断性能，并且大大减少了神经网络的训练时间。文献[48]利用频谱分析提取桥臂电压谐波幅值和相位作为故障特征信息，把多神经网络应用于三电平逆变器功率器件的故障诊断，实现单个器件和多个器件同时开路的多故障模式诊断。实验验证该方法具有诊断结果精度高、抗干扰能力强的优点。

ANN具有较高的非线性拟合能力、鲁棒性和容错性，并且不需要考虑系统的内部结构，克服了解析模型需要建立精确模型的缺点，因此在多电平逆变器的故障诊断当中被广泛应用。然而网络的学习需要大量的故障样本，因此确保故障样本的完整性和典型性是准确实现系统故障检测和定位的关键。其次，ANN对学习和诊断结果的可解释性比较差，可以将神经网络与其他智能算法进行融合，构建与ANN的映射关系，从而寻找能够使蕴含在ANN中的知识得以用语言表达的规则，增强故障诊断的解释性[49]。

(2)支持向量机

SVM是一种基于统计学习理论和结构风险最小原理的定量智能算法，具有较强的分类能力。SVM具有完整的数学形式、直观的几何解释和良好的泛化能力，是处理小样本、高维度、非线性问题的有力工具。

文献[50]针对级联H-桥多电平逆变系统提出一种基于PCA-SVM模型的故障诊断策略，通过快速傅里叶变换和主元分析对故障信号进行预处理和特征向量提取，最后通过SVM进行训练和故障诊断。实验表明该方法诊断精度高达98%，且计算效率高。文献[51]提出一种基于自适应噪声和支持向量机的三相逆变器的故障诊断方法，实验证明该方法具有更高的诊断准确率和较好的抗干扰能力。文献[52]采用粒子群聚类算法生成决策树SVM实现三电平逆变器的故障诊断，仿真结果表明故障诊断结果精度优于BP神经网络。

SVM适合小样本系统故障特征的学习和诊断，克服了构建神经网络映射关系需要大量已知故障样本的缺点。但是SVM参数以及样本的完备性和代表性对故障诊断的结果精度影响很大，且SVM仅仅是从分类的角度对故障进行诊断，并没有深层次地挖掘数据的结构信息。因此，SVM在进行多电平逆变器故障诊断时通常和其他方法相结合以提高诊断结果的准确率[53]。

4 结 语

本文针对多电平逆变器开关管开路故障，对现有的故障诊断方法进行了综述，按照定性诊断方法和定量诊断方法对其进行分类，重点介绍了故障诊断方法的基本思想、研究进展、适用条件和优缺点。

基于定性的故障诊断方法利用不完备先验知识描述系统功能结构，通过建立定性模型实现系统的故障诊断。这种方法需要丰富的经验知识作为支撑，且不具有自学习的能力，当系统过于复杂时，定性故障诊断方法难以准确实现。因此，对于定性故障诊断方法的研究，目前更多的侧重将其和人工智能算法相结合来实现系统故障诊断。基于定量的故障诊断方法主要有基于解析模型的方法和基于数据驱动的方法。多电平逆变器是一个非线性离散系统，难以建立精确的数学模型，因此，基于解析模型的故障诊断方法受到了很大限制。近年来，随着信息处理技术和人工智能算法的深入研究，基于数据驱动的故障诊断方法得到进一步发展，系统故障特征的提取、处理以及故障诊断决策都逐步趋向于多信息融合，从而大大提高了故障诊断的精度和可靠性。因此，采取多种技术方法相结合，取长补短实现多电平逆变器的故障诊断将逐步成为未来的研究热点。特别地，当逆变器的数量增多或者系统结构比较复杂时，系统故障状态将会成倍增加，如何选取和采集合适的故障信息、并进行精确的故障诊断也是一个值得研究的方向。

在工业生产中，当逆变器发生故障时，如不及时采取措施进行处理，轻则造成系统停机，影响产量，重则给工业生产带来重大经济损失或者灾难性事故。因此，在现有的故障诊断技术基础上对多电平逆变器故障状态预警和设备运行寿命进行预测、以及故障后的容错控制进行深入研究，具有广阔的前景和应用价值。