基于小波包Shannon熵的Boost变换器软故障诊断

魏念巍,姜媛媛,陈李,贾汉坤,张振振

(安徽理工大学 电气与信息工程学院,安徽 淮南,232001)

Boost变换器已广泛用于DC-DC和AC-DC电源转换中,作为开关电源以实现所需的电能转换,例如海上风电系统[1]、太阳能光伏(PV)系统[2]和功率因数校正(PFC)转换器[3]等。作为开关电源的核心部件,Boost变换器发生故障会导致电路性能发生变化,电子设备功能发生失效,甚至可能会导致整个系统的故障,造成巨大经济损失[4]。因此，正确诊断Boost变换器发生的故障能够及时明确整个电路的运行情况,及时进行维护。

Boost变换器故障大致可分为结构故障(硬故障)和参数故障(软故障)。硬故障主要是指开路故障和短路故障,软故障是指电路中元器件的参数退化所导致的电路性能下降[5-6]。导致系统发生故障的元器件主要是:铝电解电容、功率MOSFET、肖特基二极管和电感。其中，不同的元件的退化情况对系统整体性能的影响程度也不同,发生故障概率最大的是电解电容器,其失效率达到60%。为提供用于电流纹波的低阻抗路径并保持转换器的稳定性,Boost变换器中使用了输出滤波电容。铝电解电容拥有高额定电压、低成本和高容积等优点被广泛应用,在这种情况下通常首选铝电解电容作为滤波电容[7-8]。故本文对Boost变换器的软故障诊断主要是研究电解电容退化引起的参数故障。

Boost变换器的故障诊断方法主要分为基于模型的方法和基于知识的方法[9]。基于知识的故障诊断方法利用机器学习算法,无需建立系统的精确模型,应用较多。基于知识进行故障诊断的前提是准确地提取故障特征,采用时域或频域分析提取故障信号中的故障特征[10]。目前,电力电子电路的故障特征提取方法主要有快速傅里叶分解法、高阶谱法、小波变换模极大值法和小波包能量谱法等；选取的故障信号主要有输出电压、电容电流、电容电压、电感电流、电感电流导数等[11-13]。在信息论中,Shannon熵描述每个符号所提供的平均信息量和信源的平均不确定性[14]。本文选取Boost变换器的输出电压作为故障信号,使用小波包Shannon熵确定小波包分解的层数,提取小波包能量构建故障特征向量,选择支持向量机(support vector machine,SVM)[15-16]作为分类器进行训练和测试实现Boost变换器的软故障诊断。

1 小波包Shannon熵

1.1 小波包分解

小波分解在分解的过程中只对低频信号再分解,对高频信号不再实施分解,使得它的频率分辨率随频率升高而降低。小波包分解基于小波分解进一步发展而来,将频带部分多层次划分,对小波分解没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应的频带,使之与信号频谱相匹配,从而提高了时频分辨率,有助于获得信号更细节的信息,相对于小波分解来说是一种更精细的分解方法。典型小波包分解示意图如图1所示。

图1 小波包分解示意图

图中F为原始信号,进行n层分解即可得到相应的低频分量Fn,0和高频分量Fn,i(i=1,2,…,2n-1),从上至下分别为进行1～3层小波包分解后的分量。

1.2 Shannon熵

Shannon熵值实际上反映了其概率分布的均匀性,即信号的概率分布越接近于无序的分布,其熵值越大。

1.3 小波包Shannon熵

小波包分解的实质就是将一个信号分解为高频分量和低频分量并逐级分解下去,细分整个频带以较好地观察各频带分量,提取故障特征量。对故障信号进行n层小波包分解,则故障信号分解为2n个分量。选择小波包分解后各个分量小波包系数的平方和作为小波包能量,则各分量的小波包能量为

(1)

pi=Ei/Etotal

(2)

2 基于小波包Shannon熵的故障诊断

2.1 故障模式分析

电解电容器是电力电子转换器中最易损坏的组件。本文以图2所示的Boost变换器为例,研究Boost变换器电解电容的软故障。

图2 Boost变换器的主电路

图中L为电感线圈,RL为电感等效电阻,Q和D分别为MOS管和续流二极管,C为电解电容,其等效串联电阻为RC,R为负载。电路中电解电容电解液的蒸发是导致电容失效的关键因素,随着电解液的蒸发,等效串联电阻RC增大,电容C减小，这将导致电压纹波增加,额外功率损耗,转换器工作不稳定。一般来说,一旦C降低到80%或RC增加到初始值的2到3倍,电解电容器则视为失效。电路中电解电容的标称值为220 μF,其等效电阻为0.18 Ω。将电解电容退化程度分为10种,电容退化了2%～20%。同时，考虑电容等效电阻增大,设置故障模式如表1所示。其中，f0为正常模式,电解电容没有发生退化,f1～f10这10种故障模式对应电解电容的10种退化程度。

表1 Boost变换器电解电容软故障模式

2.2 故障特征提取

使用小波包分解可以将故障信号分解为低频分量和高频分量,小波包分解的层数过多时会造成过分解,不仅会增加计算量,并会造成信号中的有用信息丢失；当分解层数过少时,会造成欠分解,无法有效进行故障特征提取。因此，选择合适的分解层数对后续的处理有很大影响。由小波包能量Shannon熵确定故障信号进行小波包分解的层数并故障特征向量的步骤如图3所示。

图3 故障特征提取步骤

首先根据小波包Shannon熵确定最优的小波包分解层数n,对故障信号进行n层小波包分解,根据式(1)和式(2)求出每个分量的相对小波包能量作为故障信号的故障特征,最后以相对小波包能量构建故障特征向量如下：

T=[p1,p2,…,p2n]

2.3 故障诊断

采集Boost变换器的输出电压作为故障信号,根据小波包Shannon熵确定小波包分解层数后对故障信号进行小波包分解,提取小波包能量构建故障特征向量,使用SVM分类器进行诊断。故障诊断过程如图4所示。

图4 故障诊断过程

采集每种故障模式下的Boost变换器的输出电压作为故障信号,选择小波包Shannon熵最小的小波包分解层数n,对采集的故障信号进行n层小波包分解后提取每个分量的相对小波包能量作为故障特征,以提取的故障特征构建Boost变换器的故障特征向量,根据不同故障模式下故障特征向量将其分别组成训练样本和测试样本。使用训练样本训练SVM分类器,使用测试样本测试训练好的分类器的性能,得出诊断结果,识别出故障模式。

3 实验与结果分析

3.1 仿真实验参数设置

根据图2所示的Boost变换器的主电路搭建如图5所示的Boost变换器Simulink仿真模型,图中输入电压为15 V,电感L为150 μH,等效串联电阻为0.17 Ω,PWM占空比为25%,频率为50 kHz,负载电阻为10 Ω。

图5 Boost变换器Simulink仿真模型

图中电解电容C标称值为220 μF,其等效串联电阻为0.18 Ω,根据表1设置的1种正常模式和10种故障模式,在每种不同电容的±1%范围内随机取50组电容进行仿真实验,仿真时间为0.2 s,采样频率为200 kHz,采集输出电压信号则最终得到550组信号样本。

3.2 实验结果

根据图5进行仿真实验后得到的部分输出电压波形如图6所示,不同故障模式下的输出电压波形相似,故有必要进行故障特征提取。

图6 部分故障模式输出电压波形

根据小波包Shannon熵确定小波包分解的层数为3层,对每组故障信号进行3层小波包分解,计算每组信号分解后的8个分量的相对小波包能量构建8维故障特征向量。部分故障模式的小波包能量谱如图7所示。

图7 部分故障模式小波包能量谱

图7所示为正常模式f0和故障模式f5、f10故障信号经3层小波包分解后8个分量的相对小波包能量组成的小波包能量谱，其中，横坐标为经小波包分解后的8个分量,纵坐标为相对能量值。

本文选用SVM作为分类器,每种模式对应50组数据。选取每种模式的35个故障特征向量样本作训练样本,每种模式余下的15个故障特征向量样本作诊断测试样本。训练样本集与测试样本比例为7∶3。最终测试样本的分类正确率为97.58%,分类结果如图8所示。

图8 故障分类结果

图8纵坐标为11种模式类别标签,横坐标为测试样本集。由图8可知:第8，9和11类个别样本分类错误,最终分类正确率为97.58%。

4 结论

Boost变换器中的电解电容减少、等效串联电阻增大会导致Boost变换器的软故障,影响整体电路的性能。为了实现Boost变换器的软故障诊断,以其输出电压作为故障信号,根据小波包Shannon熵确定小波包分解的层数,提取小波包相对能量构建故障特征向量,使用SVM进行故障诊断。根据电容退化设置故障模式进行simulink仿真,最终分类正确率达97.58%,能准确诊断Boost变换器软故障。