基于特征融合的提升机逆变器故障诊断

吴传龙， 陈伟， 刘晓文， 史新国， 刘柯， 任晓红

(1.中国矿业大学 电气与动力工程学院， 江苏 徐州 221008；2.中国矿业大学 物联网(感知矿山)研究中心， 江苏 徐州 221008；3.中国矿业大学 江苏省煤矿电气与自动化工程实验室， 江苏 徐州 221008;4.淄博矿业集团有限责任公司 信息中心， 山东 淄博 255000)

0 引言

矿井提升机作为提升人员和物品的大型设备，是联系井下与地面的桥梁。逆变器作为矿井提升机控制系统的关键部件，长期处于高负载运行条件下，容易发生开路故障[1]，导致输出电压畸变，影响提升机稳定运行。目前主要通过监测输出电压或电流来进行逆变器故障诊断[2-3]。Yu Yunjun等[4]利用小波变换提取逆变器输出电压信号特征，再通过支持向量机(Support Vector Machine，SVM)进行故障判别。K.H. Chao等[5]将线电流信号通过快速傅里叶变换转换为频谱，建立故障类型与频谱之间的关系。M. Baghli等[6]通过累计求和算法将统计矩与Kullback-Leibler散度相结合作为特征，采用主成分分析(Principal Component Analysis，PCA)进行故障分类。王新等[7]采用变分模态分解对电流信号进行尺度分解，构建本征模态分量(Intrinsic Mode Function，IMF)作为故障状态特征，通过SVM实现故障识别。Liu Jun等[8]对电流信号进行小波去噪，通过卷积网络提取特征，将全连接层输出结果用于故障分类。

逆变器故障诊断的难点在于提取表征故障的特征，目前主要利用信号处理方法得到故障统计特征，或通过神经网络提取故障深度特征。在提升机逆变器实际工作环境中，受背景噪声和负载变化等因素影响，运用单一的特征提取方法难以获得能有效表征故障的特征，导致故障诊断准确率低。本文提出一种基于特征融合的提升机逆变器故障诊断方法。首先,利用希尔伯特-黄变换(Hilbert-Huang Transform，HHT)提取统计特征，并通过压缩激励密集连接卷积网络(Squeeze and Excitation with Densely Connected Convolutional Network，SE-DenseNet)提取深度特征；然后，将2种特征进行组合，利用局部线性判别分析(Local Fisher Discriminant Analysis，LFDA)对组合特征集进行融合降维；最后，将低维融合特征集输入极限学习机(Extreme Learning Machine，ELM)进行故障分类。

1 故障诊断流程

提升机逆变器是中点钳位型三电平逆变器[9]，由三相桥臂组成，每相有4个IGBT。本文针对单个IGBT开路故障展开研究，共12种故障类型[10]，通过采集逆变器输出三相电流信号进行故障诊断。

基于特征融合的故障诊断方法包含特征提取、特征组合(Feature Crosses，FC)、融合降维和故障分类4个步骤，流程如图1所示。

图1 基于特征融合的提升机逆变器故障诊断流程Fig.1 Fault diagnosis process of hoist inverter based on feature fusion

2 关键步骤

2.1 基于HHT的故障统计特征提取

HHT由2个步骤组成：① 对电流信号进行经验模态分解(Empirical Mode Decomposition，EMD)，得到IMF；② 对IMF进行希尔伯特变换，得到希尔伯特包络谱。计算IMF和希尔伯特包络谱的最大值、最小值、幅值、均值、标准差、能量、能量熵等并作为统计特征，构建统计特征集。

由于EMD处理非平稳、非线性电流信号时容易出现模态混叠问题[11]，本文使用优化集合经验模态分解(Modified Ensemble Empirical Mode Decomposition，MEEMD)代替EMD。在原始信号中添加白噪声，对信号进行模态分解，将分解结果进行总体平均，消除白噪声对信号分析的影响，从而抑制模态混叠[12-13]。具体步骤如下：

(1) 将成对的白噪声信号be(t)和-be(t)(e=1，2，…，E，E为添加白噪声的对数;t为时间)叠加到原始电流信号x(t)中，得到包含白噪声的电流信号：

(1)

式中ae为添加的白噪声幅值。

(2)

(3)

(4)

2.2 基于SE-DenseNet的故障深度特征提取

DenseNet是采用密集连接方式的卷积神经网络，通过对卷积层输出的重复利用达到更准确的分类效果[14]。压缩激励(Squeeze and Excitation，SE)是典型的注意力机制，通过修改通道的权重来实现对局部信息的关注[15-16]。本文将SE嵌入DenseNet中，构建SE-DenseNet，结构如图2所示。

本文通过SE-DenseNet提取电流信号的深度特征，构建深度特征集。电流信号经过卷积后得到特征图X1(M×H×C)，M，H，C分别为特征图X1的宽、高、通道数。SE模块的作用是计算通道的权重矩阵，具体步骤如下。

图2 SE-DenseNet结构Fig.2 SE-DenseNet structure

(1)压缩操作。沿着宽、高方向进行求和，将X1(M×H×C)压缩为zc(1×1×C)。

(5)

式中：Fsq(·)为压缩操作；uc(m,h)为特征图X1中第c(c=1，2，…，C)个通道(m,h)处的像素点。

(2)激励操作。对特征图的每一个通道计算权重，得到通道权重矩阵sc(1×1×C)。

sc=Fex(zc)=δ(W1f(W2zc))

(6)

式中：Fex(·)为激励操作；δ(·)为Sigmoid函数；f(·)为ReLU激活函数；W1为升维矩阵；W2为降维矩阵。

(3)尺度变换。将特征图X1(M×H×C)乘以通道权重矩阵sc(1×1×C)，得到新的特征图X2(M×H×C)。

X2=X1sc

(7)

2.3 融合降维

将统计特征和深度特征进行组合，构建组合特征集。由于组合特征集数据维度过大，采用LFDA对组合特征集进行融合降维，去除组合特征集中的冗余特征，得到低维融合特征集。

(8)

(9)

(10)

(11)

(12)

(13)

TLFDA=argmax[tr((TTS(2)T)-1TTS(1)T)]

(14)

式中：TLFDA为LFDA的变换矩阵；T为变换矩阵。

3 实验验证

搭建逆变器电流信号采集实验平台，如图3所示。使用电阻和电感串联模拟负载变化，设置4种负载：0.5 Ω和1.5 mH、0.5 Ω和2 mH、1 Ω和1.5 mH、1 Ω和2 mH。逆变器正常状态加上12种单个IGBT开路故障共13种状态，每种状态下采集1 890个样本，共得到4×13×1 890个样本，构建数据集Case1。相同条件下在Matlab仿真得到数据集Case2。

图3 逆变器电流信号采集实验平台Fig.3 Experiment platform of inverter current signal acquisition

为验证组合特征集的故障表征能力，在相同的数据集下，采用相同的分类器，选择不同的特征集来进行对比(ELM模型不提取故障特征直接诊断，HHT-ELM模型利用统计特征集进行诊断，SE-DenseNet-ELM模型利用深度特征集进行诊断，FC-ELM模型利用组合特征集进行诊断)，结果见表1。可看出FC-ELM模型的故障识别准确率最高；Case1数据集上的故障识别准确率大于Case2数据集，这是由于实验平台环境复杂，存在噪声影响。

表1 不同特征集下故障诊断结果Table 1 Fault diagnosis results under different feature sets %

为验证LFDA的优越性，在相同的组合特征集下，采用相同的分类器，选择不同的降维方法来进行对比(FC-LFDA-ELM模型采用LFDA进行降维，FC-PCA-ELM模型采用PCA进行降维)，结果见表2。可看出相比于FC-ELM模型，采用降维后的2种模型的故障识别准确率均得到提高，这是由于FC-ELM模型只是对2种特征进行组合，没有实现真正的融合；故障识别准确率随着低维融合特征集维度的增加先上升后下降，当低维融合特征集维度为50时，故障识别准确率最高；在相同低维融合特征集维度下，FC-LFDA-ELM模型准确率比FC-PCA-ELM模型高。在Case2数据集下通过增加网络层数来对比2种模型的稳定性，结果如图4所示。可看出FC-LFDA-ELM模型的故障识别准确率迅速增大后保持稳定，而FC-PCA-ELM模型的故障识别准确率会出现波动。在准确率和稳定性上，FC-LFDA-ELM模型比FC-PCA-ELM模型表现更好。

表2 不同降维方法下故障诊断结果Table 2 Fault diagnosis results under different dimensionality reduction methods

(a) FC-LFDA-ELM

(b) FC-PCA-ELM

为进一步验证LFDA的降维能力，通过可视化方法展示统计特征集、深度特征集及分别经LFDA和PCA降维后的低维融合特征集，如图5所示。可看出在统计特征集和深度特征集中，相同故障类型的样本严重分散，不同故障类型的样本交叠在一起，交叠的样本容易出现故障分类错误；在经LFDA降维后的低维融合特征集中，相同故障类型的样本聚集，不同故障类型的样本分散，降低了故障分类难度；在经PCA降维后的低维融合特征集中，相同故障类型的样本聚集，但不同故障类型的样本存在交叠，不利于故障诊断。

(a) 统计特征集

图5 特征集样本分布Fig.5 Sample distribution of feature sets

4 结语

提出了一种基于特征融合的提升机逆变器故障诊断方法。将逆变器输出三相电流信号经过HHT得到的统计特征和通过SE-DenseNet获得的深度特征进行组合，再利用LFDA对组合特征进行融合降维，得到更容易分类的低维融合特征。实验结果表明，该方法得到的低维融合特征比单一特征的故障表征能力更强，有效提高了故障识别准确率。本文只针对提升机逆变器中单个IGBT开路故障进行了研究，但实际条件下，提升机中逆变器和电动机相互耦合，容易出现复合故障，下一步将针对逆变器和电动机复合故障诊断进行研究。