基于组合神经网络的级联式变频器故障仿真分析

赵旭ZHAO Xu

（鹤壁职业技术学院，鹤壁458030）

0 引言

变频器（Variable-frequency Drive，VFD）技术自20 世纪60 年代在高新技术工业领域批量化应用以来，经过近六十多年的发展VFD 的各类新技术在工业民用领域的应用逐渐成熟、日新月异，特别是长期困扰技术人员的高压大功率变频调速技术方面，由于伴随着新工艺、新材料、新发现、新经验的不断发展与成熟，相关问题已经得到了进一步解决，从而极大的扩展了VFD 的应用场景，进而使得人们能够高效、合理、节能使用各类能源成为了现实[1]。

在当今社会，高压变频技术已广泛应用在变频节能（风机、水泵）、自动化系统（化纤行业、玻璃工业、配料行业）、提升工艺、产品质量方面（起重和机床等各种机械设备）等领域[2-3]。本文研究的级联式变频器，为级联型多电平高压变频器简称，是一种特殊形式的高压变频器。与传统的普通变频器相比，它最大的问题在于主电路功率器件增多，容易造成电路运行过程中过热，由此产生的故障问题较为突出[4]，特别是因电路中的功率管发生直通、开路问题而引起的故障率较高[5]。大多数故障可以通吃系统自检进行排除，但功率器件开路故障因其对变频器输出电压、电流影响小而不易被发现，会对生产安全、设备稳定性带来不小的隐患。由于此类问题广泛存在于功率半导体器件，如何消除此类问题带来的隐患，将是我们进行研究必须要重视及考虑的问题，因此，研究级联式变频器故障诊断问题，对于变频器稳定长期、稳定可靠运行具有现实意义，迄今为止仍是各学者重要的研究方向。本文提出了一种了基于组合神经网络的级联式变频器故障分析系统，以满足生产应用的需求，达到了预期的设定目标要求。

1 故障诊断基本流程

本文设计的经过优化的组合神经网络故障诊断的基本思路是：

①根据实际情况，建立级联式变频器仿真模型，采集所需数据并实时进行存储。

②特征提取：对采集数据进行数据分析，利用模型及小波包测算出信号的歪度值并提取其障特征值，并利用歪度值、故障特征构造特征向量，将其作为我们优化的组合神经网络故障诊断的输入样本。

③利用模型对输入样本进行训练，根据训练结果利用遗传算法优化网络的权值、阈值，通过多种途径获取最优的网络权值和阈值，直到训练误差达到预期设定精度目标。

④利用优化的组合神经网络对训练好的样本进行估值诊断，分析网络输出值并判断属于哪种估值类型。

优化的组合神经网络故障诊断的基本流程如图1所示。

图1 优化的组合神经网络故障诊断流程图

2 特征量的提取

特征量的提取在优化的组合神经网络故障诊断过程中非常重要，它与故障诊断结果的准确度与精确度密切相关。通常有两类方法用以解决这个问题：一方面，采用傅里叶变换为基础的信号处理方法，优点是可以进行时频分析，缺点是处理对象局限性较大，尤其是处理含有分布不均的高频谐波的故障信号时较为困难；一方面，采用小波包分析，它是一种新的时频分析方法，其基本思想是利用二进小波分解的多分辨进行信号分析，进而在不同频域（低频和高频）内进行处理分解，它最大的特点是能将信号进行时域和频域局部化，尤其是能迅速捕捉非平稳鱼突变信号进行精确特征提取，能够较为精确的反映信号的时频特征。本文采用小波包分析的方法对级联式变频器进行估值特征提取。

由于dbN 小波具有紧支撑的特性，即伴随着N 的变大其支撑长度也会不断变大，进而消失矩阵也会随之变大，其正则性、幅频特性则会更好，故在特征提取中经常采用dbN 小波。在故障特征提取过程，小波分解的分解层数是我们必须要考虑个一个因素。当分解层数较大时，信号分解较为精细，会导致某些故障分解过于精细而被分到本不应该分到的频域内；当分解层数较小时，由于分解不精细，会出现各种频域（低频至高频）混杂，很难提取到精确故障特征信息。结合实践，本文对故障信号进行4 层小波分解来提取故障特征。具体方法如下：

①将存储的信号进行j 层小波包分解，提取第j 层的特征量（含低频至高频各种频率）。

②利用小波包分解图及提取信号的特征，求解信号最优小波包分解树，其结构如图2 所示。图中，Si，j表示的第j层的第i 个节点，其中，i=0，1，2，3，j=0，1，2，…，16。

图2 最优小波包分解树结构

③分析信号输出电压（或电流），获取特征频带的总能量。设节点S4，j（j=0，1，…16）所对应的频带能量为E4，j（j=0，1，…16），则有

其中：dj，k（j=0，1，…16，k=1，2，…n）表示S4，j的小波系数。

④特征向量构造。当级联式变频器发生性能故障时，会影响信号不同频带内的能量，因此我们需要以频带能量为元素构建特征向量。

特征向量T 构造为：

当频带能量较大时，需要进行归一化处理，令

其中：向量T′为归一化后的特征向量。

3 基于改进的组合神经网络故障诊断

对于功率器件故障诊断，本文选用电压信号为采样信号，采样频率fs 为1800Hz，分析500 个采样点。我们在进行故障诊断前，要先对仿真电压信号进行适当预处理。其具体步骤如下所示：

①令A 相、B 相、C 相处于开路状态，分别计算其电压信号的歪度值，采用4 层dbN 小波分解计算出最优小波包分解树，提取其故障特征信号，具体如图3 所示。

图3 最优小波包分解树和原始波形

②根据最优小波包分解树计算出各个频域（低频至高频）信号的能量总和。首先，一方面我们要重构所有小波包的分解系数，一方面我们要提取各个频域（低频至高频）信号Si，j，然后求解出对应的频域（低频至高频）能量Ei，j。通过比较频域（低频至高频）能量，选择最优小波包树，其中分别为E11，E21，E31，E41。

③根据第一步和第二步结果构造特征向量。A 相、B相、C 相均处于开路状态，采集此时的仿真电压信号，利用其歪度值的绝对值与②中频带能量构建故障特征向量，命名为T，其中，由于各频带能量较大，所以将特征向量T 进行归一化处理，处理后的特征向量命名为T*，其中。

④特征向量T*作为优化的组合神经网络的输入向量。首先挑选部分特征向量作为组合神经网络的训练样本，然后对其权值与阈值初始化并进行优化，得到最优组合神经网络权值和阈值，并将其作为训练样本进行故障诊断前的训练。

⑤进行数据模拟仿真测试。

⑥对比测试。经过对结果分析并进行仿真，通过结果来验证提出的组合神经网络进行故障诊断的有效性、稳定性及实用性，可以满足级联式变频器对故障诊断的要求。

提出的遗传算法优化的组合神经网络故障诊断流程图如图4 所示。

图4 组合神经网络故障诊断流程图

为了使网络的输出数据显示结果简单清晰，方便通过观察清晰的观察故障类型，对组合神经网络的输出设置如下，如表1 所示。

表1 组合神经网络的输出设置

根据级联式变频器故障特点，我们采集了100 组仿真电压信号数据，其中80 组作为训练样本来训练遗传算法优化的组合神经网络，20 组作为测试样本。其网络训练误差曲线如图5 所示。从图5 我们可以观察出，神经网络模型经过迭代18-20 次就达到了较高的训练误差精度（0.001）。同时，为了测试系统的稳定性，是否存在幸存偏差，我们进行了通过多次的仿真实验，对采样数据进行训练、测试，来验证网络性能，经过验证所提出的组合神经网络故障诊断准确率为98%，达到了预期训练精度目标要求，满足了级联式变频器对故障诊断的快速性、精确性和实时性要求。

图5 优化的组合神经网络训练误差曲线图

4 结论

本文对级联式变频器在处于开路故障时产生的数据进行了仿真实验，利用级联式变频器仿真模型，通过小波包特有的频域能量方法对所采集的数据信号进行故障的特征提取，同时连同仿真数据的歪度值的绝对值构成特征向量，作为提出优化的组合神经网络的输入。经过模拟训练、故障测试，仿真测试，本文提出的故障诊断模型能够及时、准确的提取级联式变频器断路状态时的故障特征并进行有效分析，仿真结果验证了改进的组合神经网络能够满足级联式变频器故障诊断的实时性、稳定性、高效性，达到了预期设定要求。