采用SDAE-FFNN网络的PMSM逆变器开路故障诊断研究

冯 莉,罗洪林,许水清

(1.重庆交通大学 交通运输学院, 重庆 400074;2.合肥工业大学 电气与自动化工程学院, 合肥 230009)

0 引言

逆变器作为新能源汽车动力驱动系统的重要组件之一,也作为永磁同步电机(permanent magnet synchronous motor,PMSM)的驱动元件,其重要性非同小可。逆变器将车载直流电转化为交流电,是驱动新能源动力汽车行驶的重要枢纽组件。当其发生故障时,车辆将无法实现驱动,严重时将对人们出行的安全产生影响,甚至发生车毁人亡的事故,因此,提升逆变器的故障诊断技术显得尤为重要。若能够尽早地监测出故障源,并进行故障识别,采取相应的维修措施,及时进行降级处理,减小灾害的发生,就能保障汽车行驶的安全。数据表明,在变频调速系统的逆变器故障中IGBT元器件的故障占比高达82%[1],因此,对电机驱动系统中逆变器IGBT元器件展开故障诊断研究势在必行。

目前,国内外学者对逆变器的故障诊断展开的研究不计其数。电机驱动系统逆变器开路故障研究表明,电流检测法[2-3]、电压检测法[4]和数据驱动的智能检测法[5-6]是现代深度故障诊断的新方向。在基于大数据的背景下,数据驱动的深度学习智能故障诊断技术是未来研究发展的新趋势。Tian等[7]基于建立FTPMSM系统故障模型提出了基于非故障相电流Lissajous图的故障特征提取方法。Zhang等[8]提出了一种级联式开路故障诊断方法,但逻辑性较为复杂,在开关管组合类型较多情况下进行故障识别判断更为困难。韩素敏等[9]将线电压作为测量值,由FFT提取测量值特征,获取了大量故障数据,为BP神经网络的训练和测试奠定了良好的基础,最后通过BP神经网络模拟出逆变器开路故障与特征值一一对应关系,但未能证明在小样本数据背景下仍能高效、精确地完成对三相电压源型逆变器的故障诊断。王丽华等[10]将故障信号进行降维处理,利用傅里叶变换提取特征,建立了4层的BP神经网络实现对三电平变频器逆变器的故障诊断,解决了2只开关管同时发生故障的问题,若能再提高故障识别精确度将会更好。赵晖等[11]通过提取相电压、电感电流及开关频率处谐波分量作为故障特征,构建人工神经网络实现对逆变器的故障诊断,但未与其他神经网络做对比,且未能够对于更加复杂的故障情形进行分析。姜媛媛等[12]使用在EMD基础上改进的VMD对样本进行变分模态分解,并利用小波变换提取各模态分量的小波能量获得特征值,通过CNN卷积神经网络进行诊断,CNN的复杂性使其在建模之初较难满足数据驱动的条件,虽然检测效率较高,但故障识别准确率有待提高。丁毅等[13]采用电压源作为测量信号,提出一种基于小波分析和量子神经网络的三电平逆变器开路故障诊断方法,训练准确率与诊断准确度具有很好的优势且运行效率高效,适用于在线诊断,但缺点是电压检测法原理较复杂,操作性不易。龙瀚宏等[14]提出一种基于深度学习模块化的逆变器子模块开路故障诊断方法,且故障识别时可采用较多故障种类。

基于高安全性和高可靠性的设计原则,逆变器在大多数运行时段都处于正常工作的状态。发生故障时,故障信号的有效时间非常短,使得基于数据驱动的智能故障诊断技术在应用上面临着特征信号难以捕捉和早期故障特征可分性差的问题。有研究表明,工程上少数的简单经验特征无法获得较高分类精度,导致其在一些应用上受阻。此外,在没有先验知识的特征提取方法下,采取何种特征提取方法会对最终故障诊断识别的精确度造成不同影响。有更多的研究表明[15-17],当特征量不够时,很难保证诊断模型具有良好的鲁棒性与泛化性,而融合多种特征提取方法形成高维特征数据集能够提升诊断模型对故障识别的准确度。

基于上述方法的优点与不足,提出了一种融合堆叠降噪自编码器和前馈神经网络(stacked denoising autoencoder-feedforward neural network,SDAE-FFNN)的三相永磁同步电机逆变器开路故障诊断方法。首先,利用Simulink仿真得到基于三相逆变器开路故障的永磁同步电机输出的定子电流故障信号[18-21]。然后,融合6种频域特征提取方法提取故障信号特征并整合形成高维特征数据集。最后,采用提出的融合堆叠降噪自编码器和前馈神经网络的方法完成故障诊断。与传统深度学习方法进行对比,验证了该方法在故障诊断应用上的有效性和可行性。

1 三相逆变器电路故障仿真分析

1.1 逆变器故障模拟仿真分析

逆变器作为永磁同步电机的关键驱动部件,发生故障概率最大的地方是功率管IGBT,因此对三相永磁同步电机逆变器进行故障仿真模拟,提取三相永磁同步电机输出定子电流作为实验故障信号的研究对象。三相逆变器拓扑结构如图1所示,通过Matlab/Simulink搭建的三相永磁同步电机驱动系统仿真模型结构如图2所示。

图1 三相逆变器拓扑结构图

实验设定转速为1 000 rad/s,转矩为10 N·m,三相永磁同步电机驱动系统正常运行。根据逆变器开路故障发生率较高的单桥臂和双桥臂开路故障情况进行研究,故障类型大致可以分为以下4种:

1) 单桥臂开关器件IGBT发生开路故障;

2) 同桥臂双管开关器件IGBT发生开路故障;

3) 同相位双管开关器件IGBT发生开路故障;

4) 交叉双管开关器件IGBT发生开路故障。

利用Matlab/Simulink搭建如图1所示的三相全桥逆变器模型,采用脉冲控制信号的控制策略来控制开关管IGBT的开断。根据表1所示的故障类型与故障位置进行逐一仿真。

表1 模拟三相逆变器电路IGBT开路故障类型

无故障发生时,电流波形如图3所示。有故障发生时,电流波形如图4所示。可以看出,永磁同步电机在刚启动时电流波形有一定的抖动,经过0.02 s后逐渐达到初始给定值,响应速度很快。设置的故障响应起始点均为0.07 s,从图4中可明显看出电流波形发生不规则抖动。

图3 正常工作状态下输出的电流波形

图4 故障时输出的电流波形曲线

从图4(a)得知,在只有A相上桥臂IGBT发生故障的情况下,B、C相的输出电流波形会严重变形,但没有周期波形缺失现象;从图4(b)得知,在A、B相上桥臂IGBT发生故障的情况下,A、B相电流无正半周期波形,根据三相电流矢量之和始终为零的原则,C相电流受故障影响只存在下半周期波形,且该相的输出信号波形也会发生严重变形;从图4(c)得知,在A相上、下桥臂IGBT均发生故障的情况下,A相上、下桥臂均不导通,A相定子电流输出值在发生故障后始终为零,且B、C相输出电流波形发生严重变形,但没有周期波形缺失现象;从图4(d)得知,在A相上桥臂IGBT和B相下桥臂IGBT同时发生故障的情况下,A相电流无正半周期波形,B相电流无负半周期波形,C相电流受故障影响波形发生严重变形,但没有周期波形缺失现象。

1.2 故障特征提取

根据逆变器的工作原理,对每个IGBT进行实时监测非常困难。但逆变器作为驱动元件作用于永磁同步电机时的输出电流具有周期性,且故障发生时的故障特征信息也应包含在周期信号中。为此,将电机的输出电流作为研究对象,并采取融合多种频域特征提取的方法,将时域信号转换到频域中,得到多种频域特征向量,以便神经网络更好地进行故障识别分类。

采取的频域特征提取方法为快速傅里叶变换法(FFT)、短时傅里叶变换(STFT)、Gabor变换、小波变换、经验模态分解法(EMD)和线性正则变换法(LCT)。

由式(1)可知,快速傅里叶变换(FFT)是一种将离散信号分解为不同频率的正弦波,得到频域数据信号,便于进行信号分析的方法。采用ADC数模转换的方法,将连续变化的模拟故障信号转化为离散信号,便于对信号进行快速傅里叶变换。

(1)

短时傅里叶变换(STFT)不仅考虑到频域特征的变化,还考虑到时序变化。给定一个时间宽度很短的窗函数γ(t),滑动窗口,则信号z(t)的STFT变换定义为:

(2)

式中:*代表复数共轭。正是γ(t)的时间移位与频率移位,使得STFT变换不仅具有频域特性还具有时域特性。

Gabor变换则是在STFT基础上,使用了一个高斯函数作为窗函数,通过频率参数与高斯函数参数的选择,在一定程度上解决了STFT只能局部分析信号的问题。相反,Gabor变换能够在整体信号上提供任一局部时间内信号的变化程度,其定义为:

(3)

小波变换继承了傅里叶变换的思想,克服了窗口大小不随频率变化的缺点,反映了全频带的故障信号,可以更精细地刻画及分析信号特征。对于信号,其小波变换由母小波Ψa,b定义为:

(4)

经验模态分解法(EMD)能够自适应地将信号分解成若干个固有模态函数(IMF),通过分离每个IMF分量得到完整频率分布,取得信号有效部分,最终获得最优变分问题的解。

将每种故障类型的采样率均设置为1 000 Hz,采用6种频域特征提取方法后,得到12维特征向量数据集,每一维选取960个采样点,打乱顺序后随机在每一维选取768个采样点作为训练集,剩下每一维192个采样点作为验证集。

以单桥臂故障类型、故障位置V1、取故障数据的960个采样点为例,分别绘出其FFT频谱图、STFT频谱图、Gabor变换频谱图、小波变换频谱图和IMF模态分量图,如图5所示。

由于不同频域特征提取方法造成的特征数值差异较大,为减少数据样本差异大造成的计算误差,保障与原数据结构相对不变,将提取后的特征数据进行归一化处理:

(5)

将特征向量整合形成高维特征数据集,采用二进制的方式对数据集设置标签,随机打乱后划分训练集与验证集。最后利用提出的SDAE-FFNN网络模型进行故障识别。

1.3 故障诊断流程

本文利用Matlab/Simulink软件模拟三相逆变器开路故障,得到三相永磁同步电机的输出定子电流。基于SDAE-FFNN网络模型对三相永磁同步电机逆变器开路故障进行故障识别,具体流程如图6所示。

图6 故障诊断流程框图

步骤1采集信号。采集三相逆变器在各种故障类型下的永磁同步电机输出电流故障信号。

步骤2频域特征提取。分别利用快速傅里叶变换、短时傅里叶变换、Gabor变换、小波变换、经验模态分解和线性正则变换等频域特征提取方法,对故障信号进行特征提取,得到多个故障特征向量。

步骤3数据重构。将所有特征向量进行归一化处理,并整合形成高维特征数据集。

步骤4SDAE-FFNN网络模型设计与训练。对重构数据设置标签,划分训练集和测试集。

步骤5故障诊断。为验证方法的可行性,与传统的BP神经网络、DBN网络模型和AE神经网络模型的故障分类识别进行对比分析。

2 理论基础

2.1 SDAE-FFNN网络模型

简单的神经网络结构所得到的浅层特征很难满足分类识别的预期效果。为获取更为深层的特征,一种更深层的神经网络堆叠降噪自编码器(stacked denoising auto encoder,SDAE)被广泛采用[22]。对输入层添加噪音信号,使输入信号具有良好的鲁棒性,并且使得深层特征具有防止过拟合的能力。输入带噪音的信号后由输入层和隐藏层构成的编码器进行降维特征提取;得到的特征则由隐藏层和输出层构成解码器进行数据重构,作为输出。SDAE网络[23]由多个AE堆叠而成,SDAE网络模型结构如图7所示。

图7 堆叠降噪自编码器结构示意图

SDAE训练流程如下。

(6)

式中:σ为Sigmoid激活函数;ω1为连接输入层与隐藏层的权重矩阵;b1为编码过程的偏置。

(7)

式中:ω1′为连接隐藏层与输出层的权重矩阵;b1′为解码过程的偏置。

步骤4采用最小均方差式(8)作为优化代价函数,且采用梯度下降方法不断更新权重和偏置:

(8)

(9)

(10)

本文将SDAE网络与前馈神经网络相结合[24],将最后一层DAE模型得到的最优权重ωk和偏置bk作为前馈神经网络的网络参数,特征hk作为前馈神经网络的输入,如图8所示。

图8 SDAE-FFNN网络结构示意图

FFNN神经网络的数学传递模型为:

(11)

采用交叉熵作为优化函数,函数表达式为:

(13)

Sigmoid函数表达式为:

(14)

2.2 网络层数以及神经元数的设计

隐藏层的层数与节点数的合理选择决定模型的预测准确率和运算效率,因此在设计SDAE-FFNN网络之初,首先要进行网络层数的选择。SDAE模型设为3个DAE网络结构,以减小神经网络的规模,降低各层之间误差,增加分类精确度。输入层神经元节点个数设为12,隐藏层神经元节点个数设为200,输出层神经元节点个数设为2。超参数设置如下:学习率为0.1,去噪因子为0.5,数据批量大小为6,迭代次数为300。

3 故障分析结果对比

3.1 基于SDAE-FFNN的故障识别仿真

对模拟的表1所示的4种具体位置故障类型分别进行故障诊断识别,训练迭代曲线如图9所示。

图9 SDAE-FFNN网络的训练迭代曲线

基于SDAE-FFNN网络模型的三相永磁同步电机逆变器开路故障识别方法准确率如表2所示。所提识别方法平均故障识别率为98.802 1%,达到了预期效果,表明该模型在不同故障类型下均可以保持较高的识别准确率。

表2 基于SDAE-FFNN网络模型的故障识别方法准确率

3.2 不同特征提取方法下故障诊断结果对比

为验证融合多种特征提取方法形成的高维特征数据集能够提升诊断模型对故障识别的准确率。以单桥臂故障类型、故障位置V1为例,将所提方法与部分单一特征提取的方法进行对比,且均采用SDAE-FFNN网络模型,结果如表3所示。由此可知,融合多种频域特征提取方法的故障诊断准确率明显更高,优于单一特征提取方法下的故障诊断准确率。

表3 不同特征提取方法下的识别准确率

3.3 与传统深度学习方法对比

为验证所提模型的有效性,将传统的BP神经网络、DBN神经网络、AE神经网络与所提方法识别4种故障类型的结果进行对比,结果如表4所示。由此可知,采用SDAE-FFNN网络的深度学习方法对三相PMSM逆变器开路故障识别准确率有所提升,且优于传统深度学习方法的识别准确率。

表4 与传统深度学习方法识别准确率对比

4 结论

模拟注入了三相逆变器开路故障类型,得到三相永磁同步电机输出的定子电流故障信号,融合多种频域特征提取方法,提出了SDAE-FFNN的故障诊断识别方法,并经过仿真分析验证了该方法的可行性与实用性。

实验结果表明,采用SDAE-FFNN网络模型的三相永磁同步电机逆变器开路故障诊断具有良好的故障分类识别能力。实验中选取BP神经网络模型、DBN神经网络模型和AE神经网络模型与SDAE-FFNN模型进行比较,所提方法在故障分类准确率上有所提升。因此,SDAE-FFNN网络模型在三相永磁同步电机逆变器开路故障诊断方面具有一定的工程实用价值。