基于多特征信息融合PWM整流器故障診斷

1. 引言

自 21 世紀(jì)以來，新型城市軌道交通在我國(guó)得到了飛速的發(fā)展，現(xiàn)已是我國(guó)國(guó)民經(jīng)濟(jì)發(fā)展與人民生活水平的重要標(biāo)志。它具有污染小、效率高、結(jié)構(gòu)簡(jiǎn)單等一系列優(yōu)點(diǎn)。PWM 整流器[1]是新型能饋式牽引供電系統(tǒng)的關(guān)鍵部件，目前國(guó)內(nèi)外學(xué)者對(duì)新型 PWM 整流器故障診斷研究較少，傳統(tǒng)的故障診斷算法不能準(zhǔn)確快速的對(duì)故障進(jìn)行診斷，因此本文提出一種融合的故障診斷方法

[2]，能快速、準(zhǔn)確、實(shí)時(shí)的在線對(duì) PWM整流器開關(guān)管故障診斷，從而便于容錯(cuò)控制，保證列車平穩(wěn)、安全的運(yùn)行。故障特征的準(zhǔn)確提取是故障診斷能否成功的關(guān)鍵。由于電力電子電路是多變量、非線性、強(qiáng)耦合的復(fù)雜系統(tǒng)，很難建立準(zhǔn)確、有效的數(shù)學(xué)模型，傳統(tǒng)的故障診斷方法根本無法滿足當(dāng)今的技術(shù)指標(biāo)要求，而單一的智能診斷方法的故障診斷也不是十分有效，因此本文根據(jù)理論的分析與 MATLAB 的仿真，提出用小波分解來提取小波能量譜來作為故障特征量，并將標(biāo)幺化后的特征量輸入BP神經(jīng)網(wǎng)絡(luò)來完成故障的識(shí)別與診斷。

2.1 小波分析提取故障特征

PWM 整流器開關(guān)管在故障時(shí)電流或電壓特征量發(fā)生突變，信號(hào)中含有非平穩(wěn)的時(shí)變信息，而用傳統(tǒng)的傅里葉變換往往只能對(duì)信號(hào)的頻域具有局部化分析能力，它是對(duì)整個(gè)時(shí)域的積分，適合于對(duì)穩(wěn)態(tài)信號(hào)分析，對(duì)非穩(wěn)態(tài)信號(hào)無能為力，而小波變換在時(shí)域和頻域都具有局部化能力，它的窗口尺寸可以根據(jù)信號(hào)的頻率而自動(dòng)調(diào)節(jié)，并且是一種基于“頻帶”的時(shí)頻分析方法，因而非常適合于暫態(tài)信號(hào)或非穩(wěn)態(tài)信號(hào)的分析[3]。二進(jìn)制小波變換就是通過多分辨分析算法來實(shí)現(xiàn)的，將信號(hào) ( )f t 分解為不同尺度上的近似和細(xì)節(jié)，也就是對(duì)應(yīng)的低頻和高頻部分，分解的公式[4]可以表示為：

3 實(shí) 驗(yàn)

3.1 MATLAB 故障仿真與分析選取 PWM 整流器電路作為診斷實(shí)例，原理圖如圖 3 所示， 使用 MATLAB 進(jìn)行建模與仿真，電路參數(shù)設(shè)置如下：輸入三相交流電壓為380V，工作頻率為 50Hz，電阻為 0.1Ω ，電感為 1mH,載波頻率為 10000Hz，調(diào)制系數(shù)為 0.4，通過 MATLAB 分別對(duì)PWM 整流器正常工作和開關(guān)管故障時(shí)進(jìn)行仿真，仿真時(shí)間設(shè)為 0.2s，在 0.1s 時(shí)發(fā)生開關(guān)管開路故障，下面我們通過提取小波能量譜來作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，然后在 0.12s、 0.08s 等時(shí)刻再次提取故障特征， 以此來對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，從而完成對(duì)開關(guān)管故障的診斷和診斷算法的驗(yàn)證，為了問題的簡(jiǎn)化與說明，下面我們只對(duì)開關(guān)管單管故障進(jìn)行舉例，其他情況依此類推。PWM 整流器基本工作原理[1]：

3.2 故障特征的提取

通過對(duì)比圖 4、圖 5 不難發(fā)現(xiàn)，在開關(guān)管發(fā)生故障時(shí)，輸出電流發(fā)生了很大的畸變，通過 db3 小波對(duì)輸出電流壓進(jìn)行 5 層分解， 提取 1個(gè)低頻系數(shù)和 5 個(gè)高頻系數(shù)，然后根據(jù)小波分解系數(shù)求出各頻段能量譜，按照順序排成一列向量，該向量就是與某一故障相對(duì)應(yīng)的特征向量。下面對(duì)電壓信號(hào)進(jìn)行 5 層分解，得到 6 個(gè)頻帶的小波系數(shù)，重構(gòu)各節(jié)點(diǎn)小波分解系數(shù)，則總信號(hào)可表示為[7]：

4. 結(jié)論

本文通過對(duì) PWM 整流器的輸出電流進(jìn)行小波分解， 對(duì)比分析發(fā)現(xiàn)， PWM 整流器正常時(shí)和故障時(shí)小波分解系數(shù)相差明顯，因此對(duì)正常情況和各種故障情況的電流進(jìn)行分解并計(jì)算其小波能量譜，發(fā)現(xiàn)不同的故障各頻段的能量譜差別明顯，為了便于后面的分析與比較，將其歸一化后再將其輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行故障的識(shí)別與診斷9]， 仿真的結(jié)果表明該算法的診斷正確率 100%，是一種準(zhǔn)確、高效的診斷算法，對(duì)工程上實(shí)現(xiàn) PWM 整流器故障的快速、準(zhǔn)確診斷與容錯(cuò)控制提供了一定的指導(dǎo)作用[10]。

參考文獻(xiàn)

[1] 劉志剛,葉斌,梁暉.電力電子學(xué)[M].北京：北京交通大學(xué)出版社，2004.

[2] 羅惠,王友仁等.電力電子電路多源特征層融合故障診斷方法[J].電機(jī)與控制學(xué)報(bào).2010,4,第14 卷(4 期):92-95.

[3] 徐昕，傅煊.基于小波分解和 BP 神經(jīng)網(wǎng)絡(luò)模擬電路故障診斷研究[J].現(xiàn)代電子技術(shù).2011,10，第 34 卷(19 期) :171-175.

[4] 王云亮，孟慶學(xué)等.基于小波能量法及神經(jīng)網(wǎng)絡(luò)的電力電子裝置故障診斷[J].智能控制技術(shù),2009,第 31 卷(2 期):25-27.

[5] 孟苓輝，王磊等.基于改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)的牽引變流器故障診斷[J].電子設(shè)計(jì)工程,2012,3,第20 卷(6 期):61-63.

[6] 王軼.基于數(shù)據(jù)挖掘的機(jī)車牽引變流器故障診斷[D].成都：西南交通大學(xué)，2005,4.10

[7] 明廷鋒，姚曉山等.基于小波-主成分分析的離心泵故障診斷方法[J].武漢理工大學(xué)學(xué)報(bào)，010，12

[8] BingLi and Peilin Zhang.FeatureExtraction and Selection for Diagnosis Gear Using Wavelet Entropy and Mutual Information.[A].2008

[9] Zhimin Dong,Xinqiao Jin,YunyuYang.Fault diagnose for temperature,flow rate and pressure sensors in VAV systems using wavelet neural network[J].Applied Energy,2009,86:1624-1631.

[10] YaguoLei,ZhengjiaHe,YanyangZi.Expert Systems with Applications,2009.

作者簡(jiǎn)介： 孟苓輝 (1988—) ， 男， 吉林舒蘭人， 博士研究生。

研究方向：電力電子與電氣傳動(dòng)。