級聯式變頻器故障診斷范文

本站小編為你精心準備了級聯式變頻器故障診斷參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

引言目前，級聯式變頻器在高壓、大功率應用中已經成為了一項重要的技術［1］。在鋼鐵、化工、石油、冶金、水處理等各行業中，級聯式變頻器被廣泛用于驅動風機、泵類及各種大型機械，已成為當今節電、提高生產過程自動化水平、改造傳統工業、推動技術進步的主要手段之一［2］。級聯式變頻器采用功率單元進行級聯［3］，相對于傳統的兩電平變頻器，主電路功率器件增多了，因此其故障的可能性大大增加，故障問題也越來越明顯［4］。級聯式變頻器的功率管開路故障在變頻器輸出頻率較低時對輸出電壓、電流影響很小，因而不容易被發現。若不能及時的診斷出該故障，將會形成很大的故障隱患，給安全生產帶來威脅。因此，研究準確高效的級聯式變頻器故障診斷方法具有重要意義。對于級聯式變頻器故障診斷的研究目前比較少，主要以神經網絡的故障診斷方法為主。其中，BP神經網絡是應用最廣泛和成功的神經網絡之一［5］。BP算法主要是通過不斷地調整網絡的權值和閾值來修正網絡的輸出誤差。但是，BP算法也存在一些缺點，比如需要足夠多的訓練樣本、容易陷入局部極小、學習時間過長、收斂速度慢等問題［6］，從而不能夠很好的診斷出級聯式變頻器的功率管開路故障。PSO算法［7，8］是近年來發展起來的一種新的群體智能優化算法，它主要是通過個體之間的互相協作來搜索空間中的最優解，其概念簡單、參數少且易于實現。為了提高級聯式變頻器故障診斷的精確度，針對BP神經網絡在級聯式變頻器功率管開路故障診斷中所存在的不足，利用改進的粒子群算法(particleswarmoptimization，PSO)來優化BP神經網絡，提出了一種改進PSO－BP的級聯式變頻器故障診斷方法，仿真結果表明，該方法相對于傳統的BP神經網絡能夠快速準確的診斷出故障，更好的應用到級聯式變頻器的故障診斷中。

1級聯式變頻器故障診斷原理

級聯式變頻器是由多個相互獨立的低壓功率單元串聯實現高壓輸出。移相整流變壓器采用的為多重化設計，它將網側的高壓轉換為二次側的多組低壓，二次側低壓繞組均相互獨立給功率單元供電，所以也沒有串聯均壓的問題存在。功率單元是級聯式變頻器實現其功能的基本單元，它相當于一臺交直交低壓電壓型變頻器，結構如圖1所示，相鄰的功率單元的輸出端成Y型連接，實現高壓輸出，給高壓電動機供電。本文所研究的級聯式變頻器每相分別由五個功率單元相互串聯組成，其中每個功率單元的逆變部分有四個功率器件(Q1～Q4)。由于所含的功率器件數量眾多而且在運行時不停的導通和關斷，因此極易發生開路故障。由于級聯式變頻器發生功率管開路故障時，對輸出的電壓、電流影響很小，不容易被發現，因此需要研究高效的級聯式變頻器故障診斷方法。級聯式變頻器每個功率器件發生故障的概率相同，而且是隨機的，因此需要分析級聯式變頻器故障時的輸出電壓和電流信號，找到能夠反映其故障特征的信號。本文通過對級聯式變頻器故障時輸出的電壓電流信號進行分析，發現在故障時輸出的電壓信號所含的信息量最大，因此將級聯式變頻器輸出電壓作為故障信號源來對級聯式變頻器進行故障分析。

2改進PSO－BP的級聯式變頻器故障診斷算法

2．1PSO算法PSO算法是通過模擬鳥群捕食行為來進行群體搜索的算法。PSO算法中的每個待優化問題的解都可以看作搜索空間中的一只鳥，稱其為“粒子”。所有粒子都有一個適應度來決定它們的優劣，然后每個粒子就跟隨其當前最優粒子在解空間中進行搜索。即粒子對以前速度的改變程度，當它取值較大時有利于使算法擺脫局部最優，當它取值較小時有利于算法收斂。所以，在算法的初期階段，ω應該賦予較大的值以便于擴大粒子的搜索范圍，從而提高全局搜索效率;在算法的收斂階段，應該盡可能減小ω的取值，使其盡可能的搜索最優個體周邊的范圍，從而提高其準確率。

2．2PSO算法的改進思想在PSO算法中，ω大多設定為隨進化而線性遞減，由于慣性權重ω服從線性變化，難以在搜索范圍和尋優精度之間取得較好的權衡，所以本文考慮將ω服從隨機分布，如式(3)所示，易跳出局部最優值，且能有效搜索到全局最優值。學習因子c1、c2分別代表了粒子在進行速度更新時，個體最優和全局最優所占的比重大小。c1、c2的調整方式與粒子群此時位置的適應度有關，當適應度大于群體適應度的平均值時，可以通過增大c1、減小c2的方式來減小飛向全局極值的速度;反之，則減小c1、增大c2［12］。

2．3BP神經網絡假設BP神經網絡的輸入層、隱含層、輸出層神經元個數分別為n、m、q，輸入層到隱含層的權值為vij，隱含層的閾值為b1，隱含層到輸出層的權值為ωjk，輸出層的閾值為b2，隱含層和輸出層節點所用的傳遞函數分別。

2．4PSO－BP的級聯式變頻器故障診斷過程PSO－BP神經網絡的算法診斷流程如圖2所示，具體步驟如下:1)故障模擬及樣本數據采集。首先根據級聯式變頻器的仿真模型模擬出功率管開路故障，獲取其故障信息。然后，采用小波分解方法對級聯式變頻器故障狀態和正常狀態的輸出電壓信號進行分解，提取其頻帶能量值。將提取的特征頻帶能量值與輸出電壓歪度值一起構造故障特征向量，并對其進行歸一化處理，進而作為神經網絡的訓練樣本和測試樣本。2)確定網絡的結構。網絡的輸入層節點數n=5，根據多次實驗結果隱含層節點數確定為m=7，網絡的輸出層節點數q=13。

3級聯式變頻器的故障診斷

本文以6kV級聯式變頻器功率管開路故障為例，在MATLAB下建立其故障仿真模型。級聯式變頻器每相由5個輸出電壓為690V的功率單元(即1號～5號功率單元)串聯組成。每個功率單元的逆變部分有4個功率管，分別為Q1、Q2、Q3、Q4。以每相1號功率單元的功率管開路故障為例，級聯式變頻器的輸出共有13種狀態，規定為F1～F13，對應的故障編碼分別為(1000000000000～0000000000001)。根據級聯式變頻器的故障特點，采集級聯式變頻器不同狀態下每相的仿真輸出電壓信號，用于網絡的訓練和測試。仿真時的采樣頻率fs為2000Hz，采樣點數為512個。本文總共采集了78組仿真數據，其中前65組數據用于網絡的訓練，后13組數據用于網絡的測試。表1列舉了每種狀態的一組訓練樣本，其中A1Q1表示A相1號功率單元逆變橋的1號功率管故障，后面的依次類推;|γ|表示不同狀態下輸出電壓的歪度值;E1，E2，E3，E4分別為四層小波分解后d1～d4細節頻帶所對應的頻帶能量值。為了驗證改進的PSO－BP神經網絡具有更好更快的學習能力和精度，分別用改進的PSO－BP神經網絡與傳統的BP神經網絡對級聯式變頻器進行故障診斷，設定最大訓練次數為2000，設定訓練精度為0．0001。每一種算法運行100次，傳統的BP神經網絡在100次運行中有85次不能夠達到設定的精度，并且陷入了局部極小值，只有15次能夠達到設定的精度;而改進的PSO－BP神經網絡在100次運行中都能夠達到設定的精度，并且達到精度所需迭代的步數集中在20～69步之間。選取這兩種算法在100次運行中的平均情況，得到樣本的學習過程如圖3所示。在改進的PSO－BP神經網絡作用下所得到的測試數據的網絡輸出結果如表2所示。其中A1Q1、A1Q2、A1Q3、A1Q4、B1Q1、B1Q2、B1Q3、B1Q4、C1Q1、C1Q2、C1Q3、C1Q4分別代表這些功率管所對應的開路故障。改進的PSO－BP神經網絡和傳統BP神經網絡在100次運行中的平均診斷結果參數對比如表3所示。由圖3兩種算法的對比，可以看出傳統的BP神經網絡收斂速度非常慢，且陷入了局部極值。改進的PSO－BP神經網絡的收斂速度很快，由表3可以看出，傳統的BP神經網絡的均方誤差很大，未達到設定精度，而只需要經過30次迭代就可以達到設定的訓練誤差，且均方誤差為2．05353×10－5。由此可知，改進的PSO－BP神經網絡不論是在學習速度還是精度方面都遠遠優于傳統的BP神經網絡。

4結論

本文針對級聯式變頻器的功率管開路故障，利用小波分析提取有效的故障特征向量，減少了訓練網絡的規模;針對BP神經網絡的初始權值和閾值難以選取的缺點，結合PSO算法尋優能力和收斂能力較強的優點，采用改進的PSO算法優化BP神經網絡，提高了網絡的泛化能力和學習能力，加快了其收斂速度。仿真結果表明，經改進的PSO－BP神經網絡相對于傳統BP神經網絡加快了網絡的收斂速度和診斷精度，能夠很好的用于級聯式變頻器的故障診斷。

作者：王新 孫河南 單位：河南理工大學 電氣工程與自動化學院