電力電子電路軟故障診斷對比范文

本站小編為你精心準備了電力電子電路軟故障診斷對比參考范文，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。

隨著功率半導體工藝水平的進步和計算機技術的發展，促使各種高性能的電力電子產品不斷涌現，應用領域涉及家用電器、電力系統、交通運輸、通信設備、航空航天等各個部門。電力電子裝置通常作為電源或電機驅動器，對整個系統的可靠性有著極其重大的影響，因此在電力電子裝置中應用故障診斷技術，有著重大的軍事和經濟意義。電力電子電路故障從嚴重程度上劃分，可分為硬故障和軟故障。硬故障是指故障元器件的參數值突然發生大的變化，往往會導致電路功能的完全喪失，主要包括開路和短路情況；而軟故障是指元器件的參數值偏移到了該元器件容差范圍之外，此時元器件的功能通常并沒有完全喪失，而僅僅引起功能的變化?，F有的電力電子電路故障診斷方法根據診斷側重點不同可分為：基于數學模型的方法、基于信號處理的方法和基于知識的方法。這些故障診斷方法往往是在故障發生后進行診斷，主要針對硬故障。但為了方便工作人員事先發現并維修將要發生故障的器件，提前避免更大的損失，研究電力電子電路的早期軟故障診斷意義更大。為此，開展了電力電子電路軟故障診斷的研究。由于電力電子電路具有非線性、復雜性和強干擾性，許多電力電子電路的建模過程非常復雜，基于數學模型的故障診斷方法要得到比較準確的在線參數或狀態估計是非常困難的。又因電路發生軟故障時故障特征往往變化很微弱，通過對可測信號進行直接分析，很難發現有效的故障信息，基于信號處理的故障診斷方法難以準確的檢測出故障。

因此，針對電力電子電路的軟故障診斷，基于知識的診斷方法應用最為廣泛。BP神經網絡（backpropagationneuralnetwork，BPNN）以其強大的自學習、自組織、并行處理能力和良好的容錯能力，避免了冗余實時建模的需求，已成為基于知識的故障診斷方法中的典型應用；支持向量機（supportvectormachine，SVM）模型具有支持向量個數少、泛化能力強、能夠產生較為復雜的分界面，在特征多、類別結構復雜時仍有較高的分類精度等優點，亦成為基于知識的診斷算法中的研究熱點。首先通過故障模式影響分析，得出電力電子電路中風險性最高的元器件，針對風險性最高的電解電容、功率MOSFET、電感與二極管，給出能夠表征各元器件故障嚴重程度的特征參數。其次介紹了BPNN算法和SVM算法?；贐PNN結構，采用了單輸出BPNN模型和多輸出BPNN模型；基于SVM模型，采用了OVA（one－vs－all）算法和OVO（one－vs－one）算法。最后以閉環控制的DC／DC變換電路的軟故障診斷為例，對比分析各種診斷算法的優缺點。

1關鍵元器件故障特征參數

文獻［10］對開關電源電路的故障模式影響分析作了總結，得出電路中的電解電容、功率MOSFET、二極管、電感以及集成電路芯片風險性最高。文獻［11］給出了典型工作溫度時（25℃）電力電子電路中關鍵元器件的失效率分布，如圖1所示。因此，本文主要給出了電解電容、功率MOSFET、電感、二極管的故障特征參數。通過對各元器件失效機理、模式及影響分析，可以電解電容的容值和等效阻抗作為電解電容的故障特征參數，且由電解電容datasheet知，電容容值和等效阻抗的乘積為一定值；以導通電阻Rw作為功率MOSFET的故障特征參數；以電感的感值作為電感的故障特征參數；以導通電阻Rd作為功率二極管的故障特征參數。

2電力電子電路軟故障的診斷方法

針對電力電子電路的軟故障診斷，本文分析了基于知識故障診斷方法中的2種典型應用：BPNN法和SVM法。基于BPNN結構，采用了單輸出BPNN模型及多輸出BPNN模型；基于SVM模型，采用了OVA算法及OVO算法。

2.1BPNN法BPNN屬于多層前饋神經網絡，主要特點是信號前向傳遞，誤差反向傳播。研究表明，三層BPNN結構可以逼近任意的非線性函數，結構圖如圖2所示。設計了2種BPNN模型：單輸出BPNN模型和多輸出BPNN模型，其主要差別在于輸出參量個數：單輸出BPNN模型僅僅輸出1個參量，只能診斷單個故障模式，則每種電路工作模式分別對應一個故障分類器；多輸出BPNN模型同時輸出多個參量，每個參量對應一種單故障或電路正常工作模式，則所有電路工作模式只對應一個分類器。

2.2SVM法SVM分類的主要思想是建立一個超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。在進行線性分類時，將分類面取在離兩類樣本距離較大的地方；進行非線性分類時，通過高維空間變換，將非線性分類變成高維空間的線性分類問題，其基本結構如圖3所示。由于SVM本身是一個兩類分類問題，在處理多分類問題時，常常被轉化為二分類問題，采用了2種常見的轉換方法，即OVA算法和OVO算法。一對多算法（OVA）：將一個C類分類問題轉化為C個二分類問題，其中第i個分類器是通過將屬于第i類樣本點視為正類，其余所有的樣本點視為負類訓練而成的。

3診斷實例與結果分析

3.1電路實例選用UC2843閉環控制的DC／DC變換電路作為診斷實例，如圖4所示。該電路分為主電路和控制電路兩部分，實現48V轉12V功能。其中功率MOSFET型號為IRF630、二極管型號為MBR1080，開關頻率為20kHz。UC2843芯片的工作電源由線性穩壓器LM317提供。電路的輸入直流電壓為48V，負載電阻RL為2．4Ω。

3.2故障模式設置與特征參數的選取1）故障模式設置依據電路拓撲結構及關鍵元器件失效模式影響分析，針對DC／DC變換電路的主電路，設置22種電路工作模式，記為F1～F22，如表1所示。其中F1為電路正常工作模式，F2～F14為不同的單軟故障模式，F15～F22為不同的多軟故障模式。2）電路故障特征參數選取設主電路中電阻的容差為5％，電容和電感的容差為10％［14］，根據電路所設軟故障模式，故障元器件參數在一定范圍之內以均勻概率隨機取值，剩余元器件參數在容差范圍內隨機均勻取值。以輸入電流ii、測點Vout電壓信號的峰值、峰－峰值，測點Vdmos、VL2電壓信號在功率MOSFET斷開期間的峰值、峰－峰值，功率MOSFET導通期間的峰－值的組合共十維矢量作為電路的故障特征向量。通過電路仿真軟件Saber對每種電路工作模式進行50次蒙特卡洛分析，從穩定后的監測信號中提取出電路故障特征參數。把所得的故障特征數據分成A組（30個，訓練數據）、B組（20個、測試數據）。將所有電路工作模式下的A組數據組合到一起，并采用最大最小值法歸一化到0～1。對于B組數據，采用與A組數據相同的歸一化方法進行歸一化。

3.3訓練樣本與測試樣本的選擇根據每種分類器的特點，保證各電路工作模式下的樣本都能在分類器中得到訓練與測試，訓練樣本與測試樣本的選擇因分類器不同而不同。1）單輸出BPNN模型對于與某電路工作模式對應的BPNN分類器，選擇該電路工作模式下A組數據、多故障情況下（出現該工作模式）A組數據、其他工作模式的各3組故障特征數據作為訓練樣本；選擇該電路工作模式下B組數據、多故障情況下（出現該工作模式）B組數據、其他工作模式的各2組故障特征數據（非訓練樣本）作為測試樣本。2）多輸出BPNN模型訓練數據由每種電路工作模式下A組數據組成，測試數據由每種電路工作模式下B組數據組成。3）OVASVM算法對于與某電路工作模式對應的SVM分類器，選擇該電路工作模式下A組數據、多故障情況下（出現該工作模式）A組數據、其他工作模式的各3組故障特征數據作為訓練樣本；選擇該電路工作模式下B組數據、多故障情況下（出現該工作模式）B組數據、其他工作模式的各2組故障特征數據（非訓練樣本）作為測試樣本。4）OVOSVM算法訓練數據由每種電路工作模式下A組數據組成，測試數據由每種電路工作模式下B組數據組成。

3.4診斷結果及分析分別使用單輸出BPNN模型、多輸出BPNN模型、OVASVM算法、OVOSVM算法對所設軟故障進行診斷．。BPNN模型設置為：采用δ學習規則，各隱含層節點和輸出層節點的激勵函數均使用單極Sigmoid函數，初始權值設置為（－1，＋1）的隨機數，迭代次數為200次，學習率為0．1，學習目標為0．0001，規定輸出量僅為“0”和“1”，輸出判斷閾值取0．5，單輸出BPNN結構為10－15－1，多輸出BPNN結構為10－25－14；SVM模型設置為：SVM類型使用的是C－SVM，核函數使用的是徑向基核函數，懲罰參數c和核函數參數g的選取采用交叉驗證（crossvalidation）的方法。限于篇幅，僅給出OVOSVM算法的診斷結果，如圖5（a）、（b）所示。這里把多軟故障視為一種新的單軟故障，模型輸出”1～22”分別對應22中軟故障模式。各種診斷算法的故障診斷率如表2所示。針對DC／DC變換電路所設置的22種電路工作模式，由表2的診斷結果及每種診斷算法的特點可以得出以下結論：1）分類器數目單輸出BPNN模型需使用14個分類器模型；多輸出BPNN模型只需使用一個分類器模型；OVASVM算法需使用14個分類器模型；OVOSVM算法需使用231分類器模型（可將所有分類器封裝成一個）。2）多軟故障處理方式在單輸出BPNN模型中，將多軟故障分配到出現該工作模式的單軟故障分類器中進行診斷；在多輸出BPNN模型中，將多軟故障處理為多路輸出；在OVASVM算法中，多軟故障分配到出現該工作模式的單軟故障分類器中進行診斷；在OVOSVM算法中，將多軟故障視為一種新的單軟故障模式進行診斷。3）各診斷算法的診斷性能僅從故障診斷率衡量，單輸出BPNN模型診斷效果相對最好，OVASVM算法及OVOSVM算法診斷效果其次，多輸出BPNN模型診斷效果相對最差。4）各電路工作模式的故障診斷率在大多情況下，故障序號2、3、5的故障診斷率相對較低，常出現電解電容C1、C2故障嚴重程度定位錯誤，故障序號10、11、12、14故障診斷率相對較高。

4結論

針對電力電子電路的軟故障診斷，分析對比了兩大類4小種算法，以閉環控制的DC／DC變換電路為例，實驗結果表明在合理的選取了電路故障特征參數的基礎上，4種診斷算法均能取得很好的診斷效果，平均故障診斷率均超過了90％。通過DC／DC變換電路的診斷實例不難發現，單輸出BPNN模型適合用于故障模式相對較多、診斷率要求較高的場合；多輸出BPNN模型構建簡單，適合用于多故障模式、診斷率要求相對較低的場合；OVASVM算法與單輸出BPNN模型特點較為接近，但診斷率低于單輸出BPNN模型；OVOSVM算法適合用于故障模式較少、僅有單故障模式的場合。

作者：李猛 王友仁 單位：南京航空航天大學自動化學院測試系