基于BP神经网络的整流电路的故障诊断

摘 要：新型电力电子产品的不断呈现以及对系统各类品质要求的日益增加，使得电力电子电路的在线故障诊断必然成为一个急需解决的问题。针对这一问题，采用Matlab仿真软件建立仿真模型，获取输出电压ud，并用傅里叶分析法提取出直流分量、基波幅值、二次谐波以及三次谐波幅值。将其归一化后输入到BP网络中，获取具有编码特征的6个数字，从而确定故障部位及故障点。应用上述方法，以三相桥式整流电路为例进行了仿真实验，其测试误差可达到10-4。通过实验验证表明：该方法与其他诊断方法相比具有诊断率高、可靠性强、适用范围广等优点。

关键词：电力电子电路；故障诊断；神经网络

DOI：10.15938/j.jhust.2018.02.007

中图分类号： TP183；TN707

文献标志码： A

文章编号： 1007-2683（2018）02-0035-05

Abstract：Due to the new power electronic products improving and many qualities are growing， making the online fault diagnosis of power electronic circuit becomes more important. In this paper， simulation model is established by using MATLAB to obtain output voltage. Then we use the Fourier analysis method to extract the DC component， the amplitude， the second harmonic and harmonic amplitude three times. After these values are normalized， we set them into the BP network to receive six numbers in order to determine fault location and fault point. Taking three phase bridge rectifier circuit as an example with this m¿ethod， the test error value is less than 10-4.The experiment result shows that this method has merit of higher diagnostic rate，higher reliability and widely application.

Keywords：power electronic circuit； fault diagnosis； the neural network

0 前 言

随着电力电子技术的迅速发展，电力电子电路的故障诊断方法也应运而生。以前采用传统的故障诊断方法，一是等设备坏了再进行维修，二是定期检修设备。由于这两种方法在一定程度上均会造成经济损失，甚至有人身伤亡的出现。故必然会有新的诊断方法出现[1-3]。而其中，小波变换[4]具有良好的时域局部性，由于噪声的存在使得误报率过高；而用支持向量机[5-6]的故障诊断方法仅在小样本的情况下具有很好的适用性，当样本过多时正确率有所下降；ARMA谱分析法[7-9]具有高诊断率、高可靠性的优点ร，但大多数的分析方法的讨论与应用还集中于时域中。

本文利用神经网络将电力电子电路的故障信息进行处理分类，以达到能快速准确的发现故障并进行处理。依据神经网络原理，研究了基于神经网络的电力电子电路故障的提取方法，将这种方法应用于三相整流电路的断路故障诊断中。这种方法简单、直观，诊断准确率较高。此外，该方法具有很好的适用性，可以用于其他的电力电子电路的故障诊断中。

1 整流电路的故障模式及分析

1.1 故障模式

现以三相桥式电路为例进行故障诊断分析。在任意时刻，都有两只晶闸管同时导通，构成电流回路。其中每隔π/3换相一次，而换相过程总是在共阴极和共阳极组间轮流进行，晶闸管的导通顺序是VT1-VT2-VT3-VT4-VT5-VT6。整流桥输出端电压ud是一个非常重要的测试点，可以反映电路的工作情况。此外，电流电压测试比较容易。因此，本文将ud作为主要的分析处理对象。

电力电子电路的实际运行表明：大多数故障表现为晶闸管损坏，其中以晶闸管的开路和短路最为常见。分析前先假设：

1）以晶闸管开路故障为例分析，包括晶闸管开路，串接熔断器熔断、触发脉冲丢失等故障，以下简称晶闸管故障；

2）最多同时有二个晶闸管发生故障，也可能一路晶闸管故障或正常运行[10-11]。

依此可分为5大类，22小类。具体分类情况如下：

经分析可知：晶闸管的故障类型的分类有5大类，每个大类别中最多包含6个小类型。故用六位编码的方式就可以包含全部的故障类型[12-13]。其中，前三位数字的编码用来表示故障的大类别，后三位数字用来表示大类别中的小类型。故输出位的6位数字0和1，每3位一组，按照二进制数的规则代表1～5大类，1～6小类，如010001为第2大类中的第1小类。

1.2 故障分析

对图1的三相桥式可控整流电路进行仿真，仿真图如图2。通过仿真，得到了部分故障电压ud（α=0o，阻感性载）的波形。

图3所示为典型的5种故障，其特征是：当触发角α相同时，同一故障集中的不同故障只是ud波形在时间轴上的平移。不过，当触发角α变化时，波形形状也会相应变化。 对ud信号的各次谐波进行分析可知，ud信号的前三次谐波基本包含了能进行故障识别的各种信息。选用ud的直流分量（α0），基波幅值（A1），二次谐波幅值（A2），三次谐波幅值（A3）作为特征信号，输入到神经网络输入层。为减少数据的计算量，一般将特征信号数据进行归一化处理，即样本数据采用标幺值。

选取哪些学习样本来训练神经网络，将直接影响故障诊断能力和网络的泛化能力。故数据选取的要合理，太少诊断正确率不高，而太多可能导致不收敛。

2 基于BP神经网络的故障诊断

2.1 故障诊断

BP神经网络是一种按误差反方向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一[14-15]。BP网络能学习和保存大量的输入-输出模式的映射关系，而无需事前揭示描述这种映射关系的数学方程[16-18]。

BP神经网络与其他神经网络最大的区别在于含有隐含层。而有多个隐含层的网j来说，其激活函数功能是具有二次性质的组合函数[19-20]。由于这种模型很平稳，故比线性划分更精确，鲁棒性也更好。再者由于激活函数是连续可微的，可用梯度法进行严格计算其重量修正分析公式，并用反向传播方法进行校验[21-22]。

在进行神经网络训练之前，需要确定神经网络结构。在这里，选用了BP神经网络结构，层数为3层。其中故障类型编码位数决定了输出层节点✌数，即输出节点数为6，而隐层节点数没有固定的规律可循，只能通过不断尝试进行修正。在选取隐层节点为15时较为理想。这里选用α=0°和α=30°时的全部故障类型作为训练样本，如表1，其中用前36组数据进行训练，用后8组数据进行测试，训练误差图如图4。

2.2故障验证

在故障验证阶段，首先选取表1中最后8组的数据作为输入，进行实验验证，其选取数据如表2所示。

然后，将表2中的8组数据送入训练好的神经网络中，经过神经网络得到实际输出结果如表3。

最后，将表3的实际输出结果与表1中后8组的6位期望输出进行比对，可得到其真实的输出结果与期望输出结果基本吻合。

3 结 语

本文提出了用神经网络方法对电力电子电路进行故障诊断，与其他诊断方法相比具有诊断率高、可靠性强、适用范围广等优点。此外，实验结果表明：该诊断方法是有效的。可推广到逆变等电力电子电路中。

参 考 文 献：

[1]刘庆珍.基于粗糙集理论和人工神经网络的电力电子电路故障诊断的研究[D].福州：福州大学，2004：6-46.

[2]胡志忠，盛艳燕.电力电子电路故障诊断与预测技术研究[D].南京：南京航空航天大学，2014：19-40.

[3]SOMAN R R， DAVIDSON E M， MCARTHUR S D J， et al. Model-based Methodology Using Modified Sneak Circuit Analysis for Power Electronic Converter Fault Diagnosis[J].Power Electronics，IET，2012，5（6）：813-826.

[4]胡双俊，关起强，严桂.基于小波变换和支持向量机的电力电子故障诊断[J].煤矿机械，2008，29（4）：204-206.

[5]朱斌，胡双俊.基于支持向量机（SVM）的电力电子故障诊断[J].控制工程，2009，16（S1）：206-208.

[6]MATHEW S， ALAM M， PECHT M. Idetification of Failure Mechanisms to enhance Prognostic Outcomes[J]. Journal of Failure Analysis and Prevention，2012，12（1）：66-73.

[7]蔡金锭，鄢仁武.ARMA双✘谱分析与离散隐马尔可夫模型在电力电子电路故障诊断中的应用[J].中国电机工程学报，2010，30（24）：54-60.

[8]ANIL K J， ROBERT P W D， MAO Jianchang.Statistical Pattern Recognition； a Review[J]. IEEE Transactions on Pattern Analysis and Machine Intellience， 2000， 22（1）： 4-37.

[9]EUGEN Iancu.Analytical Methods for Fault Detection in Power Plants[J].IFAC Proceedings Volumes，2007，40（8）：251-256.

[10]徐德洪，程肇基，崔学军.用傅里叶分析法诊断电力电子电路的故障[J].浙江大学学报（自然科学版），1994.11（2）：5-8.

[11]CECILIO Angulo， XAVIER Parra， ANDREU Catala. K-SVCR A Support Vector Machine Formulti-class Classification[J]. Neuro Computing，2003，55（1/2）：57-77.

[12]蔡金锭，涂娟，王少芳.电力电子电路故障的遗传进化神经网络诊断[J].高压电技术.2004，30（9）：3-5.

[13]WIDODO A， YANG B， HAN T.Combination of Independent Component Analysis and Support Vector Machines for Intelligent Faults Diagnosis of Induction Motors[J]. Expert Systems with Applications.2007，32（2）： 299-312.

[14]蔡金锭，马西奎，黄东泉.电力电子故障诊断的一种新方法[J].通信学报.2001，22（9）：43-49.

[15]李猛，王友仁.电力电子电路软故障诊断方法对比分析[J].电子测量技术，2015，38（7）：110-114.

[16]VEKIC M S，GRABIC S U，MAJSTOROVIC DP，et al.Ultralow Latency HILplatform for Rapid Development of Complex Power Electronics Systems[J].IEE trans on Power Electronics，2012，27（11）：4436-4444.

[17]李宁，李颖晖，朱喜华.新型容错逆变器的混杂系统建模与故障诊断[J].电机与控制学报，2012，16（9）：53-58.

[18]吴t，王友仁，姜媛媛.基于特征参数退化的DC/DC变换器故障预测[J].仪器仪表学报，2013，34（6）：1380-1387.

[19]王占霞，张晓波.基于SOM网的风电变流器故障诊断[J].电网与清洁能源，2011，27（4）：35-38.

[20]李宁，李颖晖，朱喜华.混杂系统理论及其在三相逆变电路开路故障诊断中的应用[J].电工技术学报，2014，26（9）：114-119.

[21]JIANG W，FAHIMI B.Multiport Power Electronic Inter-face-concept Modling and Design[J].IEE Trans on Power Electronics，2011，26（7）：1890-1900.

[22]姜建国，乔树通，郜登科.电力电子装置在电力系统中的应用[J].电力系统自动化，2014，38（3）：2-6.