电力电子电路软故障诊断对比范文

本站小编为你精心准备了电力电子电路软故障诊断对比参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

随着功率半导体工艺水平的进步和计算机技术的发展，促使各种高性能的电力电子产品不断涌现，应用领域涉及家用电器、电力系统、交通运输、通信设备、航空航天等各个部门。电力电子装置通常作为电源或电机驱动器，对整个系统的可靠性有着极其重大的影响，因此在电力电子装置中应用故障诊断技术，有着重大的军事和经济意义。电力电子电路故障从严重程度上划分，可分为硬故障和软故障。硬故障是指故障元器件的参数值突然发生大的变化，往往会导致电路功能的完全丧失，主要包括开路和短路情况；而软故障是指元器件的参数值偏移到了该元器件容差范围之外，此时元器件的功能通常并没有完全丧失，而仅仅引起功能的变化。现有的电力电子电路故障诊断方法根据诊断侧重点不同可分为：基于数学模型的方法、基于信号处理的方法和基于知识的方法。这些故障诊断方法往往是在故障发生后进行诊断，主要针对硬故障。但为了方便工作人员事先发现并维修将要发生故障的器件，提前避免更大的损失，研究电力电子电路的早期软故障诊断意义更大。为此，开展了电力电子电路软故障诊断的研究。由于电力电子电路具有非线性、复杂性和强干扰性，许多电力电子电路的建模过程非常复杂，基于数学模型的故障诊断方法要得到比较准确的在线参数或状态估计是非常困难的。又因电路发生软故障时故障特征往往变化很微弱，通过对可测信号进行直接分析，很难发现有效的故障信息，基于信号处理的故障诊断方法难以准确的检测出故障。

因此，针对电力电子电路的软故障诊断，基于知识的诊断方法应用最为广泛。BP神经网络（backpropagationneuralnetwork，BPNN）以其强大的自学习、自组织、并行处理能力和良好的容错能力，避免了冗余实时建模的需求，已成为基于知识的故障诊断方法中的典型应用；支持向量机（supportvectormachine，SVM）模型具有支持向量个数少、泛化能力强、能够产生较为复杂的分界面，在特征多、类别结构复杂时仍有较高的分类精度等优点，亦成为基于知识的诊断算法中的研究热点。首先通过故障模式影响分析，得出电力电子电路中风险性最高的元器件，针对风险性最高的电解电容、功率MOSFET、电感与二极管，给出能够表征各元器件故障严重程度的特征参数。其次介绍了BPNN算法和SVM算法。基于BPNN结构，采用了单输出BPNN模型和多输出BPNN模型；基于SVM模型，采用了OVA（one－vs－all）算法和OVO（one－vs－one）算法。最后以闭环控制的DC／DC变换电路的软故障诊断为例，对比分析各种诊断算法的优缺点。

1关键元器件故障特征参数

文献［10］对开关电源电路的故障模式影响分析作了总结，得出电路中的电解电容、功率MOSFET、二极管、电感以及集成电路芯片风险性最高。文献［11］给出了典型工作温度时（25℃）电力电子电路中关键元器件的失效率分布，如图1所示。因此，本文主要给出了电解电容、功率MOSFET、电感、二极管的故障特征参数。通过对各元器件失效机理、模式及影响分析，可以电解电容的容值和等效阻抗作为电解电容的故障特征参数，且由电解电容datasheet知，电容容值和等效阻抗的乘积为一定值；以导通电阻Rw作为功率MOSFET的故障特征参数；以电感的感值作为电感的故障特征参数；以导通电阻Rd作为功率二极管的故障特征参数。

2电力电子电路软故障的诊断方法

针对电力电子电路的软故障诊断，本文分析了基于知识故障诊断方法中的2种典型应用：BPNN法和SVM法。基于BPNN结构，采用了单输出BPNN模型及多输出BPNN模型；基于SVM模型，采用了OVA算法及OVO算法。

2.1BPNN法BPNN属于多层前馈神经网络，主要特点是信号前向传递，误差反向传播。研究表明，三层BPNN结构可以逼近任意的非线性函数，结构图如图2所示。设计了2种BPNN模型：单输出BPNN模型和多输出BPNN模型，其主要差别在于输出参量个数：单输出BPNN模型仅仅输出1个参量，只能诊断单个故障模式，则每种电路工作模式分别对应一个故障分类器；多输出BPNN模型同时输出多个参量，每个参量对应一种单故障或电路正常工作模式，则所有电路工作模式只对应一个分类器。

2.2SVM法SVM分类的主要思想是建立一个超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化。在进行线性分类时，将分类面取在离两类样本距离较大的地方；进行非线性分类时，通过高维空间变换，将非线性分类变成高维空间的线性分类问题，其基本结构如图3所示。由于SVM本身是一个两类分类问题，在处理多分类问题时，常常被转化为二分类问题，采用了2种常见的转换方法，即OVA算法和OVO算法。一对多算法（OVA）：将一个C类分类问题转化为C个二分类问题，其中第i个分类器是通过将属于第i类样本点视为正类，其余所有的样本点视为负类训练而成的。

3诊断实例与结果分析

3.1电路实例选用UC2843闭环控制的DC／DC变换电路作为诊断实例，如图4所示。该电路分为主电路和控制电路两部分，实现48V转12V功能。其中功率MOSFET型号为IRF630、二极管型号为MBR1080，开关频率为20kHz。UC2843芯片的工作电源由线性稳压器LM317提供。电路的输入直流电压为48V，负载电阻RL为2．4Ω。

3.2故障模式设置与特征参数的选取1）故障模式设置依据电路拓扑结构及关键元器件失效模式影响分析，针对DC／DC变换电路的主电路，设置22种电路工作模式，记为F1～F22，如表1所示。其中F1为电路正常工作模式，F2～F14为不同的单软故障模式，F15～F22为不同的多软故障模式。2）电路故障特征参数选取设主电路中电阻的容差为5％，电容和电感的容差为10％［14］，根据电路所设软故障模式，故障元器件参数在一定范围之内以均匀概率随机取值，剩余元器件参数在容差范围内随机均匀取值。以输入电流ii、测点Vout电压信号的峰值、峰－峰值，测点Vdmos、VL2电压信号在功率MOSFET断开期间的峰值、峰－峰值，功率MOSFET导通期间的峰－值的组合共十维矢量作为电路的故障特征向量。通过电路仿真软件Saber对每种电路工作模式进行50次蒙特卡洛分析，从稳定后的监测信号中提取出电路故障特征参数。把所得的故障特征数据分成A组（30个，训练数据）、B组（20个、测试数据）。将所有电路工作模式下的A组数据组合到一起，并采用最大最小值法归一化到0～1。对于B组数据，采用与A组数据相同的归一化方法进行归一化。

3.3训练样本与测试样本的选择根据每种分类器的特点，保证各电路工作模式下的样本都能在分类器中得到训练与测试，训练样本与测试样本的选择因分类器不同而不同。1）单输出BPNN模型对于与某电路工作模式对应的BPNN分类器，选择该电路工作模式下A组数据、多故障情况下（出现该工作模式）A组数据、其他工作模式的各3组故障特征数据作为训练样本；选择该电路工作模式下B组数据、多故障情况下（出现该工作模式）B组数据、其他工作模式的各2组故障特征数据（非训练样本）作为测试样本。2）多输出BPNN模型训练数据由每种电路工作模式下A组数据组成，测试数据由每种电路工作模式下B组数据组成。3）OVASVM算法对于与某电路工作模式对应的SVM分类器，选择该电路工作模式下A组数据、多故障情况下（出现该工作模式）A组数据、其他工作模式的各3组故障特征数据作为训练样本；选择该电路工作模式下B组数据、多故障情况下（出现该工作模式）B组数据、其他工作模式的各2组故障特征数据（非训练样本）作为测试样本。4）OVOSVM算法训练数据由每种电路工作模式下A组数据组成，测试数据由每种电路工作模式下B组数据组成。

3.4诊断结果及分析分别使用单输出BPNN模型、多输出BPNN模型、OVASVM算法、OVOSVM算法对所设软故障进行诊断．。BPNN模型设置为：采用δ学习规则，各隐含层节点和输出层节点的激励函数均使用单极Sigmoid函数，初始权值设置为（－1，＋1）的随机数，迭代次数为200次，学习率为0．1，学习目标为0．0001，规定输出量仅为“0”和“1”，输出判断阈值取0．5，单输出BPNN结构为10－15－1，多输出BPNN结构为10－25－14；SVM模型设置为：SVM类型使用的是C－SVM，核函数使用的是径向基核函数，惩罚参数c和核函数参数g的选取采用交叉验证（crossvalidation）的方法。限于篇幅，仅给出OVOSVM算法的诊断结果，如图5（a）、（b）所示。这里把多软故障视为一种新的单软故障，模型输出”1～22”分别对应22中软故障模式。各种诊断算法的故障诊断率如表2所示。针对DC／DC变换电路所设置的22种电路工作模式，由表2的诊断结果及每种诊断算法的特点可以得出以下结论：1）分类器数目单输出BPNN模型需使用14个分类器模型；多输出BPNN模型只需使用一个分类器模型；OVASVM算法需使用14个分类器模型；OVOSVM算法需使用231分类器模型（可将所有分类器封装成一个）。2）多软故障处理方式在单输出BPNN模型中，将多软故障分配到出现该工作模式的单软故障分类器中进行诊断；在多输出BPNN模型中，将多软故障处理为多路输出；在OVASVM算法中，多软故障分配到出现该工作模式的单软故障分类器中进行诊断；在OVOSVM算法中，将多软故障视为一种新的单软故障模式进行诊断。3）各诊断算法的诊断性能仅从故障诊断率衡量，单输出BPNN模型诊断效果相对最好，OVASVM算法及OVOSVM算法诊断效果其次，多输出BPNN模型诊断效果相对最差。4）各电路工作模式的故障诊断率在大多情况下，故障序号2、3、5的故障诊断率相对较低，常出现电解电容C1、C2故障严重程度定位错误，故障序号10、11、12、14故障诊断率相对较高。

4结论

针对电力电子电路的软故障诊断，分析对比了两大类4小种算法，以闭环控制的DC／DC变换电路为例，实验结果表明在合理的选取了电路故障特征参数的基础上，4种诊断算法均能取得很好的诊断效果，平均故障诊断率均超过了90％。通过DC／DC变换电路的诊断实例不难发现，单输出BPNN模型适合用于故障模式相对较多、诊断率要求较高的场合；多输出BPNN模型构建简单，适合用于多故障模式、诊断率要求相对较低的场合；OVASVM算法与单输出BPNN模型特点较为接近，但诊断率低于单输出BPNN模型；OVOSVM算法适合用于故障模式较少、仅有单故障模式的场合。

作者：李猛 王友仁 单位：南京航空航天大学自动化学院测试系