级联式变频器故障诊断范文

引言目前，级联式变频器在高压、大功率应用中已经成为了一项重要的技术［1］。在钢铁、化工、石油、冶金、水处理等各行业中，级联式变频器被广泛用于驱动风机、泵类及各种大型机械，已成为当今节电、提高生产过程自动化水平、改造传统工业、推动技术进步的主要手段之一［2］。级联式变频器采用功率单元进行级联［3］，相对于传统的两电平变频器，主电路功率器件增多了，因此其故障的可能性大大增加，故障问题也越来越明显［4］。级联式变频器的功率管开路故障在变频器输出频率较低时对输出电压、电流影响很小，因而不容易被发现。若不能及时的诊断出该故障，将会形成很大的故障隐患，给安全生产带来威胁。因此，研究准确高效的级联式变频器故障诊断方法具有重要意义。对于级联式变频器故障诊断的研究目前比较少，主要以神经网络的故障诊断方法为主。其中，BP神经网络是应用最广泛和成功的神经网络之一［5］。BP算法主要是通过不断地调整网络的权值和阈值来修正网络的输出误差。但是，BP算法也存在一些缺点，比如需要足够多的训练样本、容易陷入局部极小、学习时间过长、收敛速度慢等问题［6］，从而不能够很好的诊断出级联式变频器的功率管开路故障。PSO算法［7，8］是近年来发展起来的一种新的群体智能优化算法，它主要是通过个体之间的互相协作来搜索空间中的最优解，其概念简单、参数少且易于实现。为了提高级联式变频器故障诊断的精确度，针对BP神经网络在级联式变频器功率管开路故障诊断中所存在的不足，利用改进的粒子群算法(particleswarmoptimization，PSO)来优化BP神经网络，提出了一种改进PSO－BP的级联式变频器故障诊断方法，仿真结果表明，该方法相对于传统的BP神经网络能够快速准确的诊断出故障，更好的应用到级联式变频器的故障诊断中。

1级联式变频器故障诊断原理

级联式变频器是由多个相互独立的低压功率单元串联实现高压输出。移相整流变压器采用的为多重化设计，它将网侧的高压转换为二次侧的多组低压，二次侧低压绕组均相互独立给功率单元供电，所以也没有串联均压的问题存在。功率单元是级联式变频器实现其功能的基本单元，它相当于一台交直交低压电压型变频器，结构如图1所示，相邻的功率单元的输出端成Y型连接，实现高压输出，给高压电动机供电。本文所研究的级联式变频器每相分别由五个功率单元相互串联组成，其中每个功率单元的逆变部分有四个功率器件(Q1～Q4)。由于所含的功率器件数量众多而且在运行时不停的导通和关断，因此极易发生开路故障。由于级联式变频器发生功率管开路故障时，对输出的电压、电流影响很小，不容易被发现，因此需要研究高效的级联式变频器故障诊断方法。级联式变频器每个功率器件发生故障的概率相同，而且是随机的，因此需要分析级联式变频器故障时的输出电压和电流信号，找到能够反映其故障特征的信号。本文通过对级联式变频器故障时输出的电压电流信号进行分析，发现在故障时输出的电压信号所含的信息量最大，因此将级联式变频器输出电压作为故障信号源来对级联式变频器进行故障分析。

2改进PSO－BP的级联式变频器故障诊断算法

2．1PSO算法PSO算法是通过模拟鸟群捕食行为来进行群体搜索的算法。PSO算法中的每个待优化问题的解都可以看作搜索空间中的一只鸟，称其为“粒子”。所有粒子都有一个适应度来决定它们的优劣，然后每个粒子就跟随其当前最优粒子在解空间中进行搜索。即粒子对以前速度的改变程度，当它取值较大时有利于使算法摆脱局部最优，当它取值较小时有利于算法收敛。所以，在算法的初期阶段，ω应该赋予较大的值以便于扩大粒子的搜索范围，从而提高全局搜索效率;在算法的收敛阶段，应该尽可能减小ω的取值，使其尽可能的搜索最优个体周边的范围，从而提高其准确率。

2．2PSO算法的改进思想在PSO算法中，ω大多设定为随进化而线性递减，由于惯性权重ω服从线性变化，难以在搜索范围和寻优精度之间取得较好的权衡，所以本文考虑将ω服从随机分布，如式(3)所示，易跳出局部最优值，且能有效搜索到全局最优值。学习因子c1、c2分别代表了粒子在进行速度更新时，个体最优和全局最优所占的比重大小。c1、c2的调整方式与粒子群此时位置的适应度有关，当适应度大于群体适应度的平均值时，可以通过增大c1、减小c2的方式来减小飞向全局极值的速度;反之，则减小c1、增大c2［12］。

2．3BP神经网络假设BP神经网络的输入层、隐含层、输出层神经元个数分别为n、m、q，输入层到隐含层的权值为vij，隐含层的阈值为b1，隐含层到输出层的权值为ωjk，输出层的阈值为b2，隐含层和输出层节点所用的传递函数分别。

2．4PSO－BP的级联式变频器故障诊断过程PSO－BP神经网络的算法诊断流程如图2所示，具体步骤如下:1)故障模拟及样本数据采集。首先根据级联式变频器的仿真模型模拟出功率管开路故障，获取其故障信息。然后，采用小波分解方法对级联式变频器故障状态和正常状态的输出电压信号进行分解，提取其频带能量值。将提取的特征频带能量值与输出电压歪度值一起构造故障特征向量，并对其进行归一化处理，进而作为神经网络的训练样本和测试样本。2)确定网络的结构。网络的输入层节点数n=5，根据多次实验结果隐含层节点数确定为m=7，网络的输出层节点数q=13。

3级联式变频器的故障诊断

本文以6kV级联式变频器功率管开路故障为例，在MATLAB下建立其故障仿真模型。级联式变频器每相由5个输出电压为690V的功率单元(即1号～5号功率单元)串联组成。每个功率单元的逆变部分有4个功率管，分别为Q1、Q2、Q3、Q4。以每相1号功率单元的功率管开路故障为例，级联式变频器的输出共有13种状态，规定为F1～F13，对应的故障编码分别为(1000000000000～0000000000001)。根据级联式变频器的故障特点，采集级联式变频器不同状态下每相的仿真输出电压信号，用于网络的训练和测试。仿真时的采样频率fs为2000Hz，采样点数为512个。本文总共采集了78组仿真数据，其中前65组数据用于网络的训练，后13组数据用于网络的测试。表1列举了每种状态的一组训练样本，其中A1Q1表示A相1号功率单元逆变桥的1号功率管故障，后面的依次类推;|γ|表示不同状态下输出电压的歪度值;E1，E2，E3，E4分别为四层小波分解后d1～d4细节频带所对应的频带能量值。为了验证改进的PSO－BP神经网络具有更好更快的学习能力和精度，分别用改进的PSO－BP神经网络与传统的BP神经网络对级联式变频器进行故障诊断，设定最大训练次数为2000，设定训练精度为0．0001。每一种算法运行100次，传统的BP神经网络在100次运行中有85次不能够达到设定的精度，并且陷入了局部极小值，只有15次能够达到设定的精度;而改进的PSO－BP神经网络在100次运行中都能够达到设定的精度，并且达到精度所需迭代的步数集中在20～69步之间。选取这两种算法在100次运行中的平均情况，得到样本的学习过程如图3所示。在改进的PSO－BP神经网络作用下所得到的测试数据的网络输出结果如表2所示。其中A1Q1、A1Q2、A1Q3、A1Q4、B1Q1、B1Q2、B1Q3、B1Q4、C1Q1、C1Q2、C1Q3、C1Q4分别代表这些功率管所对应的开路故障。改进的PSO－BP神经网络和传统BP神经网络在100次运行中的平均诊断结果参数对比如表3所示。由图3两种算法的对比，可以看出传统的BP神经网络收敛速度非常慢，且陷入了局部极值。改进的PSO－BP神经网络的收敛速度很快，由表3可以看出，传统的BP神经网络的均方误差很大，未达到设定精度，而只需要经过30次迭代就可以达到设定的训练误差，且均方误差为2．05353×10－5。由此可知，改进的PSO－BP神经网络不论是在学习速度还是精度方面都远远优于传统的BP神经网络。

4结论

本文针对级联式变频器的功率管开路故障，利用小波分析提取有效的故障特征向量，减少了训练网络的规模;针对BP神经网络的初始权值和阈值难以选取的缺点，结合PSO算法寻优能力和收敛能力较强的优点，采用改进的PSO算法优化BP神经网络，提高了网络的泛化能力和学习能力，加快了其收敛速度。仿真结果表明，经改进的PSO－BP神经网络相对于传统BP神经网络加快了网络的收敛速度和诊断精度，能够很好的用于级联式变频器的故障诊断。

作者：王新 孙河南 单位：河南理工大学 电气工程与自动化学院