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(fā)您的寫作靈感。歡迎深入閱讀并收藏。

隨著功率半導(dǎo)體工藝水平的進步和計算機技術(shù)的發(fā)展，促使各種高性能的電力電子產(chǎn)品不斷涌現(xiàn)，應(yīng)用領(lǐng)域涉及家用電器、電力系統(tǒng)、交通運輸、通信設(shè)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(qū)動器，對整個系統(tǒng)的可靠性有著極其重大的影響，因此在電力電子裝置中應(yīng)用故障診斷技術(shù)，有著重大的軍事和經(jīng)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(shù)值突然發(fā)生大的變化，往往會導(dǎo)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(shù)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。現(xiàn)有的電力電子電路故障診斷方法根據(jù)診斷側(cè)重點不同可分為：基于數(shù)學(xué)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(fā)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(fā)現(xiàn)并維修將要發(fā)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(fù)雜性和強干擾性，許多電力電子電路的建模過程非常復(fù)雜，基于數(shù)學(xué)模型的故障診斷方法要得到比較準確的在線參數(shù)或狀態(tài)估計是非常困難的。又因電路發(fā)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(fā)現(xiàn)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(yīng)用最為廣泛。BP神經(jīng)網(wǎng)絡(luò)（backpropagationneuralnetwork，BPNN）以其強大的自學(xué)習(xí)、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(yīng)用；支持向量機（supportvectormachine，SVM）模型具有支持向量個數(shù)少、泛化能力強、能夠產(chǎn)生較為復(fù)雜的分界面，在特征多、類別結(jié)構(gòu)復(fù)雜時仍有較高的分類精度等優(yōu)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(fēng)險性最高的元器件，針對風(fēng)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(shù)。其次介紹了BPNN算法和SVM算法。基于BPNN結(jié)構(gòu)，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(huán)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(yōu)缺點。

1關(guān)鍵元器件故障特征參數(shù)

文獻［10］對開關(guān)電源電路的故障模式影響分析作了總結(jié)，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(fēng)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(guān)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(shù)。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(shù)，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(dǎo)通電阻Rw作為功率MOSFET的故障特征參數(shù)；以電感的感值作為電感的故障特征參數(shù)；以導(dǎo)通電阻Rd作為功率二極管的故障特征參數(shù)。

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(yīng)用：BPNN法和SVM法。基于BPNN結(jié)構(gòu)，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(jīng)網(wǎng)絡(luò)，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(jié)構(gòu)可以逼近任意的非線性函數(shù)，結(jié)構(gòu)圖如圖2所示。設(shè)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(shù)：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(yīng)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(yīng)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(yīng)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(jié)構(gòu)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(zhuǎn)化為二分類問題，采用了2種常見的轉(zhuǎn)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(zhuǎn)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(xùn)練而成的。

3診斷實例與結(jié)果分析

3.1電路實例選用UC2843閉環(huán)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(xiàn)48V轉(zhuǎn)12V功能。其中功率MOSFET型號為IRF630、二極管型號為MBR1080，開關(guān)頻率為20kHz。UC2843芯片的工作電源由線性穩(wěn)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(shè)置與特征參數(shù)的選取1）故障模式設(shè)置依據(jù)電路拓撲結(jié)構(gòu)及關(guān)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(shè)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，F(xiàn)2～F14為不同的單軟故障模式，F(xiàn)15～F22為不同的多軟故障模式。2）電路故障特征參數(shù)選取設(shè)主電路中電阻的容差為5％，電容和電感的容差為10％［14］，根據(jù)電路所設(shè)軟故障模式，故障元器件參數(shù)在一定范圍之內(nèi)以均勻概率隨機取值，剩余元器件參數(shù)在容差范圍內(nèi)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(dǎo)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(wěn)定后的監(jiān)測信號中提取出電路故障特征參數(shù)。把所得的故障特征數(shù)據(jù)分成A組（30個，訓(xùn)練數(shù)據(jù)）、B組（20個、測試數(shù)據(jù)）。將所有電路工作模式下的A組數(shù)據(jù)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(shù)據(jù)，采用與A組數(shù)據(jù)相同的歸一化方法進行歸一化。

3.3訓(xùn)練樣本與測試樣本的選擇根據(jù)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(xùn)練與測試，訓(xùn)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(yīng)的BPNN分類器，選擇該電路工作模式下A組數(shù)據(jù)、多故障情況下（出現(xiàn)該工作模式）A組數(shù)據(jù)、其他工作模式的各3組故障特征數(shù)據(jù)作為訓(xùn)練樣本；選擇該電路工作模式下B組數(shù)據(jù)、多故障情況下（出現(xiàn)該工作模式）B組數(shù)據(jù)、其他工作模式的各2組故障特征數(shù)據(jù)（非訓(xùn)練樣本）作為測試樣本。2）多輸出BPNN模型訓(xùn)練數(shù)據(jù)由每種電路工作模式下A組數(shù)據(jù)組成，測試數(shù)據(jù)由每種電路工作模式下B組數(shù)據(jù)組成。3）OVASVM算法對于與某電路工作模式對應(yīng)的SVM分類器，選擇該電路工作模式下A組數(shù)據(jù)、多故障情況下（出現(xiàn)該工作模式）A組數(shù)據(jù)、其他工作模式的各3組故障特征數(shù)據(jù)作為訓(xùn)練樣本；選擇該電路工作模式下B組數(shù)據(jù)、多故障情況下（出現(xiàn)該工作模式）B組數(shù)據(jù)、其他工作模式的各2組故障特征數(shù)據(jù)（非訓(xùn)練樣本）作為測試樣本。4）OVOSVM算法訓(xùn)練數(shù)據(jù)由每種電路工作模式下A組數(shù)據(jù)組成，測試數(shù)據(jù)由每種電路工作模式下B組數(shù)據(jù)組成。

3.4診斷結(jié)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(shè)軟故障進行診斷．。BPNN模型設(shè)置為：采用δ學(xué)習(xí)規(guī)則，各隱含層節(jié)點和輸出層節(jié)點的激勵函數(shù)均使用單極Sigmoid函數(shù)，初始權(quán)值設(shè)置為（－1，＋1）的隨機數(shù)，迭代次數(shù)為200次，學(xué)習(xí)率為0．1，學(xué)習(xí)目標為0．0001，規(guī)定輸出量僅為“0”和“1”，輸出判斷閾值取0．5，單輸出BPNN結(jié)構(gòu)為10－15－1，多輸出BPNN結(jié)構(gòu)為10－25－14；SVM模型設(shè)置為：SVM類型使用的是C－SVM，核函數(shù)使用的是徑向基核函數(shù)，懲罰參數(shù)c和核函數(shù)參數(shù)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(jié)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(yīng)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(shè)置的22種電路工作模式，由表2的診斷結(jié)果及每種診斷算法的特點可以得出以下結(jié)論：1）分類器數(shù)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(xiàn)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(xiàn)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(xiàn)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(jié)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(huán)控制的DC／DC變換電路為例，實驗結(jié)果表明在合理的選取了電路故障特征參數(shù)的基礎(chǔ)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(fā)現(xiàn)，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(gòu)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(xué)自動化學(xué)院測試系