基于深度自编码器网络的逆变器开关管开路故障诊断

宋保业,鲁 朋,许 琳

(山东科技大学 电气与自动化工程学院,山东 青岛 266590)

由于变频调速系统的优越性能,永磁同步电机、无刷直流电机等开始在电力拖动系统中广泛应用。研究显示,在所有变频电机的故障中,有近40%的故障来源于变频逆变器的功率半导体开关器件损坏及其电路故障[1-2]。由于元器件老化、过载和不当触发等原因,功率开关器件极易发生短路故障或开路故障[3]。短路故障主要是由过电压、过热和错误的触发信号等引起的,一旦发生将在极短的时间内产生异常的过电流,对功率变换器造成损坏。因此,短路故障一般由标准的保护电路立即进行检测和隔离,如熔断器、断路器等[4]。开路故障主要是由触发信号丢失,热、机械疲劳等导致的断线或开关管爆裂引起的,一般不会使驱动系统立即失效。但开路故障导致的系统电流不平衡,会显著降低驱动系统的性能,如电流畸变、转矩振荡等,若不及时诊断并排除故障将引发其他系统元器件故障[5]。因此,研究逆变器功率开关管的开路故障诊断,具有重要的工程实际意义和价值。

功率开关的故障诊断方法可分为基于模型的方法、基于信号的方法和基于知识的方法等[6-7]。基于模型的方法以观测器/滤波器方法为主[8],例如,Shao等[9]设计了用于多电平逆变器功率管开路故障诊断的滑模观测器,采用桥臂电流和电容电压的理论值和实际输出构造残差,实现功率管开路故障的检测和分离;Jlassi等[10]采用龙贝格观测器估计逆变器的相电流,并与测量值比较产生残差,用于诊断逆变器功率管的开路故障;Naseri等[11]提出基于Kalman滤波器的逆变器输出电流估计方法,将平均的归一化残差信号用于开关管的开路故障检测,具有故障检测的快速性和鲁棒性的特点。开关管的开路故障会导致电流和电压测量信号的畸变,因此可以利用电流或电压信号处理方法进行故障检测[12-13]。基于电流信号的方法不需要额外的硬件,但为保证检测结果的准确性需要的时间较长。基于电压信号的方法需要额外增加电压传感器,但具有较好的故障诊断速度、精度和对负载波动、信号噪声等的鲁棒性。基于知识的方法不依赖于系统模型、负载条件和信号模式,但需要大量的历史数据,所以也称为数据驱动的方法,受到国内外学者的广泛关注和深入研究[6-7,14]。数据驱动方法的信号获取、特征提取和故障分类等主要步骤中,信号特征提取是最关键的,决定了故障诊断的成功率和效率,因此成为故障诊断领域的研究热点[15]。例如,Gomathy等[16]采用离散小波变换和主元分析提取三相逆变器的故障信号特征,然后基于相关向量机和布谷鸟搜索算法建立故障诊断模型;Wang等[17]采用主元分析方法提取H桥多电平逆变器的开路故障特征,然后基于多分类相关向量机实现故障分类;Shafiullah等[18]采用三相电流信号的S变换得到S矩阵,并将提取的故障特征输入前馈神经网络中进行故障识别;Ye等[19]采用小波包变换提取故障特征,并采用长短时记忆(long short-term memory,LSTM)网络检测嵌套式中点可控型五电平变换器的开路和短路故障;Cai等[20]首先采用快速傅里叶变换(fast Fourier transform,FFT)提取三相逆变器开路故障电压信号的特征,然后利用主元分析方法降低样本的维数,最后通过贝叶斯网络检测和诊断故障。但是,上述故障特征提取过程需要人工参与,且大都针对具体的故障诊断问题,不具有应用对象和场合的通用性。

针对上述故障特征提取方法存在的缺陷,近年来基于深度神经网络的方法开始在故障诊断领域广泛应用[21-22]。崔江等[23]采用堆栈自编码器提取故障电流信号的特征,并使用支持向量机(support vector machine,SVM)进行故障分类;Chen等[24]研究了机械传动系统齿轮箱的故障诊断问题,将原始振动信号直接输入到具有一个卷积层和两个全连接层的卷积神经网络(convolutional neural network, CNN)。Kiranyaz等[25]提出一种一维卷积神经网络用于模块化多电平逆变器的故障诊断,具有较高的故障诊断准确率;Wen等[26]提出采用LeNet-5卷积神经网络诊断电机系统轴承故障,提高了系统的故障诊断准确率。以上方法尽管提升了故障诊断性能,但需要大量数据用于特征学习和故障分类,既加重了存储和计算负担,也容易引起梯度爆炸等不稳定问题。

针对以上方法的不足,本研究提出一种新的深度自编码器网络设计方法,用于逆变器开关管的开路故障诊断。首先,对逆变器开关管的开路故障进行建模、分析和编码,并基于仿真平台采集不同开路故障的信号数据;然后,提出一种自编码器网络的规则化设计方法,避免人工进行网络结构设计的繁冗过程;最后,基于设计的自编码器网络和采集的实验数据,进行开关管开路故障诊断实验,并与4种常用方法进行对比。实验结果表明,分别基于电压和电流两种不同类型的故障信号数据,本研究提出的方法均能够有效利用有限的数据自动学习开关管的开路故障特征,实现端到端的智能故障诊断并得到较高的故障识别准确率,验证了本方法的有效性和优越性。

2 逆变器开关管开路故障模型

2.1 逆变器控制系统模型

考虑如图1所示的永磁同步电机-逆变器控制系统,其主电路拓扑主要由6个金属氧化物半导体场效晶体管(metal-oxide-semiconductor field-effect transistor,MOSFET)T1～T6,和与之相对应的反并联续流二极管D1～D6构成。定义开关量S1～S6表示6个功率开关管的开关状态。当S1、S3或S5为1时,逆变器电路的上桥臂开关管导通,下桥臂开关管切断(此时S2、S4、S6为0),此状态记为Sa(Sb、Sc)=1;反之,当S2、S4或S6为1时,则逆变器电路的下桥臂开关管导通,而上桥臂开关管关断(此时S1、S3、S5为0),此状态记为Sa(Sb、Sc)=0。

2.2 开关管开路故障分析

在图1的逆变器主电路中,假设发生开路故障的开关管最多为2个,则全部的开关管开路故障可以分为5大类共22种情况,主要包括1种正常状态(可看作一种特殊的故障),6种单管故障,3种同相桥臂双管故障,6种相邻相桥臂同侧双管故障和6种相邻相桥臂异侧双管故障,如表1所示。

以开关管T1发生开路故障为例,此时的主电路拓扑如图2所示。定义相电流流入电机定子的方向为参考正方向,于是a相电流的流通路径如图3所示。当ia<0时,a相电流的主要通路经过T2,续流通路经过D1。由于T2和D1均可以正常导通或续流,所以此时a相电流的负半周期不受开关管T1发生开路故障的影响。当ia>0时,a相电流的主要通路经过T1,续流通路经过D2。尽管D2可以正常续流,但由于开关管T1发生开路故障不能导通,所以a相电流不能正向增大,在正半周期基本为零。

图2 T1发生开路故障的主电路

图3 T1发生开路故障的电流通路

图4为开关管T1发生开路故障时,逆变器的三相电流和端电压信号的归一化示例。为了能清晰表示,三相电流和端电压波形都只截取了一部分,开路故障发生在图中的第100个采样点时刻(下同)。对于表1中的其他故障情况,可进行类似分析,在此不再赘述。可以看出,当故障发生后,逆变器的电流和电压信号均发生畸变,而这些畸变的电流、电压信号蕴含着对应故障的特征信息,可以通过机器学习算法进行故障特征的学习、提取,进而实现开关管的开路故障诊断。

图4 T1发生开路故障的电流和电压

2.3 故障信号采集与编码

本研究故障诊断实验采用的开关管开路故障信号来源于MATLAB/Simulink的电机运动控制仿真平台,仿真时将触发信号置零来模拟逆变器开关管的开路故障。通过仿真平台采集电机驱动器开关管发生开路故障时的电流和电压信号,并分别选用三相电流和端电压进行故障诊断,具体故障类型与编码如表2所示。

表2 故障类型与故障编码

3 基于自编码器网络的开关管开路故障诊断

3.1 自编码器网络

自编码器(autoencoder,AE)是一个对称的三层神经网络,可通过无监督学习从原始数据信号中提取特征信息[27]。如图5所示,自编码器包括编码和解码两个步骤[28]。

图5 自编码器结构

hi=f(xi)=Sigmoid(W1xi+b1)。

(1)

(2)

(3)

这样,隐含层向量hi则包含从无标签数据中提取到的特征信息。实际上,式(3)就是要使得重构误差的代价函数最小化,通常可将重构误差的代价函数定义为:

(4)

式中:M为训练数据集的样本数量;λ为调节前后两项相对权重的系数,用于防止出现过拟合现象;nl为自编码器的层数;sl表示第l层的神经元数量。为获得更好的性能,通常将稀疏性约束条件加入到式(4)的代价函数中,实现特征表示的稀疏化。考虑到稀疏惩罚项,将稀疏自编码器(sparse autoencoder,SAE)的重构误差代价函数重新定义为:

(5)

(6)

(7)

堆栈稀疏自编码器(stacked sparse autoencoder,SSAE)网络是由多个稀疏自编码器堆叠而成的深层神经网络,能够采用逐层训练的方式实现无监督学习,是常用的深度学习网络之一。SSAE通过与Softmax、SVM等分类算法相结合,可用于解决模式分类问题。如图6所示,在SSAE网络中,首先利用输入的样本数据对网络的第一个SAE进行预训练,得到权重矩阵W11、W21和偏置向量b11、b21,保存W11和b11;然后将第一个SAE的隐含层输出向量h1作为第二个SAE的输入,对第二个SAE进行预训练,得到权重矩阵W12、W22和偏置向量b12、b22,保存W12和b12;依次对网络的所有SAE进行训练直到最后一层。最终,在给定期望的数据标签之后,通过反向传播(back propagation,BP)算法对整个深度学习网络参数进行微调,其代价函数可以表示为:

(8)

图6 堆栈稀疏自编码器网络结构

3.2 堆栈稀疏自编码器网络的设计

堆栈稀疏自编码器网络是深度神经网络的实现方式之一,其网络结构目前主要通过经验确定,尚无规范的设计方法。为此,本研究提出一种规范的自编码器网络设计方法。首先,基于输入数据维数采用二进制递减方法设计各隐含层的神经元数量;然后,根据输出分类的类别数选择特征输出隐含层的位置,从而确定自编码器网络的拓扑结构,其原理如图7所示。

图7 自编码器网络拓扑设计方法

具体地,自编码器的隐含层神经元数量通常小于输入层神经元数量,输入信号的特征可以通过压缩后的隐含层输出来表示。假设输入层神经元数量为N,则将第一个隐含层的神经元数量设计为2n,其中n为满足2n≤N的最大正整数,如N=100,则可将n设计为6。然后,在第二个隐含层的神经元数量设计为2n-1,第三个隐含层的神经元数量设计为2n-2,即当前隐含层的神经元数量是上一层的一半,以此类推。这样,最后一个隐含层的神经元数量为20=1,则整个堆栈稀疏自编码网络的最大层数为n+1。

然后,将隐含层的输出送入一个选择器,并将提取的隐含层特征送入分类器进行特征分类。其中,进入分类器的隐含层特征值数量一般应大于分类器的输出类别。于是,假设分类器的输出类别数量为M,进入分类器的是第m个隐含层的输出特征,则可将m设计为满足2n-m+1≥M的最大正整数。综上,上述自编码器网络拓扑的设计方法可总结为算法1。

算法 1 自编码器网络拓扑设计算法 1) 初始化:设定输入层神经元数量 N 和分类器输出类别数量 M; 2) 选择满足 2 n ≤ N 的最大正整数 n,并将第一个隐含层神经元数量设计为 2 n ; 3) 选择满足 2 n-m+1 ≥ M 的最大正整数 m,并将第 m 个隐含层神经元数量设计为 2 n-m+1 ; 4) 从第二个隐含层开始,将隐含层神经元数量设计为上一个隐含层神经元数量的一半,直到第 m 个隐含层; 5) 输出自编码器网络拓扑。

以上自编码器网络采用Softmax(归一化指数函数)分类器。Softmax分类器是Logistic回归在多分类问题上的推广,目前被广泛用于机器学习算法中,同时还用于在深度神经网络的训练过程中对整个网络进行微调,其定义为:

(9)

式中:θ1,θ2,…,θK为模型参数;K为模型输出的类别数。式(9)表示对输入数据xi,先通过指数运算将其变为正数,然后进行归一化,从而得到将xi分类成第j类数据的概率。实际上,Softmax分类器常用于神经网络的最后一层进行多类别分类,其结构如图8所示,图中K=3。

图8 Softmax分类器结构

3.3 实验结果

本节通过仿真实验,验证上述堆栈稀疏自编码器网络在逆变器开关管开路故障诊断中的有效性和优越性。实验数据来自上述电机运动控制仿真平台,数据处理采用MATLAB/Simulink仿真平台。实验中采用三相电压或三相电流中的a相信号作为自编码网络的输入信号。在采样开始后以10 kHz的采样频率采集3 s内的实验数据,则每种故障情况总共可以获得30 000个采样数据。

实验中,通过将驱动信号置零模拟开关管的开路故障,并设定开路故障发生在采样开始后的0.2 s。同一类故障的每一个样本由2 400个连续采样点组成。为增加样本数量,采用重叠采样的方式制作数据集,数据采集的滑动步长为10,如图9所示。实验中的数据集包括训练样本数1 600×22=35 200个,测试样本数600×22=13 200个。实验中的自编码网络共设有7个隐含层,第一个和最后一个隐含层分别有2 048和32个神经元。

图9 数据采样示意图

为对比分析,除采用设计的自编码器网络进行故障诊断实验外,分别采用4种常用的故障诊断方法,即BP网络、FFT+BP网络、PCA+BP网络、WPT+BP网络进行故障诊断实验。其中,BP网络方法直接将原始信号输入BP网络进行分类;FFT+BP网络方法先采用FFT算法对原始信号进行特征提取,然后输入BP网络进行分类;PCA+BP网络方法先采用PCA对原始信号进行降维,然后输入BP网络进行分类;WPT+BP网络方法先采用小波包变换对原始信号进行特征提取,然后输入BP网络进行分类。为方便比较,除BP网络方法外,其他方法都将从原始信号中提取的32维特征数据输入BP网络。BP网络的其他参数分别为:隐含层神经元个数100,输出层神经元个数22,学习率0.02,惯性因子0.01,激活函数为Sigmoid,损失函数为均方误差。以上网络均采用表2的数据标签进行训练。

图10～14为采用电流信号作为输入信号的故障分类结果,图15～19为采用电压信号作为输入信号的故障分类结果。为便于比较,全部分类结果的统计见表3。

表3 故障诊断准确率

图10 基于电流数据的自编码网络分类结果

图11 基于电流数据的BP网络分类结果

图12 基于电流数据的FFT+BP网络分类结果

图13 基于电流数据的PCA+BP网络分类结果

图14 基于电流数据的WPT+BP网络分类结果

图16 基于电压数据的BP网络分类结果

图17 基于电压数据的FFT+BP网络分类结果

图18 基于电压数据的PCA+BP网络分类结果

图19 基于电压数据的WPT+BP网络分类结果

由表3可见,尽管几种方法(FFT+BP、PCA+BP、WPT+BP)是先提取故障特征,然后通过分类器进行分类,但由于提取的故障特征不能准确反映各类故障现象,得到的故障分类结果反而不如直接将原始故障信号输入网络后得到的故障分类准确率高。WPT+BP的方法尽管在基于电流数据的分类结果中表现优异,但采用电压信号数据则分类准确率骤降,说明该方法仅适合于特定的故障信号形式,不能从故障信号中准确挖掘故障特征信息。相比较而言,基于自编码器网络的方法,无论采用电流信号还是电压信号,都能得到较高的故障分类准确率,主要由于该方法能够从故障信号中自动提取最有效的故障特征,从而能够准确地进行故障分类。因此,基于自编码器网络的故障诊断方法,不仅能得到较高的故障分类正确率,而且相比其他方法具有对输入信号类型不敏感、鲁棒分类能力的特点。

4 结论

研究了基于深度自编码器网络的逆变器开关管开路故障诊断方法,在对逆变器开关管开路故障模型分析和故障编码的基础上,提出一种自编码器网络的规则化设计方法。该方法能够快速确定隐含层神经元的数量和网络深度,有效利用故障数据自动学习开关管的故障特征,实现端到端的智能故障诊断。实验表明,本研究提出的自编码器网络能够利用不同类型的故障数据,自动挖掘故障信号中的关键特征信息得到稳定的故障识别率。与BP网络等传统方法相比,所提方法具有较强的故障识别准确率和分类稳定性。