王艷秋

(沈陽工學(xué)院 信息與控制學(xué)院，遼寧 撫順 113122)

?

基于BP神經(jīng)網(wǎng)絡(luò)的三相SPWM逆變電路故障診斷

王艷秋

(沈陽工學(xué)院 信息與控制學(xué)院，遼寧 撫順 113122)

提出了基于BP神經(jīng)網(wǎng)絡(luò)的三相SPWM逆變電路的故障診斷方法。首先提出BP神經(jīng)網(wǎng)絡(luò)模型及算法，然后運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)三相逆變電路進(jìn)行故障診斷，通過調(diào)整隱含層節(jié)點(diǎn)和學(xué)習(xí)參數(shù)，尋找出最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。最后，采用非學(xué)習(xí)樣本數(shù)據(jù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真，實(shí)驗(yàn)結(jié)果表明該故障診斷方法正確率達(dá)99%，該診斷方法同樣適用于其它電力電子電路。

BP神經(jīng)網(wǎng)絡(luò)；三相SPWM逆變電路；故障診斷；仿真研究

當(dāng)三相SPWM逆變電路發(fā)生故障時(shí)，通常根據(jù)電路中每一個(gè)大功率IGBT的輸入輸出電壓或電流波判斷故障發(fā)生的位置。如果能夠利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來判斷每一個(gè)大功率IGBT的輸入輸出電壓或電流波形，那么就會(huì)出現(xiàn)故障的元器件的電壓或電流波形與故障原因之間的必然聯(lián)系，或者說是對(duì)應(yīng)關(guān)系通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)被神經(jīng)網(wǎng)絡(luò)保存下來。所謂保存下來就是保存在網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)中，再將神經(jīng)網(wǎng)絡(luò)用于故障的診斷，BP神經(jīng)網(wǎng)絡(luò)通過對(duì)某一個(gè)大功率IGBT的電壓或電流波形進(jìn)行分析，從而得到故障原因，實(shí)現(xiàn)三相SPWM逆變電路故障的在線自動(dòng)診斷。

神經(jīng)網(wǎng)絡(luò)之所以能吸引眾多專家的關(guān)注在于：

1)神經(jīng)網(wǎng)絡(luò)具有并行分布處理能力。

2)神經(jīng)網(wǎng)絡(luò)具有任意非線性映射能力，為非線性控制系統(tǒng)的控制問題開辟了新的途徑。

3)神經(jīng)網(wǎng)絡(luò)具有對(duì)原始數(shù)據(jù)進(jìn)行歸納、整理和總結(jié)的能力。

4)適應(yīng)性與集成能力強(qiáng)大。神經(jīng)網(wǎng)絡(luò)的另一個(gè)最大特點(diǎn)是在線運(yùn)行，這種適應(yīng)性表現(xiàn)為：一是能在線進(jìn)行定量操作；二是能在線進(jìn)行定性操作。神經(jīng)網(wǎng)絡(luò)的這種非常強(qiáng)大的適應(yīng)性和信息處理能力，使神經(jīng)網(wǎng)絡(luò)可以具有大規(guī)模的數(shù)據(jù)處理和集成能力。

5)硬件實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)不僅能夠借助軟件實(shí)現(xiàn)對(duì)復(fù)雜的原始數(shù)據(jù)進(jìn)行并行處理，而且還能夠采用超大規(guī)模集成電路來實(shí)現(xiàn)對(duì)復(fù)雜的原始數(shù)據(jù)進(jìn)行處理，使神經(jīng)網(wǎng)絡(luò)具有了更快速的處理能力和超大規(guī)模的處理能力。

由于神經(jīng)網(wǎng)絡(luò)的這些特點(diǎn)，在對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了深入細(xì)致研究的基礎(chǔ)上，提出了基于BP神經(jīng)網(wǎng)絡(luò)的三相SPWM逆變電路的故障診斷方法。先提出BP神經(jīng)網(wǎng)絡(luò)模型和算法，然后對(duì)三相逆變電路進(jìn)行故障診斷，尋找出最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，最后對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真。

1 BP神經(jīng)網(wǎng)絡(luò)模型

BP網(wǎng)絡(luò)由于其學(xué)習(xí)能力和存貯大量輸入-輸出信息之間或模式之間的映射關(guān)系，使得BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用越來越廣，解決了用數(shù)學(xué)方程來描述這種映射關(guān)系的難題。

從結(jié)構(gòu)上講，BP網(wǎng)絡(luò)是多層網(wǎng)絡(luò)，最典型的結(jié)構(gòu)為三層結(jié)構(gòu)。這三層結(jié)構(gòu)與其它BP網(wǎng)絡(luò)一樣都有輸入層和輸出層，其區(qū)別之一就是隱含層的個(gè)數(shù)，三層結(jié)構(gòu)有一個(gè)隱含層，輸入層與隱含層，隱含層與輸出層之間均采用全連接方式，同一層各單元相互之間不連接。圖1給出了三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，每一層連接權(quán)值都可通過學(xué)習(xí)來調(diào)節(jié)，除了輸入層外，其它基本處理單元均為非線性輸入-輸出關(guān)系。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)模型能夠?qū)崿F(xiàn)多層網(wǎng)絡(luò)學(xué)習(xí)。所謂多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，就是當(dāng)輸入給神經(jīng)網(wǎng)絡(luò)一個(gè)輸入模式時(shí)，它首先將輸入模式傳到隱含層，在隱含層單元逐個(gè)進(jìn)行處理后傳到輸出層，產(chǎn)生一個(gè)輸出模式，這稱之為前向傳播。如果實(shí)際輸出模式與期望輸出模式有誤差，就是說神經(jīng)網(wǎng)絡(luò)還沒有在線輸入，存在誤差，就要繼續(xù)進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)過程，即轉(zhuǎn)入誤差反向傳播。所謂誤差反向傳播，就是將誤差值沿著連接通路逐層傳送，修正各層連接權(quán)值，這個(gè)過程不是一次能夠完成的，需要重復(fù)前向傳播和誤差反向傳播過程。當(dāng)各個(gè)訓(xùn)練模式都滿足要求時(shí)，就完成了網(wǎng)絡(luò)學(xué)習(xí)過程。

2 學(xué)習(xí)算法

BP網(wǎng)絡(luò)學(xué)習(xí)算法是典型的有導(dǎo)師學(xué)習(xí)，它以學(xué)習(xí)規(guī)則為基礎(chǔ)。

描述函數(shù)記為：

(1)

激活函數(shù)記為：

(2)

(3)

如果對(duì)每個(gè)輸入模式p，網(wǎng)絡(luò)輸出與期望輸出存在誤差,則定義網(wǎng)絡(luò)誤差函數(shù)如下：

(4)

(5)

2.1δ學(xué)習(xí)規(guī)則

δ學(xué)習(xí)規(guī)則就是利用梯度最速下降法來學(xué)習(xí)。所謂梯度最速下降法，就是使神經(jīng)網(wǎng)絡(luò)的權(quán)值沿誤差函數(shù)的負(fù)梯度方向改變。若神經(jīng)網(wǎng)絡(luò)的權(quán)值為Wji，Wji和它的變化量ΔpWji之間的關(guān)系可以表示為：

(6)

因?yàn)?/p>

令

(7)

于是

ΔpWji=ηδpjQpj,η>0

(8)

這就是通常所說的δ學(xué)習(xí)規(guī)則。

2.2BP學(xué)習(xí)算法

一般地，BP學(xué)習(xí)算法可描述為：

1)初始化BP神經(jīng)網(wǎng)絡(luò)，設(shè)置學(xué)習(xí)參數(shù)；

2)采用訓(xùn)練模式訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求；

3)對(duì)給定訓(xùn)練模式輸入，在隱含層逐個(gè)處理后傳送到輸出層，得輸出模式；與期望模式比較，若有誤差，則執(zhí)行4)；否則，返回2)；

4)反向傳播過程：

① 計(jì)算同一層單元的誤差δpj；

②修正權(quán)值；

③ 修正閾值；

④ 返回2)。

3 三層BP神經(jīng)網(wǎng)絡(luò)的程序設(shè)計(jì)

三層神經(jīng)網(wǎng)絡(luò)的最大優(yōu)點(diǎn)是有強(qiáng)大的學(xué)習(xí)能力。設(shè)三層BP神經(jīng)網(wǎng)絡(luò)的m、p和q分別為輸入層節(jié)點(diǎn)數(shù)、隱含層的節(jié)點(diǎn)數(shù)和輸出層的節(jié)點(diǎn)數(shù)。

(9)

式中，θj為隱含層的閾值。

(10)

式中，θk為輸出層的閾值。

BP神經(jīng)網(wǎng)絡(luò)程序設(shè)計(jì)流程如圖2所示。

4 三相SPWM逆變電源的故障診斷

下面以三相SPWM逆變電源為例，介紹基于電壓和電流波形的神經(jīng)網(wǎng)絡(luò)故障診斷方法。

圖2 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)流程

4.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

這里采用圖1所示三層神經(jīng)網(wǎng)絡(luò)。第一，選擇輸入層節(jié)點(diǎn)數(shù)，根據(jù)所選三相SPWM逆變電源電路的故障類型及特征信號(hào)確定輸入層的節(jié)點(diǎn)數(shù)為4，即N1=4。第二，選擇輸出層節(jié)點(diǎn)數(shù)，根據(jù)所選三相SPWM逆變電源電路的故障類型確定輸出節(jié)點(diǎn)數(shù)，故障類型是診斷三相橋式逆變器的六個(gè)大功率IGBT的故障，用6位數(shù)據(jù)編碼來識(shí)別，故輸出節(jié)點(diǎn)數(shù)為6，即N3=6?，F(xiàn)以負(fù)載功率為40 kW的故障樣本數(shù)據(jù)作為學(xué)習(xí)樣本，樣本數(shù)據(jù)略。表1列出了在網(wǎng)絡(luò)參數(shù)相同的情況下(學(xué)習(xí)率為0.05，誤差為0.01)，隱含層數(shù)不同時(shí)網(wǎng)絡(luò)的收斂速度情況。由此可得，隱含層數(shù)N2=10為宜。

表1 隱含層數(shù)的選取及其收斂步數(shù)

仿真實(shí)驗(yàn)表明，在網(wǎng)絡(luò)初始權(quán)值的選取、隱含層節(jié)點(diǎn)數(shù)、動(dòng)量系數(shù)和學(xué)習(xí)率以及誤差目標(biāo)值相同情況下，對(duì)于該研究的故障診斷電路來說，選用SIGMOID對(duì)數(shù)S型傳遞函數(shù)訓(xùn)練效果最好。

表2是在N1=4，N2=10，N3=6，學(xué)習(xí)率為0.05，誤差為0.01時(shí)，輸出層采用purelin傳遞函數(shù)，輸入層與隱含層分別用不同的傳遞函數(shù)以Levenberg-Marquardt 優(yōu)化算法(trainlm)進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練的過程(用于訓(xùn)練的學(xué)習(xí)樣本略)。

表2 傳遞函數(shù)的比較

根據(jù)以上分析可得，該系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)為N1=4，N2=10，N3=6；傳遞函數(shù)依次為sigmoid、tansig、purelin，學(xué)習(xí)率為0.05，誤差為0.01。網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 三層BP神經(jīng)網(wǎng)絡(luò)

4.2 樣本學(xué)習(xí)結(jié)果分析

圖4所示波形分別表示逆變器正常工作、一支IGBT斷路故障和兩支IGBT同時(shí)發(fā)生斷路故障時(shí)逆變器輸出線電壓的波形和相應(yīng)的調(diào)制比為m的變換曲線。

采用BP神經(jīng)網(wǎng)絡(luò)對(duì)三相SPWM逆變電源故障進(jìn)行診斷，以負(fù)載功率50 kW時(shí)的故障樣本數(shù)據(jù)作為測(cè)試樣本，經(jīng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的實(shí)際輸出與期望輸出見表3。

表中Y≥0.5記為1，Y<0.5記為0。期望輸出為011001，即為同一橋臂的T1和T2管同時(shí)發(fā)生故障。

圖4 逆變器正常工作及IGBT故障時(shí)仿真波形

實(shí)際輸出Yr1Yr2Yr3Yr4Yr5Yr6期望輸出Yw1Yw2Yw3Yw4Yw5Yw6-0．00500．12081．11680．47540．4713-1．0783001000-0．05230．9868-0．0470-0．09640．17470．75220100010．04031．02721．00730．0608-0．04880．92370110011．1068-0．0790-0．0825-0．9603-0．46192．89881000010．95800．05490．9847-0．03710．03721．1547101001

5 結(jié) 語

提出了目前在電力系統(tǒng)中廣泛采取的三層BP神經(jīng)網(wǎng)絡(luò)模型及其算法，然后以三相逆變電路為例，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行故障診斷，通過調(diào)整隱含層節(jié)點(diǎn)和學(xué)習(xí)參數(shù)，尋找最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。采用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，實(shí)驗(yàn)結(jié)果表明準(zhǔn)確率達(dá)99%。該診斷方法同樣適用于其它電力電子電路。

[1]劉政宇，溫海洋.基于BP算法的異或運(yùn)算的實(shí)現(xiàn)[J].數(shù)字技術(shù)與應(yīng)用，2013(03):138-139.

[2]劉曉楠,王勝輝,金月新,等.基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)發(fā)電功率短期預(yù)測(cè)[J].沈陽工程學(xué)院學(xué)報(bào)：自然科學(xué)版，2015，11(1),10-13,24.

[3]劉慶珍，蔡金錠，王少芳.基于粗糙集-神經(jīng)網(wǎng)絡(luò)系統(tǒng)的電力電子電路故障診斷[J].電力自動(dòng)化設(shè)備，2004，24(4)：45-48.

[4]劉慶珍.基于粗糙集理論和人工神經(jīng)網(wǎng)絡(luò)的電力電子電路故障診斷的研究[D].福州:福州大學(xué)，2003.

[5]馬 皓，徐德鴻，卞敬明.基于神經(jīng)網(wǎng)絡(luò)的電力電子電路故障診斷[J].電力電子技術(shù)，1997(4):10-12.

[6]何偉杰.電力系統(tǒng)診斷問題的研究[J].現(xiàn)代裝飾(理論)，2011(03):190-191.

[7]朱鳳娟,朱 進(jìn).離散時(shí)滯標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)的無源性[J].渤海大學(xué)學(xué)報(bào):自然科學(xué)版,2016,37(3):203-207.

[8]岳文姣,楊禎山.基于SOM的模糊BP神經(jīng)網(wǎng)絡(luò)技術(shù)的電梯交通模式識(shí)別[J].渤海大學(xué)學(xué)報(bào):自然科學(xué)版,2015,36(4):363-370.

(責(zé)任編輯 魏靜敏 校對(duì) 張 凱)

Three Phase SPWM Inverter Fault Diagnosis Based on BP Neural Network

WANG Yan-qiu

(College of Information Engineering,Shenyang Institute of Technology,Fushun 113122,Liaoning Province)

A fault diagnosis method of three-phase SPWM inverter based on BP neural network was put forward.First,the BP neural network model and algorithm were proposed,and then the BP neural network was used to diagnose the fault of the three-phase inverter circuit.By adjusting the hidden layer nodes and learning parameters,the optimal BP neural network structure was found.Finally,the non-learning sample data was used to simulate the training network.The experimental results showed that the fault diagnosis method was 99%.The diagnosis method is also applicable to other power electronic circuits.

BP neural network; Three-phase SPWM inverter circuit; Fault diagnosis; Simulation research

2016-12-09

2014年遼寧省教育廳教改課題(UPRP20140685)；2013年遼寧省教育廳 “十二五”省級(jí)實(shí)驗(yàn)教學(xué)示范中心項(xiàng)目(UPRP20130578)；2015年沈陽工學(xué)院重點(diǎn)專業(yè)建設(shè)項(xiàng)目(ZDZY201504)；2015年沈陽工學(xué)院教育教學(xué)改革研究項(xiàng)目(JG201520)

王艷秋(1955-)，女，遼寧錦州人，教授，博士，主要研究方向?yàn)殡娏﹄娮优c電力傳動(dòng)、智能控制理論及應(yīng)用。

10.13888/j.cnki.jsie(ns).2017.02.015

TP18；TM464

A

1673-1603(2017)02-0169-05