【基于人工智能的电力电子电路故障诊断】 人工智能在电力电子的应用
时间：2019-04-18 03:29:25 来源：雅意学习网 本文已影响 人 
摘 要：采用基于波形直接分析的神经网络故障诊断方法实现电力电子电路在线故障诊断。以三相整流电路为例，对电路发生故障时输出的波形进行分析，用故障波形的采样数据制作的样本对神经网络进行训练，将训练好的神经网络用于故障诊断。仿真实验表明该方法是有效的。
关键词：故障诊断 神经网络 电力电子电路
Abstract: This paper presents the fault diagnosis for power electronic circuit based on neural networks with waveform analysis. It takes rectified three-phase circuit as an example, analyses waveform output of malfunction circuits, trains the neural networks with samples made by the waveform, and then uses well-trained neural networks for fault diagnosis. This method has been proved useful by simulation experiments.
Key Words: fault diagnosis, neural networks, power electronic circuit
中图分类号：U226.8+1文献标识码：A 文章编号：
0 引言
电力电子电路的实际运行表明，大多数故障表现为功率开关器件的损坏，其中以功率开关器件开路和直通最为常见。电力电子电路的故障诊断与一般的模拟电路、数字电路的故障诊断存在较大的差别，故障信息仅存在于发生故障到停电之前数十毫秒之内。因此，需要实时监视、在线诊断。本文主要要研究应用神经网络理论进行电力电子电路的故障诊断，利用神经网络的学习能力，使故障波形与故障原因之间的关系通过神经网络的学习后保存在其结构之中，然后将学习好的神经网络用于故障诊断，神经网络就可通过对当前电压波形的分析，得出故障原因，从而实现故障的在线自动诊断。下面以电感性负载三相整流电路故障诊断为例，对基于波形直接分析的神经网络故障诊断方法进行研究。
1 用于诊断的神经网络模型
本文用于诊断的神经网络为三层前向神经网络(包括输人层)，学习算法是误差反向传播方法(BP算法)，拓扑结构如图1所示。
人工神经网络具有较好的容错性、响应快、强大的学习能力、自适应能力和很强的非线性逼近能力等，被广泛应用于故障诊断领域。基于神经网络的故障诊断专家系统有两种形式：一种是使用神经网络来构造专家系统，变基于符号的推理为基于数字运算的推理，提高系统效率，解决自学习问题；另一种是把神经网络作为知识源的表示和处理模式，并与其它推理机制相融合，实现多模式推理。
BP神经网络故障诊断模型主要包括三层：
（1）输人层，即从实际系统接受的各种故障信息及现象；
（2）中间层，将输人层得到的故障信息，经内部的学习和处理，转化为针对性的解决办法；
（3）输出层，针对输人的故障形式，经过调整权系数叭后，得到的处理故障方法。简而言之，就是利用样本训练收敛稳定后的节点连接权值，向网络输人待诊断的样本稳定后的节点连接权值，向网络输人待诊断的样本类别。
图1 神经网络拓扑结构图
2 三相整流电路故障模型和神经网络学习样本设计
电感性负载的三相整流电路，如图2所示。电路中的整流器件为六个二极管，为不可控整流。实际上，可以把故障分为很多类。本文中只分析其中的三大类，具体如下：
图2 三相整流电路故障模型
第一大类(001)：没有二极管故障，即正常运行(000)。
第二大类(010)：单个二极管短路，可分为六小类:diodel短路 (001)、diode2短路(010)、diode3短路(011)、diode短路(100)、diode5短路(101)、diode6短路(110)。
第三大类(011)：单个二极管开路，可分为六小类:diodel开路(001)、diode2开路(010)、diode3开路(011)、diode4开路(100)、diode5开路(101)、diode6开路(110)。
对故障的大类、小类进行了编码，用六位编码X6X5X4X3X2X1，其中Xi=0或1，第X1----X3位用于小类编码。对应出层得到的输于每组特征信号的故障编码作为神经网络的目标输出样本。
通过对整流电路的故障情况进行分析，可得到在各类故障时的三相整流桥直流输出电压Ud波形，对其进行一周期(20ms)50点的数据采样，将采样数据进行归一化处理后，即得到诊断系统的标准输出样本。
近年来，国内外有关研究人员针对电力电子电路故障诊断的研究还比较少，其中有相当一部分是基于神经网络的分析方法，虽然神经网络具有学习、泛化和容错能力，令人欣喜，但它存在的许多缺点却不容忽视，如网络结构要求预知，最常用的BP学习算法在本质上是一个梯度下降搜索算法，这使其有可能收敛于局部最小点。
3 计算机仿真和实验
这里神经网络的输人层有50个神经元，隐含层有10个神经元，输出层有6个神经元。S函数选用对数函数f（x）= ，purelin函数为f(x)=x。网络的初始权值和阈值均有随机函数rands()给出。将样本送入神经网络进行训练，得到误差曲线，如图3所示。
图3 训练误差曲线
对于学习好的神经网络，在电感性负载的三相整流电路上进行了实验研究。其故障诊断步骤如下：
（1）以采样周期400哪进行矶电压的数据采集。
（2）将Ud电压数据归一化。
（3）将N点Ud电压数据输人已学习好的神经网络后，将其输出进行四舍五入取整，得到故障类型代码。
（4）由代码可查表得到故障点。
采用测试样本数据对所训练好的BP神经网络进行仿真验证，分别选用负载变化、输入电压变化得到的特征向量数据去验证已建立的BP神经网络，故障诊断正确率达到97．67％，并且故障诊断有误都发生在负载和输入电压同时变化时。例:将第二大类Diode4短路的归一化后Ud的电压采样数据输人神经网络后在其输出层得到的输出结果为:[0.00，1.00，0.01，1.00，0.00，0.00]。实验表明，该网络已能进行相当准确的故障诊断。
4 结论
电子设备或系统广泛应用于各个科学技术领域、工业生产部门以及人们的日常生活中，电子设备的可靠性直接影响着生产的效率、系统、设备及人类的生命安全。随着电子设备使用的日趋广泛，不论是在设备的生产阶段还是应用阶段，都对电路的故障诊断提出了迫切的要求，要求人们研究新的有效的诊断技术，进一步提高电子设备的可靠性。
本文将一种应用于神经网络的优化算法，解决了以往神经网络结构、权值、阈值同时优化效率不高的难题。通过仿真实验，证明了算法的准确性和实用性，并将优化的神经网络用于三相桥式全控整流电路的故障诊断，利用神经网络的非线性映射特性，由神经网络来学习及存储电子电路的故障波形和故障类型之间的映射关并将其用于在线诊断，从而达到对电力电子电路在线自动故障诊断的目的。
参 考 文 献
[1] 蒋浩天．E.L. 拉塞尔，R.D.布拉茨。工业系统的故障检测与诊断．机械工业出版社，2003．
[2] 陈毅华，钟嘉呜，祝庚．浅谈故障诊断技术及软件可靠性模型．湘南学院学报．2004（10）：90-95.
[3] Liu Guili, Wang Lipeng, Zhang Guoying. Expert Diagnosing System for a Rotation Mechanism Based on Neural Network. International Journal of Plant Engineering and Management2002(9): 163-169
[4] HaganMT，DemuthHB。神经网络设计.北京:机械工业出版社。2002
[5] 梁中华，田茂芹。基于人工神经网络的电力电子电路故障诊断.沈阳工业大学学报，2004；26(2):140-142
[6] 马皓，徐德鸿。基于神经网络的电力电子电路故障诊断.电力电子技术，1997;(4):10一12
注：文章内所有公式及图表请用PDF形式查看。
