电力电子功率变换器故障诊断方法

开篇：润墨网以专业的文秘视角，为您筛选了一篇电力电子功率变换器故障诊断方法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

1引言

电力电子功率变换器作为系统控制的中枢执行机构，广泛应用于电机驱动和各种电源系统中，但由于功率开关器件在工作时，要承受高电压和大电流，而自身过载能力有限，导致开关器件损坏的几率很大。据统计，工业应用的交流电机调速系统中，38%的故障来自于功率器件的损坏［1］。功率变换器一旦发生故障，如不及时处理，在一般场合会给工业生产带来极大的经济损失，尤其在航空、军事等安全性要求高的场合，将造成灾难性事故。因此，准确、快速地判断故障，及时诊断和定位故障受到了越来越多的重视。一般地，功率变换器的故障可分为开关管的开路故障和短路故障。短路故障存在的时间极短，可在硬件电路上进行处理，也可以将快速熔丝植入电路中，将短路故障转化为开路故障，利用开路故障诊断方法加以处理［2］。文献［3］总结出了10种短路故障诊断方法。开路故障发生后，系统往往还能继续运行，不易被发现，这样导致其他功率器件流过更大的电流，引发转矩减小、发热和绝缘损坏等问题，如不及时处理，将发展成为极具破坏性的大故障，如系统瘫痪等［4］。因此，目前功率变换器故障诊断的研究重点都集中于开关管的开路故障。

2功率变换器开路故障分类

以电压型三相全桥电路为例(其结构图如图1所示)，对常见故障进行分类。功率变换器在实际运行时，很少出现三只或三只以上开关管同时故障的情况，针对常见的单管和双管故障情况进行分类，如表1所示。当发生开路故障时，故障相电流、输出电压以及功率器件承受的电压都会发生幅值和相位的调制，因此通过对这些信号进行监测，利用相应的故障诊断技术可实现故障识别和定位。

3功率变换器故障诊断技术

故障诊断方法分为硬件冗余方法和软件冗余方法。硬件冗余方法是最早应用于故障诊断领域的技术手段之一，可以有效地保证系统的正常运行。近年来有学者在逆变器开关函数模型和运行模式分析的基础上，根据故障和正常状态下桥臂下管承受电压的不同，采用简单的硬件电路来实现故障诊断，这种方法降低了成本，可靠性高，诊断时间短，适用性强［5，6］。然而，硬件冗余方法测试设备繁多，设计过程复杂，逐渐被软件冗余方法所取代。按照国际故障诊断权威———德国PMFrank教授的观点［7］，可将目前功率变换器软件冗余故障诊断技术分为三类:①基于解析模型的方法;②基于知识的方法;③基于信号分析的方法。

3.1基于解析模型的方法

基于解析模型的功率变换器故障诊断方法的基本思想是利用功率变换器的数学模型，将估计的系统输出与测量信息相比得到残差，通过残差分析来实现电力电子装置的故障诊断。根据获取残差的不同方式，这一类故障诊断方法可分为状态估计法和参数估计法。状态估计法利用功率变换器数学模型和各测量信号设计状态观测器，观测系统的可测变量，将观测值与实际值进行比较产生残差，分析该残差可达到故障诊断的目的。文献［8］以变流器主回路输出电压为特征量，利用实际系统与参考模型特征输出量的残差实现故障诊断。该方法的输入量少、判据简单，特别适用于复杂电力电子电路的故障诊断。文献［9］以定子电流和机械速度为输出，将感应电机模型看作周期性解耦结构，利用dq轴方向残差实现了开关管故障隔离，并且多故障发生的情况也能得到解决。在这些研究中，电力电子变换器按照其开关周期被等效成一种“平均模型”。参数估计法是将系统物理参数和模型参数的变化提取出来作为特征量进行监测和诊断故障的方法。功率变换器故障的发生往往导致系统参数的变化，因此通过检测参数的变化可实现故障诊断。基于参数估计的故障诊断框图如图2所示。参数估计法与状态估计法在本质上是互补的，参数估计法在故障隔离上更有优势;其缺点在于系统的故障有可能引起模型结构的变化，为此可将该方法与其他故障诊断方法相结合。文献［10］以键合图为工具，提出了一种能应用于大功率整流供电系统特性研究的建模方法，为进一步研究基于模型的诊断提供了新的思路和方法。近年来，由传统的解析模型发展而来的混杂系统模型故障诊断方法得到了关注。功率变换器中开关器件呈现出离散时间动态特性，状态变量却体现出连续动态系统特征，可看成一个典型的混杂系统。因此基于混杂系统理论的故障诊断方法在电力电子系统中得到应用［11，12］。通过以上分析可知，基于解析模型的方法适用于已知精确数学模型的系统。虽然该技术相对来说已经比较完善，但在实际情况下，功率变换器系统参数是不确定的(如元器件参数的正常变化和系统故障)，负载扰动、电网扰动等噪声的干扰，以及开关器件的非线性和离散性等特性都导致无法对这种系统建立准确的解析模型。因此，在对复杂非线性系统进行故障诊断时，基于解析模型的故障诊断方法受到了很大的限制。

3.2基于知识的方法

基于知识的方法是一种通过提前掌握被诊断对象的故障行为，利用故障树、专家系统、支持向量机和神经网络等手段，将故障症状组织起来进行故障诊断的方法［6］。3.2.1故障树基于故障树的诊断方法采用数理逻辑表示故障之间的关系，对故障发生的原因进行推理分析，建立一个由故障特征到故障原因的树形图。故障树方法直观、明了，思路清晰，逻辑性强，结合其他算法，可实现功率变换器的故障诊断。文献［13］基于随机森林算法建立故障树，实现了三相可控整流电路的在线诊断，大大提高了诊断精度和诊断速度。文献［14］针对三相逆变器，结合键合图理论，对传统的故障树进行了改进，通过建立系统的键合图模型进行因果分析，降低了遗漏的可能。故障树的建立比较繁琐，容易出现遗漏，且这种方法理论性强，结果的可靠性依赖于分析人员本身的水平。使用故障树诊断的同时需要充分利用知识、系统的控制模型和历史数据，并且还要协同其他智能算法，才可以完好地建立和维护故障树，实现故障源的快速搜索，然而这些问题都还未得到解决。3.2.2专家系统专家系统根据领域内专家的理论分析、实践经验等，利用计算机的推理能力模拟专家解决问题的思路，其原理框图如图3所示。专家系统提供了灵活的人机交互界面，知识库易于修改，知识表达直观性强，诊断结果鲁棒性好，应用比较广泛。文献［15］研究了基于专家系统理论的风电变流器故障诊断方法，从预先得到的变流器故障知识中提取出有效的故障信息，再与变流器实际运行数据进行比较实现了故障诊断，解决了无法建立模型的问题。文献［16］结合模糊推理方法，将模糊专家系统应用于可再生能源电力电子设备的状态监测和故障诊断。但是这种方法推导速度慢，知识库建立困难，实时性差。在知识获取时，如果出现未知情况或阈值对应的范围超出预判，系统将无法推理;在知识表示时，有的故障不能简单地使用规则进行推理，推理过程表述不清楚，也不能进行良好的诊断。3.2.3神经网络神经网络通过学习，可以拟合任意的函数，包括非线性函数，它克服了功率变换器系统的建模困难，在故障诊断领域得到了广泛的应用［17］。利用神经网络进行故障诊断时，一般需要利用小波变换、频谱分析等方法对故障信号进行处理。文献［18］利用频谱分析提取三电平逆变器桥臂电压的谐波幅值和相位作为故障特征信息，提出了多神经网络结构和算法，实现了单器件开路和多器件同时开路的多故障模式的诊断，并精确定位到故障器件。文献［19］利用快速傅里叶变换(FFT)对多电平逆变器输出电压信号进行变换，提取出故障特征作为神经网络的输入，从而实现了故障的分类。该方法具有很好的分类性能，但需要使用五层感知网络进行识别，导致诊断时间过长。因此文献［20］提出了主成分神经网络(PC-NN)故障诊断方法，利用主成分分析(PCA)降低神经网络的输入维数，减少训练神经网络的时间，同时降低噪声，改善映射性能。在该方法中，不同的主成分会引起结果的不确定性。为了更好地确定主成分，文献［21］对该方法进行改进，提出了基于遗传算法选择主成分的神经网络(PC-GA-NN)多电平逆变器故障诊断方法，结果表明PC-GA-NN具有更好的整体分类性能，比PC-NN高出约2.5%。神经网络故障诊断采用并行结构与并行处理方式，特别适合处理大量的并行信息，且具有很强的自学习、自组织与自适应能力，因此有很好的应用前景。然而，训练样本获取困难、网络学习没有确定模式、学习算法收敛速度慢、训练时间长等问题还有待进一步的研究。3.2.4支持向量机(SVM)SVM是一种基于统计学习理论的机器学习算法，与神经网络类似，通过对训练样本进行学习，掌握样本的特征，识别未知样本。基于支持向量机的故障诊断一般分为四步:特征信号监测、特征向量提取、SVM故障模型建立与诊断、维修决策［22］。文献［23］利用小波包分析获取电力电子电路故障特征，基于支持向量机进行状态分类，实现电力电子电路故障诊断方法。该方法能准确定位故障元，计算效率高，且在小样本下具有很好的推广能力。文献［24］以三相桥式全控整流电路为例，利用小波变换对整流输出电压进行分解，以各尺度的高频部分能量为特征向量;根据支持向量机理论，提出了一种改进的一对多分类算法建立分类器，优化了支持向量机的训练和学习能力。SVM在解决小样本、非线性和高维模式识别等问题中表现出特有的优势:①能在有限的样本中最大限度地挖掘隐含在数据中的分类信息;②应用核技术将实际问题通过非线性变换转化为高维空间中的线性问题;③巧妙地解决了维数问题，样本复杂度与维数无关。由于其出色学习性能和分类能力，SVM成为故障模式识别问题的研究热点。

3.3基于信号处理的方法

通常不论是基于解析模型的方法，还是基于知识的方法，都需要先对监测信号进行处理。在功率变换器的故障诊断中，常用的信号处理方法有频谱分析、小波变换和信息融合等。3.3.1频谱分析法功率变换器的故障信号通常具有周期性，因此可以用频谱分析方法将变量信号从时域变换到频域进行分析。基于频谱分析的故障诊断方法主要有傅里叶变换法和沃尔什变换法。傅里叶变换将目标信号分解成若干频率分量，从中可提取出有用的部分。文献［25］针对变频驱动系统中的逆变器开关管开路故障，利用开关函数的双傅里叶变换技术，对直流侧电流进行处理，通过得到的频谱的低频成分实现逆变器的故障诊断。沃尔什变换则将函数分解为一组沃尔什函数分量。文献［26］以三相桥式整流电路为诊断对象，对其输出电压进行沃尔什变换，得到直流分量和前三次谐波分量的幅值频谱特征值以及对应的四个相角特征值，根据这八个量来实现故障定位。由于沃尔什变换只做加减运算，所以执行速度比傅里叶变换快得多。用频谱分析进行故障诊断时，信号中包含的频率分量必须是基波的整数倍，分析时窗内要恰好含有各次谐波的整周期采样值。功率变换器故障状态下的基波频率是波动的，难以保证采样频率为信号频率的整数倍;即使基波频率保持不变，也未必能保证采样频率为信号频率的整数倍，这严重影响了频谱分析的准确性。因此，频谱分析逐渐被小波变换所取代。3.3.2小波变换法小波变换由傅里叶变换发展而来，小波分析提供了灵活的时频窗，高频时时间分辨率高，低频时频率分辨率高，在时频域都具有表征信号局部特性的能力，在故障诊断领域得到了广泛的应用。文献［27］以风力发电系统中背靠背式变流器的整流状态为例，提出了基于小波包分析的变流器故障识别方法，利用直流侧输出电压信号的调制特点，从能量谱和功率谱的角度分析了小波包分解后的直流侧输出电压的细节信号，通过频谱特征识别出三相PWM整流器的各类故障。小波变换能有效地提取出故障特征，与许多智能方法相结合，可以提高诊断精度。文献［28］对电机三相电流进行小波变换，将提取的小波系数输入到三层BP神经网络，从而识别出是否发生故障以及故障开关位置。文献［29］将小波变换、模糊逻辑和神经网络这三种方法相结合，利用小波变换从直流母线电流中提取出故障特征，用来训练自适应神经元模糊推理系统(ANFIS)，实现故障的自动识别和定位。文献［30］针对静止同步补偿器(STAT-COM)的IGBT开路故障，先对原始故障信号进行小波多分辨率分析，提取出特征向量，以改进的多核支持向量机作为故障模式的分类器，识别出各类故障信号。小波变换具有良好时频分析特性，适于探测正常信号中夹带的异常现象，对于动态系统的故障检测具有优越性。但目前的研究主要集中于理论研究，如何将它应用到实际工程中是有待解决的问题。3.3.3信息融合方法信息融合技术利用信息之间的冗余或逻辑关系，更全面、更精确地认识目标对象，为解决复杂系统故障诊断的不确定性问题提供了一条新的途径。信息融合故障诊断按层次结构分为数据层融合、特征层融合和决策层融合。文献［31］基于特征层融合对光伏并网逆变器进行故障诊断，选择电网侧电流和桥臂电压为融合对象，利用小波变换对数据进行预处理和特征提取，将特征向量融合后输入到神经网络，实现故障诊断。信息融合分为局部性融合和全局性融合。可以对某个检测量用不同方法进行诊断，实现局部性融合，以充分利用检测量所提供的信息;再将各方法得到的结果进行全局性融合。文献［32］就是采用的这种局部-全局的融合诊断方法。它针对电力电子电路中器件的故障诊断问题，提出一种基于模糊推理的分类器融合诊断方法。该方法建立神经网络和支持向量机2种子分类器对电路进行单独诊断，再利用模糊推理对2种子分类器的诊断结果进行融合，最终定位参数故障元件。仿真实验和分析表明，该方法诊断效果优于任意单个子分类器，且该方法对于随机噪声具有较好的鲁棒性。虽然目前信息融合技术在功率变换器的故障诊断中的研究还不多，但由于信息融合能够为故障诊断提供更多的信息，该技术在电网等其他故障诊断领域已经得到了广泛的关注。故障诊断领域的理论具有相似性，可以相互借鉴，这为基于信息融合的功率变换器故障诊断研究奠定了良好的基础。电力电子功率变换器故障诊断技术发展迅速，除上述方法外，还涌现出一些具有研究价值的方法。文献［33］提出了一种基于质心的检测方法，通过电流矢量轨迹质心的确定来识别逆变器故障位置和类型。文献［34］运用减法聚类分析对电流矢量进行处理，根据处理后的平均电流矢量的幅值和相角进行故障识别和定位。这两种方法都基于Concordia变换得到的电流矢量轨迹进行分析，文献［35］则利用相空间重构技术，得到表征系统故障特征的不同形状、直观的相电流轨迹图形，再通过模糊C均值聚类算法，对重构后的电流图像进行聚类分析，实现逆变器的故障诊断。相空间重构技术可以显示并提取出系统参数中隐含的不易被频谱分析或时域分析方法所检测的内在特征，因此在故障识别领域具有很好的应用价值。

4结论

本文对现有功率变换器开关管开路故障诊断方法进行了介绍、对比和总结。功率变换器的故障诊断是一个有意义而又极具挑战的课题。功率变换器是一种非线性离散系统，要建立精确的数学模型十分困难，因此基于解析模型的故障诊断方法受到了很大的限制。随着信息处理与人工智能技术的发展，将基于信号处理和基于知识的方法相结合的集成故障诊断方法得到了越来越多的应用，综合采用小波变换、专家系统、支持向量机和神经网络等方法，可大大提高诊断精度与速度。迄今，对于功率变换器故障诊断的研究主要集中于普通的整流器和逆变器。随着工业的发展，对大容量功率变换器的需求日益增加，多电平逆变器逐渐得到了广泛的研究和应用。相比于普通的两电平逆变器，多电平逆变器使用的开关管更多，故障模式更复杂，因此融合多种故障诊断方法深入研究多电平逆变器的故障诊断技术具有广阔的应用前景。

作者：吴娟 沈艳霞 单位：江南大学电气自动化研究所