CN106292631A - 一种基于神经网络的pwm整流器故障诊断系统 - Google Patents

Abstract

本发明公开一种基于神经网络的PWM整流器故障诊断系统，通过神经网络以及节点的分析对多台PWM整流器进行故障诊断。本发明基于神经网络的PWM整流器故障诊断系统相对于现有的整流器电流信号分析法对不同整流器进行故障检测时，需要采集频率造成相应检测模型调整大，本发明不仅可以对整流器故障进行在线检测，且自适应能力强，可以对多种整流器故障进行检测。

Description

一种基于神经网络的PWM整流器故障诊断系统

技术领域

本发明涉及一种诊断系统，具体是一种基于神经网络的PWM整流器故障诊断系统。

背景技术

随着电力电子技术的迅猛发展，新型电力电子产品的不断涌现以及对系统品质、费用、有效性、可靠性、安全性的要求越来越高，电力电子电路的在线故障检测和诊断已然成为一个急需解决的问题。而合理的电力电子电路的故障诊断方案可以快速有效地诊断故障的部位和性质，以便做到早期预报，防止事故发生；做预知性维修，提高设备管理水平；方便检修，提高设备利用率；尽快排出故障，恢复正常运行，以提高系统的可靠性。为了解决这些问题，需要进行一系列的工作，其中最重要和最困难的就是故障的实时诊断。除此以外，故障诊断也是现代自动控制理论中一个非常值得研究的课题。

在过去的几十年里，也有很多人对该领域进行了研究，也产生了一些付诸行动的方法。通过分析这些方法可知，电力电子电路最重要的要求就是实时性。其原因在于电力电子电路故障信息仅能保存几毫秒。在进行故障诊断检测时，可以采取Matlab中的Sumulink进行仿真。由于Matlab具有超强的仿真能力，可以有效地仿真故障并进行神经网络方面的判断，故是一个能够满足该方面条件的仿真软件。

故障诊断（FD）始于设备故障诊断，其全名是故障检测与故障诊断。它包含两方面内容：一是对设备的状态进行监测；二是在发现异常情况后对设备的故障进行分析、诊断。故障诊断技术已经有数十年的发展历史，现以广泛应用于各个领域。电力电子电路故障诊断技术包含两方面内容：

1）故障诊断的检测：以一定的检测技术，获取故障发生时的所需故障信息，供故障分析、推理用；

2）故障的诊断：依据检测的故障信息，运用合适的故障诊断方法，对故障进行分析、推理，找出故障发生的原因并定位故障发生部位。

电力电子电路的故障与一般电路故障有所不同，电力电子电路以输出波形来诊断电路是否有故障以及属于何种故障在故障诊断中将电压采样值作为神经网络的输入，利用训练好的神经网络，可以诊断出电路的故障信息。

长期以来，由于人们无法准确掌握设备运行状况，因而不能预知事故的发生，所以不得不采取两种维修对策：

1)等设备坏了在进行维修。这种方法的缺点在于经济损失很大。因为等设备运行到破坏为止，往往需要昂贵的维修费；严重的破坏需要更换机器，甚至可能造成人身伤亡。

2)定期检修设备。该策略有一定的计划性和预防性，但其缺点是：若无故障，则经济损失较大。

因此合理的维修是预知性维修。即在设备故障出现的早期就检测隐患，提前预报，以便适时、合理地采取措施。所以电力电子电路故障诊断技术也应运而生。故障诊断的关键在于提取故障特征，故障特征是指反映故障征兆的信号经过加工处理后所得的、反映设备与系统的故障种类、部位与程度的综合量。

目前在电力电子电路的故障诊断上，多数集中在电力系统中整流电路、逆变电路、无功补偿器主电路等上面。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，如晶闸管（T）或可关断晶闸管（GTO）故障，其中以功率开关器件的断路和短路最为常见。

应用神经网络理论进行电力电子电路的故障诊断，当电力电子电路发生故障时，有经验的专家可以根据电路中某点的电压或电流波形判断出故障点。如果能够用神经网络的学习能力，使故障波形与故障原因之间关系通过神经网络的学习后保存在其结构和权中，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或电流波形的分析，得出故障原因，从而实现故障的在线诊断。

神经网络理论是在现代神经科学研究成果的基础上提出来的，是对人脑功能的某些特性模拟和抽象。自上世纪四十年代心理学家W.Mcculloch和数理逻辑学家W.Pitts提出神经网络（Neural Network,简称NN）第一个数学模型-MP模型以来，开始兴起了神经网络的研究，同时产生了人工智能。1958年，Rosenblatt在MP模型的基础上提出了感知器模型，后来出现的很多神经网络模型都是感知器模型的变形。经历过70年代的萧条期之后，Hopfiled等学者于80年代提出了新的计算方法，使得神经网络的研究又得到了重视。90年代产生了大量关于神经网络的论文,新的理论和应用层出不穷，从而有力的推动了神经网络的研究。

人工神经网络是一种抽象的数学模型。它是由大量简单的处理单元以某种拓扑方式连接而成的非线性动力学系统。信息处理由神经元之间的大规模连接权值与作用函数的并联运算实现。通过调整各单元之间的权值实现网络训练，从而避免建立复杂的数学模型。作为一个非线性动力学系统，人工神经网络除了具有非线性动力学系统的一切特征外，又有许多自身的特点：1）信息传递的并行性：在人工神经网络系统中，信息的存储与处理是合二为一的，即信息的存储体现在神经元互连的分布上，并进行大规模分部处理；2)容错性：任何局部的损坏不会影响整体效果，还能有效地支持不确定或不完全知识的处理；3）自学习自组织性：神经网络能很好的进行知识的获取，它可通过内部的自组织能力，从外界环境中获取信息，使自己更为有效的适应环境以完成指定的各种计算与推理工作，具有创新特点，这不同于AI的专家系统。人工神经网络是一种并行信息处理结构，网络的特性网络节点和连接方式所确定，他具有高度的并行处理、自组织、自学习能力，在状态识别与故障诊断领域具有广泛的应用范围。

人工神经网络模型多种多样，他们是从不同角度对生物神经系统不同层次的描述和模拟。有代表性的网络模型有感知器、多层映射BP网络、RBF网络和Hopfiled模型等。利用这些网络模型可实现函数逼近、数据聚类、模式分类、优化计算等功能。因此，神经网络在人工智能、自动控制、机器人和系统故障诊断得到了广泛应用。

基于人工神经网络的故障诊断方法克服传统故障诊断方法难以建立精确数学模型且对于新问题新情况不能适应的不足，在故障诊断中的应用越来越多，国内外均有许多这方面的研究。

传统的PWM整流器故障诊断方法大多只针对单一种类整流器，设计复杂通用性差，而且测试过程繁琐，不利于测试系统的集成化的缺点。而整流器电流信号分析法仅对特定的一个或两个故障频率进行分析，判断整流器是否有某个故障，检测单一，有较大的局限性。且整流器电流信号分析法需要采集频率，步骤繁琐，其检测系统在系统受到干扰时，极易受到外界变化的影响，在扰动过大时，干扰信号会覆盖故障信号，导致错报和漏报可能性很高，诊断可靠性不能得到保证，检测性能较差。

发明内容

本发明的目的在于提供一种使用物联网作为通讯控制的环境监测仪，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于神经网络的PWM整流器故障诊断系统，其特征在于，包括如下步骤：一) 收集整流器运行参数的历史数据，包括整流器正常运行数据与整流器故障数据；二) 整理所述步骤A) 整流器运行参数历史数据并形成样本，样本的格式为：每一条数据按输入- 输出对模式组织，输入为整流器运行参数，输出为整流器定子电流，样本分为训练样本和检测样本两部分；三) 根据所述步骤B) 的样本设计神经网络的结构；四) 使用所述步骤C) 神经网络对实时检测数据滤波消除检测噪声，复制神经网络，生成神经网络1和神经网络2，由神经网络2 先学习检测样本，将神经网络2 的输出作为神经网络1的输出期望值，根据神经网络2 对样本的学习结果更新神经网络权值，继续学习检测样本，同时提取神经网络1 输入层的输出权值向量，作为故障检测样本；五) 提取神经网络1 的输入层权值向量W1·，并针对其建立PCA 模型，对PCA 模型计算出相应的检测指标T2统计量和SPE，根据SPE 的值是否超出控制限判断整流器运行状态；六) 整理正常状态下和故障状态下样本输入时神经网络1的输入层权值向量W1·形成的故障检测样本；七) 用六) 中的检测样本对五) 所得故障诊断模型进行反复检验，如果检验效果良好，则诊断模型有效，可以用于故障诊断，否则，则重新根据四)、五) 和六) 进行训练建模；八) 实时读取整流器的最新运行参数，将这些参数输入到所述神经网络中，将神经网络1的输出权值向量输入故障诊断模型，计算所得PCA 检测指标SPE 和T2是否满足置性指标。

作为本发明的优选方案：所述步骤三) 采用神经网络，首先设计所述神经网络的输入值、输出值、层数、各层节点数和各层的激活函数；所述样本每次输入时训练神经网络的一个权值，一个样本要连续输入直到网络权值全部更新；神经网络依次接收所述训练样本进行训练，直到神经网络权值稳定。

作为本发明的优选方案：所述整流器均为PWM整流器。

与现有技术相比，本发明的有益效果是：本发明基于神经网络的PWM整流器故障诊断系统相对于现有的整流器电流信号分析法对不同整流器进行故障检测时，需要采集频率造成相应检测模型调整大，本发明不仅可以对整流器故障进行在线检测，且自适应能力强，可以对多种整流器故障进行检测。

附图说明

图1为本发明流程图；

图2为本发明中神经网络学习结构示意

图3为PWM整流器的电路图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-3，一种基于神经网络的PWM整流器故障诊断系统，其特征在于，包括如下步骤：一) 收集整流器运行参数的历史数据，包括整流器正常运行数据与整流器故障数据；二) 整理所述步骤A) 整流器运行参数历史数据并形成样本，样本的格式为：每一条数据按输入- 输出对模式组织，输入为整流器运行参数，输出为整流器定子电流，样本分为训练样本和检测样本两部分；三) 根据所述步骤B) 的样本设计神经网络的结构；四) 使用所述步骤C) 神经网络对实时检测数据滤波消除检测噪声，复制神经网络，生成神经网络1和神经网络2，由神经网络2 先学习检测样本，将神经网络2 的输出作为神经网络1的输出期望值，根据神经网络2 对样本的学习结果更新神经网络权值，继续学习检测样本，同时提取神经网络1 输入层的输出权值向量，作为故障检测样本；五) 提取神经网络1 的输入层权值向量W1·，并针对其建立PCA 模型，对PCA 模型计算出相应的检测指标T2统计量和SPE，根据SPE 的值是否超出控制限判断整流器运行状态；六) 整理正常状态下和故障状态下样本输入时神经网络1 的输入层权值向量W1·形成的故障检测样本；七) 用六) 中的检测样本对五) 所得故障诊断模型进行反复检验，如果检验效果良好，则诊断模型有效，可以用于故障诊断，否则，则重新根据四)、五) 和六) 进行训练建模；八) 实时读取整流器的最新运行参数，将这些参数输入到所述神经网络中，将神经网络1的输出权值向量输入故障诊断模型，计算所得PCA 检测指标SPE 和T2是否满足置性指标。

步骤三) 采用神经网络，首先设计所述神经网络的输入值、输出值、层数、各层节点数和各层的激活函数；所述样本每次输入时训练神经网络的一个权值，一个样本要连续输入直到网络权值全部更新；神经网络依次接收所述训练样本进行训练，直到神经网络权值稳定。

整流器均为PWM整流器。

本发明的工作原理是：如图1 所示，样本制造收集整流器运行的历史数据，格式为：每一条数据按照输入—输出对的模式组织。输入为定子电压、转子电压、负载、整流器轴温、整流器定子溫度、转子转速，输出为定子电流；将全部样本的75％作为训练样本，余下的25％作为检测样本；

如图2 所示，设计神经网络的输入值、输出值、层数、各层节点数和各层的激活函数，神经网络采用四层神经网络，网络节点数为6-9-8-1。在上述神经网络结构下，为提高网络的训练速度和减少权值初始值选取不合理对训练的影响，这里每次样本输入时只训练一个权值，一个样本要连续输入直到网络中所有权值全部更新一遍，新型神经网络接收下一个训练样本，网络权值继续更新，直到神 经网络稳定。使用神经网络对样本滤波消除检测噪声，复制神经网络，生成神经网络1 和神经网络2，由神经网络2 先学习检测样本，将神经网络2的输出作为神经网络1 的输出期望值，根据神经网络2 对样本的学习结果更新神经网络权值，网络继续学习检测样本，同时提取神经网络1 输入层的输出权值向量；提取上述正常状态下和故障状态下样本输入时神经网络1 输入层权值向量W1·；

建立输入层权值向量W1·的PCA 模型( 主元分析模型)，并针对PCA 模型计算出其相应的检测指标Hotelling’s T2统计量( 以下简称T 2统计量) 和SPE( 平方预测误差，也称Q 统计量) ；假设x ∈ Rm表示具有m 个维度的权值向量( 即m 为权值向量x 的维数)，数据矩阵X ∈ Rn×m由n 个不同时刻的权值向量组成。将数据矩阵X 各列经过标准化处理成零均值和单位方差的变量，可以得到进行标准化后的权值向量x 的协方差矩阵S，并对该协方差矩阵特征值分解并按大小降序排列。协方差矩阵S 为：

其中，将数据矩阵X 各列经过标准化处理成零均值和单位方差的变量的方法是将

数据矩阵X 的每一列减去相应的变量均值并且除以相应的变量标准差。

根据PCA 模型将测量变量空间分成主元子空间和残差子空间两个正交且互补的子空间，任意一个样本向量均可分解成为在主元子空间和残差子空间上的投影，即PCA 模型将权值矩阵X ∈ Rn×m分解成建模部分和残差部分E 两个部分。

将数据矩阵T1各列经过标准化处理成零均值和单位方差的变量得到协方差矩阵S1，并对该协方差矩阵对角线元素按大小降序排列，对应矩阵T1也按此排序，并构造矩阵P1。协方差矩阵S1为：

根据T1和P 1的排序确定主元和残差。

其中，表示被建模部分；E 表示残差部分；P ∈ Rm×A为负载矩阵，是由S 的前A个特征向量组成的，A 表示主元的个数；T ∈ Rn×A为得分矩阵,T ＝ XP。

在PCA 模型中，针对PCA 模型需要计算出其相应的检测指标T2统计量和SPE，即T2和SPE，用SPE 指标衡量样本向量在残差空间投影的变化，用T2统计量衡量测量变量在主元空间中的变化。

其中，SPE 指标表达式为：

式中，I 为单位矩阵；表示置信水平为α 时SPE 的控制限。当SPE 在控制限内时，认为当前运转过程处于正常状态。当SPE 值超出了统计控制限时，代表当前运转过程发生了故障，SPE 值的变化代表着数据间相关性的变化。该控制限的计算公式为：

式中， λj为样本矩阵X 的协方差矩阵Σ的特征值，cα为标准正态分布在置信水平α 下的阈值，m 是样本x 的维数。

T2统计量表达式为：

其中，Λ ＝ diag{λ1,λ2,… ,λA}，表示置信度为α 的T2统计限。当T 2位于控制限内时，认为当前运转过程处于正常工作状态。

检测时，将检测样本输入到神经网络训练神经网络，每次训练完成后将提取神经网络1 的输入层输出权值向量，带入PCA 模型中，计算得到SPE 和T2在控制限内，则当前运转过程处于正常状态，否则判断运转过程发生了故障。

采用随时间加权算法对多PCA 模型中的各个T2统计量和SPE 两检测指标 进行优化，并根据优化后的检测指标T2统计量和SPE 对机械设备进行故障检测，检测得到过渡过程机械设备的故障数据，通过优化后的检测指标进行故障检测可以有效避免在工况过渡过程中出现故障误报。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1. 一种基于神经网络的PWM整流器故障诊断系统，其特征在于，包括如下步骤：一) 收集整流器运行参数的历史数据，包括整流器正常运行数据与整流器故障数据；二) 整理所述步骤A) 整流器运行参数历史数据并形成样本，样本的格式为：每一条数据按输入- 输出对模式组织，输入为整流器运行参数，输出为整流器定子电流，样本分为训练样本和检测样本两部分；三) 根据所述步骤B) 的样本设计神经网络的结构；四) 使用所述步骤C) 神经网络对实时检测数据滤波消除检测噪声，复制神经网络，生成神经网络1和神经网络2，由神经网络2 先学习检测样本，将神经网络2 的输出作为神经网络1的输出期望值，根据神经网络2 对样本的学习结果更新神经网络权值，继续学习检测样本，同时提取神经网络1 输入层的输出权值向量，作为故障检测样本；五) 提取神经网络1 的输入层权值向量W1·，并针对其建立PCA 模型，对PCA 模型计算出相应的检测指标T2统计量和SPE，根据SPE 的值是否超出控制限判断整流器运行状态；六) 整理正常状态下和故障状态下样本输入时神经网络1 的输入层权值向量W1·形成的故障检测样本；七) 用六) 中的检测样本对五) 所得故障诊断模型进行反复检验，如果检验效果良好，则诊断模型有效，可以用于故障诊断，否则，则重新根据四)、五) 和六) 进行训练建模；八) 实时读取整流器的最新运行参数，将这些参数输入到所述神经网络中，将神经网络1的输出权值向量输入故障诊断模型，计算所得PCA检测指标SPE 和T2是否满足置性指标。

2.根据权利要求1所述的一种基于神经网络的PWM整流器故障诊断系统，其特征在于，所述步骤三) 采用神经网络，首先设计所述神经网络的输入值、输出值、层数、各层节点数和各层的激活函数；所述样本每次输入时训练神经网络的一个权值，一个样本要连续输入直到网络权值全部更新；神经网络依次接收所述训练样本进行训练，直到神经网络权值稳定。

3.根据权利要求1所述的一种基于神经网络的PWM整流器故障诊断系统，其特征在于，所述整流器均为PWM整流器。