CN113850154A - 基于多模态数据的逆变器igbt微小故障特征提取方法 - Google Patents
基于多模态数据的逆变器igbt微小故障特征提取方法 Download PDFInfo
- Publication number
- CN113850154A CN113850154A CN202111038212.5A CN202111038212A CN113850154A CN 113850154 A CN113850154 A CN 113850154A CN 202111038212 A CN202111038212 A CN 202111038212A CN 113850154 A CN113850154 A CN 113850154A
- Authority
- CN
- China
- Prior art keywords
- inverter
- data
- voltage
- igbt
- extracting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
- H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
- H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
- H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
- H02M7/483—Converters with outputs that each can have more than two voltages levels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Inverter Devices (AREA)
Abstract
本发明涉及一种基于多模态数据的逆变器IGBT微小故障特征提取方法,包括以下步骤:1)建立两电平牵引逆变器暂态模态的等效二阶系统,并对等效二阶系统表达式进行参数辨识;2)通过Elman神经网络对逆变器输出电压数据进行模态划分;3)提取每个暂态模态中相应的微小故障特征参数,包括电压超调量σ、峰值时间tp以及电压斜率绝对值Δ;4)提取每个稳态模态中的电压稳态值Vstab;5)根据提取得到的IGBT微小故障的特征参数进行故障检测。与现有技术相比,本发明具有易于实现、节约成本、降低噪声干扰、提高模态分类准确性、准确提取和故障检测等优点。
Description
技术领域
本发明涉及逆变器故障检测领域,尤其是涉及一种基于多模态数据的逆变器IGBT微小故障特征提取方法。
背景技术
常用两电平牵引逆变器中的IGBT在长期运行过程中由于受到电压、电流的累积作用,线路电磁波的干扰作用,模块内部各部分材料热膨胀系数不一样而在界面产生的热应力作用,从而会产生键合线断裂、焊料层疲劳等微小故障,若不对这些微小故障进行及时有效的检测,听任故障发展,最终将演变成短路或断路等显著故障,对系统运行造成不利影响。与显著故障相比,IGBT微小故障具有故障特征值小、故障发展缓慢、故障特征易被未知扰动和噪声掩盖等特点,其检测难度更高。因此,选取合适的能够反映IGBT微小故障的故障特征变量,并且从这些故障特征变量中准确地提取故障特征参数,对于准确检测微小故障具有决定性的作用。
近年来,国内外专家学者对IGBT微小故障检测方法进行了广泛而深入的研究,已经确定了部分能够明确表征IGBT微小故障的故障特征变量,包括集射极饱和导通压降VCE(on)、门极电压VGE、开通阈值电压VGE(th)、关断时间toff、开通时间ton、结壳热阻Rth、结温Tj等,但是这些已知的故障特征变量,都需要在逆变器内部的IGBT模块上安装相应的传感器来获得,这不仅增加了系统的复杂程度,而且提高了采样难度,不便于及时获取故障特征信息。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多模态数据的逆变器IGBT微小故障特征提取方法。
本发明的目的可以通过以下技术方案来实现:
一种基于多模态数据的逆变器IGBT微小故障特征提取方法,用以提取能够反映逆变器中IGBT微小故障的特征参数用于后续的故障检测,包括以下步骤:
1)建立两电平牵引逆变器暂态模态的等效二阶系统,并对等效二阶系统表达式进行参数辨识;
2)通过Elman神经网络对逆变器输出电压数据进行模态划分;
3)提取每个暂态模态中相应的微小故障特征参数,包括电压超调量σ、峰值时间tp以及电压斜率绝对值Δ;
4)提取每个稳态模态中的电压稳态值Vstab;
5)根据提取得到的IGBT微小故障的特征参数进行故障检测。
所述的步骤1)具体包括以下步骤:
101)构建两电平牵引逆变器暂态模态的等效二阶系统传递函数,其表达式为:
其中,c1、c2均为传递函数的参数,s1、s2分别为传递函数G(s)的特征方程的根;
102)获取以设定采样间隔的阶跃信号作为系统输入时对应的阶跃响应;
103)将阶跃响应代入二阶差分方程求解,解得二阶差分方程的参数后计算获取传递函数的参数和特征方程的根,所述的二阶差分方程的表达式为:
g(t)+a1g(t+Δt)+a2g(t+2Δt)=0
其中,a1、a2为二阶差分方程的参数,g(t)、g(t+Δt)、g(t+2Δt)分别为t、t+Δt、t+2Δt采样时刻的阶跃响应,Δt为采样间隔。
所述的步骤2)具体包括以下步骤:
201)将一批次的逆变器原始工作模态数据,即原始输出电压数据切分为s个时间片,得到由s个数据元组xi组成的数据集Xset,所述的数据元组作为逆变器工作模态的分类特征参数,其中,为原始工作模态数据的平均值;
202)将所有n个批次的数据集合并形成训练样本集Sample_Set,将训练样本集Sample_Set作为Elman神经网络的输入数据集并进行训练;
203)根据训练好的Elman神经网络对逆变器输出电压数据进行模态划分。
所述的步骤201)中,每个数据集Xset至少包含一个完整的工作模态切换周期,包括6个暂态模态和6个稳态模态。
所述的步骤3)包括暂态参数计算和权值融合两个过程,即,对于电压暂态模态,首先分别在原始输出电压数据和参数辨识系统数据中计算超调量和峰值时间,然后将两个超调量和峰值时间按照权重进行融合平均,最后通过组合计算得到电压斜率绝对值Δ。
所述的步骤3)具体包括以下步骤:
301)提取原始输出电压数据中的前k个大电压值组成最大值集合Vmax,并以此计算原始数据超调量σDataset,则有:
其中,avg(Vmax)为最大值集合的平均值,Vnorm为暂态模态对应的基准电平;
将最大值集合Vmax中各电压值对应的时刻组成峰值时刻集合,对峰值时刻集合的时刻求取均值,则从原始输出电压数据中提取的峰值时间为:
tp_Dataset=avg(tmax)-t0
其中,tp_Dataset为峰值时间,avg(tmax)为峰值时刻集合的时刻均值,t0为暂态起始时刻;
302)根据辨识后的等效二阶系统传递函数得到阻尼比ξ,计算得到系统超调量σSystem和峰值时间tp_System,则有:
其中,ωn为无阻尼自振频率;
303)分别确定原始数据信息的融合权值α和辨识系统信息的融合权值β,并根据融合权值获取融合后的电压超调量σ和峰值时间tp,则有:
σ=avg(σDataset,σSystem)=α'×σDataset+β'×σSystem
tp=avg(tp_Dataset,tp_System)=α'×tp_Dataset+β'×tp_System
其中,α'、β'分别为归一化后的融合权值;
304)通过非线性组合计算得到暂态模态电压斜率绝对值Δ,则有:
所述的步骤303)中,原始数据信息的融合权值α的表达式为:
其中,size(Dataset)为实际数据量大小,k为原始输出电压数据中选取大电压值的总数,ti、ti+1分别表示第i和i+1个大电压值对应的时刻。
所述的步骤303)中,辨识系统信息的融合权值β的表达式为:
β=e-L
其中,e为自然对数,L为反映辨识系统中参数主要误差的损失函数。
所述的步骤4)具体为:
获取IGBT模块不同温度下输出特性曲线的交点坐标,则交点的横坐标值即为不受结温影响的IGBT饱和导通压降,该不受结温影响的IGBT饱和导通压降仅与IGBT模块的微小故障状态相关,使逆变器中IGBT模块工作在此不受结温影响的IGBT饱和导通压降下,采集逆变器输出电压对应的稳态电压值Vstab。
实现该逆变器IGBT微小故障特征提取方法的提取系统包括:
逆变器等效二阶系统参数辨识模块:用以构建两电平牵引逆变器暂态模态的等效二阶系统并进行参数辨识;
逆变器工作模态划分模块:用以通过Elman神经网络对逆变器输出电压数据进行模态划分;
暂态特征提取模块及稳态特征提取模块:用以分别提取各暂态模态和稳态模态的故障特征,包括电压超调量σ、峰值时间tp以及电压斜率绝对值Δ和电压稳态值Vstab。
与现有技术相比,本发明具有以下优点:
(1)本发明在逆变器系统输出层面,直接采集逆变器输出端的三相电压作为故障特征变量,并对三相电压数据进行处理,获得相应的暂态和稳态故障特征参数,避免了在逆变器内部安装传感器,在工程上更易于实现,更节约成本。
(2)本发明提出了一种基于系统参数辨识方法获取的辨识特征与原始数据特征相结合的特征参数提取方法,既降低了数据噪声的干扰,又避免了参数辨识失误而影响特征提取效果。
(3)本发明提出的基于Elman神经网络的逆变器工作模态划分方法,将工作模态数据和历史数据相结合,极大提高了模态分类的准确性,解决了模态误分类的问题。
(4)本发明提出了一种有效的特定集电极电流下饱和导通压降提取方法,实现了对逆变器电压类稳态微小故障特征的精确提取。
附图说明
图1为本发明的系统结构框图。
图2为两电平逆变器主电路拓扑及非理想IGBT内部结构。
图3为两电平逆变器开关情形下阶跃响应输出波形及四个故障特征参数展示图。
图4为方波控制的两电平逆变器单相输出相电压工作模态划分示意图。
图5为Elman神经网络训练数据获取示意图。
图6为电压暂态模态微小故障特征参数提取流程图。
图7为IGBT模块不同温度下输出特性曲线。
图8为Elman神经网络的工作模态分类结果。
图9为正常工作状态和微小故障状态下特征参数三维分布对比图。
图10为正常工作状态和微小故障状态下特征参数二维分布对比图。
具体实施方式
本发明提供一种基于多模态数据的逆变器IGBT微小故障特征提取方法,从逆变器系统的角度出发,通过分析IGBT微小故障对牵引逆变器输出端口特性的影响,选取能够反映IGBT微小故障的逆变器输出电压作为微小故障特征变量,然后根据故障前后逆变器输出电压信号的变化规律,提取出电压暂态信号特征参数和稳态信号特征参数,利用这些特征参数为后续IGBT微小故障检测提供基础保证。
如图1所示,本发明提出并设计了一种基于多模态数据的逆变器IGBT微小故障特征提取系统,该系统结构主要包括逆变器等效二阶系统参数辨识模块、逆变器工作模态划分模块、暂态特征提取模块及稳态特征提取模块,该系统主要是通过对两电平牵引逆变器的三相输出电压信号进行数据采集和处理,从中提取能够反映逆变器中IGBT微小故障的4个特征参数。
本发明的研究对象为由IGBT模块组成的两电平牵引逆变器,现有研究表明,为对IGBT模块微小故障进行有效检测,需充分考虑模块运行过程中的杂散参数分布情况,通过研究IGBT可靠性可知,微小故障的发生将会导致IGBT模块内部的杂散参数发生变化。为此,本发明作为研究对象的两电平牵引逆变器由六个计及杂散参数的非理想IGBT模块组成,其拓扑结构以及非理想IGBT模块的内部结构如图2所示。进一步分析非理想IGBT模块等效电路模型可知,在其处于开关工作情形下,逆变器系统可以等效为一个二阶系统,IGBT微小故障造成的杂散参数变化也将改变等效二阶系统阶跃响应的输出参数,主要体现在阶跃输出响应中暂态响应的超调量、峰值时间以及由两者组合计算得到的电压斜率绝对值发生改变,同时也会造成稳态响应幅值的改变。因此,本发明对采集到的逆变器输出电压信号进行处理,从中提取出暂态特征参数超调量σ、峰值时间tp和电压斜率绝对值Δ,以及稳态特征参数电压稳态值Vstab,二阶系统振荡波形及四个拟选择的故障特征参数如图3所示。
同时,为便于描述,本发明中逆变器采用方波控制方式,相应的逆变器输出相电压波形如图4所示,可以看到,两电平逆变器输出电压的一个周期内含有6种不同的稳态工作状态和6种不同的暂态振荡状态,因此需先对这12种不同的工作模态进行准确划分,然后便可在每个工作模态中提取相应的暂态故障特征参数和稳态故障特征参数。
基于上述系统,本发明进一步提出了一种基于多模态数据的逆变器IGBT微小故障特征提取方法,包括以下步骤:
(1)建立逆变器的等效二阶参数辨识系统,求解等效二阶系统表达式。
通过将逆变器对应的二阶系统参数辨识出来,既可以将其作为模态划分模块的输入参数,实现模态的分类,也可以根据辨识参数计算暂态特征参数超调量和峰值时间,具体步骤如下:
(101)任意二阶系统可以用二阶差分方程来表示,即:
g(t)+a1g(t+Δt)+a2g(t+2Δt)=0 (1)
其中a1、a2为与实际二阶系统相关参数。
设采样间隔为Δt,根据差分方程的传递形式,时间依次延迟Δt,可写出n个方程:
将上式写成矩阵形式:
Y=θX
如此,即可求得二阶系统参数a1、a2。
(102)同样地,假设逆变器暂态模态的等效二阶系统的传递函数G(s)特征方程的根记为s1、s2,则该二阶系统可表示为:
当系统输入为阶跃信号u(t)时,对应输出为阶跃响应g(t),其可表示为:
因此,采样间隔为Δt,t+Δt,t+2Δt,…,t+nΔt时刻的阶跃响应可分别表示为:
(103)将式(3)、(4)代入式(1)中,可得:
要使得方程(5)成立,则方括号内取值为0,即:
对应可求得:
s1=lnx1/Δt,s2=lnx2/Δt
将x1、x2及t=0代入式(3)、(4)得:
对该式联合求解,可得c1、c2。
因此,求出二阶系统的参数a1、a2可以进一步求得式(2)对应的二阶系统参数s1、s2、c1、c2。
(2)基于Elman神经网络完成逆变器输出电压数据的模态划分。
两电平逆变器在进行工作模态划分时,模态切换的时序特性是一项非常显著的特征,某一模态的出现仅可能发生在固定的工作模态之后。而Elman神经网络是一种典型的反馈网络,能够完整存储前一时刻的神经元信息,可以很好地解决时序特征问题。利用Elman神经网络的承接层神经元直接记录了上一时刻隐含层的输出结果的特点,对模态分类结果进一步作出顺序限制,自适应地根据数据时序特征建立模型,具体步骤如下:
(201)经过步骤(1)二阶系统参数辨识后,原始采样数据能够利用辨识出的参数a1、a2描述部分数据分布情况,可作为Elman神经网络的输入参数。但参数辨识后消去了部分模态间的显著差异,无法对例如暂态模态d2和暂态模态d6的情况进行区分。原始数据中d2和d6数据分布在不同电压水平上,可对原始工作模态数据求取平均值通过比较平均值即可反映d2和d6模态的差别。同时,因为稳态模态的数据平均值稳定在逆变器的4个基准电平,而暂态模态的数据平均值稳定在各个基准电平之间,因此平均值同样可以很好地区分稳态模态和暂态模态。
(202)基于上述分类特征的分析,选定逆变器工作模态的分类特征参数为同时,将同一批需进行处理的数据切分为n个时间片,得到n个数据元组xi组成作为网络训练处理单元Xset的数据集,并将此作为Elman神经网络的输入数据集。
(203)在利用Elman神经网络对采集数据进行模态划分前,先对神经网络进行训练。如图5所示,对原始数据进行时间片划分、参数辨识和均值提取后,获得数据元组xm,若一批处理数据中包含s个时间片,得到s个数据元组,这s个数据组成网络训练处理单元Xset。共n批数据经过上述处理后,形成训练样本集Sample_Set,Sample_Set中包含n个网络训练处理单元Xset,每个Xset中至少包含一个完整的工作模态切换周期(6暂态和6稳态),而各个Xset之间可以不考虑其时序特性,进行各种训练-验证试验,让模型对数据的匹配效果达到最佳,同时使用k折交叉验证,进一步提高分类效果。
(3)根据步骤(2)划分得到的6个暂态模态,在暂态模态中提取相应的故障特征参数——电压超调量σ、峰值时间tp以及电压斜率绝对值Δ。
为了减小故障特征参数的误差,同时又能反映实际故障特点,该过程又分为暂态参数计算和权值融合两个主要过程。即对于电压暂态模态,分别在原始数据中和参数辨识系统中计算超调量和峰值时间,然后将两个超调量和峰值时间按照权重进行融合平均,最后通过两者组合计算得到电压斜率绝对值Δ。具体步骤如下:
(301)根据定义,信号超调量表示信号阶跃响应过冲最大值与系统稳定值比例,而峰值时间表示电压峰值对应时刻减去暂态起始时刻。为了减小干扰的影响,对原始电压数据取前k大电压值k的取值由实际数据量决定,组成最大值集合Vmax,根据公式(6)可计算原始数据超调量σDataset。
tp_Dataset=avg(tmax)-t0 (7)
(302)根据步骤(1)得到的a1、a2计算出参数s1、s2、c1、c2,得到二阶系统传递函数的标准形式:
由式(8)可以计算二阶系统阻尼比ξ,利用ξ可以计算系统超调量σSystem:
同样地,可以基于式(10)计算二阶系统的峰值时间如下:
(303)分别确定从原始数据计算得到的参数和从辨识系统中求取的参数的融合比例。
(3031)原始数据中参数偏差主要来自于各种扰动,提取最大k值的最理想情况为k个值连续,按索引依次求取的时间差均为采样间隔Δt,差值乘积为(Δt)k-1,为最小时间差积;提取最大k值的较差情况为k个值分散在一个工作模态周期的各段,按照索引号依次求取时间差后差值乘积最大,即size(Dataset)为实际数据量大小。
同时,在采样点最分散时,可获得最低得分,即令:
将最低与最高得分区间映射到[0,1]区间,则原始数据信息的融合权值α为:
根据上述公式,最理想时,α=1,当数据最分散时,α=0。
(3032)辨识系统中参数主要误差来源于辨识系统与实际系统的差异,损失函数L恰好反映了这一差异大小。当原始数据与辨识系统拟合效果好,数据完全匹配时,损失函数L最小值为0;当原始数据与辨识系统差异极大,在有限迭代次数内辨识结果不收敛,损失函数L可能非常大,甚至趋近于∞。
希望通过融合权值来反映辨识系统中超调信息的可信程度,可将辨识系统的损失函数取倒数作为系统得分,数据拟合越好,系统得分接近+∞;数据拟合越差,系统得分趋近于0。同时也将得分映射至[0,1]区间,采用以e为底的负指数函数可以实现。因此,辨识系统信息的融合权值β为:
β=e-L
对α、β进行归一化处理,得到α'、β':
所以,融合后的超调量σ为:
σ=avg(σDataset,σSystem)=α'×σDataset+β'×σSystem
融合后的峰值时间tp为:
tp=avg(tp_Dataset,tp_System)=α'×tp_Dataset+β'×tp_System
(304)在提取了系统超调量σ和峰值时间tp后,通过两者的非线性组合得到暂态模态电压斜率绝对值:
电压斜率特征虽然是由其它故障特征组合计算得到,但在采用诊断方法时并没有包含数据的非线性映射,所以能够为故障诊断带来新的判别信息。
综上所述,电压暂态过程的故障特征参数提取流程如图6所示。
(4)提取电压稳态模态中的电压稳态值。
逆变器中IGBT发生微小故障会导致IGBT的饱和导通压降VCE(on)发生改变,从而进一步影响逆变器输出电压稳态值Vstab发生改变。而VCE(on)不仅会受到IGBT模块微小故障的影响,同时还受到IGBT模块结温的影响,图7所示即为IGBT模块不同温度下输出特性曲线。为了消除不同结温对VCE(on)的影响,需要确定图7所示的IGBT模块不同温度下输出特性曲线的交点坐标(Valter,Ialter),该交点的横坐标值即对应特定集电极电流Ic下相应的VCE(on),为恒定值,均不受温度变化的影响。为此,针对IGBT模块而言,确定不受温度变化影响的VCE(on)的具体步骤如下:
(401)IGBT可等效成一个PiN二极管和一个MOSFET串联,VCE(on)由二极管与MOSFET的压降竞争决定。当Ic较小时,VCE(on)主要由二极管决定;当Ic较大时,VCE(on)主要由MOSFET决定,所求得的交点则为两者竞争的临界点。其中,在二极管主导时,IGBT电流与其两端电压的关系为:
式(11)中,VPiN为PiN二极管电压降,K为玻尔兹曼常数,T为IGBT绝对温度,q为电荷量,Da为双极性扩散系数,ni为载流子浓度,WN为N基区宽度,La为扩散长度,F(·)表示函数关系,JC为集电极电流密度。
(402)当MOSFET主导VCE(on)时,IGBT电流与其两端电压关系为:
式(12)中,VMOSFET为运行在线性区时穿过MOSFET沟道的压降,μni为沟道载流子迁移率,COX为金属氧化层电容,VG为栅极电压,VTH为阈值电压,p为元胞尺寸(IC=JCpZ,Z为正交于IGBT结构横截面长度),LCH为沟道扩散长度。
(403)IGBT的导通压降为PiN部分电压与MOSFET部分电压之和,即:
VCE(on)=VPiN+VMOSFET
不同电流流过IGBT时,电压的主导结构不同,导通压降可以近似仅通过VPiN或仅通过VMOSFET表达,电压主导结构变更时的临界点取值为(Valter,Ialter),即:
为了方便求解临界点,对上式求反函数得:
为了求解临界点,对式(14)以VCE(on)为变量求一阶导数,可以得到:
继续求二阶导数得:
只需要确定JC二阶导数与0值的交点,交点对应的VCE(on)即为不受结温影响的IGBT饱和导通压降,只与IGBT模块微小故障状态有关。令逆变器中IGBT模块工作在此集电极饱和导通压降下,采集逆变器输出电压相应的稳态电压值Vstab即不受温度变化的影响,可作为反映微小故障的特征参数。
(5)根据暂态模态特征和稳态模态特征进行微小故障检测
根据上述步骤可以提取得到逆变器输出电压6个暂态模态的暂态特征参数超调量、峰值时间和电压斜率绝对值,以及6个稳态模态的稳态特征参数稳态电压值。如要检测逆变器中某个开关管是否发生微小故障,则选取该开关管开关工作状态下对应的暂态和稳态模态,计算得到4个特征参数,利用PCA方法进行故障检测:
采用PCA方法对4个特征参数作进一步计算处理,得到PCA的两个统计量HotellingT2统计量和SPE(Squared Prediction Error)统计量,将这两个统计量与正常工作状态下的统计量控制限进行比较,可以得到下面的检测结果:
①SPE和T2都没有超过各自的控制限,该开关管没有发生故障;
②SPE和T2有一个超过其控制限,可以判断该开关管有微小故障发生。
为了验证本发明的有效性,按照图2所示的两电平牵引逆变器搭建了相应的仿真模型,表1和表2分别为非理想IGBT仿真参数和逆变器主电路仿真参数,对逆变器的三相输出电压按照本发明提出的方法进行采集和处理,得到验证结果。
表1非理想IGBT仿真参数
表2两电平逆变器主电路仿真参数
为了验证模态划分策略的有效性,采集逆变器输出相电压数据,设置采样间隔为0.01μs。依照步骤(1)和步骤(2)获取辨识参数及数据均值,再依照图5构成工作模态划分模型的输入量,在此基础上,训练Elman神经网络模型并使用k折交叉验证。取k=3,由此可得a相电压数据的工作模态划分结果如图8所示,计算得到模型精确度为0.99,可以看出,利用Elman神经网络能够对两电平逆变器的12种工作模态进行有效准确的划分。
为了验证所提取故障特征参数的有效性,分别采集正常状态和键合线断裂故障下的逆变器A相电压数据。假设模拟图1所示VT3模块发生键合线断裂故障,此时VT3模块发射极杂散参数RE由0.136Ω变为0.204Ω。选取其中100个周期的数据作为样本,根据所提方法计算每个周期内d3和s3模态的暂态特征参数和稳态特征参数,得到四个故障特征参数的平均值如表3所示。可以看到,尽管变化幅度很小,但是在微小故障发生后,所提取的四个特征参数较正常状态时都发生了相应的变化,即超调量变小,峰值时间变大,稳态电压值变大,符合理论分析结果。
表3逆变器微小故障特征参数提取结果
为进一步验证所提取故障特征参数的有效性,选取超调量、峰值时间和电压稳态值为三维坐标变量,由此形成的正常工作状态和微小故障状态下的故障特征值对比结果如图9所示。其中,蓝色圆形代表的是正常工作状态,红色三角形代表的是微小故障状态。由图可见,正常工作状态和微小故障状态下的特征参数分别聚类在不同空间,并且两种状态之间的界限清晰,不存在相互混杂的情况,由此表明,基于本发明所提出的方法提取而得的故障特征参数能够有效区分正常和故障状态。
同样地,为了更细致地体现提取故障特征参数的有效性,选取超调量和峰值时间为二维坐标变量,由此形成的正常工作状态和微小故障状态下的故障特征值对比结果如图10所示。在该平面内,正常工作状态下和微小故障状态下的特征参数同样聚类在两个不同的区域,尽管超调量特征值发生了几个样本的重叠,但仍然存在非常清晰的界限。结合图9的特征参数分布状况,同样可以得到,在IGBT发生微小故障之后,特征参数超调量变小,峰值时间变大,稳态电压值变大,与表三得到的结论一致,符合理论分析结果。
综上可知,本发明所提出的方法能够准确有效地提取四个故障特征参数,且基于此能够较为明显地区分微小故障状态和正常工作状态,为后续的故障检测提供较好的特征输入。
Claims (10)
1.一种基于多模态数据的逆变器IGBT微小故障特征提取方法,用以提取能够反映逆变器中IGBT微小故障的特征参数用于后续的故障检测,其特征在于,包括以下步骤:
1)建立两电平牵引逆变器暂态模态的等效二阶系统,并对等效二阶系统表达式进行参数辨识;
2)通过Elman神经网络对逆变器输出电压数据进行模态划分;
3)提取每个暂态模态中相应的微小故障特征参数,包括电压超调量σ、峰值时间tp以及电压斜率绝对值Δ;
4)提取每个稳态模态中的电压稳态值Vstab;
5)根据提取得到的IGBT微小故障的特征参数进行故障检测。
2.根据权利要求1所述的一种基于多模态数据的逆变器IGBT微小故障特征提取方法,其特征在于,所述的步骤1)具体包括以下步骤:
101)构建两电平牵引逆变器暂态模态的等效二阶系统传递函数,其表达式为:
其中,c1、c2均为传递函数的参数,s1、s2分别为传递函数G(s)的特征方程的根;
102)获取以设定采样间隔的阶跃信号作为系统输入时对应的阶跃响应;
103)将阶跃响应代入二阶差分方程求解,解得二阶差分方程的参数后计算获取传递函数的参数和特征方程的根,所述的二阶差分方程的表达式为:
g(t)+a1g(t+Δt)+a2g(t+2Δt)=0
其中,a1、a2为二阶差分方程的参数,g(t)、g(t+Δt)、g(t+2Δt)分别为t、t+Δt、t+2Δt采样时刻的阶跃响应,Δt为采样间隔。
4.根据权利要求3所述的一种基于多模态数据的逆变器IGBT微小故障特征提取方法,其特征在于,所述的步骤201)中,每个数据集Xset至少包含一个完整的工作模态切换周期,包括6个暂态模态和6个稳态模态。
5.根据权利要求2所述的一种基于多模态数据的逆变器IGBT微小故障特征提取方法,其特征在于,所述的步骤3)包括暂态参数计算和权值融合两个过程,即,对于电压暂态模态,首先分别在原始输出电压数据和参数辨识系统数据中计算超调量和峰值时间,然后将两个超调量和峰值时间按照权重进行融合平均,最后通过组合计算得到电压斜率绝对值Δ。
6.根据权利要求5所述的一种基于多模态数据的逆变器IGBT微小故障特征提取方法,其特征在于,所述的步骤3)具体包括以下步骤:
301)提取原始输出电压数据中的前k个大电压值组成最大值集合Vmax,并以此计算原始数据超调量σDataset,则有:
其中,avg(Vmax)为最大值集合的平均值,Vnorm为暂态模态对应的基准电平;
将最大值集合Vmax中各电压值对应的时刻组成峰值时刻集合,对峰值时刻集合的时刻求取均值,则从原始输出电压数据中提取的峰值时间为:
tp_Dataset=avg(tmax)-t0
其中,tp_Dataset为峰值时间,avg(tmax)为峰值时刻集合的时刻均值,t0为暂态起始时刻;
302)根据辨识后的等效二阶系统传递函数得到阻尼比ξ,计算得到系统超调量σSystem和峰值时间tp_System,则有:
其中,ωn为无阻尼自振频率;
303)分别确定原始数据信息的融合权值α和辨识系统信息的融合权值β,并根据融合权值获取融合后的电压超调量σ和峰值时间tp,则有:
σ=avg(σDataset,σSystem)=α'×σDataset+β'×σSystem
tp=avg(tp_Dataset,tp_System)=α'×tp_Dataset+β'×tp_System
其中,α'、β'分别为归一化后的融合权值;
304)通过非线性组合计算得到暂态模态电压斜率绝对值Δ,则有:
8.根据权利要求6所述的一种基于多模态数据的逆变器IGBT微小故障特征提取方法,其特征在于,所述的步骤303)中,辨识系统信息的融合权值β的表达式为:
β=e-L
其中,e为自然对数,L为反映辨识系统中参数主要误差的损失函数。
9.根据权利要求1所述的一种基于多模态数据的逆变器IGBT微小故障特征提取方法,其特征在于,所述的步骤4)具体为:
获取IGBT模块不同温度下输出特性曲线的交点坐标,则交点的横坐标值即为不受结温影响的IGBT饱和导通压降,该不受结温影响的IGBT饱和导通压降仅与IGBT模块的微小故障状态相关,使逆变器中IGBT模块工作在此不受结温影响的IGBT饱和导通压降下,采集逆变器输出电压对应的稳态电压值Vstab。
10.根据权利要求1所述的一种基于多模态数据的逆变器IGBT微小故障特征提取方法,其特征在于,实现该逆变器IGBT微小故障特征提取方法的提取系统包括:
逆变器等效二阶系统参数辨识模块:用以构建两电平牵引逆变器暂态模态的等效二阶系统并进行参数辨识;
逆变器工作模态划分模块:用以通过Elman神经网络对逆变器输出电压数据进行模态划分;
暂态特征提取模块及稳态特征提取模块:用以分别提取各暂态模态和稳态模态的故障特征,包括电压超调量σ、峰值时间tp以及电压斜率绝对值Δ和电压稳态值Vstab。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038212.5A CN113850154A (zh) | 2021-09-06 | 2021-09-06 | 基于多模态数据的逆变器igbt微小故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038212.5A CN113850154A (zh) | 2021-09-06 | 2021-09-06 | 基于多模态数据的逆变器igbt微小故障特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850154A true CN113850154A (zh) | 2021-12-28 |
Family
ID=78973425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111038212.5A Pending CN113850154A (zh) | 2021-09-06 | 2021-09-06 | 基于多模态数据的逆变器igbt微小故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850154A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115085571A (zh) * | 2022-08-18 | 2022-09-20 | 深圳戴普森新能源技术有限公司 | 逆变系统控制方法和保护电路 |
CN115392140A (zh) * | 2022-10-28 | 2022-11-25 | 北京航空航天大学 | 功率变换器中功率器件结温预测模型建立方法及装置 |
CN117031235A (zh) * | 2023-07-31 | 2023-11-10 | 中南大学 | 基于时域反射信号的igbt故障诊断方法及装置 |
-
2021
- 2021-09-06 CN CN202111038212.5A patent/CN113850154A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115085571A (zh) * | 2022-08-18 | 2022-09-20 | 深圳戴普森新能源技术有限公司 | 逆变系统控制方法和保护电路 |
CN115085571B (zh) * | 2022-08-18 | 2023-02-03 | 深圳戴普森新能源技术有限公司 | 逆变系统控制方法和保护电路 |
CN115392140A (zh) * | 2022-10-28 | 2022-11-25 | 北京航空航天大学 | 功率变换器中功率器件结温预测模型建立方法及装置 |
CN117031235A (zh) * | 2023-07-31 | 2023-11-10 | 中南大学 | 基于时域反射信号的igbt故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113850154A (zh) | 基于多模态数据的逆变器igbt微小故障特征提取方法 | |
CN110032975B (zh) | 一种地震震相的拾取方法 | |
CN110555479B (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
CN108171142B (zh) | 一种确定复杂工业过程中关键变量因果关系的方法 | |
CN113759225B (zh) | Igbt剩余寿命预测和状态评估实现方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN104700200A (zh) | 一种面向数字化车间的产品多元质量监控方法 | |
CN109524972B (zh) | 基于gso和svm算法的低频振荡参数估计方法 | |
CN103989462A (zh) | 一种脉搏波形第一特征点和第二特征点的提取方法 | |
CN110243595B (zh) | 一种基于LabVIEW的远程齿轮箱故障监测系统 | |
CN104810018B (zh) | 基于动态累积量估计的语音信号端点检测方法 | |
CN113484813B (zh) | 多环境应力下的智能电表故障率预估方法及系统 | |
CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组系统 | |
Yu | Parameter identification of photovoltaic cell model based on perturbation and observation and modified Gauss-Newton method | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN109039208A (zh) | 一种开关磁阻电机增量电感特性在线检测方法 | |
CN110298767A (zh) | 一种火力发电厂时间序列变量异常监测方法及系统 | |
CN108594035A (zh) | 一种负荷检测方法及系统 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
CN107748021A (zh) | 一种基于fpga的温度传感器动态测试方法 | |
CN113191075A (zh) | 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法 | |
CN103258144B (zh) | 基于故障录波器数据的在线静态负荷建模方法 | |
CN116992819B (zh) | 一种igbt结温估算方法及系统 | |
CN114490596B (zh) | 一种基于机器学习与神经网络的变压器油色谱数据清洗的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |