整流电路晶闸管RBF神经网络故障诊断研究_乔维德.pdf

第二十八卷 第三期，安徽电气工程职业技术学院学报 年 月 整流电路晶闸管 神经网络故障诊断研究乔维德（无锡开放大学，江苏 无锡）摘 要：为有效诊断和识别三相桥式全控整流电路中晶闸管故障，提高故障诊断精准度，采用对整流电路输出电压的采样数据进行晶闸管故障特征提取，建立晶闸管故障诊断的 神经网络模型。采用改进粒子群人工蜂群算法优化训练 神经网络。仿真实验分析表明，神经网络的实际输出与期望输出完全一致，具有良好的故障诊断识别效果，故障诊断准确率高、可靠性强，具有较强的工程实践指导价值。关键词：晶闸管；小波包分解；改进粒子群人工蜂群算法；神经网络；故障诊断中图分类号：；文献标识码：文章编号：（）收稿日期：作者简介：乔维德（），男，江苏宝应人，教授，研究方向为控制工程、高等教育。（，）：，：；引言三相桥式全控整流电路被广泛应用于电气设备中。三相桥式全控整流电路中的整流器件一般选择功率半导体开关元件 晶闸管（又名可控硅）。晶闸管是一种比较容易受到损坏而发生故障的器件，同时加之电气设备中安装的晶闸管数量众多，晶闸管发生故障前的征兆信息难以捕捉，故障发生后其故障信息又容易丢失，因此运行人员在确定晶闸管好坏过程中往往耗时费力，很难准确判断发生故障的晶闸管位置，当受到外界运行环境以及人为因素影响时，容易出现误诊、漏诊现象。为此，对三相桥式全控整流电路进行实时监测和故障诊断很有必要，人们在不断寻找合理、科学的三相桥式全控整流电路晶闸管故障诊断方案，从而能及时排查晶闸管开路或短路故障。近年来，基于神经网络的故障诊断技术越来越成为许多学者和工程技术人员的关注焦点和研究热点。朱延枫、王巍等人提出了基于 神经网络的安徽电气工程职业技术学院学报 第二十八卷 第三期三相桥式全控整流电路故障诊断方法，借助 软件建立故障诊断仿真模型。赵宁提出基于粒子群算法优化 神经网络的三相整流电路故障诊断策略。马立新、范丽君提出了基于小波包特征提取与 神经网络相结合的方法，对三相整流电路中故障晶闸管位置加以诊断和识别。付丽君等人提出一种小波包分解与 神经网络相结合并应用于电力电子装置故障诊断的方法。以上方法在整流电路晶闸管故障的实际诊断中取得了一定的效果，但仍存在明显的不足，如 算法收敛速度慢、计算时间长、搜索效率低，粒子群算法容易出现“早熟”现象，而且在没有完全搜索前容易陷入局部极值，影响整流电路晶闸管故障诊断的速度和准确率。为快速、准确诊断识别晶闸管故障，考虑到 神经网络相比 神经网络，具有更强的局部和全局逼近能力，且拓扑结构紧凑，收敛和泛化能力强，为此文章构建基于小波包变换和 神经网络的晶闸管故障智能诊断模型，应用于三相桥式全控整流电路的晶闸管故障诊断。整流电路晶闸管 神经网络故障诊断原理整流电路的晶闸管故障诊断原理模型如图 所示。诊断过程包括晶闸管故障数据采集及特征向量提取、神经网络优化训练、晶闸管故障诊断识别。为整流电路输出直流电压信号经过小波包分解、能量特征构造，并且进行归一化处理的故障特征向量。利用 神经网络设计整流电路晶闸管故障诊断模型，采取改进粒子群算法优化训练 神经网络。神经网络输入为 ，输出为 的组合编码分别对应晶闸管正常运行和晶闸管故障共 种状态。图 整流电路晶闸管故障故障诊断原理 晶闸管故障信号特征提取当整流电路晶闸管发生开路故障时，对输出直流电压信号进行小波包变换，将故障信号划分到不同频段，计算不同频带段内对应信号能量。文章选取 层小波包分解结构，如图 所示。图 三层小波包分解结构结点（，）为第 层第 个结点，；，。若小波包分解后第 层第 个频带重构信号设为（，），按公式（）计算对应信号能量。，()，()()（）式中，为重构信号（，）的离散点幅值，为信号采样点数。重构信号（，）总能量 乔维德：整流电路晶闸管 神经网络故障诊断研究按公式（）求取，为各频带信号能量总和。，()（）考虑到整流电路晶闸管故障对各频段信号能量会造成比较大的影响，根据式（）对各频段信号能量进行归一化处理。，()（）利用小波包分解法提取的整流电路晶闸管故障特征向量如下：（，）（）神经网络及其优化 神经网络由输入层、隐含层、输出层组成，其结构示意图如图 所示。图 神经网络结构示意图隐含层神经元节点采用高斯分布的径向基函数，输入 分别对应 ，网络第 个输出的计算公式为：（）式中，为输出层与隐含层间的连接权值，第 个径向基函数 为：（）（）式中，、分别为径向基函数的中心和宽度，为隐含层神经元个数。结构参数、对 神经网络故障诊断有较大影响，为此在参考文献，基础上提出一种改进粒子群人工蜂群算法，用来优化训练 神经网络。改进的粒子群人工蜂群算法，主要针对标准粒子群算法容易早熟而且易陷入局部极值的不足和问题，对粒子群算法进行了以下两项改进。首先，为避免早熟现象，采取更新惯性权重方法，使之随迭代次数自动调节更新，调节规则如公式（）所示。（）（）式中，、分别为惯性权重最大值、最小值；为当前迭代次数，为最大更新迭代次数。其次，为防止粒子群算法陷入局部极值，引入遗传变异因子，每次迭代后对粒子对按一定的变异概率安徽电气工程职业技术学院学报 第二十八卷 第三期 进行重新初始化处理，计算方法如公式（）。()()()()（）式中，为 之间随机值，由它决定粒子向着最大或最小位置方向变异。计算变异概率的公式如（）。()()（）（）式中，变异概率的初值和终值分别为、，保证变异概率按照余弦规律由小逐渐增大。整流电路晶闸管故障诊断算例 晶闸管故障编码图 为三相全控桥式晶闸管整流电路（电阻电感性负载），为整流电路输出端的直流脉动电压，它隐含着晶闸管是否存在故障的相关信息。考虑电路现场运行时一般 个以上晶闸管同时出现故障的机率较小，因此为简化分析过程，这里设定最多 只晶闸管同时产生开路故障。所以，三相全控桥式晶闸管故障可分为无晶闸管故障即正常运行状态、单个晶闸管开路故障、同一相或同一桥臂两个晶闸管开路故障、同极性或同一半桥两个晶闸管开路故障、交叉两个晶闸管开路故障共 种类型 种晶闸管状态情况。表 列出了具体故障类别及故障编码，其中、为晶闸管的故障类别编码，、为桥臂编码，为桥臂上的故障晶闸管编码。从表 中可以明显看出，同一桥臂或同一相两个晶闸管开路故障情况有 种，单个晶闸管开路故障、同极性或同一半桥两个晶闸管开路故障、交叉两只晶闸管开路故障均各有 种情况。图 三相全控桥式晶闸管整流电路表 晶闸管故障特征编码表故障类别故障编码故障管正常无单管开路故障乔维德：整流电路晶闸管 神经网络故障诊断研究续表故障类别故障编码故障管同一桥臂两管开路、同极性两管开路故障、交叉两管开路故障、晶闸管故障样本对于上述 种故障状态，输入 、三相整流电源，晶闸管触发角分别取为、情况下，采集一定时间（相位）的输出电压，通过小波包分解及归一化处理后，共得到 组故障数据。因为晶闸管故障发生前后的低频带特征量 变化不明显，本文选取 作为 神经网络的输入量，如表 所示（因版面只列出部分数据）。其中 故障样本用于 神经网络的训练样本，样本即最后 组故障样本为 神经网络的测试样本。表 晶闸管故障样本表样本输入样本期望输出故障晶闸管 无 、安徽电气工程职业技术学院学报 第二十八卷 第三期续表样本输入样本期望输出故障晶闸管 、神经网络优化训练及测试经过多次试验，改进粒子群人工蜂群算法的相关参数设置为：粒子群规模为，粒子群分成 组，每组 个，惯性权重的最大值取为，最小值取为，变异概率初值为，变异概率终值为，粒子群算法最大迭代次数为，人工蜂群算法的最大迭代次数为，网络训练目标误差为 。运用 工具软件，输入训练样本，利用改进粒子群人工蜂群算法优化训练网络，直至误差达到要求。神经网络训练完毕后，为检验训练网络的有效性和科学性，选取表 中的最后 组测试样本进行检验，测试结果如表 所示。从表 明显看出，网络实际输出值与期望输出故障特征编码完全一致，故障诊断识别准确率高，诊断结果令人满意。表 神经网络测试结果样本期望输出实际输出诊断结果 、开路 、开路 开路 、开路 开路 对比实验分析为验证本文提出的改进粒子群人工蜂群算法优化训练 神经网络的可行性，采用上述晶闸管故障数据样本，分别采取粒子群算法、粒子群人工蜂群算法、以及改进粒子群人工蜂群算法优化训练 神经网络，然后均选取 故障样本进行对比测试，对比测试结果如表 所示。通过对比分析表明，本文提出的方法在晶闸管故障诊断时具有训练速度快、训练误差小、诊断精度高的明显优势。表 不同算法指标比较表性能指标粒子群算法粒子群人蜂群算法改进粒子群人工蜂群算法训练时间 训练误差 诊断准确率 结束语文章提出一种基于小波包分解和改进粒子群人工蜂群算法的 神经网络模型，用来对三相全控桥式整流电路晶闸管开路故障进行诊断。实验结果分析表明，此方法精准定位晶闸管的故障位置，故障诊断快速、准确，极大地提高了整流电路晶闸管故障诊断的准确性、有效性及智能化，在电力电子电路的乔维德：整流电路晶闸管 神经网络故障诊断研究故障诊断技术领域具有较好的推广价值和应用前景。参考文献：朱延枫，王巍，佟绍成 神经网络在三相桥式全控整流电路故障诊断中的应用 电工电气，（）：赵宁 基于神经网络的三相整流电路故障诊断策略研究 国外电子测量技术，（）：马立新，范丽君 基于小波包神经网络的整流电路晶闸管故障识别 能源研究与信息，（）：付丽君，王光兴，任慧轩 小波包与径向基神经网络的电力电子装置故障诊断 沈阳理工大学学报，（）：乔维德 基于粒子群 蛙跳算法优化 神经网络的滚动轴承故障诊断方法 厦门理工学院学报，（）：乔维德 无刷双馈电机模糊神经网络 转速控制 上海电机学院学报，（）：乔维德 永磁直线同步电机伺服系统位置控制器设计 安徽电气工程职业技术学院学报，（）：责任编辑：郑安豫