崔博文，陶成蹊，田 維

(集美大學(xué)輪機工程學(xué)院，福建 廈門 361021)

0 引言

傳統(tǒng)艦船的動力系統(tǒng)和電力系統(tǒng)是相對獨立的，動力系統(tǒng)通常由常規(guī)的熱機和其他機械裝置構(gòu)成,電力系統(tǒng)一般是作為輔助能源，與艦船推進并沒有直接的關(guān)聯(lián)。將電力系統(tǒng)與推進系統(tǒng)結(jié)合是近20年來新發(fā)展的艦船電力推進新技術(shù)，電力作為艦船推進動力逐步成為現(xiàn)代艦船推進系統(tǒng)明晰的發(fā)展方向[1]。電力電子器件及變換器的引入，使艦船電能的產(chǎn)生、輸配及利用發(fā)生了根本性的改變，并由此出現(xiàn)了全電艦船(all-electric ship，AES)[2]。逆變器作為全電船中的關(guān)鍵核心器件，主要用于將船上發(fā)電機產(chǎn)生的定頻、定幅值交流電轉(zhuǎn)換成不同頻率不同電壓幅值的交流電，用于驅(qū)動推進船舶電機及其他輔機。雖然逆變器使用已經(jīng)非常成熟，但逆變器自身由于結(jié)構(gòu)復(fù)雜且長期承受高應(yīng)力作用，導(dǎo)致逆變器更易于發(fā)生故障[2]。因此，為了確保船舶電力驅(qū)動系統(tǒng)高效、連續(xù)、可靠運行，逆變器故障診斷問題引起了國內(nèi)外眾多研究者的關(guān)注。研究發(fā)現(xiàn)，逆變器中的功率半導(dǎo)體器件及其驅(qū)動電路是最容易發(fā)生故障的薄弱環(huán)節(jié)。逆變器中的功率半導(dǎo)體器件故障一般分為開路故障和短路故障。短路故障不僅導(dǎo)致逆變器損壞，往往還會造成不正常過流，進一步導(dǎo)致其他器件損壞。為了快速檢測器件短路故障，需要設(shè)置專用的硬件保護電路，慣常的處理辦法是利用快速熔斷器實現(xiàn)器件短路故障保護，在這種情況下，器件短路故障就等同于開路故障[3]。功率半導(dǎo)體器件開路故障往往會引起轉(zhuǎn)矩脈動，同時會引起其他器件二次損壞，甚至導(dǎo)致驅(qū)動系統(tǒng)停機[4]。因此，逆變器故障診斷對于提高驅(qū)動系統(tǒng)可靠性具有重要價值。

逆變器故障診斷方法一般分為基于模型的故障診斷方法、基于信號的故障診斷和基于知識的故障診斷方法?；谀Ｐ偷墓收显\斷方法依賴系統(tǒng)模型，由于電機參數(shù)的不確定性很難精確建模，而建模誤差往往會造成誤診斷[5]?；谥R的故障診斷方法需要建立完備知識庫，而知識庫的建立難以考慮系統(tǒng)存在的各種工況，對于系統(tǒng)新工況下發(fā)生的故障就難以識別[6]?；谛盘柼幚淼墓收显\斷方法無需準確的數(shù)學(xué)模型，僅僅依賴于逆變器輸出的三相電壓或電流信號，開關(guān)器件發(fā)生故障后，逆變器輸出的三相電壓或電流就由原來的對稱信號變?yōu)榉菍ΨQ信號，因此對逆變器輸出信號進行處理就可以獲得與故障開關(guān)器件對應(yīng)的故障特征。文獻[7]提出了一種基于譜分析和快速傅里葉變換(FFT)的故障診斷方法，利用FFT對逆變器輸出電流信號進行處理，利用獲得的諧波分量進行開路故障診斷。文獻[8]利用FFT獲得特定階次諧波幅值作為故障特征，然后建立一個復(fù)雜的故障分類算法,實現(xiàn)故障定位。由于逆變電路故障模式過多，傳統(tǒng)的故障分類算法方法過于復(fù)雜。另外，由于信號存在諧波影響，現(xiàn)有的傳統(tǒng)FFT很難實現(xiàn)整周期同步采樣，會造成譜泄露、柵欄效應(yīng)以及譜估計誤差，進而引起誤診斷。因此，本文在現(xiàn)有研究基礎(chǔ)上，利用小波對逆變器輸出的電流信號進行處理，獲得故障特征，結(jié)合支持向量機實現(xiàn)故障分類。

1 三分類支持向量機基礎(chǔ)

支持向量機是一種監(jiān)督學(xué)習(xí)算法，早期主要用于二分類問題。雖然多分類問題可分解為多個二分類問題，采用一對一(one-against-one)或一對多(one-against-all)策略的二分類支持向量機實現(xiàn)分類[9-10]。然而，多分類支持向量機的分類機器僅考慮需要分類的這兩類數(shù)據(jù)，而忽略了其他類型數(shù)據(jù)，造成分類錯誤[11]。同時，隨著分類總數(shù)的增加，采用這些策略進行分類往往會增加更多的運算量，且分類精度也不高[12-13]。為提高分類效果，改善泛化性能，文獻[12]利用所有樣本數(shù)據(jù)構(gòu)建分類平面，提出了K分類支持向量機(support vector classification-regression for K-class classification purposes，K-SVCR)，并進一步提出了三分類支持向量機(tri-class support vector machines)[11]。K分類支持向量機和三分類支持向量機在多分類問題上已經(jīng)表現(xiàn)出良好的性能。三分類支持向量機作為一種多分類支持向量機，也是在二分類SVM(support vector machine)基礎(chǔ)上發(fā)展起來的一種分類算法，其具體算法如下。

對于訓(xùn)練集Z=(x,y)=((x1,y1),(x2,y2),…,(xn,yn))，xi∈Rm?Ω為分類數(shù)據(jù)，yi∈{+1,-1,0}為數(shù)據(jù)類別標(biāo)記。為實現(xiàn)數(shù)據(jù)分類，定義特征空間為F，該特征空間數(shù)據(jù)由核函數(shù)k(xi,xj)=〈φ(xi),φ(xj)〉通過內(nèi)積生成，φ為非線性映射函數(shù)，實現(xiàn)將輸入空間數(shù)據(jù)映射到高維特征空間。通過在特征空間F中構(gòu)建一個超平面h(x,ω)=〈ω,φ(x)〉+b，該超平面將特征數(shù)據(jù)分為三類，并尋找超平面決策函數(shù)f(x,ω)=sign(h(x,ω))，使超平面決策函數(shù)輸出[11]滿足式(1)：

(1)

式中：p=1,2,…,l;l為樣本數(shù)據(jù)總數(shù);l1為決策函數(shù)輸出值為+1的樣本數(shù)據(jù)總數(shù);l2為決策函數(shù)輸出值為-1的樣本數(shù)據(jù)總數(shù);l-l1-l2為決策函數(shù)輸出值為0的第3類樣本數(shù)據(jù)總數(shù)。

為了使超平面具有正確、良好的數(shù)據(jù)分類功能，就必須確保最優(yōu)分類超平面距離最近的樣本點的距離最大，這樣的問題最終轉(zhuǎn)化為在特定約束條件下的二次規(guī)劃形式的優(yōu)化問題，即

(2)

約束條件為

(3)

2 開關(guān)器件開路故障及故障特征提取

2.1 開關(guān)器件開路故障分析

圖1 逆變器供電的電動機驅(qū)動系統(tǒng)Fig.1 Topology of Inverter-fed motor drive system

逆變器供電的電機驅(qū)動系統(tǒng)如圖1所示。為防止該系統(tǒng)因開關(guān)器件短路引起逆變器損毀，在硬件設(shè)計上，確保每個開關(guān)器件(VT1～VT6)與快速熔斷器(F1～F6)串聯(lián)，這樣因各種原因引起開關(guān)器件短路就等同于器件開路故障。本文所研究的開關(guān)器件開路故障指任何時候只有一個開關(guān)器件發(fā)生開路故障，而其他開關(guān)器件正常工作，與故障開關(guān)元件并聯(lián)的續(xù)流二極管是否工作取決于該相電流極性。比如，當(dāng)開關(guān)器件VT1發(fā)生開路故障時，如果a相電流ia>0，則與開關(guān)器件VT4并聯(lián)的二極管續(xù)流，當(dāng)a相電流ia<0時，與開關(guān)器件VT1并聯(lián)的二極管續(xù)流。為便于研究，開關(guān)器件VT1、VT2、VT3、VT4、VT5、VT6開路故障分別表示為F1、F2、F3、F4、F5、F6，無故障模式表示為F0。

2.2 逆變器故障特征提取

任一開關(guān)器件發(fā)生開路故障都會直接影響三相電流波形，因此逆變器輸出三相電流包含著豐富的故障特征，通過對逆變器不同開關(guān)器件故障下的三相電流分析與處理，可獲得不同故障狀態(tài)下的故障特征。由于故障后逆變器輸出三相電流就不再平衡，而對稱分量方法則認為不平衡的三相電壓或電流系統(tǒng)可分解為三相對稱的正序、負序及零序?qū)ΨQ分量，這就為故障狀態(tài)下的三相電流分析與處理提供了極大的方便。

利用對稱分量變換三相電壓或電流系統(tǒng),ua，ub，uc可分解為零序、正序和負序?qū)ΨQ分量。

(4)

式中：α=ej2π/3；u0，u1，u2分別為正序、負序和零序?qū)ΨQ分量。

正序瞬時值分量是一個復(fù)數(shù)，由于其實部包含了三相電壓，因此取其實部進行小波分析就足以反映整個系統(tǒng)特性。利用小波對故障后系統(tǒng)正序瞬時值實部進行一維12層分解，獲得各頻帶子信號，然后對各頻帶子信號進行重構(gòu)，得到各頻帶重構(gòu)系數(shù)Dj(j=1,2,…,12)，計算各頻帶小波包能量EDj(j=1,2,…,12)，對小波包能量按式(5)進行歸一化處理，并將其作為故障特征，即

Λ=[ED1/E,ED2/E,…,ED12/E]。

(5)

3 基于三分類SVM的逆變器故障分類實現(xiàn)

對于圖1所示的驅(qū)動系統(tǒng)，其具體參數(shù)為:角頻率ω=100 πrad/s；載波比R=18；調(diào)制系數(shù)M=0.85；輸入直流電壓U=632 V。電機參數(shù)為:Rs=2.15 Ω；Rr=2.33 Ω；Lm=0.2025 H；Lr=0.025 H；J=0.008 kg·m2；負載轉(zhuǎn)矩TL=20 N·m。

圖2 故障三分類SVM流程圖Fig.2 Flow chart of tri-class SVM for fault diagnosis

首先根據(jù)電路的性質(zhì)和電流波形特點對逆變器功率開關(guān)元件進行分組，把VT1、VT3、VT5設(shè)為一組，VT2、VT4、VT6設(shè)為二組，VT1、VT2設(shè)為a組，VT3、VT4設(shè)為b組，VT5、VT6設(shè)為c組。利用兩個三分類支持向量機對故障進行定位，診斷流程如圖2所示。以定位F0，F(xiàn)1，F(xiàn)6為例進行說明。定位F0：當(dāng)支持向量機SVM01輸出標(biāo)簽為1時，可以定位F0。定位F1：當(dāng)支持向量機SVM01輸出標(biāo)簽為2時，測試數(shù)據(jù)繼續(xù)進入支持向量機SVM02，當(dāng)SVM02輸出標(biāo)簽為4時，可以結(jié)合標(biāo)簽2和標(biāo)簽4，定位F1。定位F2：當(dāng)支持向量機SVM01輸出標(biāo)簽為3時，測試數(shù)據(jù)繼續(xù)進入支持向量機SVM02，當(dāng)SVM02輸出標(biāo)簽為6時，可以結(jié)合標(biāo)簽3和標(biāo)簽4，定位F6。

基于三分類SVM的多故障分類流程圖如圖2所示。SVM01對a組故障、b組故障和c組故障進行分類。其中：a組故障包括VT1、VT2單管故障；b組故障包括VT3、VT4單管故障；c組故障包括VT5、VT6單管故障。a組故障類別標(biāo)簽為4，b組故障類別標(biāo)簽為5，c組故障類別標(biāo)簽為6。每種標(biāo)簽所對應(yīng)的訓(xùn)練數(shù)據(jù)為20組，測試數(shù)據(jù)為20組。標(biāo)簽4對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是VT1、VT2單管故障的特征值，訓(xùn)練集數(shù)據(jù)20組，VT1故障和VT2故障各取10組；測試集數(shù)據(jù)20組，VT1故障和VT2故障各取10組。標(biāo)簽5對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是VT3、VT4單管故障的特征值，訓(xùn)練集數(shù)據(jù)20組，VT3故障和VT4故障各取10組；測試集數(shù)據(jù)20組，VT3故障和VT4故障各取10組。標(biāo)簽6對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是VT5、VT6單管故障的特征值，訓(xùn)練集數(shù)據(jù)20組，VT5故障和VT6故障各取10組；測試集數(shù)據(jù)20組，VT5故障和VT6故障各取10組。具體故障定位規(guī)則參見表1，表1中0代表定位該故障類別不需此標(biāo)簽，其他標(biāo)簽表示定位該故障類別需要此標(biāo)簽。以定位F5為例：如果SVM01輸出標(biāo)簽2，而SVM02輸出標(biāo)簽6，則定位F5。

圖3是SVM01的訓(xùn)練結(jié)果圖。SVM01對無故障、上、下故障進行分類，其中上故障包括VT1，VT3，VT5，下故障包括VT2，VT4，VT6。無故障類別標(biāo)簽為1，上故障類別標(biāo)簽為2，下故障類別標(biāo)簽為3。每種標(biāo)簽所對應(yīng)的訓(xùn)練數(shù)據(jù)為20組，測試數(shù)據(jù)為20組。標(biāo)簽1的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是無故障的特征值，訓(xùn)練集數(shù)據(jù)20組，測試集數(shù)據(jù)20組。標(biāo)簽2訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是VT1，VT3，VT5單管故障的特征值，其中訓(xùn)練集數(shù)據(jù)：VT1故障取7組；VT3故障取7組；VT5故障取6組。測試集數(shù)據(jù)：VT1故障取7組；VT3故障取7組；VT5故障取6組。標(biāo)簽3訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是VT2，VT4，VT6單管故障的特征值，其中訓(xùn)練集數(shù)據(jù)：VT2故障取7組；VT4故障取7組；VT6故障取6組。測試集數(shù)據(jù)：VT2故障取7組，VT4故障取7組，VT6故障取6組。由圖3可知有3類的錯分到2類兩個，仿真實驗測試準確率為96.67%。

表1 故障定位規(guī)則

圖4是SVM02的訓(xùn)練結(jié)果圖。每種標(biāo)簽所對應(yīng)的訓(xùn)練數(shù)據(jù)為20組，測試數(shù)據(jù)為20組。標(biāo)簽4對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是VT1、VT2單管故障的特征值，訓(xùn)練集數(shù)據(jù)20組，VT1故障和VT2故障各取10組；測試集數(shù)據(jù)20組，VT1故障和VT2故障各取10組。標(biāo)簽5對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是VT3、VT4單管故障的特征值，訓(xùn)練集數(shù)據(jù)20組，VT3故障和VT4故障各取10組；測試集數(shù)據(jù)20組，VT3故障和VT4故障各取10組。標(biāo)簽6對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是VT5、VT6單管故障的特征值，訓(xùn)練集數(shù)據(jù)20組，VT5故障和VT6故障各取10組；測試集數(shù)據(jù)20組，VT5故障和VT6故障各取10組。由圖4可知有6類的錯分到第5類一個，仿真實驗測試準確率為98.33%。

圖5為故障測試結(jié)果。測試數(shù)據(jù)為每種故障模式各取10組故障特征值，共70組數(shù)據(jù)。由圖5可知F5的錯分3個到F3，F(xiàn)6錯分1個到F5,故障測試準確率為94.29%。

4 結(jié)論

本文研究了船用逆變器功率開關(guān)器件故障診斷問題。利用小波包分解對逆變器開關(guān)器件故障后的瞬時值對稱分量進行分解，小波包能量經(jīng)規(guī)范化后作為故障特征，然后利用三分類SVM對故障進行分類，實現(xiàn)了故障分離。研究表明，相對于傳統(tǒng)的二分類SVM分類方法，三分類SVM能有效減少分類次數(shù)。通過選取相關(guān)度最高的特征值，可有效提高故障診斷正確率。仿真結(jié)果驗證了本文診斷方法的有效性。