王 瀚,周海峰,鄭東強(qiáng),林忠華,張興杰,關(guān)天敏

(1.集美大學(xué)輪機(jī)工程學(xué)院,福建 廈門 361021；2.福建省船舶與海洋工程重點(diǎn)實(shí)驗(yàn)室，福建 廈門 361021；(3.集美大學(xué)海洋裝備與機(jī)械工程學(xué)院，福建 廈門 361021；4.集美大學(xué)航海學(xué)院，福建 廈門 361021；5.集美大學(xué)海洋信息工程學(xué)院，福建 廈門 361021)

0 引言

在整流電路中，晶閘管作為整個(gè)電路的核心器件之一，如果出現(xiàn)了損壞，將嚴(yán)重影響電路的正常工作。為了確保電力電子設(shè)備正常穩(wěn)定地工作，有必要考慮有效的故障診斷方法[1]。目前關(guān)于整流電路的故障診斷方法有許多，如：直接檢測(cè)功率器件電壓電流法、譜分析法(spectral analysis)和專家系統(tǒng)(expert system)等[2]；利用主成分分析提取故障特征[3-4]，在低維空間有著良好表現(xiàn)；基于小波分析和馬氏距離的診斷方法在參數(shù)性故障及結(jié)構(gòu)性故障中準(zhǔn)確率更高[5]；采用分形神經(jīng)網(wǎng)絡(luò)的故障診斷的識(shí)別率都較高[6-7]；采用最小二乘支持向量機(jī)，可以實(shí)現(xiàn)整流電路的故障預(yù)測(cè)[8]；基于小波分析和隨機(jī)森林算法的整流電路診斷方法，有著較高的正確診斷率和較強(qiáng)的抗噪聲能力[9]。

本文以最常見(jiàn)的三相橋式全控整流電路作為故障診斷模型，提出了一種基于小波包分解(wavelet packet decomposition，WPD)和粒子群算法(particle swarm optimization，PSO)優(yōu)化概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)的整流電路故障診斷的方法。該方法首先對(duì)故障信號(hào)進(jìn)行小波包的分解和重構(gòu)，提取特征值；再通過(guò)設(shè)置PSO參數(shù)，對(duì)PNN進(jìn)行優(yōu)化，以便于找到合適的平滑因子σ，將數(shù)據(jù)放入PNN中，完成故障分類。

1 小波包分解

1.1 小波包算法

小波包分解在時(shí)域和頻域都具有很好的位置特征[10]，可以對(duì)信號(hào)進(jìn)行時(shí)頻分解，在不進(jìn)行多分辨率分析的情況下，進(jìn)一步分解高頻部分，使ωn滿足以下遞推雙尺度方程[11]：

(1)

式中：t、k為時(shí)間變量；hn和gn分別為比例系數(shù)和小波系數(shù)。

式(1)利用ω2n(t)和ω2n+1(t)將兩個(gè)連續(xù)的空間濾波分解為相對(duì)低頻和相對(duì)高頻兩個(gè)子帶的精細(xì)分解方法具有較好的時(shí)頻特性。子帶的小波包系數(shù)可以分解為：

(2)

其中:j為尺度因子；l為時(shí)間變量。

1.2 特征能量提取

經(jīng)過(guò)小波包分解后，所需頻帶能量的具體計(jì)算過(guò)程如下[12]。

重構(gòu)節(jié)點(diǎn)能量構(gòu)成特征向量為：G=[E1,E2…,Ej]。重構(gòu)信號(hào)的總能量，則歸一化向量可以表示為：G=[E1/E,E2/E,…,Ej/E]。

2 PNN和PSO概述

2.1 PNN結(jié)構(gòu)

PNN的基本結(jié)構(gòu)如圖2所示。與BP神經(jīng)網(wǎng)絡(luò)相比，PNN具有收斂快，穩(wěn)定性高的特點(diǎn)，因此，PNN比BP神經(jīng)網(wǎng)絡(luò)更適合電力電子電路故障診斷[13-15]。

基于PNN的故障診斷可以描述為：已知故障模式為A、B，故障特征樣本X=(x1,x2,…,xn)。若mAnAfA(X)>mBnBfB(X),則X∈A；若mAnAfA(X)

2.2 粒子群算法

粒子群優(yōu)化算法是一種群體智能算法[16],具體步驟如下。

步驟1 隨機(jī)初始化種群中每個(gè)粒子的位置Xi和速度Vi；

步驟2 計(jì)算每個(gè)粒子的個(gè)體適應(yīng)度值、個(gè)體最優(yōu)值,以及整個(gè)群體的全局最優(yōu)值；

步驟3 更新當(dāng)前粒子的速度和位置，Vij(t+1)=Vij(t)+c1r1(t)[pij(t)-xij(t)]+c2r2(t)[pgj(t)-xij(t)]；Xij(t+1)=Xij(t)+Vij(t+1)。其中:c1和c2為學(xué)習(xí)因子；r1和r2是屬于[0,1]之間的隨機(jī)數(shù)。

步驟4 進(jìn)行邊界條件處理。

步驟5 判斷是否滿足終止條件，若是，則輸出優(yōu)化結(jié)果；否則返回步驟2。

2.3PSO優(yōu)化PNN

平滑因子δ影響PNN的分類，根據(jù)經(jīng)驗(yàn)選擇平滑因子不能反映整個(gè)樣本空間的概率特征，分類精度較低。粒子群優(yōu)化算法可以在不需要任何先驗(yàn)知識(shí)的情況下發(fā)現(xiàn)系統(tǒng)內(nèi)部的潛在關(guān)系，因此，在故障診斷方面有著廣泛的應(yīng)用。經(jīng)過(guò)PSO優(yōu)化的PNN模型，可以對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練并選出最佳參數(shù)，從而提高了PNN的泛化性能，優(yōu)化流程如圖3所示。

3 基于WPD-PSO優(yōu)化PNN的故障診斷

3.1 故障分類

三相全控整流電路如圖4所示，其中電阻R為純電阻負(fù)載。晶閘管開路分為一只晶閘管開路、兩只晶閘管開路和三只晶閘管開路(不常見(jiàn)所以不予考慮)[18]。本文將正常運(yùn)行狀態(tài)也并入故障之一，故障類型見(jiàn)表1。

表1 故障類型

3.2 建立電路模型和能量特征提取

利用MATLAB 2017b Simulink 9.0仿真工具箱搭建仿真模型,選用ud作為分析故障信號(hào)，這是因?yàn)椋?)電壓容易測(cè)量；2)當(dāng)電路發(fā)生不同的故障時(shí)，ud的波形會(huì)因此而改變，可以通過(guò)觀察電壓波形來(lái)判斷故障類型。

為了保證仿真實(shí)驗(yàn)有足夠的樣本數(shù)據(jù)，分別選取了觸發(fā)角為0°、5°、10°、15°、20°、25°、30°、35°、40°、45°、50°、55°、60°、65°、70°、75°、80°、85°和90°時(shí)的故障電壓信號(hào)作為樣本，仿真時(shí)間為0.08 s，采樣時(shí)間為0.0004 s，頻率為50 Hz，采樣點(diǎn)數(shù)201個(gè),選取其中50個(gè)點(diǎn)組成故障信號(hào)。圖5為觸發(fā)角為0°時(shí)的部分故障電壓波形，對(duì)三相橋式整流電路故障電壓ud的信號(hào)波形進(jìn)行3層小波包分解與重構(gòu)，提取相應(yīng)的信號(hào)特征，得到特征能量值。

三相全控整流電路一共有22種故障，觸發(fā)角共19組，所以樣本總集數(shù)為418。在MATLAB程序中將得到的數(shù)據(jù)打亂順序，隨機(jī)選擇樣本總集中的369個(gè)樣本作為訓(xùn)練集,49個(gè)樣本作為測(cè)試集。采集的數(shù)據(jù)可能會(huì)出現(xiàn)很大的差異，最終可能會(huì)導(dǎo)致分類效果變得很差。為了得到更好的分類效果和更準(zhǔn)確的分類精度，將故障數(shù)據(jù)全部整合到[0,1]區(qū)間段，將數(shù)據(jù)歸一化。部分歸一化數(shù)據(jù)見(jiàn)表2。

表2 部分故障數(shù)據(jù)

4 仿真結(jié)果分析

將歸一化后的數(shù)據(jù)放入經(jīng)PSO優(yōu)化后的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，輸入量是故障數(shù)據(jù)，輸出量是分類結(jié)果。圖6為訓(xùn)練誤差圖，可以清晰地看到哪些樣本被錯(cuò)誤訓(xùn)練，紅色‘*’與藍(lán)色‘o’重合表示訓(xùn)練正確。從圖6中可以看出，在369個(gè)訓(xùn)練樣本總集中存在3個(gè)樣本被錯(cuò)誤訓(xùn)練，訓(xùn)練正確率為98.37%。PSO-PNN分類效果如圖7所示，在49個(gè)測(cè)試樣本中，只有1個(gè)樣本被錯(cuò)誤診斷，其他全部正確，故障診斷正確率為97.96%。

為了進(jìn)一步分析WPD-PSO-PNN模型的識(shí)別性能，本文采用了未優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)(經(jīng)驗(yàn)情況下，平滑因子σ為1.5)對(duì)同一故障訓(xùn)練集和測(cè)試集進(jìn)行故障識(shí)別。未優(yōu)化的PNN網(wǎng)絡(luò)訓(xùn)練誤差和分類效果如圖8～圖9所示。從圖8中可以看出有356個(gè)樣本被正確訓(xùn)練，13個(gè)樣本被錯(cuò)誤訓(xùn)練，訓(xùn)練正確率為96.48%。圖9可以看出有45個(gè)樣本診斷正確，4個(gè)樣本診斷錯(cuò)誤，診斷識(shí)別率為91.84%。兩種診斷方法的訓(xùn)練效果和分類效果如表3所示。

表3 兩種診斷方法的效果

5 結(jié)論

本文采用WPD-PSO算法優(yōu)化PNN的方法對(duì)三相全控整流電路進(jìn)行故障診斷，解決了整流電路故障類型多、診斷過(guò)程繁雜和診斷正確率低的問(wèn)題。仿真結(jié)果表明，該方法在訓(xùn)練效果和故障識(shí)別率方面都要優(yōu)于未優(yōu)化的概率訓(xùn)練結(jié)構(gòu)方法，說(shuō)明該方法對(duì)整流電路的故障診斷具有更高的診斷識(shí)別率，同時(shí)可以為其他電路的故障診斷提供重要的借鑒意義和參考價(jià)值。