李紅巖， 楊朝旭， 榮相， 史晗， 王越， 劉寶， 王磊

（1.西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054；2.中煤科工集團(tuán)常州研究院有限公司,江蘇 常州 213015；3.天地（常州）自動(dòng)化股份有限公司，江蘇 常州 213015）

0 引言

目前煤礦企業(yè)的設(shè)備費(fèi)用支出占煤礦開采成本的40%以上[1]，大量煤礦設(shè)備維護(hù)仍采用定期維修或事后維修，設(shè)備維護(hù)耗費(fèi)大量人力物力，導(dǎo)致煤礦設(shè)備“帶病”工作現(xiàn)象普遍，一旦發(fā)生故障，將造成嚴(yán)重的經(jīng)濟(jì)損失，甚至人員傷亡[2-3]。礦用逆變器廣泛用于驅(qū)動(dòng)礦井提升機(jī)、帶式輸送機(jī)、通風(fēng)機(jī)、高壓液壓油泵等重載設(shè)備，工作環(huán)境惡劣，內(nèi)部功率器件承受較高的電應(yīng)力和熱應(yīng)力，容易發(fā)生故障，功率器件發(fā)生故障占比達(dá)38%[4]。為提高礦用逆變器運(yùn)行安全性，減少設(shè)備故障率和維護(hù)成本，有必要對(duì)礦用逆變器功率器件故障預(yù)測(cè)與健康管理（Prognostics Health Management，PHM）技術(shù)[5-8]開展研究。通過對(duì)大量監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，提取信號(hào)特征，掌握功率器件運(yùn)行狀況：一方面，及時(shí)診斷功率器件故障位置，為后續(xù)維護(hù)提供依據(jù)；另一方面，對(duì)功率器件進(jìn)行壽命預(yù)測(cè)，實(shí)現(xiàn)預(yù)先維護(hù)，降低故障率。本文介紹了礦用逆變器功率器件PHM技術(shù)中信號(hào)特征提取、開路故障診斷和壽命預(yù)測(cè)技術(shù)現(xiàn)狀，對(duì)礦用逆變器PHM技術(shù)未來發(fā)展方向進(jìn)行了展望。

1 礦用逆變器功率器件PHM技術(shù)構(gòu)架

礦用逆變器功率器件PHM技術(shù)包括信號(hào)特征提取、功率器件開路故障診斷和功率器件壽命預(yù)測(cè)，如圖1所示。

圖1 礦用逆變器功率器件 PHM 技術(shù)構(gòu)架Fig.1 Prognostics health management technical framework of mine inverter power device

（1） 信號(hào)特征提取。礦用逆變器井下布局通常遠(yuǎn)離電源，諧波干擾大，監(jiān)測(cè)數(shù)據(jù)無法直接使用，可靠、高效的信號(hào)特征提取是實(shí)現(xiàn)礦用逆變器功率器件故障診斷和壽命預(yù)測(cè)的前提和基礎(chǔ)。通過坐標(biāo)變換法完成對(duì)三相系統(tǒng)輸出電壓、電流等時(shí)域信號(hào)的特征提取。通過頻譜分析法完善頻域下特征信號(hào)參數(shù)。通過小波分析法和經(jīng)驗(yàn)?zāi)B(tài)分解法對(duì)特征信號(hào)進(jìn)行分解，計(jì)算其能量、能量熵等，單一參數(shù)或多參數(shù)融合構(gòu)成特征參數(shù)。

（2） 功率器件開路故障診斷。功率器件故障分為短路故障和開路故障，短路故障發(fā)生時(shí)會(huì)產(chǎn)生很高的過電流，通常由微秒級(jí)硬件保護(hù)措施將短路轉(zhuǎn)換為開路，因此對(duì)于工作在變頻狀態(tài)下的功率器件短路故障診斷難以實(shí)現(xiàn)。開路故障發(fā)生后，電路處于“帶病”運(yùn)行，對(duì)其他器件構(gòu)成潛在威脅，減少器件壽命。因此，根據(jù)特征參數(shù)選擇合適的診斷方法[9]，及時(shí)診斷功率器件開路位置，對(duì)保障礦用逆變器安全生產(chǎn)至關(guān)重要。狀態(tài)估計(jì)法通過建立具體物理模型，運(yùn)用仿真值與真實(shí)值的殘差進(jìn)行故障診斷。神經(jīng)網(wǎng)絡(luò)法運(yùn)用“黑盒”原理避免了復(fù)雜的數(shù)學(xué)建模工作，但對(duì)于數(shù)據(jù)集規(guī)模要求很高。支持向量機(jī)法對(duì)小樣本數(shù)據(jù)能夠?qū)崿F(xiàn)精確分類。

（3） 功率器件壽命預(yù)測(cè)。功率器件失效表現(xiàn)為溫度升高，原因主要是鍵合線、焊料層脫落或斷裂。解析模型法通過對(duì)功率器件結(jié)溫進(jìn)行預(yù)測(cè)，運(yùn)用雨流分析法并結(jié)合壽命公式完成壽命預(yù)測(cè)，考慮參數(shù)單一。物理模型法需要詳細(xì)的尺寸、材料和環(huán)境等信息，預(yù)測(cè)精度高于解析模型法，但工作量成倍增加。數(shù)據(jù)驅(qū)動(dòng)法通過分析能表征結(jié)溫變化的溫敏電參數(shù)，實(shí)現(xiàn)功率器件壽命預(yù)測(cè)，其所需參數(shù)較少。

2 礦用逆變器功率器件PHM技術(shù)現(xiàn)狀

2.1 信號(hào)特征提取

（1） 坐標(biāo)變換法。該方法通過對(duì)三相系統(tǒng)健康狀態(tài)和功率器件開路故障下輸出電流或電壓進(jìn)行坐標(biāo)變換、求解和組合，提取時(shí)域信號(hào)特征。文獻(xiàn)[10]將電流矢量構(gòu)成的矢量圓等比分為12個(gè)扇形，通過扇形位置和數(shù)量的改變來表征故障狀態(tài)。文獻(xiàn)[11]首先對(duì)逆變器三相輸出電流進(jìn)行Park變化，然后求取周期電流平均值，最后通過平均電流模值和相角實(shí)現(xiàn)單個(gè)功率器件故障表征。文獻(xiàn)[12]定義歸一化三相電流絕對(duì)值之和作為故障特征，故障發(fā)生時(shí)該特征幅值明顯降低，不易受負(fù)載變化影響。

（2） 頻譜分析法。多個(gè)功率器件故障時(shí)，時(shí)域信號(hào)中包含大量冗余信息，信號(hào)差異不明顯。頻譜分析法將信號(hào)分解為不同頻率的信號(hào)，提取不同故障下輸出信號(hào)的頻域分量特征。文獻(xiàn)[13]對(duì)逆變器開路故障下的輸出線電壓進(jìn)行傅里葉分解，提取直流分量、基波分量和二次諧波分量構(gòu)建故障特征向量。逆變器大多數(shù)信號(hào)是非平穩(wěn)的，時(shí)頻局部性質(zhì)是非平穩(wěn)信號(hào)最根本、最關(guān)鍵的性質(zhì)。然而，頻譜分析法是一種全局性的變換，無法表述信號(hào)的時(shí)頻局部性質(zhì)。

（3） 小波分析法。利用小波分析法提取信號(hào)特征流程如圖2所示。小波多尺度分解主要分解信號(hào)低頻分量[14]，小波包分解對(duì)信號(hào)低頻和高頻分量都進(jìn)行分解[15]，得到分解系數(shù)后進(jìn)行分解系數(shù)重構(gòu)，計(jì)算頻帶重構(gòu)信號(hào)的能量、能量概率和能量熵來構(gòu)建故障特征向量。

圖2 基于小波分析法的信號(hào)特征提取流程Fig.2 Signal characteristic extraction process based on wavelet analysis method

文獻(xiàn)[14]選取sym4小波基對(duì)逆變器橋臂電壓進(jìn)行小波多尺度分解和小波包分解，發(fā)現(xiàn)基于小波多尺度分解重構(gòu)后的能量足以表征三電平逆變器全部開路故障特征，相比于小波包分解維數(shù)減少了一半，降低了計(jì)算成本。文獻(xiàn)[15]選取Haar小波基函數(shù)進(jìn)行小波包分解，通過計(jì)算能量熵提升信號(hào)特征提取能力，減少外部信號(hào)干擾。對(duì)非平穩(wěn)信號(hào)使用小波分析法，能夠挖掘豐富的故障信息，但小波基函數(shù)的選取對(duì)后續(xù)步驟影響很大，目前沒有統(tǒng)一的選取標(biāo)準(zhǔn)，通常采用試湊法。

（4） 經(jīng)驗(yàn)?zāi)B(tài)分解法。相比小波分析法需要人為選擇基函數(shù)，經(jīng)驗(yàn)?zāi)B(tài)分解法得到固有模態(tài)函數(shù)（Intrinsic Mode Function，IMF）和殘差后，如果 IMF滿足2個(gè)條件，自動(dòng)對(duì)殘差進(jìn)行新一輪遞歸式經(jīng)驗(yàn)?zāi)B(tài)分解，直到IMF不滿足條件，該方法無需設(shè)定任何參數(shù)，即可實(shí)現(xiàn)信號(hào)自適應(yīng)分解。但信號(hào)中包含的噪聲如果正好滿足IMF條件，在分解時(shí)就無法將其剝離，遞歸分解下最終造成模態(tài)混疊問題。文獻(xiàn)[16]采用優(yōu)化集合經(jīng)驗(yàn)?zāi)B(tài)分解代替?zhèn)鹘y(tǒng)經(jīng)驗(yàn)?zāi)B(tài)分解，通過在原始信號(hào)中加入均值為零的白噪聲對(duì)噪聲進(jìn)行抵消，從而抑制模態(tài)混疊現(xiàn)象，同時(shí)將IMF和殘差的最大值、最小值、幅值、均值、標(biāo)準(zhǔn)差、能量、能量熵等共同作為故障特征，構(gòu)建故障特征向量。

4種信號(hào)特征提取方法比較見表1。

表1 信號(hào)特征提取方法比較Table 1 Comparison of signal characteristic extraction methods

2.2 功率器件開路故障診斷

（1） 狀態(tài)估計(jì)法。該方法將狀態(tài)觀測(cè)器輸出值和逆變器真實(shí)輸出值進(jìn)行差值比較，對(duì)殘差值分析處理得到殘差信息表，根據(jù)信息表完成逆變器功率器件開路故障診斷，如圖3所示。

圖3 基于狀態(tài)觀測(cè)器的逆變器功率器件開路故障診斷原理Fig.3 Principle of open-circuit fault diagnosis of inverter power device based on state observer

文獻(xiàn)[17]利用殘差信息計(jì)算各殘差的變換率，能夠在1個(gè)基波周期內(nèi)實(shí)現(xiàn)2個(gè)功率器件故障診斷。文獻(xiàn)[18]在構(gòu)造狀態(tài)觀測(cè)器時(shí)直接引入真實(shí)的檢測(cè)電流，將2個(gè)功率器件故障診斷時(shí)間縮短到1/4個(gè)基波周期。狀態(tài)觀測(cè)器能夠?qū)崿F(xiàn)逆變器功率器件開路故障快速診斷，但診斷精確度依賴數(shù)學(xué)模型精度，且狀態(tài)觀測(cè)器構(gòu)造難度大，限制了其應(yīng)用。

（2） 神經(jīng)網(wǎng)絡(luò)法。隨著多電平逆變器在煤礦領(lǐng)域的應(yīng)用，建模工程量與故障信息量劇增。神經(jīng)網(wǎng)絡(luò)具有非線性映射特性、良好的泛化能力及自學(xué)習(xí)等特點(diǎn)，且不需要建立具體物理模型，因此在故障診斷領(lǐng)域得到廣泛應(yīng)用，其中大多以多層前饋神經(jīng)網(wǎng)絡(luò)為主，如BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)等。文獻(xiàn)[19]選取三相兩電平逆變器的線電壓為檢測(cè)信號(hào)，將該信號(hào)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，同時(shí)，選取Trainlm作為訓(xùn)練函數(shù)，通過提升訓(xùn)練速度來避免BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值對(duì)診斷精度的影響。文獻(xiàn)[20]通過主成分分析降低故障特征冗余來減小訓(xùn)練樣本規(guī)模，采用隱含層節(jié)點(diǎn)函數(shù)為高斯函數(shù)的徑向基神經(jīng)網(wǎng)絡(luò)對(duì)逆變器開路故障進(jìn)行辨識(shí)，該網(wǎng)絡(luò)無需計(jì)算閾值，診斷速度與精度均高于BP神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)法無需復(fù)雜的數(shù)學(xué)建模，但網(wǎng)絡(luò)參數(shù)設(shè)置通常采用試湊法，且診斷精度嚴(yán)重依賴于訓(xùn)練樣本的完整性、準(zhǔn)確性和豐富性。

（3） 支持向量機(jī)法。該方法在有限的樣本信息中，不斷尋求樣本超平面與分類間隔之間的最佳折中，有效解決在小樣本、非線性和高維條件下的分類問題。支持向量機(jī)克服了神經(jīng)網(wǎng)絡(luò)對(duì)小樣本診斷的局限性。文獻(xiàn)[21]為每一種故障特征建立一個(gè)支持向量機(jī)，從而實(shí)現(xiàn)多故障診斷，并且引入松弛因子，提高了逆變器功率器件開路故障診斷精度。

3種功率器件開路故障診斷方法比較見表2。

表2 功率器件開路故障診斷方法比較Table 2 Comparison of open-circuit fault diagnosis methods for power device

2.3 功率器件壽命預(yù)測(cè)

（1） 解析模型法。解析模型是一種經(jīng)驗(yàn)關(guān)系模型，運(yùn)用該模型總結(jié)加速老化實(shí)驗(yàn)數(shù)據(jù)中失效循環(huán)次數(shù)和相關(guān)物理量的關(guān)系，從而進(jìn)行壽命預(yù)測(cè)。解析模型法無需了解功率器件內(nèi)部的失效機(jī)理和材料屬性，但需要對(duì)與壽命有關(guān)的物理量進(jìn)行加速老化實(shí)驗(yàn)。

（2） 物理模型法。該方法從環(huán)境應(yīng)力、材料特性、幾何形狀等方面出發(fā)，基于失效物理并結(jié)合大量實(shí)驗(yàn)數(shù)據(jù)得到功率器件具體的失效機(jī)理和失效模式，提取能表征器件壽命的仿真參數(shù)，并輸入物理模型進(jìn)行壽命預(yù)測(cè)。但該方法需要大量實(shí)驗(yàn)數(shù)據(jù)支撐，耗時(shí)耗力。

（3） 數(shù)據(jù)驅(qū)動(dòng)法。隨著傳感器技術(shù)的發(fā)展，使用傳感器采集的數(shù)據(jù)來表征功率器件健康狀態(tài)或性能退化趨勢(shì)，成為目前功率器件壽命預(yù)測(cè)領(lǐng)域中主流方法[22]。數(shù)據(jù)驅(qū)動(dòng)法分為淺層學(xué)習(xí)和深度學(xué)習(xí)兩大類。在淺層學(xué)習(xí)方面，文獻(xiàn)[23]對(duì)美國國家航空航天局PCoE實(shí)驗(yàn)室公開發(fā)表的IGBT老化實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，考慮到單一參數(shù)無法準(zhǔn)確描述IGBT老化過程，因此選取柵極?發(fā)射極關(guān)斷電壓尖峰值和集電極?發(fā)射極關(guān)斷電壓尖峰值作為BP神經(jīng)網(wǎng)絡(luò)的輸入，通過遺傳算法尋優(yōu)確定BP神經(jīng)網(wǎng)絡(luò)初始的閾值和權(quán)值，提高IGBT壽命預(yù)測(cè)精度。文獻(xiàn)[24]采用增加了1個(gè)反饋層的Elman神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)IGBT壽命預(yù)測(cè)，該網(wǎng)絡(luò)對(duì)歷史數(shù)據(jù)更加敏感。相比于淺層學(xué)習(xí)，深度學(xué)習(xí)更強(qiáng)調(diào)模型結(jié)構(gòu)深度，通常有5層、6層，甚至10層以上的隱層節(jié)點(diǎn)，另外強(qiáng)調(diào)了特征學(xué)習(xí)的重要性，對(duì)于表征功率器件壽命的溫敏電參數(shù)這類時(shí)間序列數(shù)據(jù)預(yù)測(cè)具有良好效果。文獻(xiàn)[25]對(duì)長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）進(jìn)行優(yōu)化，使用Adam算法實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)率更新，壽命預(yù)測(cè)精度優(yōu)于Elman神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)[26]發(fā)現(xiàn)門控循環(huán)單元（Gated Recurrent Unit，GRU）對(duì)集電極?發(fā)射極關(guān)斷電壓尖峰值曲線上部預(yù)測(cè)更好，LSTM對(duì)曲線下部預(yù)測(cè)更好，提出了GRU和LSTM相結(jié)合的思路。文獻(xiàn)[27]將注意力機(jī)制引入由2個(gè)LSTM網(wǎng)格構(gòu)成的SEQ2SEQ模型中，克服了序列較長時(shí)極有可能丟失信息，導(dǎo)致2個(gè)LSTM端口出現(xiàn)信息不對(duì)稱，從而影響IGBT壽命預(yù)測(cè)精度的缺點(diǎn)。文獻(xiàn)[28]對(duì)Transformer模型進(jìn)行修改，使其能夠應(yīng)用于時(shí)間序列數(shù)據(jù)的預(yù)測(cè)，該模型的多頭注意力機(jī)制能使模型更好地提取瞬態(tài)熱阻中的特征和不同循環(huán)周期的關(guān)系，提高IGBT剩余壽命預(yù)測(cè)的準(zhǔn)確性。

3種功率器件壽命預(yù)測(cè)方法比較見表3。

表3 功率器件壽命預(yù)測(cè)方法比較Table 3 Comparison of power device life prediction methods

3 礦用逆變器功率器件PHM技術(shù)發(fā)展方向

（1） 多方法融合的信號(hào)特征提取。單一的信號(hào)特征提取方法難以有效應(yīng)對(duì)煤礦環(huán)境干擾及數(shù)據(jù)量增大的挑戰(zhàn)。因此，需要根據(jù)礦用逆變器所處環(huán)境，研究高效的特征信號(hào)冗余信息去除方法和強(qiáng)噪聲背景下關(guān)鍵信息提取方法。采用智能算法消除噪聲，或者深度挖掘信號(hào)內(nèi)容，隔離噪聲干擾，運(yùn)用主成分分析、粗糙集算法對(duì)冗余信息進(jìn)行降維，減少算法處理時(shí)間。

（2） 多功率器件開路故障診斷。隨著煤礦多電平逆變器的應(yīng)用，功率器件數(shù)量成倍增長，多功率器件開路故障概率大幅增加，現(xiàn)有診斷方法大多針對(duì)單個(gè)功率器件故障或2個(gè)功率器件同時(shí)故障，尚未實(shí)現(xiàn)對(duì)多個(gè)功率器件同時(shí)故障的有效辨識(shí)。智能算法一方面無需考慮逆變器內(nèi)部電路，另一方面針對(duì)逆變器輸出的非線性信號(hào)具有很強(qiáng)的映射能力，未來將在多功率器件開路故障診斷領(lǐng)域中發(fā)揮重要作用。

（3） 容錯(cuò)控制和健康管理。一方面，通過放置旁路元件或改變功率器件開關(guān)順序來實(shí)現(xiàn)對(duì)故障點(diǎn)的暫時(shí)隔離，從而在故障發(fā)生后保障設(shè)備短時(shí)內(nèi)繼續(xù)運(yùn)行，減少經(jīng)濟(jì)損失；另一方面，對(duì)功率器件歷史故障中故障頻發(fā)位置進(jìn)行分析，通過調(diào)整控制策略來延長特定位置功率器件的使用壽命，實(shí)現(xiàn)健康管理。

（4） 變工況下功率器件壽命預(yù)測(cè)?；跀?shù)據(jù)驅(qū)動(dòng)法的壽命預(yù)測(cè)基本沒有考慮逆變器工況變化情況，如逆變器需要頻繁進(jìn)行變頻控制，導(dǎo)致功率器件承受很高的電應(yīng)力和熱應(yīng)力，影響預(yù)期壽命。考慮到變工況下數(shù)據(jù)采集困難，可通過有限元方法進(jìn)行場(chǎng)路耦合仿真，研究變工況下功率器件損傷狀態(tài)，實(shí)現(xiàn)變工況下功率器件壽命預(yù)測(cè)。

4 結(jié)語

礦用逆變器功率器件PHM技術(shù)主要包括信號(hào)特征提取、功率器件開路故障診斷、功率器件壽命預(yù)測(cè)等方面。隨著礦用逆變器升級(jí)換代，設(shè)備復(fù)雜度與數(shù)據(jù)量提升，需要融合多方法進(jìn)行信號(hào)特征提??；針對(duì)多電平逆變器的應(yīng)用導(dǎo)致多功率器件故障概率增加的問題，需要開展智能算法在多功率器件開路故障診斷方面的研究；根據(jù)逆變器需要頻繁變頻控制的實(shí)際情況，需要重點(diǎn)研究逆變器變工況下基于數(shù)據(jù)驅(qū)動(dòng)法的功率器件壽命預(yù)測(cè)。