收稿日期:2007208208; 定稿日期:2007212218
基金项目:国家自然科学基金资助项目(60374008,60501022);航空科学基金资助项目(2006ZD52044,04152068)
?研究论文?
基于小波径向基网络的电力电子电路故障诊断
韩晓静,王友仁,崔江
(南京航空航天大学自动化学院,南京 210016)
摘 要: 提出了一种基于小波径向基神经网络和主成分分析的电力电子故障诊断方法,该方法用小波变换和主成分分析对数据进行预处理,提取出有效故障特征信息,实现数据压缩,减少了神经网络的训练时间,选用径向基(RBF )网络为故障分类器,解决了B P 网络容易陷入局部极小点的问题,提高了训练速度,并且具有诊断率高的特点。实例证明了该方法的有效性,并与其他诊断方法进行了对比。关键词: 电力电子;故障诊断;主成分分析;径向基网络
中图分类号: TP306+.3 文献标识码: A
文章编号:100423365(2008)0320309203
F ault Diagnosis of Pow er Electronic Circuits B ased on
W avelet R adical B asis Function N et w ork
HAN Xiaojing ,WAN G Y ouren ,CU I Jiang
(College of A utomation and Engineering ,N anj ing Universit y of A eronautics and A st ronautics ,N anj i ng 210016,P.R.China )
Abstract : A fault diagnosis method for power electronic circuits based on wavelet radial basis f unction neural net 2
work and principal component analysis is presented.In this method ,wavelet transform and principal component analysis were used to preprocess data and extract fault features ,which realized data condensation and reduced train 2ing time of neural network.Radial basis function (RBF )network was chosen as the fault classifier ,which solved the problem of partial minimal point for BP ,improved training speed and achieved higher fault diagnosis rate.Final ex 2perimental results proved the validity of the method ,and a comparison was also made with other fault diagnosis methods.
K ey w ords : Power electronics ;Fault diagnosis ;Principal component analysis ;Radial basis f unction network EEACC : 2570
1 引 言
随着电力电子技术的迅猛发展和相关产品的不断涌现,其故障诊断问题也日益突出。快速实现电力电子电路在线故障检测和诊断,对于快速查找故障,减少停机时间,实现预知维护及容错系统都具有非常重要的意义。
目前,对电力电子电路故障诊断技术的研究还相对较少。于飞等人提出了一种基于多分辨率分析和主成分分析的电力电子电路故障诊断[1],用决策
树作为分类器;Ma Hao 等人采用混杂系统建模的
方法对电力电子电路进行故障诊断[2],获得了较好的诊断效果;崔江等人采用支持向量机作为电力电子电路的故障分类器,对单故障进行了诊断研究[3]。
神经网络由于具有分布存储、并行处理和学习能力而成为电路故障诊断的一种有效方法[427]。常用的B P 网络具有易陷入局部极值、训练时间较长等缺点。本文尝试利用小波变换获取故障特征,并利用主成分分析对故障特征样本降维,最后设计RB F 网络作为电力电子电路的故障分类器。实验
证明,该方法具有较好的诊断效果。
第38卷第3期
2008年6月
微电子学
Microelect ronics
Vol 138,No.3J un 12008
2 基于小波径向基网络和主成分分析
的故障诊断技术
目前,小波与神经网络的结合主要有两种形式:一种是利用小波变换对信号进行预处理,提取信号的特征向量作为BP 神经网络的输入[4,7];另一种是采用小波函数和尺度函数形成神经元,达到小波和神经网络的直接融合。BP 神经网络在训练时极易陷入局部极值,而RB F 网络则不存在此类问题。
本文设计了一种小波径向基神经网络作为故障分类器,可有效解决网络的训练问题。本文方法属于第一种类型,其结构框图如图
1所示。
图1 基于小波径向基网络与主成分分析的故障诊断框图
Fig.1 Block diagram of fault diagnosis based on wavelet
neural network and principal component analysis
2.1 特征提取技术
与FF T 不同,小波变换在时频两域都具有表征信号局部特征的能力。采用小波分解可以极大地压缩数据量,减少特征矢量维。
信号I (x )的小波系数可以表示为:C (a ,b )={ψa,b (x ),I (x )}=
1a
∫
I (x )ψ(x -b a
)d x
(1)式中,ψ(x )表示小波基,a 为尺度参数,b 为位
移参数。离散小波变换中,假设a =2j ,b =k ×a ,(j ,
k )∈Z 2
。
经过分析,最终选用“墨西哥草帽”小波(Marr 小波)。选择4层小波包分解,并以各层小波包分解系数的最大值作为特征来构成故障特征矢量。2.2 主成分分析
主成分分析可以对故障特征矢量进行数据的降维处理,提取出主要信息,便于下一步的故障辨识。
主成分分析的基本过程为,给定一个包含n 个样本,p 个变量的数据矩阵:
X =
x 11x 12 (x)
1p
x 21
x 22
…x 2p …
…
……
x n 1
x n 2
…x np
(2)
用一个新的变量y 1来表示p 个变量,x 1,x 2,
…,x p ,第一主成分由p 个变量的线性合成:
y 1=ω11x 1+ω12x 2+…+ω1p x p
(3)记W 1∶ω11,ω12,…,ω1p ,则应满足W ′
1W 1=1;
同样,y 2=ω21x 1+ω22x 2+…+ω2P x p ,W ′
2W 2=1,并且为了使y 1与y 2不相关,则W ′2W 1=0。依此类推到第j 个主成分。2.3 故障诊断分类器由于电力电子电路具有很强的非线性,而神经网络本身有很强的非线性映射能力,因此,选择神经网络作为故障诊断分类器往往具有不错的效果。
BP 网络用梯度法求非线性函数极值,容易陷入局部极小点且收敛速度慢。RB F 网络是一种典型
的局部逼近神经网络,它收敛速度快,可以实现全局最优解。在逼近能力、分类能力和学习速度等方面均优于BP 网络。
包含单输出(即单类,若多类则对应多输出)的径向基函数神经网络结构如图2所示。
图2 径向基函数神经网络示意图
Fig.2 RBF neural network
对于图2,
f (x )=∑m
i =1w i ?K (x )
(4)
其中,K (x )为与输入样本相关的径向基函数。
3 实验结果分析
3.1 仿真电路
选用Buck 2Boo st 电路作为诊断实例,如图3所示。用Pspice 9.2软件对其进行建模和仿真。电路参数设置如下:输入直流电压V 1为12V ,开关管M1型号为IRF130,其工作频率为50kHz ,占空比为75%,续流二极管D 1型号为MUR1610CT ,L 1、L 3均为10μH ,L 2为100μH ,C 1=100μF ,C 2=300μF ,C 3=500μF ,负载R 1设定为10Ω。
图3 Buck2Boost电路原理图
Fig.3 Buck2Boost circuit topology
3.2 故障模式设置
在待测电路中,设立19种故障模式,分别用符号F1～F18表示故障状态,F0表示正常状态。具体故障模式如表1所示。设电阻的容差为5%,电容和电感的容差均为10%。当电路的一个或两个元器件发生故障时,其余器件均在容差范围内正常工作。每一种故障模式进行35次蒙特卡罗分析。
表1 Buck2B oost电路故障模式设置
T able1 F ault modes setup for buck2boost circuit
F0F1F2F3F4
正常L1开路C1开路C2开路C3开路
F10F11F12F13F14
C2&L3开路C3&L3
开路
C1&L1
开路
L1&L3
开路
C1&C2
开路
F5F6F7F8F9
L2开路R1开路L3开路L3短路D1短路F15F16F17F18—
L1&C3开路C2&L1
开路
C1&L3
开路
L3短路
C1开路
—
3.3 RBF网络训练
将训练样本送入RB F网络进行训练,达到期望值时存贮权值和阈值。之后,将测试样本输入RBF 网络进行测试,得到诊断结果。表2给出RBF与B P网络、故障字典法的诊断效果对比。
表2 几种诊断方法诊断效果比较
T able2 Comparison betw een different diagnosis methods 分类器类型时间/s训练步数诊断率误诊率RBF 5.7346399.65%0.35%
BP170.642278797.89% 2.11%故障字典法----82.11%17.89%
从以上实验数据中,可以得到以下结论:
1)较之故障字典法,用RBF网络和B P网络作为故障分类器,具有较好的故障识别能力,较大地提高了故障诊断率,两种方法均达到95%以上。
2)用RBF网络作为分类器对故障进行识别,在诊断率上与BP基本接近,但是在总体性能方面又优于BP,它不但在训练时不会陷入极小值问题,而且减少了诊断时间和训练步数,大大提高了诊断速度。
4 结 论
提出了一种基于小波径向基神经网络的电力电子电路的故障分类器。利用小波包变换的时频特性,实现对原始数据的特征提取;用主成分分析可实现有效的特征降维;用RB F网络作为故障分类器,解决了BP网络易陷入局部极值等问题,提高了训练速度。实验数据表明,本文方法在电力电子电路的故障诊断中是有效的,并且具有诊断率高的特点。
参考文献:
[1]于飞,田玲玲,刘喜梅,等.基于小波多分辨率分析和
主元分析的电力电子电路故障诊断[J].华东理工大
学学报(自然科学版),2006,32(9):111321117.
[2]MA H,MAO X Y,ZHAN G N,et al.Parameter iden2
tification of power electronic circuits based on hybrid
model[C]//36th Power Elec Spec Conf.Brazil.
2005:285522860.
[3]崔江,王友仁,刘权.基于高阶谱与支持向量机的电
力电子电路故障诊断技术[J].中国电机工程学报,
2007,27(10):62266.
[4]王承,陈光礻禹,谢永乐.基于小波2神经网络的模拟电
路IDD T故障诊断[J].仪器仪表学报,2005,26(11):
110621108.
[5]STOPJ A KOVA V,MALOSEK P,MA TE J M,et al.
Defect detection in analog and mixed circuits by neural
networks using wavelet analysis[J].IEEE Trans Re2
liab,2005,54(3):4412448.
[6]HOU B P,ZHU W,XIAN G X J,et al.Applied study
of electromotor fault diagnosis based on wavelet pack2
ets and neural network[C]//Proc5th Int Conf Ma2
chine Learning and Cybernetics.Dalian,China.2006:
291222916.
[7]YUAN H Y,CH EN G J,SHI S B,et al.Research on
fault diagnosis in analog circuit based on wavelet neural
network[C]//Proc6th Congr Intelligent Control and
Automation.Dalian,China.2006:265922662.
[8]REN FREW A C,TIAN J X.The use of a knowledge2
based system in power electronic circuit fault diagnosis
[C]//5th Europ Conf Power Elec and Appl.1993:
57262.
作者简介:韩晓静(1982-),女(汉族),河
北石家庄人,硕士研究生,研究方向为模拟
电路故障测试与诊断技术。