徐文韜 項(xiàng)旻堯 謝曉彤 朱政棟 張帆遠(yuǎn)

【摘?要】隨著科技的不斷發(fā)展，電力電子設(shè)備在工業(yè)和生活中得到了很廣泛的應(yīng)用，但由于其工作電路復(fù)雜，因此在實(shí)際使用中，電力電子設(shè)備容易出現(xiàn)不同程度的故障，如何高效的定位以及排除這些故障成為了電力電子行業(yè)研究領(lǐng)域內(nèi)的重點(diǎn)話題。本文針對(duì)于電力電子電路的主要故障分析方法，將神經(jīng)網(wǎng)絡(luò)設(shè)定為主要研究對(duì)象，介紹了人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)并對(duì)其應(yīng)用于電力電子電路中的故障診斷方法做了探究。

【關(guān)鍵詞】電力電子電路;神經(jīng)網(wǎng)絡(luò);故障診斷

隨著信息化時(shí)代的不斷發(fā)展，電力電子技術(shù)作為主要的硬件設(shè)施成為了現(xiàn)代化設(shè)備的核心技術(shù)。隨著工業(yè)以及生活對(duì)現(xiàn)代化設(shè)備的要求不斷提高，設(shè)備的核心電路也越來(lái)越復(fù)雜，傳統(tǒng)的電路故障診斷方法逐漸被淘汰。目前，主要通過(guò)人工神經(jīng)網(wǎng)絡(luò)來(lái)診斷電力電子電路中的故障，人工神經(jīng)網(wǎng)絡(luò)是基于簡(jiǎn)化的神經(jīng)元模型和學(xué)習(xí)規(guī)則對(duì)人腦機(jī)制的簡(jiǎn)單模仿，將此診斷方法用于電力電子電路具有許多優(yōu)點(diǎn)。然而，隨著神經(jīng)網(wǎng)絡(luò)在電力電子電路診斷中應(yīng)用的不斷深入，人工神經(jīng)網(wǎng)絡(luò)已逐漸顯示出其缺點(diǎn)：①如果信息量相對(duì)較大，則傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)處理速度太慢，這與大容量的診斷操作不兼容;②人工神經(jīng)網(wǎng)絡(luò)的存儲(chǔ)能力有限;③當(dāng)神經(jīng)網(wǎng)絡(luò)收到新信息時(shí)，會(huì)存在部分信息的遺忘現(xiàn)象。這些缺陷促使許多研究人員開(kāi)始探索新的神經(jīng)網(wǎng)絡(luò)診斷結(jié)構(gòu)和理論。

1 診斷方法概述

盡管電力電子電路的故障診斷方法非常廣泛，但是它們本質(zhì)上是從幾個(gè)經(jīng)典的方法發(fā)展而來(lái)。

1.1 光譜分析法

由于普遍存在噪聲和故障信號(hào)，因此在光譜分析法當(dāng)中，故障信號(hào)的時(shí)域波形通常無(wú)法清晰地反映實(shí)際的故障屬性。除了相關(guān)分析、濾波等其他方法外，常用的電力電子電路故障監(jiān)測(cè)方法還包括傅立葉頻譜或波什爾頻譜等光譜分析方法。

1.2 故障字典法

在電力電子電路的故障診斷中，研究人員將最能反映特定狀態(tài)下運(yùn)行故障的數(shù)據(jù)保存為故障字典，并在將實(shí)際診斷結(jié)果與字典中存儲(chǔ)的數(shù)據(jù)進(jìn)行比較來(lái)評(píng)估電力電子電路的故障。該方法通常在診斷單個(gè)模擬或數(shù)字電路中起重要作用。但故障字典法在處理故障條目較多的電力電子電路診斷時(shí)效率較低。

1.3 故障樹(shù)

在分析了導(dǎo)致電力電子電路故障的各種可能因素之后，可以將這些因素從大到小分層排列，創(chuàng)建邏輯框架為基礎(chǔ)的故障樹(shù)，即邏輯框圖，故障樹(shù)的故障診斷方式是從故障樹(shù)的頂部事件使用分層搜索來(lái)找到最終確定故障原因的方法。故障樹(shù)可以表達(dá)電路的內(nèi)部連接，從而使組件故障和系統(tǒng)之間的邏輯關(guān)系清晰可見(jiàn)。此方法可以用作常規(guī)故障排除方法，診斷過(guò)程直觀、靈活，但是很容易使得故障診斷過(guò)程變得繁瑣，但是由于故障樹(shù)的構(gòu)建需要太多的工作，使得故障樹(shù)方法在實(shí)際應(yīng)用中，容易出現(xiàn)因數(shù)據(jù)太過(guò)龐大而導(dǎo)致的結(jié)論易錯(cuò)問(wèn)題，它更適合于故障較少的電力電子電路故障診斷。

1.4 參數(shù)化建模

該方法可以分為狀態(tài)估計(jì)方法和參數(shù)估計(jì)方法。以狀態(tài)估計(jì)法為例，該方法類似于故障字典法，通過(guò)使用系統(tǒng)的定量模型和測(cè)量信號(hào)來(lái)重構(gòu)一些可測(cè)量的變量，然后比較測(cè)量值和估計(jì)值之差的絕對(duì)值，正常狀態(tài)下絕對(duì)值為零，其余故障狀態(tài)不為零。然而，狀態(tài)估計(jì)過(guò)程必須基于在傳統(tǒng)診斷過(guò)程中難以實(shí)現(xiàn)的精確數(shù)學(xué)模型的構(gòu)建，這限制了該方法的使用。

1.5 人工智能方法

與狀態(tài)估計(jì)方法相反，人工智能方法不需要研究對(duì)象具有精確的數(shù)學(xué)模型。因此，它具有良好的普適性，主要包括人工神經(jīng)網(wǎng)絡(luò)、模式識(shí)別、專家系統(tǒng)和其他用于電力電子電路的集中式故障診斷方法。

2 人工神經(jīng)網(wǎng)絡(luò)在電力電子電路診斷中的特點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)）是由許多基本部分組成的網(wǎng)絡(luò)，這些基本部分稱為復(fù)雜神經(jīng)元。人工神經(jīng)網(wǎng)絡(luò)模擬人腦的信息處理功能，是一種基于數(shù)學(xué)、統(tǒng)計(jì)學(xué)、神經(jīng)學(xué)、物理學(xué)、計(jì)算機(jī)科學(xué)和其他學(xué)科結(jié)合而成的技術(shù)。

人工神經(jīng)網(wǎng)絡(luò)由簡(jiǎn)單的處理單元組成，大量處理器并行分布在這些單元中，處理器具有存儲(chǔ)和應(yīng)用經(jīng)驗(yàn)知識(shí)的自然屬性，它是人工神經(jīng)網(wǎng)絡(luò)能大規(guī)模并行處理電力電子電路中故障信息的基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)在電力電子電路故障診斷中的特性主要體現(xiàn)在以下幾個(gè)方面：

（1）神經(jīng)網(wǎng)絡(luò)將電力電子電路中故障信息的存儲(chǔ)和處理合二為一，即故障信息存儲(chǔ)在神經(jīng)元連接的分布中。

（2）電力電子電路故障診斷中神經(jīng)網(wǎng)絡(luò)主要進(jìn)行大規(guī)模的模擬數(shù)值計(jì)算，而傳統(tǒng)計(jì)算機(jī)則主要進(jìn)行實(shí)際的分散數(shù)值處理。

（3）在電力電子電路的故障診斷中，神經(jīng)網(wǎng)絡(luò)具有較高的容錯(cuò)率、較強(qiáng)的適應(yīng)性和廣泛的歸納和分布能力，可以對(duì)故障信息進(jìn)行分類和推廣計(jì)算，僅當(dāng)故障信息分類較為廣泛時(shí)，神經(jīng)網(wǎng)絡(luò)的分析計(jì)算才有可能出現(xiàn)一定的偏差。

（4）神經(jīng)網(wǎng)絡(luò)是一種非常重要的故障檢測(cè)方法。當(dāng)有新的故障信息時(shí)，它可以充分發(fā)揮作用，獨(dú)立學(xué)習(xí)記憶新的信息并不斷改善記憶過(guò)程。

3 電力電子電路故障診斷中的神經(jīng)網(wǎng)絡(luò)模型

要理解神經(jīng)網(wǎng)絡(luò)并將其熟練的應(yīng)用在電力電子電路的故障診斷中，首先需要明白其基本單元結(jié)構(gòu)，和人腦一樣，人工神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)也是神經(jīng)元，如圖1所示。

其中u表示神經(jīng)元結(jié)構(gòu)的內(nèi)部狀態(tài)，閾值為θ，輸入信號(hào)為x，從一個(gè)神經(jīng)元i到與之相連接的神經(jīng)元j之間聯(lián)結(jié)的權(quán)值表示為W，S表示在神經(jīng)元數(shù)據(jù)傳播時(shí)抑制神經(jīng)元u的外部激勵(lì)信號(hào)，則：

u=f（+S-θ）

y=g（u）

常見(jiàn)的電力電子故障診斷神經(jīng)網(wǎng)絡(luò)包括三個(gè)部分：

（1）輸入層，在輸入層中，許多神經(jīng)元接受大量的非線性輸入信息，即輸入向量。

（2）隱藏層，是連接輸入層和輸出層的層。隱藏層可以是多層的，也可以是不存在的，常見(jiàn)的神經(jīng)網(wǎng)絡(luò)模型中一般會(huì)保留一層。其節(jié)點(diǎn)數(shù)不確定。節(jié)點(diǎn)越多，神經(jīng)網(wǎng)絡(luò)的計(jì)算能力越強(qiáng)，這也是神經(jīng)網(wǎng)絡(luò)能夠更好適應(yīng)外部條件的基礎(chǔ)。

（3）輸出層，在輸出層中，來(lái)自大量神經(jīng)元的信息被傳輸，分析和加權(quán)，最終輸出所謂的輸出向量。

4 結(jié)語(yǔ)

神經(jīng)網(wǎng)絡(luò)模型是近年來(lái)大量應(yīng)用于電力電子電路故障診斷中的新型技術(shù)，其主要是以神經(jīng)元為單位，進(jìn)行輸入信息的交叉計(jì)算并輸出故障信息的計(jì)算結(jié)果，同時(shí)，在故障的診斷中神經(jīng)網(wǎng)絡(luò)模型能夠進(jìn)行故障信息的記憶，使得同一故障再次發(fā)生時(shí)能夠獲得較高的診斷效率。神經(jīng)網(wǎng)絡(luò)模型中的輸入與輸出節(jié)點(diǎn)能夠自由調(diào)配，這也是其能更好適應(yīng)外部環(huán)境的本質(zhì)。

參考文獻(xiàn)：

[1] 基于量子神經(jīng)網(wǎng)絡(luò)的電力電子電路故障診斷[J].李世濤，王迎暉，林月.電子技術(shù)與軟件工程.2016（24）

[2] 電力電子電路故障預(yù)測(cè)關(guān)鍵技術(shù)論述[J].王力，王旭，徐哲.通訊世界.2016（02）

（作者單位：上海理工大學(xué)機(jī)械工程學(xué)院）