摘"要：核心功率器作為功率變換器的重要組成部分，一旦發(fā)生故障，直接影響電路的安全運(yùn)行。為此設(shè)計(jì)核心功率器件的加速退化實(shí)驗(yàn)方案，采用加速退化實(shí)驗(yàn)中退化程度最為嚴(yán)重的電解電容和SiC MOSFET功率管代表DC-DC變換器的軟故障器件。實(shí)驗(yàn)設(shè)定5種工況條件，分別采集每種工況條件下的4種電路信號(hào)。采用ReliefF算法對(duì)48維特征進(jìn)行特征優(yōu)選，采用粒子群算法優(yōu)化支持向量機(jī)（PSO-SVM）進(jìn)行故障分類，并與SVM、KNN分類算法進(jìn)行對(duì)比分析，驗(yàn)證了所提方法的優(yōu)越性。實(shí)驗(yàn)結(jié)果表明：PSO-SVM故障診斷方法可以獲得更高的故障診斷率。

關(guān)鍵詞：功率變換器；SiC MOSFET功率管；加速退化實(shí)驗(yàn)；PSO-SVM

中圖分類號(hào)：TP306.3""文獻(xiàn)標(biāo)志碼：A""文章編號(hào)：1671-5276（2024）02-0220-04

Fault Diagnosis Method of BUCK Circuit Based on SVM Optimization

XU Yuchen， WANG Youren， CHANG Shuo

（College of Automation Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China）

Abstract：As an important part of the power converter， the failure of the core power converter will directly affect the safe operation of the circuit. Therefore， this paper designs the accelerated degradation experiment of core power devices， and the electrolytic capacitor and SiC MOSFET power tube with the most serious degradation degree in the accelerated degradation experiment are adopted to represent the soft fault devices of DC-DC converter. Five working conditions are set to collect four circuit signals under each working condition. Relief algorithm is used to optimize the 48-dimensional features， particle swarm algorithm is applied to optimally support vector machine （PSO-SVM） for fault classification， and comparison by SVM and KNN classification algorithm is conducted， which verifies the superiority of the proposed method. The experimental results show that the PSO-SVM fault diagnosis method can obtain higher fault diagnosis rate.

Keywords：power converter；SiC MOSFET power tube；accelerated degradation test；PSO-SVM

0"引言

功率變換器以其低噪聲、高效率、高功率密度等優(yōu)勢(shì)，廣泛應(yīng)用于工業(yè)、軌道交通、航空航天等領(lǐng)域，擔(dān)負(fù)著電能變換、電能控制等關(guān)鍵作用。功率變換器通常工作于高溫、高壓、大電流的環(huán)境中，可能因器件老化、環(huán)境干擾、安裝不當(dāng)和機(jī)械振動(dòng)等原因而出現(xiàn)故障。由于傳統(tǒng)的事后維修、預(yù)防性維修等方式，存在庫(kù)存?zhèn)浼顿Y過剩、計(jì)劃外維修次數(shù)過多、時(shí)效性差及效率低等問題［1］。

功率變換器故障診斷方法可以分為基于模型的方法、基于信號(hào)的方法、基于知識(shí)的方法和混合方法［2］。CHEN H等［3］通過分析所測(cè)的健康模式與單/雙晶體管短路或開路模式之間的方均根電流特性變化，開發(fā)了一種功率變換電路的故障診斷方法。通過觀察感應(yīng)電流隨時(shí)間的斜率變化，SHAHBAZI M等［4］提出了一種故障診斷方法，用于非隔離式DC-DC轉(zhuǎn)換器中的開路和短路開關(guān)故障診斷。MOOSAVI S S等［5］提出了一種基于主成分分析（PCA）和多類相關(guān)向量機(jī)（PCA-mRVM）的故障診斷方法，以診斷H橋多電平逆變器系統(tǒng)中的開路故障。傅宏輝等［6］提出了一種基于輔助分類生成對(duì)抗網(wǎng)絡(luò)的功率變換器參數(shù)性故障智能診斷方法，由ACGAN中生成器構(gòu)造與真實(shí)故障特征分布近似的偽數(shù)據(jù)，從而將偽數(shù)據(jù)與真實(shí)數(shù)據(jù)同時(shí)用于訓(xùn)練判別器，判別器通過判別真?zhèn)螖?shù)據(jù)來訓(xùn)練生成器，結(jié)果表明ACGAN算法用于故障診斷的優(yōu)越性。SOUALHI A等［7］提出了一種基于信號(hào)和數(shù)據(jù)驅(qū)動(dòng)的方法，應(yīng)用于感應(yīng)電動(dòng)機(jī)的故障檢測(cè)和診斷，通過信號(hào)處理提取了許多故障敏感特征，最后采用數(shù)據(jù)驅(qū)動(dòng)的分類器對(duì)故障模式進(jìn)行分類。SUN Q等［8］提出了一種結(jié)合DBN和小波包能量譜來診斷SEPIC變換器故障的新方法。

本文設(shè)計(jì)了SiC MOSFET功率管DC-DC變換器，通過實(shí)驗(yàn)對(duì)電路軟故障診斷技術(shù)進(jìn)行研究，采用ReliefF算法選取電路故障特征參數(shù)，利用KNN、SVM和PSO-SVM進(jìn)行電路故障診斷。

1"電路故障診斷方法設(shè)計(jì)

1.1"DC-DC變換器監(jiān)測(cè)信號(hào)選擇

在造成功率變換器產(chǎn)生故障原因中，電解電容與功率開關(guān)器件失效率比例在所有失效原因中占比高達(dá)64%［9］。因此本文將BUCK電路中的輸出電容與SiC MOSFET作為變換器關(guān)鍵功率器件。選擇輸入電壓、輸出電壓、二極管兩端電壓VDf、PWM控制信號(hào)這4種電路信號(hào)作為監(jiān)測(cè)信號(hào)。圖1所示為BUCK電路拓?fù)鋱D。

1.2"特征參數(shù)優(yōu)選

確定了與電路核心元件衰退特征參數(shù)敏感的檢測(cè)信息后，還必須深入對(duì)測(cè)試信號(hào)進(jìn)行挖掘與解析，以便得到可以表征核心元件衰退狀況的特征參數(shù)。在時(shí)域、頻域中解析監(jiān)測(cè)信號(hào)的特征，并運(yùn)用小波分析與集合經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ㄔ跁r(shí)頻域中求出電路的特征參數(shù)，建立特征參數(shù)候選庫(kù)。計(jì)算出9個(gè)時(shí)域特征、11個(gè)頻域特征，小波包分析得到18個(gè)特征參數(shù)，集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）得到10個(gè)特征參數(shù)，構(gòu)成了48維的健康表征參數(shù)候選庫(kù)。

對(duì)于已建立的健康特征參數(shù)庫(kù)，需要從中選出最優(yōu)特征參數(shù)。采用ReliefF算法進(jìn)行特征優(yōu)選，對(duì)48個(gè)電路故障特征參數(shù)進(jìn)行優(yōu)選，圖2所示分別為輸入電壓、輸出電壓、二極管兩端電壓、PWM控制信號(hào)這4種信號(hào)的48個(gè)電路故障特征參數(shù)權(quán)重分布。

1.3"PSO-SVM算法設(shè)計(jì)

慣性權(quán)重ω體現(xiàn)的是粒子繼承先前速度的能力，在PSO算法中，大的慣性權(quán)值有利于全局搜索，而較小的更有利于局部搜索，從線性式（1）和非線性式（2）進(jìn)行慣性權(quán)重的選擇［10］。

ω（k）=ωstart－（ωstart－ωend）（Tmax－k）/Tmax

（1）

ω（k）=ωstart－（ωstart－ωend）［2k/Tmax－（k/Tmax）2］

（2）

式中：ωstart為初始慣性權(quán)重；ωend為迭代至最后的慣性權(quán)重；k為當(dāng)前迭代次數(shù)；Tmax為最大迭代次數(shù)。

一般來說慣性權(quán)重取值ωstart=0.9、ωend=0.4時(shí)算法性能最好，采用線性和非線性兩種規(guī)則進(jìn)行慣性權(quán)重的選擇，如圖3所示。

由圖3可知非線性的規(guī)則比線性規(guī)則更快地從全局搜索轉(zhuǎn)換到局部搜索。

2"實(shí)驗(yàn)設(shè)計(jì)

2.1"加速退化實(shí)驗(yàn)設(shè)計(jì)

1）電解電容退化實(shí)驗(yàn)

a）加速應(yīng)力選擇

由于電解電容的老化過程與其工作環(huán)境溫度密切相關(guān)，其故障特征參數(shù)對(duì)溫度變化敏感。因此在電解電容退化實(shí)驗(yàn)中選擇溫度應(yīng)力作為加速應(yīng)力，使用恒溫試驗(yàn)箱作為高溫加速退化實(shí)驗(yàn)的實(shí)驗(yàn)儀器。

b）加速退化實(shí)驗(yàn)步驟

第一步，在室溫條件下（實(shí)驗(yàn)中室溫為25℃）采用Agilent 4236B LCR測(cè)試儀對(duì)12只規(guī)格為470uF/35V的電解電容的電容值C和等效串聯(lián)電阻值RESR進(jìn)行測(cè)量，測(cè)試頻率設(shè)置為120Hz，偏置電壓設(shè)置為1 000mV，每個(gè)電解電容測(cè)量5組數(shù)據(jù)，并計(jì)算5組數(shù)據(jù)的平均值作為電解電容特征參數(shù)的健康值，測(cè)試電路實(shí)物圖如圖4所示。

第二步，將恒溫試驗(yàn)箱的溫度設(shè)置為100℃，12只電解電容放入恒溫試驗(yàn)箱中，在高溫應(yīng)力下對(duì)其模擬加速退化，實(shí)驗(yàn)裝置如圖5所示。每30h取出，冷卻至室溫，采用Agilent 4236B LCR測(cè)試儀進(jìn)行5次測(cè)量，計(jì)算平均值并進(jìn)行記錄。

使用Agilent 4236B LCR測(cè)試儀進(jìn)行測(cè)試電解電容的電容值C，Agilent 4236B LCR測(cè)試儀的精度是0.1%。

2）SiC MOSFET退化實(shí)驗(yàn)

設(shè)計(jì)高低溫沖擊實(shí)驗(yàn)作為SiC MOSFET功率管的加速退化實(shí)驗(yàn)。在兩個(gè)極端溫度之間被動(dòng)循環(huán)加熱冷卻器件，從而導(dǎo)致整個(gè)功率開關(guān)器件模塊溫度發(fā)生較大變化，通過加速封裝互連的退化，利用器件內(nèi)部材料熱膨脹系數(shù)的不匹配來加速器件封裝退化，引起由于蠕變和疲勞損傷造成的器件失效。本節(jié)設(shè)計(jì)的溫度沖擊循環(huán)實(shí)驗(yàn)中加熱和冷卻裝置需要保持溫度恒定，與功率循環(huán)老化實(shí)驗(yàn)相比，能夠?qū)崿F(xiàn)更精確的溫度控制。

實(shí)驗(yàn)將SiC MOSFET功率管器件放置在加熱裝置內(nèi)保持一定的時(shí)間，然后在另一個(gè)冷卻裝置內(nèi)保持一定的時(shí)間，且放置時(shí)間足夠長(zhǎng)，保證被測(cè)器件具有均勻的溫度分布。由于兩個(gè)裝置之間的轉(zhuǎn)換時(shí)間不會(huì)加速老化，因此應(yīng)該盡可能縮短兩個(gè)裝置間轉(zhuǎn)移的時(shí)間（本實(shí)驗(yàn)中被測(cè)SiC MOSFET功率管的最大結(jié)溫為150 ℃）。參考國(guó)家標(biāo)準(zhǔn)GJB 150.5A—2009，實(shí)驗(yàn)步驟如下。

a）在室溫下采用搭建的測(cè)試電路對(duì)12只型號(hào)為C2M0080120D的SiC MOSFET功率管的漏源極導(dǎo)通電阻值Rds，on進(jìn)行測(cè)量，每個(gè)SiC MOSFET功率管測(cè)量5組數(shù)據(jù)，取5組數(shù)據(jù)的平均值作為漏源極導(dǎo)通電阻特征參數(shù)的初始值。

b）對(duì)12只型號(hào)為C2M0080120D的SiC MOSFET功率管進(jìn)行溫度沖擊循環(huán)實(shí)驗(yàn)，設(shè)置加熱裝置的溫度為150℃，在150℃下保持30min，然后迅速將SiC MOSFET功率開關(guān)管放置在0℃的低溫冷卻裝置下保持30min（轉(zhuǎn)移時(shí)間控制在2min內(nèi)），此時(shí)溫度差ΔT為150℃。

2.2"實(shí)驗(yàn)平臺(tái)設(shè)計(jì)

實(shí)驗(yàn)平臺(tái)如圖6所示，主要由電路部分和數(shù)據(jù)采集兩部分組成。其中電路部分由BUCK電路、供電模塊以及mcu與檢測(cè)電路組成的PID控制模塊、滑動(dòng)功率電阻器（10Ω/500W）組成；實(shí)驗(yàn)數(shù)據(jù)采集部分由Handyscope HS4四通道數(shù)據(jù)采集卡（最大分辨率：16 位）、PC 機(jī)（聯(lián)想YOGA14S）、數(shù)據(jù)卡上位機(jī)軟件Tiepie Multi Channel（設(shè)置采樣頻率為5MHz）組成。

2.3"實(shí)驗(yàn)方案設(shè)計(jì)

1）故障模式設(shè)置

針對(duì)DC-DC變換器的軟故障診斷，設(shè)置了4種電路故障模式。主要考慮器件的早期失效情況，設(shè)置電解電容故障下的電容值C降低初始值的5%～20%，等效串聯(lián)電阻RESR升高初始值的5%～100%；SiC MOSFET功率管故障模式下的導(dǎo)通電阻值升高初始值的5%～20%，如表1所示。

2）工況條件設(shè)置

在設(shè)置了4種故障模式的情況下，為了模擬實(shí)際工況變化情況對(duì)實(shí)驗(yàn)電路與故障診斷效果的影響，通過調(diào)節(jié)直流穩(wěn)壓電源電壓值與滑動(dòng)功率電阻值，使電路工作在不同的輸入電壓與輸出負(fù)載。設(shè)置了5種電路工作狀況條件，如表2所示，其中標(biāo)準(zhǔn)工作狀況設(shè)置工況編號(hào)為1。

2.4"實(shí)驗(yàn)電路故障診斷結(jié)果分析

由于在2.1節(jié)中對(duì)電解電容和SiC MOSFET功率管進(jìn)行了加速退化實(shí)驗(yàn)，元器件的故障特征參數(shù)發(fā)生了改變，因此利用元器件退化前后表征器件的健康狀態(tài)和早期退化狀態(tài)，可以得到電路4種故障模式下的信號(hào)。由于電解電容退化程度最為嚴(yán)重的電容值減小了初始值的11%，SiC MOSFET功率管的導(dǎo)通電阻增加了初始值的10%，因此已經(jīng)達(dá)到2.3節(jié)設(shè)置的軟故障模式的條件。

把特征優(yōu)選后的特征參數(shù)作為3種故障診斷分類器KNN、SVM、PSO-SVM的輸入，圖7為5種工況共1 000組樣本，200組作為訓(xùn)練組，800組作為測(cè)試組同時(shí)訓(xùn)練，進(jìn)行故障診斷的實(shí)驗(yàn)結(jié)果分析。

圖7（a）顯示KNN分類器對(duì)ReliefF提取的故障特征數(shù)據(jù)集的整體故障診斷率達(dá)50.0%。圖7（b）表明SVM算法對(duì)ReliefF提取的故障特征數(shù)據(jù)集的整體故障診斷率達(dá)90.9%。圖7（c）表明PSO-SVM算法對(duì)ReliefF提取的故障特征數(shù)據(jù)集有極好的故障診斷效果，故障診斷率達(dá)97.4%。

3"結(jié)語

本文設(shè)計(jì)了基于SiC MOSFET功率管的DC-DC BUCK電路。針對(duì)DC-DC變換器的軟故障，研究了基于KNN、SVM和PSO-SVM的故障診斷方法。選用加速退化實(shí)驗(yàn)中退化程度最為嚴(yán)重的電解電容和SiC MOSFET功率管作為DC-DC變換器的軟故障器件，將采集的電路信號(hào)計(jì)算特征參數(shù)，采用ReliefF算法選取故障特征參數(shù)，采用故障診斷方法進(jìn)行分析。對(duì)比分析3種故障診斷結(jié)果，表明使用PSO-SVM方法對(duì)BUCK電路進(jìn)行故障診斷效果最好，可以有效地診斷DC-DC變換器的軟故障。

參考文獻(xiàn)：

［1］ 孫權(quán). 功率變換器故障辨識(shí)與健康狀態(tài)評(píng)估關(guān)鍵技術(shù)研究［D］. 南京：南京航空航天大學(xué)，2018.

［2］ 高鵬飛. 峰值電流控制模式DC-DC BUCK變換器的斜坡補(bǔ)償研究［J］. 通信電源技術(shù)，2019，36（6）：127-128.

［3］ CHEN H，LU S L. Fault diagnosis digital method for power transistors in power converters of switched reluctance motors［J］. IEEE Transactions on Industrial Electronics，2013，60（2）：749-763.

［4］ SHAHBAZI M，JAMSHIDPOUR E，POURE P，et al. Open- and short-circuit switch fault diagnosis for nonisolated DC-DC converters using field programmable gate array［J］. IEEE Transactions on Industrial Electronics，2013，60（9）：4136-4146.

［5］ MOOSAVI S S，DJERDIR A，AIT-AMIRAT Y，et al. Artificial neural network-based fault diagnosis in the AC-DC converter of the power supply of series hybrid electric vehicle［J］. IET Electrical Systems in Transportation，2016，6（2）：96-106.

［6］ 傅宏輝，王友仁，孫燦飛，等. 基于ACGAN的功率變換器參數(shù)性故障診斷方法［J］. 機(jī)械制造與自動(dòng)化，2019，48（6）：159-163.

［7］ SOUALHI A，CLERC G，RAZIK H. Detection and diagnosis of faults in induction motor using an improved artificial ant clustering technique［J］. IEEE Transactions on Industrial Electronics，2013，60（9）：4053-4062.

［8］ SUN Q，WANG Y R，JIANG Y Y，et al. Fault diagnosis of SEPIC converters based on PSO-DBN and wavelet packet energy spectrum［C］//2017 Prognostics and System Health Management Conference （PHM-Harbin）. Harbin，China： IEEE，2017：1-7.

［9］ CEN Z H，STEWART P. Condition parameter estimation for photovoltaic buck converters based on adaptive model observers［J］. IEEE Transactions on Reliability，2017，66（1）：148-160.

［10］ 李愛國(guó)，覃征，鮑復(fù)民，等. 粒子群優(yōu)化算法［J］. 計(jì)算機(jī)工程與應(yīng)用，2002，38（21）：1-3，17.

收稿日期：20220914