摘要：為了高效、準確的對 PWM 整流器開關管故障進行診斷，本文提出了對輸出電流進行五層小波分解得到各頻帶的小波系數(shù)，然后計算出各頻帶的小波能量譜，標幺化后將其輸入改進的 BP 神經網絡，仿真結果表明，該方法是準確、高效的，而且具有比傳統(tǒng)單一的小波分析或神經網絡的學習收斂速度快，診斷正確率更高的特點。

    1. 引言

    自 21 世紀以來，新型城市軌道交通在我國得到了飛速的發(fā)展，現(xiàn)已是我國國民經濟發(fā)展與人民生活水平的重要標志。它具有污染小、效率高、結構簡單等一系列優(yōu)點。PWM 整流器[1]是新型能饋式牽引供電系統(tǒng)的關鍵部件，目前國內外學者對新型 PWM 整流器故障診斷研究較少，傳統(tǒng)的故障診斷算法不能準確快速的對故障進行診斷，因此本文提出一種融合的故障診斷方法

    [2]，能快速、準確、實時的在線對 PWM整流器開關管故障診斷，從而便于容錯控制，保證列車平穩(wěn)、安全的運行。故障特征的準確提取是故障診斷能否成功的關鍵。由于電力電子電路是多變量、非線性、強耦合的復雜系統(tǒng)，很難建立準確、有效的數(shù)學模型，傳統(tǒng)的故障診斷方法根本無法滿足當今的技術指標要求，而單一的智能診斷方法的故障診斷也不是十分有效，因此本文根據(jù)理論的分析與 MATLAB 的仿真，提出用小波分解來提取小波能量譜來作為故障特征量，并將標幺化后的特征量輸入BP神經網絡來完成故障的識別與診斷。

    2.1 小波分析提取故障特征

    PWM 整流器開關管在故障時電流或電壓特征量發(fā)生突變，信號中含有非平穩(wěn)的時變信息，而用傳統(tǒng)的傅里葉變換往往只能對信號的頻域具有局部化分析能力，它是對整個時域的積分，適合于對穩(wěn)態(tài)信號分析，對非穩(wěn)態(tài)信號無能為力，而小波變換在時域和頻域都具有局部化能力，它的窗口尺寸可以根據(jù)信號的頻率而自動調節(jié)，并且是一種基于“頻帶”的時頻分析方法，因而非常適合于暫態(tài)信號或非穩(wěn)態(tài)信號的分析[3]。二進制小波變換就是通過多分辨分析算法來實現(xiàn)的，將信號 ( )f t 分解為不同尺度上的近似和細節(jié)，也就是對應的低頻和高頻部分，分解的公式[4]可以表示為：

    3 實 驗

    3.1 MATLAB 故障仿真與分析選取 PWM 整流器電路作為診斷實例，原理圖如圖 3 所示， 使用 MATLAB 進行建模與仿真，電路參數(shù)設置如下：輸入三相交流電壓為380V，工作頻率為 50Hz，電阻為 0.1Ω ，電感為 1mH,載波頻率為 10000Hz，調制系數(shù)為 0.4，通過 MATLAB 分別對PWM 整流器正常工作和開關管故障時進行仿真，仿真時間設為 0.2s，在 0.1s 時發(fā)生開關管開路故障，下面我們通過提取小波能量譜來作為神經網絡訓練樣本，然后在 0.12s、 0.08s 等時刻再次提取故障特征， 以此來對神經網絡進行測試，從而完成對開關管故障的診斷和診斷算法的驗證，為了問題的簡化與說明，下面我們只對開關管單管故障進行舉例，其他情況依此類推。PWM 整流器基本工作原理[1]：

    3.2 故障特征的提取

    通過對比圖 4、圖 5 不難發(fā)現(xiàn)，在開關管發(fā)生故障時，輸出電流發(fā)生了很大的畸變，通過 db3 小波對輸出電流壓進行 5 層分解， 提取 1個低頻系數(shù)和 5 個高頻系數(shù)，然后根據(jù)小波分解系數(shù)求出各頻段能量譜，按照順序排成一列向量，該向量就是與某一故障相對應的特征向量。下面對電壓信號進行 5 層分解，得到 6 個頻帶的小波系數(shù)，重構各節(jié)點小波分解系數(shù)，則總信號可表示為[7]：

    4. 結論

    本文通過對 PWM 整流器的輸出電流進行小波分解， 對比分析發(fā)現(xiàn)， PWM 整流器正常時和故障時小波分解系數(shù)相差明顯，因此對正常情況和各種故障情況的電流進行分解并計算其小波能量譜，發(fā)現(xiàn)不同的故障各頻段的能量譜差別明顯，為了便于后面的分析與比較，將其歸一化后再將其輸入訓練好的神經網絡進行故障的識別與診斷9]， 仿真的結果表明該算法的診斷正確率 100%，是一種準確、高效的診斷算法，對工程上實現(xiàn) PWM 整流器故障的快速、準確診斷與容錯控制提供了一定的指導作用[10]。

    參考文獻

    [1] 劉志剛,葉斌,梁暉.電力電子學[M].北京：北京交通大學出版社，2004.

    [2] 羅惠,王友仁等.電力電子電路多源特征層融合故障診斷方法[J].電機與控制學報.2010,4,第14 卷(4 期):92-95.

    [3] 徐昕，傅煊.基于小波分解和 BP 神經網絡模擬電路故障診斷研究[J].現(xiàn)代電子技術.2011,10，第 34 卷(19 期) :171-175.

    [4] 王云亮，孟慶學等.基于小波能量法及神經網絡的電力電子裝置故障診斷[J].智能控制技術,2009,第 31 卷(2 期):25-27.

    [5] 孟苓輝，王磊等.基于改進 BP 神經網絡的牽引變流器故障診斷[J].電子設計工程,2012,3,第20 卷(6 期):61-63.

    [6] 王軼.基于數(shù)據(jù)挖掘的機車牽引變流器故障診斷[D].成都：西南交通大學，2005,4.10

    [7] 明廷鋒，姚曉山等.基于小波-主成分分析的離心泵故障診斷方法[J].武漢理工大學學報，010，12

    [8] BingLi and Peilin Zhang.FeatureExtraction and Selection for Diagnosis Gear Using Wavelet Entropy and Mutual Information.[A].2008

    [9] Zhimin Dong,Xinqiao Jin,YunyuYang.Fault diagnose for temperature,flow rate and pressure sensors in VAV systems using wavelet neural network[J].Applied Energy,2009,86:1624-1631.

    [10] YaguoLei,ZhengjiaHe,YanyangZi.Expert Systems with Applications,2009.

    作者簡介： 孟苓輝 (1988—) ， 男， 吉林舒蘭人， 博士研究生。

    研究方向：電力電子與電氣傳動。<