基于SOM神经网络的三电平逆变器的故障诊断*

帕孜来·马合木提，付 玲，林吉凯

（新疆大学 电气工程学院，新疆 乌鲁木齐830047）

0 引言

多电平逆变器相对传统的两电平逆变器具有开关损耗小、输出谐波含量低等优点，但是随着开关数量的成倍增加，也大大降低了多电平逆变器的可靠性。任何一个开关管发生故障后，将导致整个逆变器不能正常工作，从而导致一些经济损失甚至还可能引发重大安全事故。因此，对多电平逆变器进行故障诊断研究，特别是应用自动故障诊断技术对提高多电平逆变器的可靠性具有很大的经济价值与现实意义[1]。

目前国内外学者针对多电平逆变器的故障诊断都有较为深入的研究。有学者提出运用变换器交流侧PWM电压UPWM和电流的极性来判断功率开关管的故障[2]，该方法的诊断速度快，可靠性也高，但其诊断结果无法精确定位具体发生故障的功率管。此外，一些学者对于逆变器故障诊断，提出了基于模型的故障诊断方法[3-4]，引入键合图等建模方法对其进行建模，其方法提高了诊断正确率，但其分析过程比较复杂。

近年来，随着神经网络理论的引入，为故障诊断问题提供了一种新途径，神经网络的非线性特性特别适合用于逆变器这样的混杂系统。传统的BP神经网络需要预先给定期望输出值以及大量故障学习样本。因此，笔者根据自组织特征映射（SOM）神经网络的学习特点将其应用于多电平逆变器的故障诊断中，利用小波包变换对三电平逆变器的上、中、下桥臂电压进行变换，提取故障能量系数，组成其相应的故障特征矢量作为SOM神经网络的输入，根据获胜神经元的位置来判断其逆变器的故障模式。

1 三电平逆变器故障特征分析与提取

在实际运用中逆变电源主电路出现较多的故障是功率管的开路与短路故障。短路故障会导致过流保护，其存在的时间较短，并且其自身的保护电路也会很快使其变为开路。实际应用中多个开关器件同时发生故障的几率比较低，因此本文仅对最多两个功率半导体元件开路作故障作分析。图1为本文所研究的三电平逆变器的主电路拓扑结构图。

图1 三电平逆变器的主电路图

1.1 三电平逆变器故障模式分析

图2 单相仿真电路图

基于每相的基本情况都相同，本文就已单相电路为研究对象，研究其开路故障情况，如图2所示。利用MATLAB进行仿真，设输入直流电压为530 V，功率管采用理想的开关元件和二极管。定义“A相中点桥臂电压”为Vao，即桥臂中点a与电容电压中点o之间的电压；“上桥臂电压”为 Vbo；“下桥臂电压”为 Vco[5]。由于三电平逆变器的主电路存在对称性，所以这里就给出了Sa1、Sa2、VD1开路的故障波形图。图3为单个功率开关管开路时中点桥臂电压Vao的仿真波形[6]。

当功率开关管同时有两个出现开路故障时，存在两种情况：一类是两个开关管处于同一桥臂；第二类是两个开关管处于不同的桥臂。对于第二类情况，相当于某个桥臂的单个开关管开路，因此，本文仅分析第一类情况。以桥臂a为研究对象，可以分为6种故障模式。考虑到主电路存在对称性，因此本文就只给出了Sa1和Sa2、Sa1和 Sa3、Sa1和 Sa4、Sa2和 Sa3同时开路时的中点臂电压Vao的波形，如图4所示。

通过对图3与图4的比对，可以发现Sa2单管开路与Sa1、Sa2同时开路时的桥臂电压Vao具有相同的电平逻辑特征。因此，只应用小波包变换单独提取中点桥臂Vao各频段能量系数不能区分这两类故障模式。

经仿真研究实验分析，Sa2单独开路时与 Sa1、Sa2同时开路时的上桥臂电压与下桥臂电压其电平逻辑区分较为明显，那么其波形所含能量值也就不同。所以，同时提取桥臂电压Vao、Vbo和 Vco各频带能量系数可以很好地表示各种故障模式。

1.2 三电平逆变器故障特征提取

根据小波包的一系列特性，利用小波包对信号进行分解，再对其分解系数进行重构，得到各频带的能量值。在各频带的电压能量中，包含了其相应的故障信息，由此，提出“能量—故障”模式诊断识别方法[7-8]。本文采用小波包两层分解后各频带的能量作为相应故障模式的输入向量，将三电平逆变器的单相故障进行编码，利用小波包原理对相应的故障桥电压进行能量提取，其特征向量如表1所示。

2 SOM神经网络与模式识别

SOM神经网络是由芬兰赫尔辛基大学神经网络专家Coonan教授在1981年提出的，其网络的拓扑结构如图5所示[9]，由输入层与竞争层（输出层）组成。输入层与输出层的神经元通过一个权值实现全连接。

图3 单个功率开关管开路时桥臂电压仿真波形

图4 两个功率管同时开路时桥臂电压Vao仿真波形

表1 标准故障样本

图5 SOM神经网络模型

SOM神经网络学习算法是一种无导师指导与监督的聚类方式，当学习训练结束后，竞争层中的一个神经元只针对某一类输入矢量最为敏感从而产生最大输出值，其他的神经元只有最小值输出。因此，对该网络中具有最大输出值的神经元标以其对应的故障标号，即可进行故障模式的识别与分类。其具体学习过程如下：

(1)用[0，1]之间的随机数对输入层与竞争层之间的连接权值进行初始化。

(2)把标准故障样本 P=[p1，p2，…，pn]T通过输入层输入网络进行训练。

(3)由公式(1)找到使yi具有最大输出值的神经元 i，i即为最佳匹配单元C。

(4)为使网络经过学习训练后具有聚类功能，定义NC为C的一个拓扑邻域。使NC内的单元输出为 1，NC外的单元输出为0。即：

(5)权值调整学习。对与胜出神经元连接的各个权值进行训练修正。其权值训练公式如下：其中，α(t)为学习因子，当其减小到0时，学习训练结束。

(6)判断网络输出结果。根据输出结果判断是否达到预先设定的结果，若符合预定结果则学习结束，否则返回步骤(2)，进行下一轮的学习。

3 SOM网络在故障诊断中的应用

利用表1中的标准知识样本对SOM网络进行训练，本文所设计的神经网络输入矢量元素个数为10个，输出层为10×10个神经元。应用SOM神经网络对13个标准故障故障样本进行分类，其训练后的故障映射图如图6所示。

在SOM网络训练结束后，为了测试其网络的泛化识别能力，对输入样本增加随机数 (随机数范围 0～1之间)的 10%的增量作为干扰来进行故障模式的识别。选取随机数0.1的10%作为扰动量的识别结果如表2所示。

从表2中可以看出，SOM网络除了第三组测试样本的诊断结果与三电平逆变器的实际故障不符合以外，其余诊断结果完全正确。从中可以得出，SOM网络具有较强的学习泛化能力。对已经学习过的样本，识别率为100%。因此，SOM神经网络能够较好地识别三电平逆变器的各类开路故障，较好地完成逆变器的故障诊断。

图6 故障映射图

4 结论

本文采用的被广泛用于模式识别与分类领域的SOM网络，不需要大量的样本进行训练，不仅减小了神经网络的规模，同时也缩短了网络训练的时间。通过对三电平逆变器的上、中、下3个桥臂电压进行小波包分解提取各频带能量值，作为其相应的故障特征。实验诊断结果表明，将SOM网络应用于三电平逆变器的开路故障诊断中，不仅可以快速诊断出各故障模式的具体类型，其诊断精度也比较高，其故障模式分类效果很理想，为逆变器的在线故障监测与诊断提供了一种很好的智能诊断算法。

表2 测试结果

[1]肖刚.三电平逆变器故障诊断研究[D].西安：西安理工大学，2007.

[2]汤清泉，颜世超，卢松升，等.三电平逆变器的功率管开路故障诊断[J].中国电机工程学报，2008，28(21)：26-32.

[3]王俊年，龚明，王海乾.大功率逆变器的键合图模型及故障诊断方法[J].湖南科技大学学报：自然科学版，2014，29(1)：24-28.

[4]GONZÁLEZ-CONTRERAS B M，RULLÁN-LARA J L，VELA-VALDÉS L G，et al.Modelling,simulation and fault diagnosis of the three-phase inverter using bond graph[C].Industrial Electronics，2007.ISIE 2007.IEEE International Symposium on.IEEE，2007：130-135.

[5]LEE J，KIM T，KANG D，et al.A control method for improvement of reliability in fault tolerant NPC inverter system[C].Power Electronics Specialists Conference，2006.PESC′06.37th IEEE.IEEE，2006：1-5.

[6]陈丹江，叶银忠.基于多神经网络的三电平逆变器器件开路故障诊断方法[J].电工技术学报，2013，28(6)：120-126.

[7]杨勇，郭凯，马西仃.基于小波包和支持向量机的提升机滚动轴承故障诊断研究[J].矿山机械，2012，40(11)：41-44.

[8]王云亮，孟庆学.基于小波包能量法及神经网络的电力电子装置故障诊断[J].电气自动化，2009，31(2)：25-27.[9]张德丰.Matlab神经网络应用设计[M].北京：机械工业出版社，2012.