基于CGAN与LSTM的逆变器多类型故障诊断方法研究

田睿，刘维可，伍珣，张晓敏

(1．国网湖南省电力有限公司超高压变电公司，湖南 长沙 410004；2．国网湖南省电力有限公司电力科学研究院，湖南 长沙 410208；3．中南大学交通运输工程学院，湖南 长沙 410075)

0 引言

逆变器可以将直流电转化成交流电，同时使输出交流电的频率和相位与市电同步，广泛应用于不间断电源、电机调速及可再生能源并网发电系统。逆变器的安全、稳定运行对于保障整个变流系统的可靠性具有重要意义。然而，由于长时间工作，逆变器中的功率管会承受较高的电热应力，其老化过程加速且极易出现故障。功率管故障主要分为短路故障与开路故障[1-2]。短路故障已有成熟的保护方案，通过串联熔断丝转化为开路故障以防止过电流的产生[3]；开路故障不易导致过电压或过电流，但具有潜伏性，如不及时处理极易导致二次故障。尽管现有的驱动电路具有一定的故障检测功能，但准确度容易受器件型号、参数及外部因素等的影响。电流传感器作为整个变流系统闭环控制的信息通道，其故障对于系统运行同样具有致命影响，其中电流传感器零输出故障的影响最为严重。因此，开展逆变器多故障诊断研究对于保障系统安全可靠运行具有重要意义。

目前，学者们对功率管故障或电流传感器故障的诊断开展了较多研究。文献[4]通过混合逻辑动态模型观测直流侧电压，通过构建残差评价函数实现对功率管与续流二极管的故障诊断。文献[5]基于搭建的自适应观测器对电机电流、转子电阻进行观测，通过残差分析进行诊断，但该方法并未考虑具体的故障类型。文献[6]搭建了Luenberger 观测器实现功率管故障诊断，并通过设计自适应阈值来保证观测器的鲁棒性。文献[7]基于自适应阈值的全阶Luenberger观测器实现永磁同步电机位置传感器的故障诊断，提升了不同工况下的诊断精度。文献[8]实现了单相整流器中电压、电流传感器的故障诊断，并同时设计了相应的容错控制算法。文献[9]针对级联 H 桥拓扑搭建了状态观测器，并结合归一化诊断变量实现IGBT的故障诊断，但是该方法不能诊断全部的故障类型。文献[10]以电机d、q轴电流的残差信号作为电压畸变观测器的输入，得到三相电压畸变信号，以此实现功率管故障的快速诊断。文献[11]利用卡尔曼滤波器观测环流，并将电容电压作为判定条件融入诊断算法之中。文献[12]将一种强鲁棒性卡尔曼滤波器用于传感器的故障诊断，减少了所构建观测器的数量。文献[13]基于卡尔曼滤波器观测得到的电流信号、转子角速度，设计了相应的故障诊断算法。文献[14]利用滑模观测器生成环流残差，并结合假设-检验过程实现对功率管的开路故障诊断。文献[15]利用滑模观测器观测牵引整流器的网侧电流与直流侧电压，并对残差归一化处理，通过阈值的设定进行诊断。文献[16]将奇偶空间校验的方法用于电压、电流传感器的故障定位。文献[17]采用正交小波包分解获取最佳分解树，再运用主元分析法得出最有价值的数据信息作为故障特征，从而实现逆变器传感器的故障诊断。

上述研究主要针对逆变器单个器件的故障进行诊断，难以对功率管、电流传感器多种类型故障的情况进行有效辨别，无法准确定位。因此，本文以三相电压型逆变器为研究对象，通过建立数字模型，详细讨论各种故障类型下的输出电流变化情况；利用条件生成对抗网络(condtional generative adversarial network，CGAN)获取多种工况下的输出电流故障数据，并通过长短期记忆网络(long short-term memory，LSTM)训练得到故障诊断模型，从而实现功率管故障与电流传感器故障的有效区分与准确诊断。与现有方法相比，本文提出的方法考虑了功率管与电流传感器多种故障存在的情况，能够实现复杂故障的准确诊断与定位。

1 逆变器工作原理与数字建模

1.1 逆变器基本工作原理

图1为三相电压型逆变器拓扑，逆变器一共有3个桥臂，通过对这3个桥臂进行控制可以将直流侧输入转换为三相交流输出。VT1与VT2、VT3与VT4，以及VT5与VT6分别为A相、B相和C相的开关器件。

图1 三相逆变器拓扑

逆变器的基本工作方式为180°相继导通，每一时刻有且只有三个桥臂导通，总共有8种不同的导通方式。假定负载为三相电机，采用图2所示矢量控制方法，可以得到幅值一定、相位各差120°的三相电流iA、iB和iC。

图2 矢量控制原理

1.2 逆变器数字建模

在dSPACE半实物平台中搭建逆变器数字模型如图3(a)所示，该模型主要包括电源、控制电路、逆变器与三相电机，对应的物理原型如图3(b)所示，数字平台各部件、电路参数与物理原型保持一致。考虑到故障分析的安全性，故障模拟及数据采集主要在数字模型中完成。

(a)逆变器数字模型

(b)逆变器物理实体

设置两个故障模拟信号，一个作用于逆变器驱动信号，信号输出为零时使功率管关断，用于模拟开路故障；一个作用于输出电流信号，用于模拟电流传感器零输出或信号偏置等。通过该模型收集逆变器功率管故障与电流传感器故障数据并进行分析与诊断。

2 功率管与电流传感器故障模态分析

本文主要就逆变器功率管故障与电流传感器故障进行研究，且假设逆变器输出电流流向负载时为正。由于A、B、C 相的故障影响大致相同，主要以A相故障分析为主，B、C相故障分析同理。

2.1 功率管故障模态分析

正常情况下，逆变器三相输出电流如图4所示，呈稳定、周期性变化，相位互差120°。

图4 正常工况下的三相电流

当A相功率管VT1发生开路故障时，A相电流在正半周期缺失，在负半周期的电流流通路径不变，电流波形如图5所示。同时，电机转速产生微小脉动，电磁转矩发生明显波动。

图5 VT1发生开路故障时的三相电流波形

当A相上下桥臂同时出现功率管开路故障时，该相没有电流流过，如图6所示。由基尔霍夫电流定律可知，另外两相电流幅值增大，并且保持两相电流之和为零，此时电机转速及电磁转矩出现显著波动。

图6 VT1和VT2发生开路故障时的三相电流 波形

当A、B相同侧桥臂(如VT1和VT3)同时出现功率管开路故障时，A、B相电流正半周期无法流经故障桥臂，负半周期电流流通路径不变，故两相电流在整个周期内表现为非正，如图7所示。同时，C相电流幅值等于另外两相之和的相反值，电机转速与电磁转矩出现显著波动。当A、B相异侧桥臂(VT1和VT4)同时出现功率管开路故障时，分析过程与结果与同侧桥臂故障类似。

图7 VT1和VT3发生开路故障时的三相电流 波形

2.2 电流传感器故障模态分析

电流传感器测量值与真实值由于线圈老化、电阻阻值改变等而不一致，这称为电流传感器故障。电流传感器故障根据电流信号的特征可以分为零输出故障、增益故障和偏移故障等，电流波形如图8所示。可以看出，零输出故障是电流传感器最为严重的故障之一。当A相电流传感器发生零输出故障时，B、C相的电流也会发生变化。由于闭环控制系统影响，B、C相输出电流出现严重畸变，存在较大谐波。相比于零输出故障，增益故障和偏移故障可能不会对电流波形造成过度畸变，但其特征与正常波形较为相似，具有一定潜伏性，容易造成故障漏检。

(a)零输出故障

(b)增益故障

(c)偏移故障

3 基于CGAN的逆变器故障数据增 强方法

在逆变器实际工况中，系统会受到外部扰动、噪声等的影响，使得输出电流与理论分析存在一定差别。为了减小这种差别给故障诊断带来的影响，采用条件生成对抗网络重构多种工况、不同扰动下的逆变器故障数据集，进而提高故障诊断模型的抗扰性。基于CGAN的数据增强主要包括生成器网络设计、判别器网络设计、网络训练，以及数据增强。

生成器网络从结构上包括噪声输入层、投影重塑层、嵌入重塑层、连接层、反卷积层、批标准化层等，其结构及参数如图9与表1所示。其中，投影重塑层是指在不同维度的空间之间进行信息投影和重塑操作。信息投影是指将输入张量通过变换，使部分维度信息转移到新的维度上去；重塑是指将经过信息投影之后的数据经过变形重塑成目标张量的形状，实际上就是张量的转置、拼接或者切片操作。本质上来说，投影重塑层类似于全连接层与重塑层的结合。除了最后一个反卷积层，均设置了归一化层以加速收敛，使其更稳定，并设置激活函数。最终，经生成器网络产生维度为[1021 1 1]的生成数据。

图9 生成器网络结构

表1 生成器网络层参数

续表1

判别器网络从结构上包括数据输入层、标签输入层、嵌入重塑层、卷积层等，结构与参数如图10和表2所示。

图10 判别器网络结构

表2 判别器网络层参数

在网络训练阶段，首先设置训练参数，包括学习率、迭代次数、最小批次、单次输入故障类别数。其中，学习率固定为0.001，最小批次固定为50。接着，将生成数据、真实数据和对应标签输入判别器，前向传播并计算损失函数；反向传播更新判别器参数；将噪声与对应标签输入生成器，固定判别器，前向传播并计算损失函数；反向传播更新生成器参数。按设定的迭代次数反复训练，最终得到训练好的网络。

图11(a)为训练过程中生成器与判别器得分，其中单次输入故障类别数为5，迭代次数为500。在训练后期，生成器与判别器逐渐进入纳什平衡，两者得分逐渐收敛，网络训练完成。图11(b)为不同迭代次数，固定单次输入故障类别数情况下，生成器生成数据质量对比。从图中可以看出，不同迭代次数下生成数据的趋势大致是一致的，都与真实数据相似，不同的是幅值有所差异，这是由于虽然是同一个网络，但不同的迭代次数生成器得分会有所差别，具体到生成器参数就会有所不同，生成的数据从而不同。综上，采用CGAN生成的数据与真实数据具有较好的相似度与一致性，符合故障诊断模型训练要求。

(a)网络中生成器与判别器训练得分

(b)不同迭代次数下的数据增强对比

图11 网络训练与数据增强结果

4 基于LSTM的逆变器功率管与电 流传感器故障诊断

4.1 LSTM故障诊断模型

LSTM是在循环神经网络(RNN)基础上改进而来，传统网络由于存在梯度消失及梯度爆炸问题，难以处理长时间序列问题，LSTM通过引入遗忘门、输入门、输出门来对网络进行优化。

遗忘门用于控制网络是否遗忘前一时刻的记忆状态，解决梯度消失问题。遗忘门的输入是当前时刻的输入数据和前一个时间步的隐藏状态(即上一个时刻的输出)，遗忘门的输出是一个0～1之间的实数，确定细胞状态保留的程度，越接近0表示遗忘程度越高。遗忘门公式如下：

yw=σ(Wy1xt-1+Wy2xt+bw)

(1)

式中：yw、bw分别表示遗忘门的输出与偏置参数；Wy1、Wy2分别表示遗忘门前一时刻和当前时刻的权重。

输入门用于控制当前输入信息的加入，转化为所需的维度，解决梯度爆炸问题。输入门的输入是当前时间步的输入数据和上一个时间步的隐藏状态；输出是一个实数，表明当前输入状态输出门用于控制当前的输出信息并限制梯度值，选择重要信息进行输出，实现了长时间依赖能力。其公式如下：

(2)

式中：ri1、ri2分别表示输入门的当前选择记忆和候选记忆；Wi1、Wi2分别表示输入门前一时刻和当前时刻的权重；bi、tanh()分别表示输入门的偏置参数与激活函数。

输出门可以控制模型将当前时刻的细胞状态输出，从而产生预测或者分类结果，其公式如下：

(3)

式中：ro1、ro2分别表示输出门的当前选择记忆和候选记忆；，Wo1、Wo2分别表示输出门前一时刻和当前时刻的权重；bo表示输出门的偏置参数。

图12为LSTM的基本结构框图。

图12 LSTM基本结构框图

采用双向LSTM层来学习输入序列特征，双向LSTM由一个正向LSTM和一个反向LSTM组成，分别处理输入序列的正向和反向信息，并通过捆绑两个层的输出来生成最终的网络输出。正向LSTM按照顺序处理输入序列，而反向LSTM按照逆序来处理相同的输入序列。每个LSTM单元通过学习以前时间步的输入数据和隐层状态，来预测当前时间步的输出。在双向LSTM中，最终的输出是正向LSTM和反向LSTM的拼接，这可以捕获序列之间的正反两个方向的信息，并提高序列预测的准确性。因此，故障诊断模型的算法架构与主要参数如图13与表3所示。

图13 基于LSTM的故障诊断模型算法架构

表3 故障诊断模型主要参数

4.2 网络训练与方法验证

首先，通过图3所示dSPACE半实物仿真平台获取功率管单管开路故障、双管开路故障，以及电流传感器零输出故障、增益故障和偏移故障的仿真数据，划分训练集与测试集大小，分别为941×622×2与403×600×2；设置初始学习率为0.01，迭代次数为100，批次为30；将数据输入神经网络进行训练，训练过程准确度变化如图14所示。从图中可以看出，该神经网络的准确度从开始不断上升，最终基本收敛在98%左右，表明训练效果优秀。

(a)准确度

(b)损失

接着，在预先划分好的测试集上进行测试。经多次测试得到准确度如表4和图15所示。

表4 故障诊断模型测试准确度 %

(a)测试1

(b)测试2

(c)测试3

(d)测试4

(e)测试5

(f)测试6

混淆矩阵是用来呈现分类算法性能的可视化方法，每行代表实际类别，每列代表分类器预测的类别。每行之和是该真实类别的样本总数，如果混淆矩阵中的元素全部位于主对角线上则表明分类器对于样本类别的预测与真实类别完全相同，即预测准确度为100%；反之，如果元素分布于矩阵的其他位置，则表明分类器的预测准确度较低。本文混淆矩阵以颜色的深浅表示数量的大小，颜色越深数量越大，颜色越浅数量越小。从混淆矩阵中可以看出，绝大部分元素都位于主对角线上，只有极少部分元素位于其他位置。这表明分类器的分类准确度良好，效果达到预期。

需要说明的是，当功率管故障与电流传感器故障同时存在时，这两种器件的故障特征存在非线性混叠关系，影响机制极为复杂，此类非线性耦合故障的准确诊断是本方法的后续改进与优化方向。

5 结论

本文以逆变器为研究对象，通过搭建仿真模型对功率管故障与电流传感器故障进行分析，提出一种基于CGAN与LSTM的故障诊断方法，实现功率管故障与电流传感器多类型故障的准确定位。

本文主要得到以下结论：1)逆变器功率管故障和电流传感器故障会导致三相电流异常，不同程度地造成了电机转速和电磁转矩波动；2)基于条件生成对抗网络对原始数据集进行数据增强，生成数据质量良好；3)采用长短期记忆网络构建故障诊断模型，可以对功率管故障与电流传感器故障进行有效辨别，6次测试的平均准确度为95.66%。