本发明涉及一种基于神经网络的故障诊断方法，尤其涉及一种适用于三电平级联逆变器的故障诊断方法。
背景技术
三电平级联逆变器正常工作时，由于功率开关器件要承受高电压和大电流，而自身抗过载能力有限，导致设备运行时，存在较大开关器件损坏的几率。多模块级联结构的变换器结构复杂，采用了较多数量的功率开关器件，会导致级联系统发生故障的概率进一步增加。对于变换器装置，一旦发生故障，如不及时处理，往往会带来极大的经济损失甚至导致重大安全事故，因此，准确、快速地判断其开关器件故障类型尤为重要。
一般地，变换器功率开关器件的故障可分为开关管的开路故障和短路故障。短路故障存在的时间极短，可在硬件电路上进行监测和处理，也可以将快速熔丝植入电路中，将短路故障转化为开路故障，利用开路故障诊断方法加以处理。因此，目前功率单元故障诊断的研究重点都集中于开关管的开路故障。设备开路故障时，往往可以继续运行，因此故障不易被察觉，但同样具有较大危害，往往使得其他功率器件发生过流，进一步引发过热和绝缘损坏问题。
故障诊断方法分为硬件方法和软件方法。硬件方法较早便应用于故障诊断领域，基于变换器开关函数模型和运行机理研究的成果，一些学者根据桥臂下管承受电压在正常和故障状态下的区别，通过硬件电路来实现故障诊断，这种方法具有可靠性高的优点。然而，硬件诊断方法设备繁杂、成本较高，而采用软件诊断方法更加方便实用。目前主要的变换器开关管软件故障诊断方法包括：①基于解析模型的方法；②基于知识的方法；③基于信号分析的方法。
技术实现要素：
针对变换器发生故障导致系统存在潜在威胁，以及硬件故障诊断方法存在的设备繁杂和成本较高等问题，本发明提供一种基于神经网络的故障诊断方法，属于基于知识的软件诊断方法，适用于三电平级联逆变器，通过训练神经网络用于实时诊断系统的运行状态。
本发明的技术方案为：
一种基于神经网络的三电平级联逆变器的故障诊断方法，所述三电平级联逆变器包括n个功率模块，n为正整数，每个所述功率模块包括第一桥臂和第二桥臂；
所述功率模块的第一桥臂和第二桥臂结构相同，均包括第一功率开关器件、第二功率开关器件、第三功率开关器件和第四功率开关器件；
每个所述第一桥臂或第二桥臂的故障类型分为八种，包括：
第一功率开关器件开路，记为故障类型一；
第二功率开关器件开路或第一功率开关器件和第二功率开关器件开路，记为故障类型二；
第三功率开关器件开路或第三功率开关器件和第四功率开关器件开路，记为故障类型三；
第四功率开关器件开路，记为故障类型四；
第一功率开关器件和第三功率开关器件开路或第一功率开关器件、第三功率开关器件和第四功率开关器件开路，记为故障类型五；
第一功率开关器件和第四功率开关器件开路，记为故障类型六；
第二功率开关器件和第三功率开关器件开路或第一功率开关器件、第二功率开关器件和第三功率开关器件开路或第二功率开关器件、第三功率开关器件和第四功率开关器件开路或四个功率开关器件均开路，记为故障类型七；
第二功率开关器件和第四功率开关器件开路或第一功率开关器件、第二功率开关器件和第四功率开关器件开路，记为故障类型八；
建立2n个bp神经网络分别对应所述n个第一桥臂和n个第二桥臂，每个所述bp神经网络的训练过程如下：
步骤一：检测所述bp神经网络对应的所述第一桥臂或第二桥臂在正常情况和所述八种故障类型时的多种调制度下的桥臂电压，并将所述检测到的桥臂电压通过快速傅立叶变换提取七种特征量，所述七种特征量包括直流分量幅值、基波幅值、二次谐波幅值、三次谐波幅值、二十次谐波幅值、基波相位和二次谐波相位；
步骤二：将步骤一得到的各组所述七种特征量作为样本依次输入所述bp神经网络，并在所述bp神经网络中正向计算得到输出结果；
步骤三：将步骤二得到的所述输出结果与预期结果比较得到误差信号；
步骤四：将步骤三得到的所述误差信号反向传播用来调整所述bp神经网络各层的联结权值和阈值；
步骤五：当步骤三得到的误差信号满足精度要求时完成所述bp神经网络的训练；
按照上述步骤训练好所述2n个bp神经网络后，将实时检测的所述n个功率模块的第一桥臂电压和第二桥臂电压进行快速傅里叶变换提取各自的七种特征量，并输入对应的完成训练的所述bp神经网络模块进行计算，得到所述n个功率模块的实时故障诊断结果。
具体的，所述bp神经网络的训练步骤一中检测所述bp神经网络对应的所述第一桥臂或第二桥臂在正常情况和所述八种故障类型时从0.6到0.95以0.05为间隔的调制度下的桥臂电压。
具体的，所述bp神经网络为三层结构，包括输入层、隐含层和输出层，所述输入层包括七个输入节点分别连接对应的桥臂电压的七种特征量；
所述隐含层包括n个神经元，n为正整数，每个所述神经元的输出信号y1i＝f(ui)，其中
所述输出层包括九个输出节点分别输出对应的所述功率模块第一桥臂或第二桥臂的正常和八种故障类型，所述每个输出节点的输出信号
具体的，所述隐含层的转移函数为双极性sigmoid函数。
本发明的有益效果为：与硬件诊断方法相比，本发明提出的基于神经网络的软件诊断方法只需要对每个桥臂设置一个电压传感器用于检测桥臂电压，因此降低了成本，减小了体积；与其它软件诊断方法相比，通过神经网络进行诊断抗干扰能力更强；本发明只需要检测桥臂电压，更容易实现。
附图说明
图1是适用于本发明的三电平级联逆变器的拓扑结构示意图。
图2是应用本发明提出的一种基于神经网络的故障诊断方法的三电平级联逆变器的工作和诊断原理图。
图3是实施例中第一桥臂电压的仿真波形图，其中图3-1为正常情况下的输出电压波形图；
图3-2为sa1出现故障时的第一桥臂电压波形图；
图3-3为sa2出现故障时的第一桥臂电压波形图；
图3-4为sa3出现故障时的第一桥臂电压波形图；
图3-5为sa4出现故障时的第一桥臂电压波形图；
图3-6为sa1和sa3出现故障时的第一桥臂电压波形图；
图3-7为sa1和sa4出现故障时的第一桥臂电压波形图；
图3-8为sa2和sa3出现故障时的第一桥臂电压波形图；
图3-9为sa2和sa4出现故障时的第一桥臂电压波形图。
图4是实施例中的三层bp神经网络算法训练的流程图。
图5是本发明提出的一种基于神经网络的三电平级联逆变器的故障诊断方法的系统建立过程图。
图6是实施例中故障诊断波形图，其中：
图6-1为sa1出现故障时，神经网络诊断结果；
图6-2为sa2出现故障时，神经网络诊断结果；
图6-3为sa3出现故障时，神经网络诊断结果；
图6-4为sa4出现故障时，神经网络诊断结果；
图6-5为sa1和sa3出现故障时，神经网络诊断结果；
图6-6为sa1和sa4出现故障时，神经网络诊断结果；
图6-7为sa2和sa3出现故障时，神经网络诊断结果；
图6-8为sa2和sa4出现故障时，神经网络诊断结果。
具体实施方式
下面根据附图和具体实施例详细描述本发明。
本发明提出的一种基于神经网络的故障诊断方法，适用于三电平级联逆变器，如图1所示是三电平级联逆变器的结构示意图，包括n个功率模块，n为正整数，每个功率模块中包括第一桥臂和第二桥臂，第一桥臂和第二桥臂都包括第一功率开关器件、第二功率开关器件、第三功率开关器件和第四功率开关器件，如图1所示，第一桥臂的第一功率开关器件、第二功率开关器件、第三功率开关器件和第四功率开关器件分别为sa1、sa2、sa3和sa4，第二桥臂的第一功率开关器件、第二功率开关器件、第三功率开关器件和第四功率开关器件分别为sb1、sb2、sb3和sb4，其中第一桥臂电压为图1中o点和a点之间的电压，第二桥臂电压为图1中o点和b点之间的电压。
如图2所示是应用本发明提出的一种基于神经网络的故障诊断方法的三电平级联逆变器的工作原理图，其中电压闭环控制单元用于对三电平级联逆变器的输出电压(即图1中x点和y点之间电压)进行控制，保证输出电压的稳定，首先采样三电平级联逆变器的输出电压，然后通过有效值计算(rms)，与参考电压(即目标电压vref)比较得到误差信号，将误差信号进行pi(比例积分控制)算法计算后与单位调制波(sinφ)相乘，得到实际控制的调制信号(调制波)；调制模块将得到的调制信号分别和每个功率模块的载波比较，得到开关信号作为三电平级联逆变器的驱动信号，对三电平级联逆变器中每个功率模块分别进行控制。随后利用基于神经网络的故障诊断单元进行故障诊断，由于一个桥臂需要一个bp(bp-backppropagation)神经网络进行诊断，所以故障诊断单元中共需要建立2n个bp神经网络。
由于桥臂电压包含了系统的状态特征，所以本发明提出的故障诊断方法通过对桥臂电压进行傅里叶变换提取故障特征量，并以故障特征量为样本进行神经网络训练，得到训练完成的神经网络，最后将实时检测到的桥臂电压的特征量经过训练完成的神经网络实现故障诊断。
其中本发明利用快速傅立叶变换提取检测到的桥臂电压的七种特征量，分别为直流分量幅值、基波幅值、二次谐波幅值、三次谐波幅值、二十次谐波幅值、基波相位和二次谐波相位。
下面以单个bp神经网络为例详细说明建立和训练该bp神经网络的工作过程。
以第一桥臂为例，本发明中包括八种故障类型，sa1开路属于故障类型一；由于sa1和sa2开路的故障特征与sa2开路的故障特征相同，因此sa2开路或sa1和sa2开路都属于故障类型二；sa3和sa4开路的故障特征与sa3开路的故障特征相同，因此sa3开路或sa3和sa4开路都属于故障类型三；sa4开路属于故障类型四；由于sa1、sa3、sa4开路的故障特征与sa1、sa3开路的故障特征相同，因此于sa1、sa3、sa4开路或sa1、sa3开路都属于故障类型五；sa1和sa4开路属于故障类型六；由于sa1、sa2、sa3开路与sa2、sa3、sa4开路与sa1、sa2、sa3、sa4开路与sa2、sa3开路故障特征相同，因此sa1、sa2、sa3开路或sa2、sa3、sa4开路或sa1、sa2、sa3、sa4开路或sa2、sa3开路都属于故障类型七；由于sa1、sa2、sa4开路与sa2、sa4开路故障相同，因此sa1、sa2、sa4开路或sa2、sa4开路都属于故障类型八，第一桥臂的单管、双管、三管和四管开路故障分为以上八种情况。图3所示是这八种故障类型的桥臂电压的仿真波形图。
bp神经网络包括输入层、中间层和输出层，由于本发明选择桥臂电压的七种特征量作为样本，所以输入层包括7个输入节点分别连接该bp神经网络对应桥臂电压的七种特征量。
中间层一般包括1至2层隐含层，本实施例中选择一层隐含层作为中间层构建bp神经网络，构成的bp神经网络为三层前馈网络结构，隐含层的基本组成单元为神经元，神经元是一个多输入单输出的非线性结构，隐含层包括n个神经元，n为正整数，一般来说隐含层神经元个数过多或过少对于神经网络训练结果的性能都有影响。由于隐含层神经元个数目前还没有确定且广泛适用方法，一般采用试凑法来选取合适的隐含层神经元个数，本发明中根据输入节点和输出节点的数目优选神经元个数为8个或9个，或者根据经验公式选取，下面给出三种经验公式。
l＝log2p(2)
其中，p、q分别表示输入层的输入节点个数和输出层的输出节点个数，
x1-x7为神经网络的7个输入信号，分别是桥臂电压的七种特征量。
取隐含层中某一神经元i为例，i为大于0小于等于n的正整数，ui为神经元的内部状态，w1i-w7i依次为输入层的第1至7个特征量到隐含层第i个神经元联结的权值，xj为第j个输入节点的输入信号，θ1i为第i个输入阈值，j∈[1,7]，i∈[1,n]。则：
其中，输入层到隐含层第i个神经元联结的权值矩阵wi＝[w1i,w2i,…,w7i]t，输入阈值的矩阵θ1＝[θ11,θ12,…,θ1n]t，神经元故障特征输入向量x＝[x1,x2,…,x7]t。神经元输出信号：
y1i＝f(ui)(5)
f为隐含层的转移函数，将输入层的每个特征量乘上相应的权值并将的得到的乘积相加，再加上阈值后作为转移函数的输入值进行非线性变换，从而使得网络具有非线性的特性。本实施例中隐含层采用的是双极性sigmoid函数，并根据训练情况调整系数变换为：
转移函数的类型可以根据系统的特性来选择，每种函数类型能实现的数据转换特性也不相同，一些实施例中隐含层的转移函数还可以替换为阈值型函数(如公式7)、非线性函数(如公式8)、段线性转移函数(如公式9)等。
其中c为常数，xc为某个区间点。
输出层包括九个输出节点分别输出对应的功率模块第一桥臂或第二桥臂的正常和八种故障类型，每个输出节点的输出信号
其中，vis为隐含层第i个神经元到输出层第s个输出节点联结的权值，θ2s为第s个输出阈值，s∈[1,9]，输出阈值的矩阵θ2＝[θ21,θ22,…，θ29]t，隐含层第i个神经元到输出层联结的权值矩阵vi＝[wi1,wi2,…,wi9]t，。通过在每个隐含层神经元的输出端乘以一定的权值并将乘积相加后再加上相应的阈值得到输出层的输出节点信号，如图6所示桥臂输出电压的故障特征波形和输出节点对应的九个输出节点编码的波形图，将实时检测的n个功率模块的第一桥臂电压和第二桥臂电压进行快速傅里叶变换提取各自的七种特征量，并输入对应的完成训练的bp神经网络模块进行计算，根据每个bp神经网络的九个输出节点的输出信号可以判断出该bp神经网络对应的桥臂的故障情况，从而得到n个功率模块的实时故障诊断结果。将神经网络的输出结果通过阀值比较，当输出的值小于0.6时，编码输出0，当神经网络输出值大于0.6时，编码输出1，通过编码输出为“0”或“1”这样的逻辑电平，使得诊断结果形成向量形式，更容易进行数字化处理。
bp神经网络的训练包括信号正向传播和误差反向传播两个步骤。正向传播过程中，根据输入的故障训练样本，由输入特征量经过神经网络正向传播得到输出计算结果。在输出层得不到期望的输出结果时，误差信号从输出层向输入层反向传播沿途调整各层联结权值和阈值，使误差不断减小直到符合精度要求，即使误差函数达到极小值。
训练样本的数量由多种调制度情况下采集的桥臂电压决定，可以根据实际情况进行选择，一些实施例中检测bp神经网络对应诊断的第一桥臂或第二桥臂在正常情况和八种故障类型的情况下共九种类型从0.6到0.95以0.05为间隔的调制度的桥臂电压。
如图4为三层bp神经网络算法的流程图，通过该流程图实现神经网络结构的训练。神经网络的训练算法通过matlab编程实现。主要步骤如下：
1)初始化权值矩阵w、v，误差ep设为0，学习率η设置为(0，1)区间的数；
2)输入训练样本，即检测到的九种包括正常和八种故障类型情况下的多种调制度情况的单个bp神经网络对应的第一桥臂或第二桥臂的桥臂电压，并将检测到的桥臂电压通过快速傅立叶变换提取七种特征量作为训练样本依次输入层的七个输入节点值，神经网络各层输出计算，得到输出；
3)根据图4的公式计算输出误差ep，对应不同的样本有不同的误差，可以取其中最大值，也可以取其均方根值作为最终误差；
4)计算各层的总误差e总；
5)将总误差e总反向传播修正各层权值参数；
6)检测是否对所有训练样本均完成学习，若完成，返回2)，否则转下一步；
7)检测误差是否小于精度设置，如果是，学习完成，若否，返回2)。
在实际编程中，若每输入一个训练样本，都要进行反向传播步骤并调整参数，这种方法只着眼于输入的单个样本而无法统筹兼顾，从而导致训练效率过低。因此，本发明采用成批训练方法，通过将不同调制度情况下的各故障状态下的特征量形成矩阵一起进行训练，提高了训练的效率，降低了神经网络的计算量。
图5为故障诊断系统建立过程图。将经过编程训练得到的神经网络模块移植到系统中，对对应的桥臂电压进行实时检测并进行快速傅里叶变换提取特征量，将特征量实时输入神经网络模块，以实现对故障的实时检测。
图6是本实施例中的八种故障诊断波形图，其中故障模式1-8分别表示sa1开路、sa2开路、sa3开路、sa4开路、sa1和sa3开路、sa1和sa4开路、sa2和sa3开路以及sa2和sa4开路这八种故障类型。
本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。