基于Park变换和神经网络的逆变器故障检测方法

基于Park变换和神经网络的逆变器故障检测方法
刘巍;季振东;何嵘;杨乔乔
【摘要】为实现实时检测逆变器电路中功率元件的故障,提高逆变器电路工作的可靠性,提出了一种基于Park变换故障检测算法和神经网络的逆变电路开路故障检测方法.利用Park变换得到三相电流基波幅值作为特征量用于故障检测,基于BP神经网络并结合简单逻辑判断即可实时检测逆变器电路的故障类型、故障桥臂以及故障元件位置,仿真结果论证了方法的可行性.
【期刊名称】《电器与能效管理技术》
【年(卷),期】2014(000)022
【总页数】7页(P61-66,77)
【关键词】逆变器;故障检测;Park变换;神经网络
【作者】刘巍;季振东;何嵘;杨乔乔
【作者单位】东南大学电气工程学院,江苏南京210096;;;;
【正文语种】中文
【中图分类】TM464
0 引言
随着电力电子技术的日益发展，脉宽调制(Pulse Width Modulation，PWM)逆变器由于其主电路拓扑结构简单、性能优良、控制灵活等诸多优点得到迅速发展。

PWM逆变器主要的应用场合为电动机变频驱动和电能变换，相比于传统的电动机
驱动系统而言，其具有更高的可靠性，但逆变器中的功率半导体器件即IGBT及其控制电路是最易发生故障的薄弱环节，会直接影响其在工业领域中的进一步推广［1］。

有研究表明［2］:在变频调速系统中，其中的功率变换器故障占整个驱动
系统故障的82.5%;同时在工业应用的交流电机调速系统中，38%的故障来自于功
率半导体开关器件的损坏［3］。

因此逆变器功率管故障检测对于提高生产效率有重要意义。

逆变器故障检测技术的传统方法为仿真分析诊断法［4］，是通过对故障的仿真分析获取逆变器输出的电流波形，并通过比较其与正常状态的区别而进行故障的检测。

如果模型建立不准确，故障检测与诊断结果会受到较大影响。

近年来，许多新型智能化故障检测方法被提出，一般可分为电流诊断法和电压诊断法［5］。

根据某IGBT开路故障后其对应相电流基波幅值发生变化，本文提出了通过基于Park变换算法和神经网络进行IGBT开路故障检测的方法。

1 IGBT开路故障类型
1.1 IGBT开路故障分类
电压源型逆变器的主电路基本拓扑结构示意图如图1所示。

图1 电压源型逆变器的主电路基本拓扑结构
功率元件断路故障是最常见的故障，本文只考虑功率管的断路故障，假定最多有两只功率管同时开路。

功率管断路故障可分为以下4类:①单个功率管故障，例如
VT1断路，共6种情况;②位于同一桥臂的两个功率管故障，例如VT1与VT2同
时断路，共3种情况;③ 不同桥臂上同侧的两个功率管故障，例如VT1与VT3断路，共6种情况;④ 交叉相对的两个功率管故障，例如VT1与VT4断路，共6种
情况。

1.2 故障特征量的定义
本文用F1、F2、F3这3个特征量来定义逆变器的具体故障。

F1表示故障类型(1～4类故障分别对应地取值为0～3);F2表示发生故障的桥臂(1、2、3 桥臂分别
取值为 1、2、3，12 桥臂、23 桥臂、13桥臂分别取值为4、5、6);F3表示故障
功率管位于上桥臂还是下桥臂(上桥臂取值为0，下桥臂取值为1，对于第二类故障，F3恒为0，对于第四类故障，由于上下桥臂均有故障，故对于VT1与VT4、VT3与VT6、VT5与VT2三种情况F3取值为0，对于VT2与VT3、VT4与VT5、VT6与VT1三种情况F3取值为1)。

当逆变器电路正常工作时，F1、F2、F3三个故障特征量都取值为0。

2 Park变换算法故障检测原理
逆变器功率管发生故障时，逆变电路不能正常工作，三相电流必然会发生畸变，不再是正弦波，基波有效值也会发生变化。

基于Park变换的检测算法可以瞬时确定电压、电流的有效值，因此其在多方面得到应用［6］。

2.1 基本Park变换方法及其改进
设逆变器正常工作时三相电流基波瞬时值为
式中:I m——电流基波幅值;
α0——a相电流的初始相位角。

Park变换是将abc坐标系下的三相电量转换为dq坐标系下的相应分量。

设dq
坐标系下的q轴与abc坐标系下的a轴之间的夹角为θ，初始夹角为θ0，dq坐
标系相对于abc坐标系以同步角速度旋转，有
计算并化简得到dq坐标系下各电流分量的值:
由式(3)可见，经 Park变换后，id、iq均为直流量，且 id、iq、I m 满足如下关系:
基于Park变换的基本算法如图2所示。

图2 基于Park变换的基本算法
利用图2中的方法，可以得到对称三相电流的幅值。

设a相电流分解成的正序、
负序、零序分量分别为
式中: ω——工频频率;φ1、φ2、φ0——正序、负序、零序电流的初始相角。

b、c相的电流也经过同样的分解，三相电流分量经Park变换后，得
由式(6)可见，若要得到基波正序分量的幅值，需将Park变换结果中的二次负序分量滤除，可采用加带阻滤波器的方法，如图3所示。

带阻滤波器的中心频率为
100 Hz，通带放大倍数为1。

图3 改进的基于Park变换的算法
2.2 应用Park变换算法的故障检测
4种故障类型由于三相电流基波有效值各不相同而可以由图3方法加以区别，但不能区分故障桥臂。

由于以上缺陷，需要对上文提出的方法进行改进，即对三相电流分别使用Park变换。

a相电流进行Park变换算法如图4所示。

图4 a相电流进行Park变换算法
本文应用Matlab/Simulink构建一个闭环控制的三相SPWM逆变电路，直流电
源电压为700 V，逆变器额定输出电压为380 V，频率为50 Hz，对4类故障进
行仿真。

4类IGBT断路故障的检测结果如表1所示。

由表1可见，当同一故障类型但不同桥臂的IGBT发生断路故障时，计算结果不同，因此可以判定发生故障的桥臂;但当同一故障类型且相同桥臂的不同IGBT发生断路
故障时，计算结果相同，故不能进行故障元件的定位。

因此在三个故障特征量中，F1、F2的值可以根据Park变换故障检测算法的检测结果得到，F3的值不能得到。

表1 4类IGBT断路故障的检测结果故障类型故障IGBT 检测结果/A VT1
1.72/
2.29/2.28第一类VT2 1.72/2.28/2.28 VT1、第二类VT2 0.15/1.39/1.39 VT3、VT4 1.39/0.15/1.39 VT1、第三类VT3 0.90/0.90/1.59 VT2、VT4
0.91/0.90/1.59 VT1、第四类VT4 1.61/1.61/1.42 VT2、VT3 1.61/1.60/1.42
3 基于BP神经网络的故障元件定位
3.1 由神经网络确定F 1、F 2的值
本文中神经网络的输入量为三相电压各自经基于Park变换的算法计算之后的三个计算结果，BP神经网络输入层神经元为3个。

由于Park变换故障检测算法只能
确定F1、F2，F1取值范围为0～3，用二进制表示需要两位(b1，b2);F2取值范
围为 1 ～6，用二进制表示需要三位(b3，b4，b5)。

因此BP神经网络输出层神经元为5个。

本文采用如图5所示的包含三层神经元的BP神经网络，其隐藏层为单层结构，该结构保证了神经网络的万能逼近能力。

隐藏层采用最常用的双曲线正切Sigmoid
函数。

图5 3层神经网络结构图
构建好BP神经网络之后，首先使用学习机制修正各神经元的激励函数，输出层的输出值范围限定在0到1之间。

通过训练后，神经网络可以正确得到故障特征量
F1与F2的值。

3.2 确定F 3的值
文献［6］中指出，对于某一桥臂，如果上侧IGBT发生故障，则正半波电流对应
的功率将为零或者为负;如果下侧IGBT发生开路故障，负半波电流对应的功率将会为0或者为负。

当某个桥臂的上IGBT或下IGBT发生开路故障时，对应相电流的
正半波或负半波将接近为零，据此对文献［6］中的判断方法进行简化，选用6个变量P lm(l=a、b、c;m为+或－)分别对应当前周期三相6个正负半波电流对应的积分，可由以下数值方法计算P lm:
式中:N——一个周期的采样点数;
ik——各个采样点的电流值。

当 m 为 + 时N;当 m 为－时
对于第一类故障，以a相为例，判断公式为
对于第三类故障，以a、b相为例，判断公式为
对于第四类故障，以a、b相为例，判断公式为
由于对于第二类故障F3始终为零，不需要进行故障元件定位。

4 仿真验证
本文应用Matlab/Simulink构建一个闭环控制的三相SPWM逆变电路，直流电源电压为700 V，逆变器额定输出电压为380 V，频率为50 Hz，对本文所列举的4类故障进行仿真模拟。

为了模拟IGBT断路故障，在仿真中做法为除去相应IGBT的触发脉冲，而IGBT反并联的二极管则可以导通。

在仿真中，t=0.006 s时刻逆变器投入工作，t=0.14 s时刻发生故障。

4.1 Park变换算法的故障检测结果
4.1.1 第一类故障(单个功率管开路)
VT1断路故障和VT2断路故障下得到的开路波形及检测结果如图6、图7所示。

图6 VT1开路波形及检测结果
图7 VT2开路波形及检测结果
由图6与图7可见，发生单个IGBT故障时，Park变换检测算法的结果发生明显
跳变，根据跳变结果可确定F1、F2两个特征量。

再由3.2节方法可得图6中
F3=0;图7中F3=1。

4.1.2 第二类故障(位于同一桥臂的两个功率管开路)
VT1、VT2断路故障和VT3、VT4故障下得到的开路波形及检测结果如图8、9所示。

图8 VT1、VT2开路波形及检测结果
图9 VT3、VT4开路波形及检测结果
由图8与图9可见，发生同一桥臂上两个IGBT同时故障时，Park变换检测算法
的结果发生明显跳变，发生故障的桥臂跳变幅度最大，根据跳变结果可确定F1、
F2、F3三个特征量。

4.1.3 第三类故障(不同桥臂上同侧的两个功率管开路)
VT1、VT3断路故障和VT2、VT4断路故障下得到的开路波形及检测结果如图10、11所示。

图10 VT1、VT3开路波形及检测结果
图11 VT2、VT4开路波形及检测结果
由图10与图11可见，发生不同桥臂上同侧两个IGBT同时故障时，Park变换检
测算法的结果发生明显跳变，根据跳变结果可确定F1、F2两个特征量。

再由3.2
节方法可得图10中F3=0;图11中F3=1。

4.1.4 第四类故障(交叉相对的两个功率管开路)
VT1、VT4断路故障和VT2、VT3断路故障下得到的开路波形及检测结果如图12、13所示。

图12 VT1、VT4开路波形及检测结果
图13 VT2、VT3开路波形及检测结果
由图12与图13可见，发生不同桥臂上交叉相对的两个IGBT同时故障时，Park 变换检测算法的结果发生明显跳变，根据跳变结果可确定F1、F2两个特征量。

再由3.2节方法可得图12中 F3=0;图13中 F3=1。

4.2 故障检测结果
根据上述Park变换故障检测算法和神经网络以及逻辑判断，可以确定三个故障特征量F1，F2，F3，仿真故障检测结果如表2所示。

表2 故障检测输出结果故障IGBT故障特征量F1 F2F3 b1 b2 b3 b4 b5 0.000 8 0.001 5 0.003 6 0.010 3 0.000 0 0 VT1 0.000 5 0.002 1 0.005 8 0.012 4 1.000 0 0 VT2 0.001 0 0.001 8 0.010 2 0.004 5 0.999 6 1 VT3 0.004 1 0.012 9 0.006
8 0.989 7 0.000 0 0 VT4 0.000 0 0.000 9 0.020 8 0.965 4 0.005 7 1 VT5 0.008
9 0.007 4 0.003 9 0.991 5 0.981 8 0 VT6 0.000 2 0.006 6 0.013 5 0.976 2 1.000 0 1 VT1 VT2 0.000 1 0.995 5 0.000 3 0.001 8 0.999 7 0 VT3 VT4 0.000
0 0.990 9 0.002 8 0.993 7 0.000 0 0 VT5 VT6 0.000 0 0.999 0 0.000 0 0.994 9
1.000 0 0 VT1 VT3 1.000 0 0.001 6 1.000 0 0.004 7 0.000 0 0 VT3 VT5 0.999 7 0.000 5 0.998 4 0.000 1 0.995 0 0 VT1 VT5 1.000 0 0.000 0 1.000 0 1.000 0 0.000 2 0 VT2 VT4 1.000 0 0.002 9 1.000 0 0.003 8 0.000 0 1 VT4 VT6 0.999 4 0.000 7 0.999 0 0.000 3 1.000 0 1 VT2 VT6 0.997 1 0.005 9 0.999 9 0.998 1 0.000 0 1 VT1 VT4 1.000 0 0.968 4 1.000 0 0.000 0 0.000 0 0 VT3 VT6 0.983 4 0.989 5 1.000 0 0.001 6 1.000 0 0 VT5 VT2 0.993 4 0.957 7 0.999 3 1.000 0 0.002 0 0 VT2 VT3 0.990 9 0.982 3 0.999 9 0.000 1 0.000 0 1 VT4 VT5 1.000 0 1.000 0 1.000 0 0.003 3 0.999 9 1正常VT6 VT1 1.000 0 0.974 5 1.000 0 0.998 2 0.000 0 1
由表2可知，对神经网络的输出结果进行四舍五入取整，即可得到三个故障特征
量的值。

根据之前的故障特征量定义可知，表中计算结果准确，本文提出的方法可以准确进行故障判断及定位。

5 结语
本文针对PWM逆变器IGBT断路故障，提出了基于Park变换与BP神经网络的
故障检测方法。

用三个故障特征量表征逆变器单个或两个IGBT的开路故障，通过对各相输出电流进行处理运算和利用神经网络与逻辑判断，以实现故障判断和定位，具有如下优点:
(1)可以判断所有的单个IGBT和两个IGBT的断路故障，扩大了故障检测范围。

(2)由于Park变换方法可以瞬时得到基波幅值，该方法具有判断速度快的特性，可用于在线实时监测。

(3)分析处理对象为逆变器三相输出电流，主要通过软件算法实现，无需增加其他
硬件电路设备，节约成本。

(4)方法本身前级具有滤波作用，可以防止噪声的影响。

【参考文献】
［1］ LU B，SANTOSH K S.A literature review of IGBT fault diagnostic and protection methods for power inverters［J］.IEEE Transactions on Industry Applications，2009，45(5):1770-1777.
［2］崔博文，任章.基于傅里叶变换和神经网络的逆变器故障检测与诊断［J］.电工技术学报，2006，21(7):37-43.
［3］安群涛，孙力，孙立志，等.三相逆变器开关管故障诊断方法研究进展［J］.电工技术学报，2011，26(4):135-144.
［4］ SPEE R，WALLACE A K.Remedial strategies for brushless DC drive failures［J］.IEEE Transactions on Industry Applications，1990，26(2):259-266.
［5］赏吴俊，何正友，胡海涛，等.基于 IGBT输出功率的逆变器开路故障诊断方法［J］.电网技术，2012(36):1-6.
［6］赵国亮，刘宝志，肖湘宁，等.一种无时延的改进dq变换在动态电压扰动识别中的应用［J］.电网技术，2004，28(7):53-56.。