[发明专利]带故障诊断功能的七电平逆变器及故障诊断方法

摘要

本发明公开了一种带故障诊断功能的七电平逆变器以及相应的基于神经网络的故障诊断方法。所述方法包括六个步骤采集故障样本数据、FFT变换、PCA降维、构建并训练BP神经网络、将算法嵌入DSP中、以及故障诊断。本发明用于电力故障诊断，能够实现七电平逆变器故障的在线实时诊断；以七电平逆变器的输出电压作为唯一检测信号用来进行故障诊断；本逆变器自带有故障诊断功能，能够在线实时诊断出10种故障并通过数码管显示出来。

主权项

一种带故障诊断功能的七电平逆变器，包括直流电源、H桥主电路、DSP、电压变速器、电阻负载、以及显示装置；直流电源由三个24v直流电源组成，DSP产生SPWM驱动H桥主电路将来自直流电源的直流电转换成交流电，该交流电其电压加载到20欧姆的电阻负载两端，并且被电压变送器检测；电压变送器将检测到的电压信号成比例降低到0～3v的范围之内送给DSP；H桥主电路由三个H桥组成，将第一个H桥的四个开关管分别标记为H1S1、H1S2、H1S3和H1S4，第二个H桥的四个开关管分别标记为H2S1、H2S2、H2S3和H2S4，第三个H桥的四个开关管分别标记为H3S1、H3S2、H3S3和H3S4；Vo1、Vo2和Vo3分别表示三个H桥的输出电压，Vo是该电路最终的输出电压，将三个H桥的输出端级联后，使得Vo＝Vo1+Vo2+Vo3；三个直流电源的电压为V1、V2和V3，并且V1＝V2＝V3＝E，Vo1、Vo2、Vo3＝0V或±E，在任意时刻，Vo等于±3E、±2E、±E或0V，即逆变器输出七种不同的电平；H桥主电路的电路状态和七电平逆变器的故障类型对应如下：H1S1开路‐故障1，H1S2开路‐故障2，H1S3开路‐故障3，H1S4开路‐故障4，H2S1开路‐故障5，H2S1开路‐故障6，H2S3开路‐故障7，H2S4开路‐故障8，H3S1或者H3S4开路‐故障9，H3S2或者H3S3开路‐故障10，正常工作‐故障0；DSP中嵌入基于神经网络的故障诊断方法，DSP自动采集数据，进行故障诊断；DSP包括数据预处理和神经网络训练模块、基于神经网络的故障诊断模块、以及数据存储模块；其特征在于，数据预处理和神经网络训练模块的数据预处理步骤和神经网络训练步骤如下：步骤1 采集故障样本数据：首先采集逆变器故障时的输出电压作为故障样本数据，采集的方法为在逆变器的输出电压一个周期内等间隔地采集512个时刻的离散电压值,每次采集的电压用序列表示，序列中的每个值等于对应时刻的电压值；根据H桥主电路的电路状态和七电平逆变器的故障类型的对应关系：H1S1开路‐故障1，H1S2开路‐故障2，H1S3开路‐故障3，H1S4开路‐故障4，H2S1开路‐故障5，H2S1开路‐故障6，H2S3开路‐故障7，H2S4开路‐故障8，H3S1或者H3S4开路‐故障9，H3S2或者H3S3开路‐故障10，正常工作‐故障0，人为设置开路故障，采集逆变器在十种故障情况下输出的电压波形，以及正常工作情况下的电压波形；采集每种电压波形各100组；步骤2 FFT变换：将序列进行FFT变换，FFT变换公式：这里Wb＝e‑j2π/b，k＝0,1,...,b/2‑1；Gk=Σn=0b2-1x2nWb/2nk;]]>Hk=Σn=0b2-1x2n+1Wb/2nk.]]>经过FFT变换后得到了一个个数为512的虚数序列取该序列的前10个数据并且将该序列的数据进行取模，将取模后的序列作为样本数据进行下一步的计算；步骤3 PCA降维：经过上述的FFT变换及截取后，原电压信号的特征数据由512个变为了10个，接下来进行PCA降维；具体方法如下：首先采集所有种类的故障样本数据：X11×10={|F1k|}09{|F2k|}09...{|F11k|}09,]]>接着求协方差矩阵RX的特征值λ与特征值向量P：协方差矩阵：RX＝E{[X‑E(X)][X‑E(X)]T}；通过求解|λI‑RX|＝0和|λiI‑RX|pi＝0,i＝1,2,…,b求得λ和P，其中，λi为RX的第i个特征值，并且满足λ1≥λ2≥…≥λb，pi是相应于特征值λi的特征向量，P＝[p1,p2,…,pb]T，这里b的值为11；选取P的前3列，得到P1＝[p1,p2,p3]，P1为10×3的矩阵；以上工作只需要离线做一次，然后保留P1；最后计算出BP神经网络的输入序列xin是个数为4的数据序列，第一个数据是原信号的基波的相位，后三个是PCA降维后的数据序列；步骤4 构建并训练BP神经网络BP神经网络为三层神经网络，由于原始信号经过FFT变换以及PCA降维后得到了个数为4的特征数据xin，则输入层神经元个数定为4个，由于总共有11种故障类型，则输出层神经元个数为11，隐层神经元个数根据经验选取为15；设输入层的神经元为隐层的神经元为输出层的神经元为激活函数为Sigmoid函数，设和的系数矩阵为xw4×15，和的系数矩阵为xw15×11，则输入输出关系为:yk=Σi=01411+e-wi×wyik,k=1,2,...,10---(2-1)]]>wk=Σi=0311+e-xini×xwik,k=1,2,...,14---(2-2)]]>构建好BP神经网络之后，对原始的网络进行训练；首先将步骤1中采集好的11种故障信号(含正常信号)，经过FFT和PCA后得到训练样本：X_Sample={xin1k}03{xin2k}03...{xin10k}03,]]>由于步骤1中每种故障各采集了100组信号，所以此时可以得到100个X_Sample，将每个X_Sample的理论输出均设置为：Y=100000000000100000000000100000000...00000000001,]]>采用动量梯度下降算法训练BP网络，训练误差阈值设为0.0001，学习率α＝0.5，训练后得到两个系数矩阵xw_end∈R4×15和xw_end∈R15×11，这两个矩阵包含了训练好的神经网路所有信息，神经网络只需要离线训练一次，得到这两个矩阵后便不再需要训练。