基于信息融合与深度残差收缩网络的DAB变换器开路故障诊断方法

赵莹莹，何怡刚，邢致恺，杜博伦

（武汉大学 电气与自动化学院，湖北 武汉 430072）

双有源桥（dual active bridge，DAB）变换器广泛应用于电动汽车、直流输电、储能系统等新能源领域［1-3］，具有电能变换和功率双向流动特性。调查表明［4］，功率半导体器件是电力电子变换器中最易出现故障的器件。短路故障和开路故障是其常见的故障模式。短路故障会触发电路的过流保护，容易被检测到。开路故障引起的电压和电流畸变不如短路故障严重，难以检测和定位。若诊断不及时，则产生的过应力会损坏健康组件造成额外故障，甚至损坏设备导致系统较长时间的停运，带来巨大的经济损失［5］。

目前DAB变换器开路故障诊断主要为基于模型的方法［6-8］。文献［6］通过分析DAB变换器开路故障的全桥输出电压来制定故障诊断策略，但DAB变换器结构对称，对称位置的绝缘栅双极型晶体管（insulated gate bipolar transistor，IGBT）开路故障等效而无法被区分。文献［7-8］通过引入4个桥臂中点电压作为诊断信号来解决上述问题，但由于使用了较多诊断信号，需设置诊断阈值且不具有普适性。另一方面，电力电子变换器中IGBT间的串扰和噪声会使监测信号失真，难以建立准确的数学模型［9］。

近年来，基于数据驱动的方法被广泛用于电力电子变换器故障诊断。该方法无需建立数学模型，而是通过深度学习挖掘各故障类型与数据样本间的关系。文献［10］结合变换器故障的瞬时特征和随机森林诊断逆变器开路故障。文献［11］采用小波神经网络诊断IGBT开路故障。尽管这些网络可以学习输入样本的深层特征，但诊断信号中冗余特征及噪声仍会影响故障诊断准确度。文献［12］在残差神经网络（residual neural network，ResNet）基础上引入软阈值与注意力机制构建深度残差收缩网络（deep residual shrinkage network，DRSN）来解决该问题，取得了较好的效果。

DAB变换器属于多信号诊断问题，目前深度学习网络多用于单个信号的故障诊断。多传感器信号信息融合是工业领域的主要趋势［13］，该思想已应用于故障诊断领域。文献［14-15］利用D-S证据理论融合变压器多组故障数据以更真实反映变压器故障信息。深度学习在图像识别领域应用较成熟。文献［16］将多组传感器数据转化为图像进行融合，随后输入深度学习网络以更准确地诊断轴承故障。电力电子变换器故障诊断中，文献［17］也采用图像融合思想，将诊断信号不同时段数据转化为图像进行融合以使故障特征明显化，但该方法只适用于处理单个信号。

针对上述问题，本文提出一种基于信息融合和DRSN的DAB变换器开路故障诊断方法，并将故障诊断信号减少至3个。首先，使用递归图（recurrence plot，RP）法将各诊断信号转化为图像，然后通过脉冲耦合神经网络（pulse-coupled neural network，PCNN）融合RP图（称为RP-PCNN），融合图像综合3个诊断信号的特征信息，可区分DAB变换器各故障状态且便于输入深度学习网络进行分类。最后将融合图像样本输入搭建的DRSN进行故障诊断，该模型可以获取输入样本的重要特征，且不需要设置固定的诊断阈值。

1.1 RP-PCNN信息融合模型原理

信息融合是对多个信息源获取的数据和信息进行综合使用的理论体系，使用多源信息感知更贴近分析目标的整体状态［15］。按照信息融合的处理层次可将其分为数据级融合、特征级融合和决策级融合3种。目前普遍采用信息损失较少的数据级融合来融合多源数据。本文基于此构建RP-PCNN信息融合模型，RP法和PCNN的模型原理如下。

1.1.1 RP法原理

RP法基于相空间重构理论分析时间序列的周期性、混沌性和非平稳性［18］，揭示时间序列各点间的关联性。假设具有n个时间点的时间序列X={x1，x2，…，xn}。首先对X进行相空间重构，重构序列为：

式中：e为嵌入维数；
f为延迟时间。

RP矩阵R的元素由下式确定：

式中：xε为设定阈值；
‖·‖为向量范数，一般用∞-范数计算；
Θ(·)为Heaviside函数。

R由1和0组成，1表示相空间2点为递归状态，0则表示不构成递归状态。以i为横坐标、j为纵坐标绘出R的元素可得到RP。

1.1.2 PCNN原理

PCNN是由若干神经元互连形成的反馈型单层神经网络［19］，无需训练与学习就可提取图像信息，被广泛用于图像融合。PCNN神经元数等于输入图像像素数，每个神经元由接收域、调制域和脉冲产生域组成，数学表达式为：

式中：Fij(n)、Sij(n)和Lij(n)分别为神经元反馈输入、外部刺激输入和链接输入；
Wij，kl、Uij(n)和Yij(n)分别为神经元连接权重系数、内部活动和输出；
αL、VL和β分别为链接输入时间衰减常数、振幅放大系数和链接强度；
αθ、Vθ和θij(n)分别为变阈值函数的时间衰减常数、振幅放大系数和动态阈值。

假设PCNN输入的源图像为A和B。外部刺激输入Sij分别对应A和B中(i，j)处的归一化值。调制域中分别获得A和B的内部活动Uij和动态阈值θij后，将Uij和θij进行比较。若Uij＞θij，则神经元点火，Yij=1；
否则神经元不点火，Yij=0。重复此过程Nd次，所有神经元点火次数分别构成A和B的点火映射图OA和OB。根据OA和OB融合输入图像，公式如下：

将该图与[0，255]范围像素映射可得到PCNN输出的融合图像。

1.2 DRSN原理

DRSN具有较强特征提取能力，可自适应获得输入样本的重要特征。残差收缩模块（residual shrinkage building unit，RSBU）是其主要功能模块。RSBU包括恒等路径、软阈值函数和注意力机制。恒等路径在中间层引入原始输入信息，使梯度参数有效传递和更新，可解决网络深度增加导致的梯度消失和网络退化问题。软阈值函数通过将特征部分置0实现对冗余特征的抑制。注意力机制学习输入特征的重要性权重，并以权重为依据选择重要特征，减少了网络的复杂度和计算量。

RSBU的结构如附录A图A1所示。图中：C、W和H分别为特征图U1的通道数、宽度和高度；
K为卷积核个数；
M为全连接神经元数。RSBU首先通过2个批标准化、2个ReLU激活函数和2个卷积提取U1特征得到U2；
接着通过注意力机制构造获取阈值的子网络，该网络对U2进行取绝对值和全局平均池化操作得到一维向量β；
然后通过2个全连接层和Sigmoid激活函数输出范围为[0，1]的一维缩放参数向量α，计算公式见式（5）。

式中：z为第二个全连接层的输出。β和α相乘可得U2通道阈值的组合τ，计算公式如下：

将U2和τ输入软阈值函数fsoft（·，·）进行特征选择，计算公式如下：

式中：p、w和h分别为U2通道、宽度和高度的索引值；
τp为U2第p通道的阈值；
U3为输出特征图。将U3与恒等路径连接的原始输入特征图U1相加，可得经RSBU重构后的特征图U4，计算公式如下：

DRSN是多个RSBU的堆叠。DRSN中注意力机制和软阈值结合可自适应获取通道阈值，消除与分类性能无关的特征，保留重要特征。

2.1 故障诊断信号的选择

DAB变换器由对称的2个全桥（BH1和BH2）组成，全桥之间由高频变压器连接，拓扑结构如图1所示。图中：Uin和Uo分别为变换器输入电压和输出电压；
I1和I2分别为变换器输入电流和输出电流；
C1和C2分别为变换器输入电容和输出电容；
N为变压器匝比；
Lr为变压器漏感；
iLr为漏感电流。由于DAB变换器结构对称，处于对称位置的IGBT开路故障时BH1的输出电压vab、BH2的输出电压vcd和iLr的波形相同，如：S1和S4开路故障时，vab、vcd和iLr的波形分别相同。处于不同对称位置的IGBT，即S1／S4、S2／S3、Q1／Q4和Q2／Q3开路故障时，vab、vcd和iLr的波形各不相同。因此以vab、vcd和iLr为诊断信号只能识别不同对称位置的IGBT故障，而无法进行准确定位。

图1 DAB变换器拓扑结构Fig.1 Topology of DAB converter

文献［6-7］引入4个桥臂中点电压va、vb、vc和vd，通过分析其平均值变化来定位故障IGBT，但该方法需使用较多的信号传感器。由文献［6-7］的分析可知，IGBT开路故障时，仅故障IGBT所在桥臂的中点电压波形会发生畸变，即S1／S2桥臂、S3／S4桥臂，Q1／Q2桥臂和Q3／Q4桥臂发生IGBT开路故障分别只影响va、vb、vc和vd波形变化。本文以此为依据，在va、vb、vc和vd基础上结合iLr分析其波形变化与变换器各故障状态的关系。分析结果如附录A表A1所示，表中“N”表示波形正常，“F”表示波形畸变，F0—F4分别表示iLr的5种变化状态。以对称位置S1和S4的开路故障区分为例进行分析，由表A1可看出，iLr波形变化类型可将开路故障定位至S1和S4，由va波形畸变而vb波形不畸变可判断S1故障，由va波形不畸变而vb波形畸变可判断S4故障，S2和S3故障也以此方法区分。因此结合iLr与va／vb波形可区分BH1中所有IGBT的开路故障。同样结合iLr与vc／vd波形可区分BH2中所有IGBT的开路故障。因此将va／vb、vc／vd及iLr作为诊断信号可区分变换器所有的工作状态。本文将诊断信号减少至3个，减少了信号传感器的数量。本文以iLr、va和vc作为诊断信号为例研究DAB变换器的故障诊断。

2.2 基于RP-PCNN的信息融合模型

DAB变换器开路故障需结合多个诊断信号才能准确定位故障IGBT。且DAB变换器不同开路故障的信号波形可能具有相同频率成分，频谱分析成像法无法区分故障信号的特征，需重点关注时域特征。本文提出了基于RP-PCNN的信息融合方法，该方法可以提取故障诊断信号的时域特征，将多个诊断信号的特征融合到一张图像，适用于多信号故障诊断。RP-PCNN的框架如图2所示。

图2 RP-PCNN的框架Fig.2 Framework of RP-PCNN

首先，输入样本中3个时间序列iLr、va和vc至RP模型中，由式（1）对iLr、va和vc序列进行相空间重构后，通过式（2）将重构后的iLr、va和vc序列转化为二维RP；
然后，将每个RP作为PCNN模型的外部刺激输入，由式（3）计算得到iLr、va和vc的点火映射图，并由式（4）根据3个点火映射图和判决选择算子融合iLr、va和vc的RP得到PCNN输出的二 维 融 合图像。该融合图像包含3个诊断信号的故障特征，且本文采用灰度图表示RP以及融合图像，相较于RGB图像，减少了数据量，可减小DRSN的计算时间。所有原始样本经RP-PCNN处理可得输入DRSN的融合图像样本。

2.3 基于DRSN的故障诊断模型

基于模型的DAB变换器开路故障诊断需要设置诊断阈值。若阈值太小则会将信号正常波动视为故障，若阈值太大则难以诊断出故障，降低了诊断准确度。阈值设置后需经多次实验修正，且随变换器工作状态和电路参数改变而改变，不具普适性。此外，融合图像包含3个诊断信号的故障特征，需深度提取其分类特征。DRSN特征提取和降维能力较强，可以自适应学习阈值，能够有效提取融合RP中与故障分类有关的重要特征，消除冗余特征，有利于故障诊断性能的提升。因此本文构建了基于DRSN的开路故障诊断框架如图3所示。在每个RSBU中，由式（5）和式（6）自适应计算得到特征图的通道阈值，进而由软阈值函数式（7）消除与DAB变换器故障诊断无关的特征，最后由式（8）引入靠近输入层的特征图，完成重要特征的重构。该模型用于DAB变换器故障诊断时不需要设置诊断阈值。

图3 基于DRSN的开路故障诊断框架Fig.3 Framework of open-circuit fault diagnosis based on DRSN

理论上RSBU越多，特征提取效果越好，但网络深度增加，网络计算量和复杂度随之增加，因此本文使用3个RSBU构建DRSN，并设卷积核大小为3×3。首先，预处理融合图像，裁剪图像尺寸并标准化为1×128×128大小；
然后，对预处理图像进行卷积操作，卷积核个数设为4，输出特征图大小为4×128×128，将该特征图输入3个RSBU中逐步提取重要特征，卷积核个数分别为4、8和16，“/2”表示卷积步长为2，得到的最后一个RSBU输出特征图的大小为16×16×16，并对该特征图进行批标准化、ReLU激活和全局平均池化操作后展开为一维向量；
最后，将该向量输入Softmax函数得到故障分类结果。

2.4 基于RP-PCNN与DRSN的DAB变换器开路故障诊断方法

基于RP-PCNN与DRSN的DAB变换器开路故障诊断流程如附录A图A2所示，其具体步骤如下。

1）数据采集。分别采集DAB变换器正常工作状态和各IGBT开路故障状态下的iLr、va、vc数据样本并进行编码。

2）基于RP-PCNN进行信息融合。将各数据样本中的时间序列iLr、va和vc输入RP-PCNN模型得到融合图像样本。

3）基于DRSN构建故障诊断网络。按照4∶1比例随机划分融合图像样本为训练集和测试集。首先输入训练集到DRSN中进行训练，根据训练效果调整网络参数；
然后输入测试集到训练好的DRSN中测试，输出诊断结果并进行分析。

3.1 实验平台

本文在RT-LAB中搭建DAB变换器半实物系统，系统框架如附录A图A3所示。OP5700实时模拟器模拟DAB变换器，DSP28335-L产生IGBT的脉宽调制（pulse width modulation，PWM）信号。OP5700模拟器的输出电压输入DSP28335-L进行扩展移相控制，OP5700模拟器的数字输入电路接收PWM信号。DAB变换器输入电压Uin为100 V，输出电压Uo为60 V。变压器匝数比N为1，漏感Lr为100 μH，IGBT开关频率为10 kHz。

通过撤去IGBT的PWM信号来模拟其开路故障。DAB变换器的故障类别分为9种，工作状态及编码设置如表1所示。每个工作状态收集1 000个样本，每个样本1 000个点。

表1 故障类别及故障编码Table 1 Fault class and fault code

3.2 RP-PCNN模型信息融合结果

RP法中阈值xε设置为0.15，嵌入维数d为3，延迟时间f为4。本文仅展示DAB变换器处于对称位置的S1和S4开路故障时诊断信号的RP，分别如附录A图A4和图A5所示。iLr、va和vc都是周期信号，生成的RP也具有周期性，图像大小为1 000×1 000像素。S1和S4开路故障时iLr波形相同。S1开路故障时，va波形畸变，vc波形正常；
S4开路故障时，va波形正常，vc波形正常。因此S1和S4开路故障时iLr和vc的RP相同，va的RP不相同，与附录A表A1分析一致。

PCNN中设置αL、VL和β分别为1、1和3，αθ、Vθ、迭代次数Nd分别为0.2、10和200。使用PCNN分别融合S1和S4开路故障时iLr、va和vc的RP及其相同位置的局部放大图分别如图4和图5所示，图像大小为1 000×1 000像素。由于S1和S4开路故障时va的RP存在差异，而融合图像同时包含iLr、va和vc的故障信息，因此生成的融合图像也存在差异。使用相同方法分别处理各故障状态下的诊断信号数据样本，生成的融合图像可区分所有IGBT开路故障，解决了对称位置的IGBT开路故障无法区分的问题。

图4 S1开路故障时的PCNN融合图像Fig.4 Fused image of S1open-circuit fault by PCNN

图5 S4开路故障时的PCNN融合图像Fig.5 Fused image of S4open-circuit fault by PCNN

3.3 DRSN模型故障诊断结果及对比分析

3.3.1 模型参数设置

本文采用10折交叉验证进行实验，保证每个数据样本都作为训练集学习。DRSN的批次大小设置为64。迭代次数设为100，前40次的学习速率为0.001，接下来40次的学习速率衰减为前40次的1/10，最后20次的学习速率再衰减为之前40次的1/10。该设置使参数在训练初始以较大步长更新，训练结束时以较小步长更新，避免陷入局部最小值。设置L2正则化系数为0.000 1，通过限制权重大小来降低模型的复杂度和不稳定度，避免模型过拟合。

3.3.2 DRSN模型训练结果及对比分析

将融合图像样本输入DRSN进行训练与测试，迭代过程训练准确度和测试准确度变化如图6所示。DRSN在训练与测试后均可达到较高的准确度，说明融合图像包含3个诊断信号iLr、va和vc的故障信息，可以区分DAB变换器所有IGBT的开路故障。

图6 训练准确度和测试准确度曲线Fig.6 Curves of training accuracy and testing accuracy

将DRSN与使用较多的分类方法（如DBN、AlexNet和ResNet）进行对比分析。各方法的平均准确度和计算时间如表2所示。由表可以看出：本文构建的DRSN具有较高的训练准确度和测试准确度，其中测试准确度高达98.76 %，相比DBN、AlexNet和ResNet分别提升了5.91 %、3.33 %和1.47 %；
同时DRSN具有训练时间和测试时间较短的优势，其训练时间为203 s，测试时间为0.018 s。

表2 平均准确度和计算时间Table 2 Average accuracy and computational time

3.3.3 DRSN模型诊断结果及对比分析

为验证本文方法的有效性，分别将训练好的模型重复50次诊断实验。各算法的最大诊断精度、最小诊断精度和平均诊断精度如表3所示。由表可见：DRSN的最小诊断精度和最大诊断精度均优于DBN、AlexNet和ResNet；
DRSN的平均诊断精度达98.44 %，相比DBN、AlexNet和ResNet分别提升了6.06 %、3.09 % 和0.93 %，具有较高的平均诊断精度。

表3 对比算法的故障诊断精度Table 3 Fault diagnosis accuracy of comparative methods

将实验结果绘制成故障诊断箱型图，如图7所示。上四分位数为数据从小到大排序后分布在数据75 % 位置上的数，下四分位数是分布在数据25 % 位置上的数。故障诊断箱型图中，上四分位数和下四分位数间的距离可衡量故障诊断的稳定性，距离越小，稳定性越好。由图7可看出，本文构建的DRSN故障诊断精度箱型图中上四分位数和下四分位数之间距离较小，说明具有较好的故障诊断稳定性。

图7 故障诊断箱型图Fig.7 Boxplot of fault diagnosis

进一步统计了DBN、AlexNet、ResNet和DRSN对各故障类别的诊断状况，如表4所示。由于BH2中各IGBT开路故障诊断信号波形区分度较小，4种方法对故障0、5—8的诊断精度普遍低于对故障1—4的诊断精度。由表4可以看出：DBN对各故障类别的诊断效果最差；
ResNet和AlexNet的诊断效果有所提升；
DRSN对各故障类别的诊断精度均优于前3种方法，对故障1—3的诊断精度可达99 %。

表4 各故障类别的诊断精度Table 4 Diagnosis accuracy of each fault class

DRSN结合了软阈值函数和注意力机制，可以自适应获取阈值来选择输入样本中与分类性能有关的重要特征，忽略次要特征，因此对于DAB变换器的开路故障诊断具有较高的诊断精度。

本文将信息融合和机器学习引入DAB变换器的故障诊断，提出一种基于RP-PCNN和DRSN的DAB变换器开路故障诊断方法，解决了DAB变换器的多信号故障诊断及诊断阈值设置问题，可为对称性变换器的开路故障诊断提供思路。本文研究结论如下：

1）由DAB变换器的变压器漏感电流、原边侧任一桥臂中点电压和副边侧任一桥臂中点电压组合成的3个诊断信号可区分所有IBGT的开路故障，减少了DAB变换器开路故障诊断中信号传感器的数量；

2）RP-PCNN信息融合方法将每个样本中3个诊断信号的时间序列融合为一张图像，该图像包含3个诊断信号的特征信息，能够反映并区分DAB变换器不同故障状态下的故障特征；

3）本文构建的DRSN模型结合软阈值函数和注意力机制进行故障诊断，无需设置诊断阈值，能够有效、准确地对各故障状态进行分类，平均故障诊断精度达98.44 %。

基于本文研究结果，笔者将进一步研究DAB变换器实验平台的搭建以更准确地收集变换器故障信息，同时将改进故障诊断网络结构来提高故障诊断准确度和诊断速度。

附录见本刊网络版（http：//www.epae.cn）。

猜你喜欢开路波形故障诊断基于包络解调原理的低转速滚动轴承故障诊断一重技术(2021年5期)2022-01-18高效水泥磨开路系统的改造建材发展导向(2021年7期)2021-07-16对《压力容器波形膨胀节》2018版新标准的理解及分析中国特种设备安全(2021年9期)2021-03-02王旭鹏倾情献唱最新单曲《开路者》青年歌声(2019年2期)2019-02-21基于LFM波形的灵巧干扰效能分析测控技术(2018年2期)2018-12-09数控机床电气系统的故障诊断与维修电子制作(2018年10期)2018-08-04自然生物挖角开路知识经济·中国直销(2017年11期)2017-11-28延续了两百年的“开路日”中国公路(2017年16期)2017-10-14基于ARM的任意波形电源设计通信电源技术(2016年3期)2016-03-26双丝双正弦电流脉冲波形控制焊接(2016年5期)2016-02-27

推荐访问:变换器 开路 收缩