摘要 逆变器中的开关元件故障是造成变频调速系统可靠性低的主要原因，研究了基于谱估计和神经网络的逆变器故障检测与诊断方法。通过理想无故障逆变器与实际逆变器输出电压信号的比较，得到了谱残差估计方程，利用复参数最小二乘估计方法获得了逆变器电压信号的实时谱残差估计，提出了简单的故障决策机制，实现了逆变器实时故障检测。对谱残差进行适当处理得到了相对谱残差，结合多层感知器神经网络实现了逆变器的故障分离。仿真结果 验证 了本文方法的有效性。

1 引言

目前，逆变器供电的电动机变频驱动系统在工业生产中得到广泛应用。这些电动机变频驱动系统对逆变器故障非常敏感，常常会因逆变器故障引起不必要的停车 [1] 。因此，近年来有关逆变器故障检测与诊断问题已经引起国内外众多研究者极大关注。尽早发现调速系统中存在的故障，正确的故障诊断策略以及准确的故障分离技术都成为提高变频驱动系统可靠性、避免系统崩溃的重要手段 [2] 。在线实时状态监控及故障实时诊断可有效防止逆变器故障对电动机的损坏，最终实现逆变器容错驱 动 [3-4] 。

逆变器故障检测与诊断技术最早可追溯到 Wallace [5] 和 Spee [6] 的仿真分析诊断法，该方法通过逆变器故障后的系统仿真，利用获取的故障电流、转矩波形与正常波形的对比实现逆变器故障诊断。 Peuget [7] 等人则利用逆变器元件故障后的电流轨迹分析提出了一种基于知识的故障诊断方法，该方法虽然可以实现故障检测与诊断，但当外界干扰较强时，干扰会严重影响电流轨迹，不利于故障分离。

本文通过对逆变器输出电压信号地变换获取了电压瞬时值正序对称分量表达式，利用复数最小二乘估计方法可以实时提取逆变器驱动系统的谱特征。提出了谱残差的概念，利用基本谱残差实现了逆变器的故障检测，结合神经网络技术实现了逆变器的故障元件定位。仿真结果验证了本文方法的有效性。

2 逆变器的故障及其特征

逆变器供电的电动机驱动系统包含逆变器、控制器、传感器及电动机等部分。电动机驱动系统任何一部分发生故障都有可能影响系统正常运行。电动机部分的故障很多研究者已对其进行了深入研究，并已经形成了很有成效的诊断方法。图 1 为逆变器供电的电动机驱动系统示意图。本文主要针对逆变器存在的功率开关元件断路故障、功率开关元件短路故障为研究重点，并假定任一时刻仅有一种故障发生。

逆变器有六个半导体开关元件，本文假定的故障模式有 12 种，即开关元件 1 、 2 、 3 、 4 、 5 、 6 出现短路故障及其断路故障。为方便研究，定义无故障状态为 0 号故障，表示为 F 0 ，第 1 、 2 、 3 、 4 、 5 、 6 种故障分别表示开关元件 1 、 2 、 3 、 4 、 5 、 6 短路故障，表示为 F 1 ， F 2 ，…， F 6 ，第 7 、 8 、 9 、 10 、 11 、 12 种故障分别表示开关元件 1 、 2 、 3 、 4 、 5 、 6 断路故障，表示为 F 7 ， F 8 ，…， F 12 。

系统中那些对逆变器故障状态最为敏感的某些特征量，只有获得了这些故障特征量才能实现逆变器的故障诊断。由于逆变器的输出电压信号直接反映着逆变器的工作状态，因此通过对逆变器输出电压信号的分析就能有效检测电动机驱动系统的运行状态。

对称分量方法是 Fortescue 为分析多相感应电动机不对称运行状态下的稳态性能而在 1918 年创立的，即一组不对称的相量可用一组对称的正序、负序和零序相量来表示 [8-9] 。这为分析电动机不对称状态下的稳态性能带来极大的方便。理想状态下，逆变器各相输出波形是一致的，电动机在电压对称状态下工作，这时电动机有良好的运行性能。但是，当逆变器发生故障时，各相输出波形不再一致，即逆变器输出三相电压是不对称的。因此，利用对称分量方法可方便分析因逆变器故障而造成的不对称三相电压系统。

如果设逆变器输出的各相电压分别为 v a ( t ) 、 v b ( t ) 、 v c ( t ) 。则系统的正序瞬时值对称分量可表示为

由于负序对称分量与正序对称分量互为共扼，因此只需估计正序对称分量。如果要估计前 N 次正序对称分量（一般取 N =10 ，也可根据需要确定谐波次数），即估计 V p k ( k =1,2, … , N ) ，这时，调速系统信号模型可表示为

上式为一个标准的最小二乘估计方程，由于各次正序对称分量为复数，因此需要利用复最小二乘估计方法对其进行估计，具体实现可参见文献 [11] 。

3 故障特征的获取

当逆变器某开关元件发生故障时，其输出信号的频谱肯定会发生相应的变化。这也就是说，不同故障下逆变器输出信号的各次频谱不同于正常系统的频谱。因此，本文选取故障后逆变器与无故障逆变器的输出信号的各次谱之差（即谱残差）作为故障特征。

为了方便地获取谱残差，定义理想无故障系统、实际系统的输出信号分别为


 

4 逆变器故障检测的实现

基本正序对称分量和频率是决定电动机变频调速系统性能的两个重要参数。在变频调速系统中，逆变器的工作频率是早已确定好的，这样，利用逆变器输出电压的基本正序对称分量就足以描述调速系统的运行状态。因此，当逆变器开关元件发生故障时，通过观测基本谱残差的幅值变化可实现逆变器故障的实时检测。

由于基本谱残差为复数，为便于实现，定义决策函数如下

式中阈值 T D 可通过仿真及试验确定，例如在故障仿真或故障实验中，设置各种故障模式，利用仿真结果或实验数据可直接获取各种故障状态下的决策函数值，据此可确定阈值 T D 。

本文以三相逆变器供电的电动机驱动系统为例，采用规则采样法形成三相 PWM 波形，具体参数为：角频率 w =2 p × 42.5rad/s ，载波比 R =18 ，调制系数 M =0.85 ，输入直流电压 U =632V 。为了滤除信号采集过程中的高次谐波影响，采用低通滤波器对采集信号进行滤波处理，限定最高谐波次数 k M =60 ，取采样频率 f s =5440Hz 。

图 2 、图 3 分别表示开关元件 1 在时间 t =0.115s 时分别发生常闭合、常断开故障时的决策函数估计图。当故障发生时，决策函数值明显发生跳跃现象。其他开关元件故障与此类似，不再一一赘述。因此，利用决策函数可以对逆变器进行故障诊断。

5 基于神经网络的故障分离

故障检测只解决了逆变器有无故障的问题，为了使电机驱动系统在逆变器故障状态下仍可以正常工作，进一步实现逆变器容错驱动，还需要进行故障分离工作。故障分离就是利用提取的故障特征确定对应的故障位置及其性质，即明确发生故障的开关元件及其故障状态。由于逆变器工作原理的复杂性，加上相对谱残差与逆变器各工作状态间的关系难以确立，这就造成了逆变器故障分离定位或诊断的复杂性。传统的模式识别技术根据故障特征对故障状态进行归并分类，这种归并分类需要建立某种映射变换。故障状态较少时的这种映射变换还好建立，但当故障状态较多时这种映射关系就会非常复杂，甚至难以建立。考虑到神经网络具有自学习、自适应能力，且具有逼近任意复杂的非线性函数（或映射）的能力，因此神经网络很适合于电动机变频调速系统的故障分类器 [12-14] 。

根据故障类型及样本数目，本文选取的多层感知器神经网络结构参数为：输入层神经元数取为 10 ，输出层神经元数为 13 。将某个故障样本的 10 个故障特征值输入到图 4 所示的 3 层神经网络的输入层对应结点中，网络输出层的 13 个输出结点便会有相应的输出。采用经典的 BP 学习方法 [14] 对神经

数估计方法获得。取瞬时正序对称分量的 1 、 2 、 3 、 4 、 5 、 6 、 7 、 8 、 9 、 10 次 10 项正序对称分量。表 1 为调速系统不同故障状态下的相对谱残差结果（故障特征值）。应用图 4 所示的神经网络结构，以表 1 中的相对谱残差作为网络输入，以表 2 的神经网路理想输出作为网络的学习样本，网络的实际输出结果见表 3 。

表 1   相对谱残差结果

Tab.1  Results of relative spectral residual

表 2   神经网络的理想输出

Tab.2  The ideal outputs of the network

表 3   网络实际输出

Tab.3  The actual outputs of the network

由表 3 可以看出，针对所研究的 13 种故障类型，对应每种故障的 13 个网络输出中总有一个接近 1 的最大输出值。当发生具体故障时，系统主要根据网络的输出进行判断。例如当发生开关元件短路故障（故障 1 ）时，如果将故障 1 的 10 个故障特征值输入网络，则从网络 13 个结点输出的 13 个值看，只有一个值接近于 1 ，而其他结点输出结果近似为 0 ，所以神经网络故障诊断的结果为“故障 1 ”，即发生了开关元件 1 短路故障。另外，从表 3 所示的网络实际输出结果看，每一种故障类型 F i ( i =1,2, … ,13) 的下标 i 与网络结点最大输出值的位置 j ( j =1,2, … ,13) 满足这样的的对应关系，即 i = j - 1 。因此，选取故障分离的准则为

6 结论

通过对逆变器输出电压信号地处理获得一个标准的最小二乘估计方程，利用复参数最小二乘估计方法可实时得到信号系统的各次谱及其谱残差。提出了一个简单的故障决策函数，实现了逆变器驱动系统的故障检测。提出了相对谱残差概念，各次相对谱残差可作为神经网络的输入，利用网络的输出实现了故障分离，确定了故障开关元件及其故障性质。利用谱估计的实时性和神经网络的自学习能力是实现逆变器驱动系统故障诊断的一条切实可行的途径。

参考文献

[1] de Araujo Ribeiro R L, Jacobina C B, da Silva E R C, et al. Fault detection of open-switch damage in voltage-fed PWM motor drive systems[J]. IEEE Transactions on Power Electronics 2003, 18(2): 587- 593.

[2] Awadallah M A, Morcos M M, Gopalakrishnan S, et al. Detection of stator short circuits in VSI-fed brushless DC motors using wavelet transform[J]. IEEE Transactions on Energy Conversion, 2006, 21(1): 1-8.

[3] 赵争鸣，闵勇．电机 - 控制集成系统的高故障容限研究 [J] ．中国电机工程学报， 1999 ， 19(3) ： 22-25 ．

Zhao Zhengming ， Min Yong ． High fault tolerance for ac motors integrated with control system[J]. Proceedings of the CSEE, 1999, 19(3): 22-25.

[4] 肖岚，李睿 . 逆变器并联系统功率管开路故障诊断研究 [J]. 中国电机工程学报， 2006 ， 26(4): 99-104.

Xiao Lan, Li Rui. Research on the open-circuit fault diagnosis of transistor in inverter paralleling system[J]. Proceedings of the CSEE, 2006, 26(4): 99-104.

[5] Wallace A K, Spee R. The simulation of brushless DC drivefailures[C]. PESC Record-IEEE Power Electronics Specialists Conference, 1988:199-206.

[6] Spee R, Wallace A K. Remedial strategies for brushless DC drive failures[J]. IEEE Transactions on industry Applications, 1990, 26(2): 259-266.

[7] Peuget R, Courtine S ， Rognon J P. Fault detection and isolation on a PWM inverter by knowledge-based model[J]. IEEE Transactions on Industry Applications, 1998, 34(6): 1318-1326.

[8] 彭力，白丹，康勇，等 . 三相逆变器不平衡抑制研究 [J]. 中国电机工程学报， 2004 ， 24(5) ： 174-178.

Peng Li, Bai Dan,Kang Yong, et al. Research on three-phase inverter with unbalanced load[J]. Proceedings of the CSEE, 2004, 24(5): 174-178.

[9] 张宇，段善旭，康勇，等 . 基于瞬时对称分量的三相逆变器特性分析 [J] ．中国电机工程学报， 2005 ， 25(17) ： 16-20.

Zhang Yu, Duan Shanxu, Kang Yong, et al. The analysis of three-phase inverter based on instant- aneous symmetrical componets[J]. Proceedings of the CSEE, 2005, 25(17): 16-20.

[10] 崔博文，任章 , 陈剑，等 . 逆变器供电的电动机变频调速系统实时故障检测 [J]. 电机与控制学报， 2006, 10(1): 52-56.

Cui Bowen, Ren Zhang, Chen Jian, et al. Real-time fault detection of inverter-fed motor drive systems[J]. Electric Machines and Control, 2006, 10(1): 52-56.

[11] 崔博文，陈剑，陈心昭，等 . 复参数最小二乘估计 [J]. 安徽大学学报（自然科学版）， 2005 ， 29(3): 5-10.

Cui Bowen, Chen Jian, Chen Xinzhao, et al. Least square method for complex estimation[J]. Journal of Anhui University (Natural Science Edition), 2005 ， 29(3): 5-10.

[12] 陈如清 . 两种基于神经网络的故障诊断方法 [J] ．中国电机工程学报， 2005 ， 25(16) ： 16-20.

Chen Ruqing, Comparison between two fault diagnosis methods based on neural network[J]. Proceedings of the CSEE ， 2005, 25(16) ： 113-115.

[13] 陈长征，栗青，刘一芳，等．汽轮发电机组故障智能诊断方法研究 [J] ．中国电机工程学报， 2002 ， 22(5) ： 121-124 ．

Chen Changzheng, Li Qing, Liu Yifang, et al. Intelligent fault diagnosis method for turbo-generator unit[J]. Proceedings of the CSEEM, 2002, 22(5): 121-124.

[14] 张智星 , 孙春在，水谷英二 [ 日 ]. 神经—模糊和软计算 [M]. 张平安，高春华译 . 西安：西安交通大学出版社， 2000.



作者简介

崔博文 男， 1966 年生，博士，副教授，研究方向为电力电子技术、电力电子系统故障诊断技术。