0.   引言

为实现矿山企业的节能减排工作，变频调速技术在电动机驱动系统中得到了广泛应用^[1-2]。目前，矿井提升机、带式输送机等设备中的电动机驱动系统的变频器大部分采用中点钳位式（Neutral Point Clampe，NPC）三电平逆变器。相较于传统两电平逆变器，NPC三电平逆变器具有开关管电压应力低、输出电压变化率较小、谐波小等优势。但NPC三电平逆变器开关管数量多、运行频率高，短时间内高频率切换开关状态会大大增加开关管故障率^[3]。NPC三电平逆变器开关故障分为开路故障和短路故障。当NPC三电平逆变器发生开关管短路故障时，短时间内产生较大过电流，在熔断保护装置的作用下，短路故障被转换为开路故障。开路故障会导致负载电流畸变等问题^[4]，如果不能及时进行诊断，则逆变器系统长时间运行在异常状态下，会造成严重安全事故。因此，有必要对NPC三电平逆变器开关管开路故障进行精准诊断 ^[5]。

许多研究者对三电平逆变器的开路故障诊断进行了大量研究。文献[5]采用基于Park变换的故障诊断方法解决了三电平逆变器故障诊断时所出现的易受噪声影响及计算量大的问题，但准确率不高。文献[6]通过采用小波分析与粒子群对支持向量机进行优化的故障诊断模型，解决了三电平逆变器故障诊断准确率低及计算复杂的问题，但是该方法实用性不强。文献[7]针对矿井提升机逆变器故障特征提取困难的问题，采用统计特征与深度特征融合的方法，提高了故障诊断准确率，但计算过于复杂。文献[8]采用极限学习机方法提取故障特征信号，对逆变器开关管故障进行诊断，但该方法故障特征提取复杂，整体实现难度较高。文献[9]提出了一种优化神经网络，并采用主+辅神经网络对逆变器开关管故障进行诊断，主神经网络用于实现大部分的逆变器故障诊断，对于不能很好实现故障分类部分，通过辅助神经网络进行分类，但该方法复杂度较高。文献[10]提出了一种多故障模式快速诊断方法，采用快速傅里叶变换方法对三电平逆变器故障进行诊断，诊断速度快，但该方法计算复杂度较高，耗费时间较长，不能实现实时诊断。针对上述问题，本文提出了一种基于概率神经网络（Probabilistic Neural Network，PNN）的矿用NPC三电平逆变器开关管故障诊断方法。首先利用示波器采集逆变器三相相电压信号，并对相电压信号进行去噪声、归一化等处理。然后利用Clark与Park变换将三相相电压转换为两相旋转（d−q）坐标变化中的电压，利用经验模态分解（Empirical Mode Decomposition, EMD）将d轴电压分解为多个本征模态分量（Intrinsic Mode Function，IMF），并计算出IMF的均值、均方差和方差，作为故障特征向量。最后将故障特征向量输入到PNN中进行训练与分类，实现矿用NPC三电平逆变器开关管的故障诊断。

1.   相关理论

1.1   EMD

EMD可将待处理信号不同频率尺度下的变化趋势和信号波动情况进行逐步分析，得到可以表征信号本质特性的IMF。大部分信号都包含多种振荡模式，EMD的本质就是从信号中分解筛选出不同的振荡模式^[11-12]。从整体角度来看，要保证IMF在每个振动周期内不存在复杂的畸波而只是1种振荡模式，需要满足在数据序列中过零点和极值点的个数相等或只差1个。从局部角度来看，要想能够正确分解得到IMF，需要满足在数据序列的任意一点，上下包络线的均值为零^[13]。由于没有掺杂任何非对称波，所以得到的瞬时频率不会产生干扰波动。对信号$Y\left( t \right)$(t为时间)进行EMD的步骤如下：

（1） 首先用信号的极大值点和极小值点定义上下包络线。将所有局部极大值点用三次样条曲线依次连接，得到上包络线，设定幅值为${a_1}\left( t \right)$，将信号的所有局部极小值点依次用3条曲线连起来，得到下包络线，设定幅值为${a_2}\left( t \right)$，上下包络线的平均值为${m_1}\left( t \right)$，则有

（2） 令${u_1}\left( t \right) = Y\left( t \right) - {m_1}\left( t \right)$，理论上，${u_1}\left( t \right)$满足IMF从局部角度定义的条件，将${u_1}\left( t \right)$作为原始信号继续进行筛分。

（3） 重复上面2个步骤，进行k次筛分，得到满足2个条件的信号${u_{1k}}\left( t \right)$，则有${u_{1k}}\left( t \right) = {u_{1\left( {k - 1} \right)}} \left( t \right) - {m_{1k}}\left( t \right)$，将${c_1}(t)$记作从信号$Y\left( t \right)$中分解得到的第1个IMF，即${c_1}(t) = {u_{1k}}\left( t \right)$。

（4） 分离出第1个IMF后，将${r_1}\left( t \right) = Y\left( t \right) = {c_1}\left( t \right)$作为新的原始信号。重复步骤（1）—步骤（3），得到第2个IMF。继续重复上述步骤，从信号中提取n个IMF，即有${r_1}\left( t \right) = Y\left( t \right) = {c_1}\left( t \right)$，${r_2}\left( t \right) = {r_1}\left( t \right) - {c_2}\left( t \right)$，…，${r_n}\left( t \right) = {r_{n - 1}}\left( t \right) - {c_n}\left( t \right)$。

基于EMD的矿用NPC三电平逆变器开关管开路故障特征提取方法如下所述。

（1） 三相负载电压可反映NPC三电平逆变器各故障模式特征，可作为故障检测信号。为了减少计算量，降低算法的复杂度，将三相相电压经Clark与Park变换后转换为两相旋转坐标系下的电压${U_d}$与${U_q}$。

式中${U_{{\rm{aN}}}}$，${U_{{\rm{bN}}}}$，${U_{{\rm{cN}}}}$分别为a，b，c三相相电压。

（2） 通过EMD将${U_d}$分解为多个IMF。为了清楚地显示IMF差异，引入方差贡献率，方差贡献率的差异越大，波形的差异就越大。

（3） 对于不同的开路故障，计算各IMF的方差贡献率。计算结果表明，第2、第3、第8个IMF的方差贡献率相差较大，这3个IMF可以代表不同的开路故障。

（4） 计算上述3个分量的均值、均方差和方差，并将其作为故障特征向量。

1.2   PNN

PNN是一种径向基网络，属于前馈型网络。它具有学习过程简单、训练速度快、分类更准确、容错能力好等优点^[14]，本质上属于基于贝叶斯最小风险准则的监督网络分类器。PNN一般有4层：输入层、模式层、求和层和输出层^[15]。

模式层通过连接权重连接输入层，计算权重与输入层之间的匹配程度，输入特征向量和训练集的每个模式，即相似性。每个模式单元的输出为

式中：${\varPhi _{ij}}$为第i个神经元的第j个数据的输出；X为输入数据，$ {\boldsymbol{X}} = {[{x_1},{x_2} \cdots ,{x_n}]^{\rm{T}}},n = 1,2, \cdots ,L $，L为输入数据个数；$ \sigma $为平滑因子；p为输入的特征维数；$ {{\boldsymbol{x}}_{ij}} $为第$ i $个神经元的第j个数据。

求和层对属于同一类型模式层的神经元的输出权值取平均值。

式中${v_T}$为第T(T=1,2,…,M，M为输出权值的个数)个训练类型的输出。

输出层负责输出求和层中得分最高的类别：

式中${y_T}$为输出层的输出。

在PNN的拓扑结构中，输入层的数量为样本特征的数量，模式层的神经元数量为输入样本向量的数量，求和层的神经元数量为样本类别的数量。假设一个模式识别任务有4类样本，每类样本的样本数量是可变的，每个样本都有一个三维特征维数，得到的PNN网络拓扑结构如图1所示。

图  1  PNN网络拓扑结构

Figure  1.  PNN network topology structure

下载: 全尺寸图片 幻灯片

2.   NPC三电平逆变器故障分析

NPC三电平逆变器电路拓扑如图2所示，逆变器由a，b，c三相桥臂组成。以a相桥臂为例，由4个电源开关(${{\rm{Q}}_{{\rm{a}}1}}$—${{\rm{Q}}_{{\rm{a}}4}}$)、4个续流二极管(${{\rm{D}}_{{\rm{a}}1}}$—${{\rm{D}}_{{\rm{a}}4}}$)和2个箝位二极管(${{\rm{D}}_{{\rm{a}}5}}$—${{\rm{D}}_{{\rm{a}}6}}$)组成。每个续流二极管与电源开关反向并联，为电流提供一个反向传导回路。钳位二极管用于连接电源开关和直流侧电容器的中点。逆变器输出的三相相电压信号经低通滤波器滤波后为负载供电。每个电源开关的状态由相应的门信号控制。当门信号为1(高电平)时，电源开关接通；当门信号为0(低电平)时，电源开关关闭。由空间矢量脉宽调制(Space Vector Pulse Width Modulation，SVPWM)策略控制功率开关的门信号。

图  2  NPC三电平逆变器电路拓扑

Figure  2.  Circuit topology of NPC type three-level inverter

下载: 全尺寸图片 幻灯片

2.1   工作原理

以a相桥臂为例，分析NPC三电平逆变器的开关管通断情况、电流流通路径和电压输出，进而对其工作原理进行分析。定义电流从逆变器的直流侧流向交流侧为正方向，选择直流母线上的中点O作为参考电势点。同时为了便于研究，下面统一忽略功率开关管和二极管的导通压降。

a相桥臂的4个功率开关管有P（高电平）、O（零电平）、N（低电平）3种工作状态。

（1） P状态：该工作状态下，开关管${{\rm{Q}}_{{\rm{a}}1}}$，${{\rm{Q}}_{{\rm{a}}2}}$导通，${{\rm{Q}}_{{\rm{a}}3}}$，${{\rm{Q}}_{{\rm{a}}4}}$关断，电流流通路径如图3所示。当电流$ i_{{\rm{a}}}＞0 $时，电流的流通路径如图3中的红色实线所示。电流从直流电压源的正极P端流出，经过开关管${{\rm{Q}}_{{\rm{a}}1}}$，${{\rm{Q}}_{{\rm{a}}2}}$流入到交流侧，此时直流电压源$ {U}_{\mathrm{dc}} $为电容$ \mathrm{C}_{1} $充电。由于开关管${{\rm{Q}}_{{\rm{a}}1}}$，${{\rm{Q}}_{{\rm{a}}2}}$的导通压降被忽略，此时M点的电位和P点的电位相等，即$ U_{{\rm{MO}}}=U_{{\rm{PO}}}=U_{{\rm{dc}}} / 2 $。当电流$ i_{{\rm{a}}}＜0 $时，电流的流通路径如图3中的红色虚线所示。电流从交流侧负载处流出，经过反向并联的续流二极管$ \mathrm{D}_{\mathrm{a} 2} $，$ \mathrm{D}_{\mathrm{a} 1} $流向直流电源，并为电容$ \mathrm{C}_{1} $充电。由于忽略了二极管$ \mathrm{D}_{\mathrm{a} 2} $，$ \mathrm{D}_{\mathrm{a} 1} $的导通压降，此时M点的电位和P点的电位相等，即$ U_{{\rm{MO}}}=U_{{\rm{PO}}}=U_{{\rm{dc}}} / 2 $。因此当开关管${{\rm{Q}}_{{\rm{a}}1}}$，${{\rm{Q}}_{{\rm{a}}2}}$导通，${{\rm{Q}}_{{\rm{a}}3}}$，${{\rm{Q}}_{{\rm{a}}4}}$关断时，a相桥臂的输出电压为$U_{{\rm{dc}}}/2 $。

图  3  P状态下的电流流通路径

Figure  3.  Current flow path under P status

下载: 全尺寸图片 幻灯片

（2） O状态：在该工作状态下，开关管$ {{\rm{Q}}_{{\rm{a}}2}} $，$ {{\rm{Q}}_{{\rm{a}}3}} $导通，${{\rm{Q}}_{{\rm{a}}1}} $，$ {{\rm{Q}}_{{\rm{a}}4}}$关断，电流流通路径如图4所示。当电流$ i_{{\rm{a}}}＞0 $ 时，电流的流通路径如图4中的红色实线所示。电流从电压源正极流出，流经直流母线中点O，经过钳位二极管$ \mathrm{D}_{{\rm{a}} 5} $和功率开关管$ {{\rm{Q}}_{{\rm{a}}2}} $流向交流侧负载处，此时直流电压源$ {U}_{\mathrm{dc}} $为电容$ \mathrm{C}_{1} $充电。由于二极管$ \mathrm{D}_{{\rm{a}} 5} $和开关管$ {{\rm{Q}}_{{\rm{a}}2}} $的导通压降被忽略，此时M点的电位和O点的电位相等，即$ U_{{\rm{MO}}}=0 $。当电流$ i_{{\rm{a}}}＜0 $时，电流的流通路径如图4中红色虚线所示。电流从交流侧负载处，流经功率开关管$ {{\rm{Q}}_{{\rm{a}}3}} $和钳位二极管$ \mathrm{D}_{{\rm{a}} 6} $，经过直流母线中点O流向直流电压源的负极，此时电容$ \mathrm{C}_{2} $被充电。由于忽略了功率开关管$ {{\rm{Q}}_{{\rm{a}}3}} $和钳位二极管$ \mathrm{D}_{{\rm{a}} 6} $的导通压降，M点的电位等于O点的电位，即$ U_{{\rm{MO}}}=0 $。因此当开关管$ {{\rm{Q}}_{{\rm{a}}2}} $，$ {{\rm{Q}}_{{\rm{a}}3}} $导通，${{\rm{Q}}_{{\rm{a}}1}} $，$ {{\rm{Q}}_{{\rm{a}}4}}$关断时，a相桥臂的输出电压为0。

图  4  O状态下的电流流通路径

Figure  4.  Current flow path under O Status

下载: 全尺寸图片 幻灯片

（3） N状态：在该工作状态下，开关管${{\rm{Q}}_{{\rm{a}}3}} $，${{\rm{Q}}_{{\rm{a}}4}} $导通，${{\rm{Q}}_{{\rm{a}}1}} $，${{\rm{Q}}_{{\rm{a}}2}} $关断，电流流通路径如图5所示。当电流$ i_{{\rm{a}}}＞0 $时，电流的流通路径如图5中的红色实线所示。电流从直流电压源N端经过反并联续流二极管$\mathrm{D}_{\mathrm{a} 4}$，$\mathrm{D}_{\mathrm{a} 3}$流入交流侧负载处，电容$ \mathrm{C}_{2} $被充电。由于忽略了二极管$\mathrm{D}_{\mathrm{a}_{4}}$，$\mathrm{D}_{\mathrm{a} 3}$的导通压降，此时M点的电位和N点的电位相等，即$ U_{{\rm{MO}}}=U_{{\rm{NO}}}=-U_{{\rm{dc}}} / 2 $。当电流$ i_{{\rm{a}}}＜0 $ 时，电流的流通路径如图5中的红色虚线所示。电流从交流侧负载处流出，经功率开关管$ {{\rm{Q}}_{{\rm{a}}3}} $，$ {{\rm{Q}}_{{\rm{a}}4}}$流向直流电压源的N端，电容$ \mathrm{C}_{2} $被充电。由于开关管$ {{\rm{Q}}_{{\rm{a}}3}} $，${{\rm{Q}}_{{\rm{a}}4}} $的导通压降被忽略，此时M点的电位等于N点的电位，即$ U_{{\rm{MO}}}=U_{{\rm{NO}}}=-U_{{\rm{dc}}} / 2 $。因此当开关管$ {{\rm{Q}}_{{\rm{a}}3}} $，${{\rm{Q}}_{{\rm{a}}4}} $导通，$ {{\rm{Q}}_{{\rm{a}}1}} $，$ {{\rm{Q}}_{{\rm{a}}2}} $关断时，a相桥臂的输出电压为$ -U_{{\rm{dc}}} / 2 $。

图  5  N状态下的电流流通路径

Figure  5.  urrent flow path under N status

下载: 全尺寸图片 幻灯片

2.2   故障分析

NPC三电平逆变器的电源开关由12个绝缘栅双极晶体管(Insulated Gate Bipolar Transistor，IGBT)器件组成。由于故障电源开关的位置和数量是随机的，可能会出现多种类型的开路故障。一般来说，3个或3个以上的电源开关同时发生开路故障的可能性非常小。

本文主要研究单开关或双开关开路故障的故障诊断，故障类型及标签见表1。具体故障分为4类：① 电源开关均工作正常，认为是一种特殊的故障情况，未在表1中标出。② 仅1个电源开关出现开路故障，共12种。③ 2个电源开关同时发生单相桥臂开路故障，共12种。④ 2个电源开关交叉臂同时出现开路故障，共48种。这4类故障中，共有73种故障类型，分别对这73种故障类型进行标注。正常情况下负载端的三相相电压波形如图6所示，在开关管无故障时，输出三相相电压为标准的正弦波形，三相之间电压相位相差$ {120^\circ } $，电压大小呈周期性变换。

表  1  故障类型及标签

Table  1.  Fault types and labels

故障类型	标签		故障类型	标签		故障类型	标签		故障类型	标签
${{\rm{Q}}_{{\rm{a}}1}}$	1		${{\rm{Q}}_{{\rm{b}}4}} {{\rm{Q}}_{{\rm{c}}3}}$	19		${{\rm{Q}}_{{\rm{a}}3}} {{\rm{Q}}_{{\rm{c}}1}}$	37		${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{b} }2} }$	55
${{\rm{Q}}_{{\rm{a}}2}}$	2		${{\rm{Q}}_{{\rm{b}}1}} {{\rm{Q}}_{{\rm{b}}3}}$	20		${{\rm{Q}}_{{\rm{a}}3}} {{\rm{Q}}_{{\rm{c}}2}}$	38		${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{b} }3} }$	56
${{\rm{Q}}_{{\rm{a}}3}}$	3		${{\rm{Q}}_{{\rm{b}}1}} {{\rm{Q}}_{{\rm{b}}4}}$	21		${{\rm{Q}}_{{\rm{a}}4}} {{\rm{Q}}_{{\rm{b}}1}}$	39		${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{b} }4} }$	57
${{\rm{Q}}_{{\rm{a}}4}}$	4		${{\rm{Q}}_{{\rm{b}}2}} {{\rm{Q}}_{{\rm{b}}3}}$	22		${{\rm{Q}}_{{\rm{b}}1}} {{\rm{Q}}_{{\rm{c}}1}}$	40		${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{c} }1} }$	58
${{\rm{Q}}_{{\rm{b}}1}}$	5		${{\rm{Q}}_{{\rm{b}}2}} {{\rm{Q}}_{{\rm{b}}4}}$	23		${{\rm{Q}}_{{\rm{b}}1}} {{\rm{Q}}_{{\rm{c}}2}}$	41		${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{c} }2} }$	59
${{\rm{Q}}_{{\rm{b}}2}}$	6		${ {\rm{Q} }_{ {\rm{b} }4} } { {\rm{Q} }_{ {\rm{c} }2} }$	24		${ {\rm{Q} }_{ {\rm{a} }2} } { {\rm{Q} }_{ {\rm{b} }1} }$	42		${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{c} }3} }$	60
${{\rm{Q}}_{{\rm{b}}3}}$	7		${{\rm{Q}}_{{\rm{b}}3}} {{\rm{Q}}_{{\rm{c}}4}}$	25		${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{b}}2}}$	43		${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{c} }4} }$	61
${{\rm{Q}}_{{\rm{b}}4}}$	8		${{\rm{Q}}_{{\rm{c}}1}} {{\rm{Q}}_{{\rm{c}}3}}$	26		${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{b}}3}}$	44		${ {\rm{Q} }_{ {\rm{b} }1} } { {\rm{Q} }_{ {\rm{c} }4} }$	62
${{\rm{Q}}_{{\rm{c}}1}}$	9		${{\rm{Q}}_{{\rm{c}}1}} {{\rm{Q}}_{{\rm{c}}4}}$	27		${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{b}}4}}$	45		${ {\rm{Q} }_{ {\rm{b} }2} } { {\rm{Q} }_{ {\rm{c} }1} }$	63
${{\rm{Q}}_{{\rm{c}}2}}$	10		${{\rm{Q}}_{{\rm{c}}2}} {{\rm{Q}}_{{\rm{c}}3}}$	28		${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{c}}1}}$	46		${ {\rm{Q} }_{ {\rm{b} }2} } { {\rm{Q} }_{ {\rm{c} }2} }$	64
${{\rm{Q}}_{{\rm{c}}3}}$	11		${{\rm{Q}}_{{\rm{c}}2}} {{\rm{Q}}_{{\rm{c}}4}}$	29		${ {\rm{Q} }_{ {\rm{a} }2} } { {\rm{Q} }_{ {\rm{c} }2} }$	47		${ {\rm{Q} }_{ {\rm{b} }2} } { {\rm{Q} }_{ {\rm{c} }3} }$	65
${{\rm{Q}}_{{\rm{c}}4}}$	12		${{\rm{Q}}_{{\rm{b}}3}} {{\rm{Q}}_{{\rm{c}}2}}$	30		${ {\rm{Q} }_{ {\rm{a} }2} } { {\rm{Q} }_{ {\rm{c} }3} }$	48		${ {\rm{Q} }_{ {\rm{b} }2} } { {\rm{Q} }_{ {\rm{c} }4} }$	66
${{\rm{Q}}_{{\rm{b}}4}} {{\rm{Q}}_{{\rm{c}}4}}$	13		${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{b}}1}}$	31		${ {\rm{Q} }_{ {\rm{a} }2} } { {\rm{Q} }_{ {\rm{c} }4} }$	49		${ {\rm{Q} }_{ {\rm{b} }3} } { {\rm{Q} }_{ {\rm{c} }1} }$	67
${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{a}}3}}$	14		${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{b}}2}}$	32		${ {\rm{Q} }_{ {\rm{b} }1} } { {\rm{Q} }_{ {\rm{c} }3} }$	50		${ {\rm{Q} }_{ {\rm{a} }4} } { {\rm{Q} }_{ {\rm{b} }1} }$	68
${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{a}}4}}$	15		${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{b}}3}}$	33		${ {\rm{Q} }_{ {\rm{a} }3} } { {\rm{Q} }_{ {\rm{b} }1} }$	51		${ {\rm{Q} }_{ {\rm{a} }1} } { {\rm{Q} }_{ {\rm{c} }3} }$	69
${{\rm{Q}}_{{\rm{b}}4}} {{\rm{Q}}_{{\rm{c}}1}}$	16		${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{b}}4}}$	34		${ {\rm{Q} }_{ {\rm{a} }3} } { {\rm{Q} }_{ {\rm{b} }2} }$	52		${ {\rm{Q} }_{ {\rm{a} }3} } { {\rm{Q} }_{ {\rm{c} }3} }$	70
${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{a}}3}}$	17		${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{c}}1}}$	35		${ {\rm{Q} }_{ {\rm{a} }3} } { {\rm{Q} }_{ {\rm{b} }3} }$	53		${ {\rm{Q} }_{ {\rm{b} }3} } { {\rm{Q} }_{ {\rm{c} }3} }$	71
${{\rm{Q}}_{{\rm{a}}2}} {{\rm{Q}}_{{\rm{a}}4}}$	18		${{\rm{Q}}_{{\rm{a}}1}} {{\rm{Q}}_{{\rm{c}}2}}$	36		${ {\rm{Q} }_{ {\rm{a} }3} } { {\rm{Q} }_{ {\rm{b} }4} }$	54		${ {\rm{Q} }_{ {\rm{a} }1} } { {\rm{Q} }_{ {\rm{c} }4} }$	72

下载: 导出CSV 

| 显示表格

图  6  正常波形

Figure  6.  Normal waveform

下载: 全尺寸图片 幻灯片

如果电源开关发生故障，逆变器输出的相电压信号会发生改变。不同类型的故障会产生不同相位的电压信号（图7）。三相电压信号包含了反映故障特征的重要信息。采用PNN算法自动提取不同故障类型下三相电压信号的故障特征信息进行故障识别，进而对逆变器进行故障诊断。

图  7  部分不同故障相电压波形

Figure  7.  Phase voltage waveforms of some different faults

下载: 全尺寸图片 幻灯片

为了更好地贴近矿用逆变器的工作环境，给故障数据添加噪声处理，然后再作为实际故障数据进行故障诊断。加噪前后的故障波形如图8所示，通过加噪后，故障数据更复杂。

图  8  加噪前后的$ {{\rm{Q}}_{{\rm{a}}3}} $$ {{\rm{Q}}_{{\rm{c}}1}} $故障波形

Figure  8.  $ {{\rm{Q}}_{{\rm{a}}3}} $$ {{\rm{Q}}_{{\rm{c}}1}} $ faults waveforms before and after noise adding

下载: 全尺寸图片 幻灯片

3.   故障诊断方法

3.1   数据处理

为了提高PNN网络的可识别度，采样时采用分时采样，即从不同时间节点采取1个周期的数据，作为故障样本，如图9所示，即桔色框中截取的数据为数组1，绿色框中截取的数据为数组2，黄色框中截取的数据为数组3，蓝色框中截取的数据为数组4，对数组中的数据进行归一化操作。虽然是从不同时间点截取的数据，但都是同一种故障，因此都放在同一个故障类型中。这样就增大了数据集的多样化，更有利于故障特征的提取识别。

图  9  数据处理

Figure  9.  Data Processing

下载: 全尺寸图片 幻灯片

3.2   故障诊断

将故障数据导入PNN网络模型中，经过训练测试得到故障诊断结果。基于PNN的矿用NPC三电平逆变器开路故障诊断流程如图10所示。

图  10  基于PNN的矿用三电平逆变器开路故障诊断流程

Figure  10.  Diagnosis flow of open-circuit fault of mine NPC type three-level inverter

下载: 全尺寸图片 幻灯片

（1） 数据采集：根据故障类型，利用示波器采集a，b，c三相相电压信号，并对其进行去噪与归一化处理。

（2） 将三相相电压经过Clark与Park变换得到${U_d}$与${U_q}$。

（3） 利用EMD提取故障特征向量。EMD将${U_d}$分解为多个IMF，并计算出第2、第3、第8个IMF的均值、均方差和方差，作为故障特征向量。

（4） 构建PNN网络：将故障数据按照4∶1的比例分为训练集和测试集，然后将数据代入建立好的故障诊断网络模型进行训练。

（5） 训练网络：通过对训练集数据的训练，得到PNN模型的参数。

（6） 网络效果测试：使用测试集进行回代，得到测试结果，并对测试结果是否满足故障诊断要求进行分析，如果满足故障诊断要求，则保存并输出测试结果，得到分类结果；如果不满足故障诊断要求，则进行网络参数调试，调试好后再度进行测试，直到满足故障诊断要求。

4.   实验结果分析

为了测试基于PNN的矿用NPC三电平逆变器开关管开路故障诊断方法的预测能力，利用自制数据集对其进行测试。将数据集分为测试集和训练集，训练数据集占比为0.8，约27 456个样本。测试结果如图11所示，三角形（表示预测结果）与星形（实际结果）重合表示预测成功，通过统计预测失误所占比例计算准确率，其中训练集准确率在99%以上，测试集准确率在97%以上。

图  11  PNN预测效果

Figure  11.  PNN prediction results

下载: 全尺寸图片 幻灯片

为了方便分析误差，将随机选择未经过训练的200个样本进行测试，结果如图12所示。

图  12  PNN测试误差

Figure  12.  PNN test error

下载: 全尺寸图片 幻灯片

当识别成功时，会在0位置上产生一个标记，否则会在其他位置产生一个标记。经过10次测试，其每轮样本失误数分别为6，5，2，4，5，3，5，6，4，5，进行平均计算，其平均准确率为97.75%。验证了本文所提方法的有效性。

为更一步验证基于PNN的矿用NPC三电平逆变器开关管故障诊断方法的可靠性，将其与基于卷积神经网络（Convolutional Neural Network，CNN）和支持向量机（Support Vector Machine，SVM）的方法进行对比，不同方法的测试准确率及PNN网络诊断模型对加噪前后故障的诊断结果如图13所示。可看出当模型达到稳定时，基于CNN与SVM的方法的准确率为90%左右，低于基于PNN诊断方法的诊断结果。加噪后，虽然故障数据变得更加复杂，但经过经验模态分解，基于PNN诊断方法的诊断效果良好，证明了本文方法的可靠性。

图  13  不同故障诊断方法的测试准确率

Figure  13.  Test accuracy of different fault diagnosis methods

下载: 全尺寸图片 幻灯片

5.   结语

以矿用NPC三电平逆变器开关管为研究对象，首先提取逆变器开关管开路故障信号，分析并整合得到原始故障数据样本，然后对数据样本进行经验模态分解，最后采用PNN算法进行训练、分类，实现NPC三电平逆变器开关管的故障诊断。实验结果表明，基于PNN的矿用NPC三电平逆变器开关管开路故障诊断方法具有良好的诊断效果，平均故障诊断准确率为97.75%，高于基于CNN和SVM方法的故障准确率。但该方法需要搜集大量故障数据，工作量大，未来可与数据增强或机器学习方法相融合，利用较少数据集达到更好的诊断效果。