【www.zhangdahai.com--其他范文】
周 蕾， 刘 虎， 陈伯伦， 李 馨
(淮阴工学院a.计算机与软件工程学院，b.化学工程学院，江苏 淮安 223003)
开关电源具有输出稳定、体积小、效率高等特点,已成为电气设备不可或缺的一部分，其工作的稳定性直接影响着用电设备的可靠性和安全性[1]，对开关电源故障诊断方法的研究具有重要的现实意义。
导致开关电源发生故障的原因很多，其中高压滤波电容失效造成开关电源故障最为常见，约占百分之六十以上[2,3]。李奇等[4]通过检测串联等效电阻(ESR)的方法，实现了对滤波电容性能的监测，该方法需拆解电源测量关键点位信号。张玮等[5]采用低压侧输出端纹波变化趋势判别法计算电容性能，该方法仅适用于判断低压侧电容故障。何春等[6]利用模块化BP神经网络进行电路故障诊断，该方法需测量电源内部节点信号，电路的多样性仍是待解决问题。郭志军等[7]提出一种基于小波包神经网络的开关电源电路故障诊断方法，Wei等[8]利用深度学习技术对电网运行的故障报告进行处理，实现故障的分类诊断。张朝龙等[9]利用混沌粒子群优化算法，优化DBN的学习率，提升模拟电路早期故障诊断的正确率。
针对开关电源主要的电容故障诊断问题，设计一种数据采集装置对开关电源所在电网电压进行隔离、滤波、数据采集，降低了外界干扰，并提出一种基于改进深度置信网络的故障诊断模型。
开关电源电解电容的退化会导致输出电压的异常波动，为检测电容失效导致的开关电源故障，设计了电网电压数据采集装置，如图1所示。
将开关电源与数据采集装置插在同一插排上，利用装置的高频电压隔离互感器进行电网电压的检测。为检查不同失效程度滤波电容对电压产生的影响效果，选择测试的滤波电容均为同一生产批次，但处于不同失效状态的产品。
将示波器与数据采集模块的AD端口相连，分别采集电容在正常状态、失效程度50%左右以及失效程度超过75%三种不同状态下的电网电压波形，并利用MATLAB对一个样本采集周期的电压信号进行仿真输出。仿真结果显示，电容在正常状态下的波形明显平缓，失效程度越高，波形变化越明显，失效程度与电压信号的畸变程度有非常明显的正相关，与正常信号相比，同一频段的能量也有区别，可以看出通过提取电网电压信号的畸变程度估算滤波电容失效百分比是可行的。
基于上述方法采集电压数据，分别选取电容退化三种不同状态的样本数据组成数据集，并对不同退化状态的电压数据记录加上不同的分类标签。
为提高后续模型处理的执行效率和精度，采集的原始信号还需要进一步进行降噪、去重和归一化处理，具体处理流程如图2所示。
对经过预处理后的数据集数据随机选取其中80%的数据作为训练集，剩余数据组成测试集，作为模型处理的数据集数据。
2.1 深度置信网络
2013年，以Tamils Elvan P为主的课题组[10]首次将深度置信网络(Deep Belief Network，DBN)应用到故障检测方面，DBN在故障预测和识别方面的优越性逐渐被人们所重视。
DBN由若干层受限玻尔兹曼机RBM(Restricted Boltzmann Machines)和BP(Back Propagation)神经网络组成。RBM是一个由可见层v和隐藏层h构成的神经网络，层内神经元间无连接，层间神经元全连接，每个RBM隐藏层的输出作为下一层RBM可视层的输入。
RBM是一种能量模型，对一组给定的状态(v,h)，其能量定义如式(1)：
(1)
公式(1)中，θ为RBM的模型参数{wi,j,ai,bj}，vi为可视层单元i，hj为隐藏层单元j，ai和bj分别是vi和hj的偏置，wi,j是vi与hj之间的权重。
在能量模型定义的函数基础上，可以得到(v,h)的联合概率分布为式(2)，(3)：
(2)
(3)
其中配分函数Z(θ)是归一化因子。
由于神经元的状态和激活条件相互独立，所以vi和hj激活的概率分别为式(4)，(5)：
(4)
(5)
式中σ( )为激活函数。
2.2 开关电源故障诊断模型
基于深度置信网络的开关电源故障诊断模型训练过程包含无监督的正向预训练和有监督的反向微调两部分。正向预训练采用随机的无监督学习模型，每一个RBM训练完毕，将隐藏层获得的输出特征向量，作为下一个RBM可视层的输入特征向量，直到训练完所有的RBM，采用极大似然法使p(v)的值最大求出RBM参数θ，利用对比散度(Contrastive Divergence，CD)算法[11]进行计算，提高执行效率；
反向微调则以正向预训练好的模型参数作为初始化参数，通过BP算法计算误差，完成各层模型参数的调节和优化。预训练使得每层RBM达到局部最优，在此基础上反向微调可以达到全局最优，模型的基本工作过程如图3所示。
DBN开关电源故障诊断模型逐层正向预训练过程如下：
(1)初始化学习率、隐藏节点数、各层单元之间的权重和偏置、网络层数以及每层节点数等网络参数；
(2)初始可视层接收训练样本作为输入的特征向量，根据前面设置好的权重、偏置等参数，由公式(5)计算隐藏层各个结点的激活概率，确定结点的激活状态；
(3)将前面计算出来的隐藏层各个结点的激活状态作为输入，由公式(4)重构可视层各个结点的激活概率，作为下一个隐藏层输入的特征向量；
(4)重复前面的流程，将每一个隐藏层的输出作为下一个可视层的输入，直到完成所有RBM的训练任务。
2.3 动态调参优化算法设计
DBN模型中每个超参的调节对寻找最优解有着重要的影响，提出一种动态调参优化算法(DBN-DF)进行超参的设置和更新。下面以学习率、可视层和隐藏层各单元之间的权重参数设置为例，介绍动态调参的优化算法。
学习率的选取对算法执行的效率和性能都有较大影响。传统DBN模型采用固定大小的学习率，无法根据运行过程中的实际情况动态调整，为提高算法执行效率和精度，引入一种动态学习率算法，首先设置初始学习率，一般在0.01到0.8之间，在训练过程中根据总误差值动态调整，具体调整公式如下：
ε=ε*λ
(6)
若总误差E减小，则公式(6)中λ取值设置为1.0001到1.01之间，以增大学习率ε的值；
若E增大或不变，则设置λ取值在0.99到0.9999之间，以减少学习率ε的值。动态学习率可有效加快模型训练速度，缓解易陷入局部最优的问题。
对于各层之间权重的更新操作，传统DBN采用随机梯度下降法，每次从训练样本中随机选取一部分样本计算梯度并进行参数更新，由于梯度越大更新步长越大，可能导致收敛速度降低并易来回振荡。为了加快收敛速度以及减少权重更新量的振荡，在算法中添加动量项来控制权重的更新，其更新规则如公式(7)和(8)：
(7)
(8)
其中α为动量系数，一般取值在(0,1)之间。E为总误差，sp和tp分别为期望输出和实际输出。
DBN模型中包含众多超参数：每次训练的样本量、网络训练的迭代次数、学习率等，对模型每个参数的设置值进行多组测试实验，通过对结果的分析，最终采用三层平稳型DBN作为故障诊断模型，隐藏层结点数为100，激活函数选择Tanh，初始学习率设置为0.01，每次训练样本量设置为100。
为验证模型的实验效果，将提出的DBN优化模型DBN-DF与传统的DBN模型、BP神经网络模型分别进行仿真实验，每个模型进行10次实验，每次实验得到不同模型的准确率如表1所示。
表1 不同模型10次实验结果对比
实验结果显示DBN-DF模型对高压滤波电容失效造成的开关电源故障诊断的准确率比传统DBN模型和BP模型均有明显的提高，故障识别准确率最高可达97.6%。每次实验中，模型运行的迭代次数对故障识别的准确率也有很大的影响，随着次数的增加，模型准确率也相应提高，最终趋于稳定。
根据开关电源所在电网电压畸变特性，提出一种开关电源滤波电容故障诊断方法，基于改进深度置信网络构建开关电源故障诊断模型，设计数据采集装置，该装置采用高频电压隔离互感器检测电网电压，对电网电压进行滤波并实时采集数据。故障诊断模型对滤波电容失效进行三分类判断，其中对滤波电容正常状态识别率为100%，滤波电容失效50%左右和失效75%以上的状态识别率达到90%以上。此结果证明利用深度置信网络诊断滤波电容故障的优越性，诊断过程无需拆解开关电源，降低了电路多样性所造成的影响，简化了电源故障检测步骤，在此基础上，下一步将继续研究其他原因导致的电源故障的诊断，进一步优化故障诊断模型，使其能更好地应用于复杂的开关电源故障诊断中。
猜你喜欢 电容滤波故障诊断 船岸通信技术下舰船导航信号非线性滤波舰船科学技术(2022年20期)2022-11-28比亚迪秦EV充电系统故障诊断与排除汽车实用技术(2022年16期)2022-08-31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低压电容器电容值衰减原因分析及改造防爆电机(2021年3期)2021-07-21基于超级电容的无线充电小车设计电子制作(2019年19期)2019-11-23一种考虑GPS信号中断的导航滤波算法北京航空航天大学学报(2019年9期)2019-10-26高效LCL滤波电路的分析与设计电子制作(2019年9期)2019-05-30超级电容车的充电，有望几十秒内搞定吗？知识就是力量(2016年6期)2016-05-31江淮同悦纯电动汽车无倒档故障诊断与排除汽车电器(2014年5期)2014-02-28合成孔径雷达图像的最小均方误差线性最优滤波西安交通大学学报(2009年12期)2009-02-08本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0608/608831.html
