1. 引言

    自 21 世纪以来，新型城市轨道交通在我国得到了飞速的发展，现已是我国国民经济发展与人民生活水平的重要标志。它具有污染小、效率高、结构简单等一系列优点。PWM 整流器[1]是新型能馈式牵引供电系统的关键部件，目前国内外学者对新型 PWM 整流器故障诊断研究较少，传统的故障诊断算法不能准确快速的对故障进行诊断，因此本文提出一种融合的故障诊断方法

    [2]，能快速、准确、实时的在线对 PWM整流器开关管故障诊断，从而便于容错控制，保证列车平稳、安全的运行。故障特征的准确提取是故障诊断能否成功的关键。由于电力电子电路是多变量、非线性、强耦合的复杂系统，很难建立准确、有效的数学模型，传统的故障诊断方法根本无法满足当今的技术指标要求，而单一的智能诊断方法的故障诊断也不是十分有效，因此本文根据理论的分析与 MATLAB 的仿真，提出用小波分解来提取小波能量谱来作为故障特征量，并将标幺化后的特征量输入BP神经网络来完成故障的识别与诊断。

    2.1 小波分析提取故障特征

    PWM 整流器开关管在故障时电流或电压特征量发生突变，信号中含有非平稳的时变信息，而用传统的傅里叶变换往往只能对信号的频域具有局部化分析能力，它是对整个时域的积分，适合于对稳态信号分析，对非稳态信号无能为力，而小波变换在时域和频域都具有局部化能力，它的窗口尺寸可以根据信号的频率而自动调节，并且是一种基于“频带”的时频分析方法，因而非常适合于暂态信号或非稳态信号的分析[3]。二进制小波变换就是通过多分辨分析算法来实现的，将信号 ( )f t 分解为不同尺度上的近似和细节，也就是对应的低频和高频部分，分解的公式[4]可以表示为：

    3 实 验

    3.1 MATLAB 故障仿真与分析选取 PWM 整流器电路作为诊断实例，原理图如图 3 所示， 使用 MATLAB 进行建模与仿真，电路参数设置如下：输入三相交流电压为380V，工作频率为 50Hz，电阻为 0.1Ω ，电感为 1mH,载波频率为 10000Hz，调制系数为 0.4，通过 MATLAB 分别对PWM 整流器正常工作和开关管故障时进行仿真，仿真时间设为 0.2s，在 0.1s 时发生开关管开路故障，下面我们通过提取小波能量谱来作为神经网络训练样本，然后在 0.12s、 0.08s 等时刻再次提取故障特征， 以此来对神经网络进行测试，从而完成对开关管故障的诊断和诊断算法的验证，为了问题的简化与说明，下面我们只对开关管单管故障进行举例，其他情况依此类推。PWM 整流器基本工作原理[1]：

    3.2 故障特征的提取

    通过对比图 4、图 5 不难发现，在开关管发生故障时，输出电流发生了很大的畸变，通过 db3 小波对输出电流压进行 5 层分解， 提取 1个低频系数和 5 个高频系数，然后根据小波分解系数求出各频段能量谱，按照顺序排成一列向量，该向量就是与某一故障相对应的特征向量。下面对电压信号进行 5 层分解，得到 6 个频带的小波系数，重构各节点小波分解系数，则总信号可表示为[7]：

    4. 结论

    本文通过对 PWM 整流器的输出电流进行小波分解， 对比分析发现， PWM 整流器正常时和故障时小波分解系数相差明显，因此对正常情况和各种故障情况的电流进行分解并计算其小波能量谱，发现不同的故障各频段的能量谱差别明显，为了便于后面的分析与比较，将其归一化后再将其输入训练好的神经网络进行故障的识别与诊断9]， 仿真的结果表明该算法的诊断正确率 100%，是一种准确、高效的诊断算法，对工程上实现 PWM 整流器故障的快速、准确诊断与容错控制提供了一定的指导作用[10]。

    参考文献

    [1] 刘志刚,叶斌,梁晖.电力电子学[M].北京：北京交通大学出版社，2004.

    [2] 罗惠,王友仁等.电力电子电路多源特征层融合故障诊断方法[J].电机与控制学报.2010,4,第14 卷(4 期):92-95.

    [3] 徐昕，傅煊.基于小波分解和 BP 神经网络模拟电路故障诊断研究[J].现代电子技术.2011,10，第 34 卷(19 期) :171-175.

    [4] 王云亮，孟庆学等.基于小波能量法及神经网络的电力电子装置故障诊断[J].智能控制技术,2009,第 31 卷(2 期):25-27.

    [5] 孟苓辉，王磊等.基于改进 BP 神经网络的牵引变流器故障诊断[J].电子设计工程,2012,3,第20 卷(6 期):61-63.

    [6] 王轶.基于数据挖掘的机车牵引变流器故障诊断[D].成都：西南交通大学，2005,4.10

    [7] 明廷锋，姚晓山等.基于小波-主成分分析的离心泵故障诊断方法[J].武汉理工大学学报，010，12

    [8] BingLi and Peilin Zhang.FeatureExtraction and Selection for Diagnosis Gear Using Wavelet Entropy and Mutual Information.[A].2008

    [9] Zhimin Dong,Xinqiao Jin,YunyuYang.Fault diagnose for temperature,flow rate and pressure sensors in VAV systems using wavelet neural network[J].Applied Energy,2009,86:1624-1631.

    [10] YaguoLei,ZhengjiaHe,YanyangZi.Expert Systems with Applications,2009.

    作者简介： 孟苓辉 (1988—) ， 男， 吉林舒兰人， 博士研究生。

    研究方向：电力电子与电气传动。<