變工況下航空逆變器健康評估方法研究

　　摘 要：工況的變化會引起功率變換器電路健康表征參數(shù)隨之變化，導致無法判斷健康表征參數(shù)是因電路性能的退化還是因工況的變化引起的。針對該關(guān)鍵問題，以航空逆變器為研究對象，首先采用多評價指標優(yōu)選模型優(yōu)選出相關(guān)敏感的健康表征參數(shù);然后基于極限學習機建立工況-無故障情況下健康表征參數(shù)映射模型;最后基于當前健康表征參數(shù)與映射模型輸出的健康表征參數(shù)之間的相對變化量構(gòu)建考慮工況條件的電路健康指標，實現(xiàn)不同工況下航空逆變器的健康評估。實驗結(jié)果表明，該評估方法可以有效減小工況變化對健康指標的影響。在變工況情況下，相比于直接基于歐氏距離構(gòu)建健康指標的評估方法，平均絕對誤差(Mean Absolute Error，MAE)和均方根誤差(Root-Mean-Square Error，RMSE)分別降低了 64.4%、66.8%。

　　關(guān)鍵詞：航空逆變器;歐氏距離;健康指標;健康評估

　　引 言

　　航空功率變換器是飛機二次電源系統(tǒng)的重要組成部分，其用途為實現(xiàn)直流交流電能之間的轉(zhuǎn)換，進而向機載用電設備提供不同需求的電源。航空功率變換器時常工作于高頻啟停、過壓過流操作下，當元器件損傷累積到某種程度將會導致功率變換器整體性能的下降甚至失效，進而可能引發(fā)較大的安全隱患。若維修人員能夠提前對當前功率變換器健康狀態(tài)進行有效的評估，事先采取維修措施，將會極大程度上減小經(jīng)濟損失[1]。通過檢測功率變換器電路信號，從監(jiān)測的信號中提取蘊含電路故障信息的健康表征參數(shù)，構(gòu)建表征電路退化狀態(tài)的健康指標，展開電路級健康評估的技術(shù)日益受到關(guān)注。

　　國內(nèi)外學者大都選擇電路輸出電壓為監(jiān)測量，且以輸出電壓均值作為健康表征參數(shù)開展研究。Wang 等[2]通過提取Buck 電路的輸出電壓均值及其紋波比構(gòu)造故障特征向量，利用不同退化程度樣本間故障特征向量的馬氏距離構(gòu)建故障指示器 FI 對電路進行狀態(tài)評估。He 等[3]選擇 DC-DC 電路輸出電壓均值作為健康指標，基于冪函數(shù)退化模型進行電路健康評估。孫權(quán)等[4,5]選取 Sepic 電路的輸出電壓均值作為健康指標，分別采用高斯過程回歸方法與無跡粒子濾波方法進行健康指標時間序列的遞推預測。

　　Jia 等[6]將 DC-DC 變換器輸出電壓均值作為健康指標，將其值減小 20%作為轉(zhuǎn)換器功能失效判據(jù)，用粒子濾波算法對電路進行剩余使用性能估計。上述方法都采用電路的輸出電壓作為監(jiān)測量，由于輸出電壓的監(jiān)測便利，減輕了信號監(jiān)測的成本，但上述方法都未考慮工況變化對健康表征參數(shù)的影響，方法都局限于單一工況的情形。除此之外，也有學者選擇輸出電流、電源模塊殼溫、輸入電流、輸出功率等作為電路狀態(tài)監(jiān)測量。袁義生等[7]通過遺傳算法優(yōu)化支持向量機的方法建立10kW三相光伏并網(wǎng)逆變器的效率模型，將輸入電壓與輸出功率作為模型輸入量，對逆變器狀態(tài)進行估計。

　　祝勇俊等[8]選取光伏逆變器輸出功率作為健康狀態(tài)性能參數(shù)，使用隨機過程理論方法建立性能退化模型對光伏逆變器進行壽命評估。姜偉等[9]選擇輸出電壓值、紋波電壓、輸入電流、殼溫作為故障特征參數(shù)，分別基于置信值的單參數(shù)的方法及基于馬氏距離的多參數(shù)的方法，對直流 28V 轉(zhuǎn) 5V、3.3V 電路進行健康評估。

　　上述方法選擇了多樣的監(jiān)測信號，但監(jiān)測信號如輸出電流、輸出功率等在監(jiān)測時需要侵入電路甚至破壞電路，進而造成獲取監(jiān)測信號困難，監(jiān)測成本加重。同樣地，這些方法仍只考慮了單一工況條件，未考慮工況變化對電路健康評估的影響。從以上電路級健康評估技術(shù)研究中可以發(fā)現(xiàn)，多數(shù)研究都是在單一工況下，并沒有考慮負載、輸入電壓等變工況對電路的影響。

　　因此本文以航空逆變器為對象，為了減少或消除工況對健康指標的影響。首先采用多評價指標優(yōu)選模型得到電路健康表征參數(shù)，然后通過極限學習機方法構(gòu)建無故障情況下工況參數(shù)與健康表征參數(shù)的映射模型得到當前工況下電路無故障時健康表征參數(shù)，求取當前監(jiān)測健康表征參數(shù)與無故障情況下健康表征參數(shù)的相對變化量，進一步構(gòu)建電路健康指標對不同工況下的航空逆變器健康狀態(tài)進行評估。

　　搭建了實驗電路平臺，以并聯(lián)電容板來模擬不同退化程度的電容，并對不同退化程度的電容設置不同的工況條件(本文為輸入電壓與負載阻值)。使用電路理想健康指標對直接使用歐式距離構(gòu)建健康指標的方法與使用相對變化量構(gòu)建健康指標的方法標定。通過對比兩種健康指標與電路理想健康指標在不同工況條件下的接近程度來驗證所提方法的有效性。

　　1 單相航空逆變器健康表征參數(shù)

　　1.1 單相航空逆變器

　　監(jiān)測信號選擇航空逆變器一般采用兩級式結(jié)構(gòu)[10]。反激變換器常被作為航空逆變器的前級 DC-DC 電路。航空逆變器后級則采用基于載波移相 SPWM 控制的雙 Buck 全橋逆變器，其電路特點是能夠避免橋臂直通、安全可靠性高。在功率變換器的故障原因中，電解電容及功率開關(guān)器件失效的占比高達 64%[11]。

　　因此本文將前級 DC-DC 輸出濾波電容與后級 DC-AC 逆變電路中的 MOSFET 功率管作為航空逆變器關(guān)鍵功率器件。共選擇 13 個監(jiān)測信號，但這些信號中必然包含大量冗余故障信息，所以還需分析航空逆變器電路可測信號在不同故障模式下的故障敏感性以及信號特征間的相關(guān)性，結(jié)合測試成本挑選出故障敏感的監(jiān)測信號[12]。本文通過相關(guān)度來衡量監(jiān)測信號特征對器件故障特征參數(shù)的敏感性強弱、監(jiān)測信號特征之間的相關(guān)性強弱[13]。

　　1.2 健康表征參數(shù)

　　優(yōu)選確定了與器件退化特征參數(shù)敏感且互不相關(guān)的監(jiān)測信號后，還需進一步對監(jiān)測信號展開挖掘與分析，獲得能夠隨器件退化程度加深而單調(diào)變化、適用性更強的健康表征參數(shù)，來表征航空逆變器的健康狀態(tài)[14]。從時域、頻域上分析監(jiān)測信號特點，分別提取出監(jiān)測信號的特征參數(shù)，并利用小波包分析方法挖掘潛在的與航空逆變器健康狀態(tài)退化程度相關(guān)的特征參數(shù)，共同構(gòu)建健康表征參數(shù)候選庫。選取了 9 個時域特征，7 個頻域特征，小波包分析得到 36 個特征參數(shù)，組成了共 52 維的健康表征參數(shù)優(yōu)選庫。

　　針對建立好的健康表征參數(shù)候選庫，需優(yōu)選出隨著電路退化程度的加深，能夠呈現(xiàn)單調(diào)變化趨勢，同時在工況影響下的變動幅度不應太大的健康表征參數(shù)，否則無法判斷健康表征參數(shù)的變化是因電路性能的退化還是因工況的變化引起的。

　　2 電路健康狀態(tài)評估方法

　　健康表征參數(shù)往往隨工況參數(shù)變化而變化，所以本文提出一種工況映射模型，其將工況參數(shù)映射為電路中的器件均為標稱值時的健康表征參數(shù)，即求取在當前工況下，電路正常工作時的健康表征參數(shù)，記作無故障健康表征參數(shù)。然后在當前測得的健康表征參數(shù)與無故障健康表征參數(shù)的相對變化量基礎上，構(gòu)建電路健康指標對電路健康狀態(tài)進行評估。

　　2.1 工況映射模型

　　構(gòu)建以工況參數(shù)作為映射模型輸入，健康表征參數(shù)作為映射模型輸出，使用多組不同工況下健康電路的數(shù)據(jù)進行訓練，使用應用廣泛的極限學習機(Extreme Learning Machine，ELM)來訓練工況映射模型[16]，以得到工況參數(shù)對應的電路無故障健康表征參數(shù)。映射模型的輸入為采集的健康電路在不同工況下的 n 個工況參數(shù)(輸入電壓、負載阻值)，輸出則為無故障電路工作在不同工況下的 m 個健康表征參數(shù)。

　　2.2 航空逆變器電路健康狀態(tài)評估

　　由映射模型輸出的無故障健康表征參數(shù)記為 H，采集得到的健康表征參數(shù)記為 HP，無故障表征參數(shù)與采集的健康表征參數(shù)的相對變化量記為 FI，求取 FI 與零點的歐氏距離，歸一化后作為電路健康指標，記為 HIFI。

　　2.3 電路健康指標

　　標定通過構(gòu)建電路理想健康指標對健康評估方法的準確性進行標定。理想健康指標是指在電路元器件參數(shù)均假設為標稱值的理想情況下，所構(gòu)建的僅與電路關(guān)鍵元器件退化程度相關(guān)，與工況參數(shù)無關(guān)的指標，其物理意義為當前關(guān)鍵元器件狀態(tài)距離元器件標稱工作狀態(tài)下(所有關(guān)鍵元器件參數(shù)均為標稱值)的距離[17,18]。

　　但電路在真實工作狀態(tài)下其元器件參數(shù)不可能一直保持在標稱值，因此理想的健康指標實際是不存在的。但是可以通過計算電路健康指標與理想健康指標的逼近程度來對電路健康評估方法的準確性進行標定，電路健康指標與理想健康指標的偏差程度越小，則電路健康指標的準確性越高[19]。

　　3 實驗結(jié)果分析

　　3.1 實驗樣機實驗樣機，主要由電路部分和數(shù)據(jù)采集部分組成。電路部分由前級倍壓反激變換器電路及其控制電路、后級雙 Buck 全橋逆變電路及其控制電路、兩級電路中 MOSFET 功率管驅(qū)動芯片的輔助隔離供電模塊(多路 12VDC 輸出)、電解電容并聯(lián)實驗板、可滑動調(diào)節(jié)阻值的功率電阻(500W)組成;實驗數(shù)據(jù)采集部分由CYBERTEK DP6130 高壓差分探頭(可測最大電壓值：1300V，帶寬：50MHz，最大衰減倍數(shù)：500 倍，測量精度：±2%)、四通道數(shù)據(jù)采集卡Handyscope HS4(最大分辨率：16 位)、PC 機(型號：聯(lián)想 E431)、PC 端采集顯示軟件 TiepieMulti Channel(設置采樣頻率為 5MHz)組成。

　　3.2 工況映射模型驗證

　　為了驗證基于極限學習機的工況映射模型的有效性與優(yōu)越性，同時與基于多元回歸模型的工況映射模型和實測的健康表征參數(shù)進行對比分析。

　　以平均絕對誤差 MAE、均方根誤差 RMSE和擬合系數(shù) R2作為性能評價指標。首先將標稱值為 100uF 電容并聯(lián)實驗板接入電路中，并采集 49 組電路正常工作在不同工況下的直流母線電壓信號、輸入電壓值和輸出負載值，提取出直流母線電壓 800Hz 處幅值作為電路健康表征參數(shù)。以其中 40 組樣本數(shù)據(jù)作為訓練集，剩余 9 組作為測試集，對 ELM 映射模型與多元回歸映射模型進行訓練和測試。為后 9 組測試集模型輸出健康表征參數(shù)結(jié)果。為兩種工況映射模型的相對誤差。

　　3.3 電路健康評估方法實驗驗證

　　關(guān)鍵元器件退化模擬及工況條件設置

　　(1)電解電容退化模擬由于后級逆變電路中功率管的導通電阻值均為毫歐級，同時更換后級功率管為相同退化水平的功率管可行性較低，故選用電容并聯(lián)電路板對不同工況下單電容故障模式下的單相航空逆變器電路健康評估方法進行驗證。通過 2.2uF、4.7uF 和 10uF 三種規(guī)格的電解電容進行交叉組合并聯(lián)，模擬電路中直流母線上100uF 電解電容的退化。使用安捷倫 4263B LCR測試儀在 120Hz 測量頻率下測量電容并聯(lián)實驗板的電容值及 ESR 值，共獲得 33 組不同退化程度的電解電容。

　　(2)工況條件設置在獲得的 33 組不同退化程度的電解電容基礎上，將 1-17 組、26-33 組設置為標準工況(即輸入電壓 28V，負載電阻 66Ω);將 18-25 組的電解電容接入電路時，通過調(diào)節(jié)直流供電電源電壓值與功率電阻阻值，使電路工作在不同輸入電壓與負載阻值下。

　　4 結(jié)論

　　提出了一種基于工況-健康表征參數(shù)映射模型的電路健康評估方法�；�于極限學習機的工況映射模型實現(xiàn)了工況參數(shù)到電路無故障健康表征參數(shù)的映射，在工況映射模型的基礎上構(gòu)建了考慮工況條件的電路健康指標，對不同工況條件下電路健康狀態(tài)進行評估。實驗結(jié)果表明: 工況-健康表征參數(shù)映射模型能夠準確地將工況參數(shù)映射為電路無故障健康表征參數(shù)�；�于當前健康表征參數(shù)與無故障健康表征參數(shù)相對變化量所構(gòu)建的電路健康指標受工況變化影響小，電路健康評估更準確。

　　相比于直接使用歐氏距離構(gòu)建的健康指標 HIED，通過相對變化量構(gòu)建的電路健康指標 HIFI 在變工況條件下的整體變化趨勢與構(gòu)建的理想健康指標HIidea重合度更好。所提出的評估方法對航空電源的健康評估以及可靠性管理具有重要的參考價值。未來還可使用優(yōu)化算法對模型進行尋優(yōu)。本文只考慮了輸入電壓和負載這兩種工況，后續(xù)研究還可將電路實際應用場合下的電磁干擾、溫濕度、振動等因素考慮在內(nèi)，進而實現(xiàn)更全面、更準確的電路健康狀態(tài)評估。

　　參考文獻

　　[1] 邱立軍,吳明輝.PHM 技術(shù)框架及其關(guān)鍵技術(shù)綜述[J].國外電子測量技術(shù),2018,37(02):10-15.DOI:10.19652/j.cnki.femt.1700638.

　　[2] WANG L, YUE J G, SU Y Q, et al. A novelremaining useful life prediction approach forsuperbuck converter circuits based on modifiedgrey wolf optimizer-support vector regression[J].Energies, 2017, 10(4): 459.

　　[3] HE Q C, CHEN W H, PAN J, et al. A prognosticmethod for predicting failure of dc/dcconverter[J]. Microelectronics Reliability, 2017,74: 27-33.

　　[4] 孫權(quán),王友仁,姜媛媛,邵力為.基于 GPR 的SEPIC 變換器故障預測方法[J].電力電子技術(shù),2018,52(06):17-20.

　　[5] 孫權(quán),王友仁,吳祎,姜媛媛.基于無跡粒子濾波的功率變換器剩余壽命預測方法[J].電源學報,2019,17(05):197-202.

　　[6] Jia Z, Liu Z, Vong C M, et al. Real-TimeResponse-Based Fault Analysis and PrognosticsTechniques of Nonisolated DC – DCConverters[J]. IEEE Access, 2019, 7:67996-68009.

　　[7] 袁義生,鐘青峰.基于支持向量機的光伏逆變器損 耗 預 測 方 法 [J]. 電 力 電 子 技術(shù),2018,52(03):36-39.

　　[8] 祝勇俊,孫權(quán),朱其新,胡惠軼.基于維納過程的光 伏 逆 變 器 壽 命 評 估 方 法 [J]. 電 測 與 儀表,2019,56(20):115-119+152.

　　[9] 姜偉,張春雷,時林林,賈寒光,俞鵬飛,周振威.基于單/多參數(shù)的 DC-DC 模塊電源健康評估技術(shù)研究 [J]. 華 南 師 范 大 學 學 報 ( 自 然 科 學版),2019,51(02):14-20.

　　作者：左景航 1 王友仁 1 王景霖 2 司 滕1 孫燦飛 2

轉(zhuǎn)載請注明來自發(fā)表學術(shù)論文網(wǎng)：http:///dzlw/29918.html