基于改进粒子群优化模糊小脑模型神经网络的多元件参数故障诊断

《Electronics》：Improved Particle Swarm Optimization-Based Fuzzy Cerebellar Model Neural Network for Multiple Parametric Fault Diagnosis

　　

准确且及时地对变换器元件进行故障诊断，对保障整个电力电子系统的可靠运行至关重要。该研究提出了一种基于模糊小脑模型神经网络（fuzzy cerebellar model neural network, FCMNN）与改进粒子群优化（improved particle swarm optimization, IPSO）算法的多元件参数故障分类模型。首先，在诊断算法的前期阶段，采用小波分析从电力电子系统的故障信号中提取特征，并将提取的特征作为网络输入。随后，应用IPSO算法自动优化FCMNN的初始参数，从而构建IPSO-FCMNN故障分类器架构。所提方法在双Buck逆变电路平台上进行了验证。与反向传播神经网络（backpropagation neural network, BPNN）、FCMNN以及基于传统粒子群优化的FCMNN（particle swarm optimization-based FCMNN, PSO-FCMNN）相比，所提IPSO-FCMNN故障分类器表现出更优的诊断性能。更重要的是，所提方法降低了FCMNN中人工初始化相关的随意性，并减少了PSO-FCMNN中优化算法陷入局部最优的可能性。

论文主体解读：研究背景方面，分布式可再生能源中的微电网技术因集成先进信息技术、控制技术和电力技术而应用于多种可再生能源产业，是可再生能源的重要发展方向。微电网中，电力电子变换器是能量转换的主要载体，其可靠性受到广泛关注，因此研究电力电子变换器电路故障诊断技术尤为重要。一般可将电力电子故障分为结构故障与参数故障：结构故障由功率电子开关元件严重失效导致电路拓扑变化，对电路功能的突变易造成灾难性后果；参数故障由电容、电感等主元件老化导致电力电子器件性能退化，虽不会立即产生关键后果，但若不有效处理最终会发展为结构故障，因此参数故障诊断方法研究不仅有利于及时发现和消除电力电子设备潜在参数故障，也有利于容错控制和鲁棒性分析。故障诊断技术可概括为基于模型、基于信号、基于知识及其他新型混合方法。基于知识的方法利用可用历史数据，通过多种人工智能技术建立与知识的一致性；其中神经网络方法发展较快。BPNN学习算法更新较慢，使网络训练更易失败。深神经网络可从复杂变换器信号中提取故障相关表示，但模型复杂度、计算成本和标注数据需求仍是工程部署的重要考虑。近期Transformer类方法利用注意力机制整合不同尺度特征，其能力拓展了智能故障诊断，但其输入表示、模型规模和应用场景不同于本研究所考虑的任务特定参数故障诊断问题。小脑模型神经网络（cerebellar model neural network, CMNN）由Albus基于神经生理学于1975年提出，具有良好局部逼近能力、一定泛化能力及对学习数据出现顺序不敏感等特点，广泛用于控制系统，近年来也作为分类器用于分类问题。但CMNN和FCMNN的网络架构对初始参数设置较敏感，不适当初始化可能减慢后续BP训练，并导致不稳定或次优分类结果。优化技术对神经网络初始参数选择具有积极意义，但现有FCMNN参数优化研究多集中于非线性控制和系统近似，其在电力电子变换器元件级参数故障诊断中的应用仍相对有限。为处理FCMNN初始化敏感问题，本研究将FCMNN与IPSO算法结合，在BP训练前由优化器搜索初始感受野中心、感受野方差和输出权重，以降低FCMNN对手动或随机选择初始值的依赖。主要贡献包括：所提诊断框架同时考虑双Buck逆变器中单组件和同时两组件参数故障；从网侧电流提取小波能量特征，以表示电容和电感参数变化引起的信号能量在多个时频尺度上的重分布，并在分类前降低特征维数，以限制FCMNN输入复杂度；将IPSO算法与FCMNN结合，IPSO通过引入线性变化加速系数增强传统PSO，自动优化FCMNN参数初值，从而获得更合适的参数初始化并构建诊断性能稳定的IPSO-FCMNN故障分类器；通过仿真和实验室实验评估所提诊断框架，在所研究工况下，基于IPSO的初始化可改善FCMNN诊断性能。其意义在于提高故障诊断性能，降低FCMNN人工初始化随意性，并减少PSO-FCMNN中优化算法陷入局部最优的可能性。

关键技术方法（不超过250字）：研究人员在双Buck逆变器平台开展仿真与实验。仿真采用PSIM 9.0搭建电路，优化训练程序在Python 3.11.3中运行；实验平台为380 V直流输入、220 V交流输出并带电阻负载，电容C为450 V/1000 μF电解电容、等效串联电阻（equivalent series resistance, ESR）为0.073 Ω，电感L₁、L₂均为10 A/4 mH铁氧体环形电感。设置F1–F10共10种故障模式，F1–F7为单参数故障，F8–F10为双参数故障，电容和电感容差为20%。采集网侧电流i_g，采用db3小波分解至12尺度，选取第2、9、12尺度相对小波能量并以minimax方法归一化至[?1,1]；仿真1000组样本（每模式100组），实验每模式采集50组共500组。关键技术包括小波能量特征提取、IPSO优化FCMNN初始参数、BP参数更新及Lyapunov收敛分析。

研究结果方面，4.1 电路多重故障模式设置：通过双Buck逆变器电路拓扑和关键元件失效分析设置10种主电路故障模式，F1–F7为单参数故障模式，F8–F10为多参数故障模式，除故障元件外其他元件均处于健康状态；研究设定电容和电感容差均为20%，F1、F4、F6在该容差范围内波动也定义为故障模式；多参数故障表示两个单参数故障同时发生。4.2 故障检测信号与参数特征提取：通过分析C、ESR、L₁、L₂变化对双Buck逆变器阻抗特性和动态响应的影响，说明这些变化改变网侧电流的谐波和暂态分量，使信号能量在不同小波尺度上重分布，因此提取小波能量特征表征元件参数变化引起的电流响应变化；用700个训练样本以db3小波分解至1至16尺度，发现第12尺度平均相对小波能量最高，故选第12尺度为最大分解尺度；由于12尺度对应12维数据，为降低维数并保留判别信息，选取第2、9、12尺度相对能量作为输入特征，并以minimax方法归一化至[?1,1]，得到不同故障模式数据的三维特征分布。4.3 仿真结果：通过PSIM 9.0搭建双Buck逆变器仿真电路，以三维小波能量特征向量作为所有分类器共同输入，并比较PSO-FCMNN、PSO-X-FCMNN和IPSO-FCMNN；在参数设置1下，IPSO-FCMNN准确率为95.60%且最终适应度值更低，表明IPSO找到了使FCMNN输出误差更小的初始参数组合；在参数设置2下，PSO-FCMNN、PSO-X-FCMNN和IPSO-FCMNN平均测试准确率分别提高至94.63%、94.27%和96.12%；在Case 2随机划分样本并测试参数敏感性时，PSO-FCMNN平均测试准确率范围为71.67%至94.63%，PSO-X-FCMNN为46.00%至94.27%，IPSO-FCMNN两种时变系数方案分别为96.71%和95.67%，说明IPSO-FCMNN在所测试的多组加速因子设置下保持相对稳定准确率且对参数相对不敏感；方差分析（analysis of variance, ANOVA）统计检验用于比较不同诊断方法；10组新测试数据集平均准确率为95.28%，接近平均训练准确率95.38%，表明所提方法在测试集上具有相对稳定诊断性能。4.4 实验结果：通过构建双Buck逆变器实验平台，在900 W逆变实验环境中对每种故障模式采集50组输出电流数据，10种故障模式共500组实验数据，经小波变换得到12维故障特征并降维至三维，采用性能较好的Case 1划分，即90%样本用于训练、10%用于测试，训练集450个样本、测试集50个样本，每模式5个测试样本；实验比较BPNN、FCMNN、PSO-FCMNN、PSO-X-FCMNN和IPSO-FCMNN，FCMNN将平均准确率由BPNN的84%提高至90%，诊断时间由4.18 ms降至1.67 ms；IPSO-FCMNN平均准确率为98.8%，F4、F6、F9、F10准确率分别为96%、96%、98%、98%，其余模式准确率为100%；F9有1个样本误判为F10，原因是电容C参数退化相对较小、其故障特征被电感L₂故障特征掩盖，使信号特征与F10相似；F4和F6各有1个误判样本，主要原因是电感L₁和L₂参数值正处于容差范围边缘，故障特征不很明显；收敛性能比较表明，在较有利参数设置下三种基于PSO的FCMNN分类器均收敛至较低适应度值，在较不利参数设置下PSO-X-FCMNN停滞在较高适应度水平，PSO-FCMNN后期适应度下降较慢，而IPSO-FCMNN在所研究迭代范围内继续下降，说明IPSO-FCMNN对所测试参数设置相对不敏感并表现相对稳定搜索行为；从工程应用角度，该诊断框架可通过离线训练和在线诊断流程实施，在所研究双Buck逆变器条件下，该框架使用单一电流信号区分电容和电感参数故障，包括单组件和同时两组件故障模式，为将训练后分类器集成到状态监测系统提供依据。

讨论部分总结：讨论指出，IPSO动态更新加速因子的方式使算法在后期更有效收敛并更好接近最优解，因此IPSO算法在FCMNN故障分类器中优于PSO和PSO-X算法，有助于降低早熟收敛可能性并增强PSO动态搜索能力；工程应用上可采用离线训练与在线诊断流程，在双Buck逆变器条件下以单一电流信号区分电容和电感参数故障。研究结论部分翻译如下：该研究提出了一种基于小波技术、改进粒子群优化算法和FCMNN的新型智能多组件参数故障分类方法。在所提方法中，小波技术用于提取故障信号的有效故障特征；在离线训练阶段，利用IPSO算法优化FCMNN的初始参数。IPSO-FCMNN比未进行参数优化的FCMNN具有更好的性能。实验结果表明，与其他三种方法（BPNN、FCMNN和PSO-FCMNN）相比，IPSO-FCMNN由于结合了IPSO算法和FCMNN两者的优势，具有更高的诊断准确率。然而，IPSO算法本身的迭代优化过程不可避免地会消耗一部分网络计算时间。因此，未来研究人员将重点提高其参数优化算法的计算效率，以进一步提高IPSO-FCMNN的性能。尽管本研究已使用双Buck逆变器验证了该方法对元件参数故障的有效性，但在将其推广到其他变换器之前，需要获取与特定拓扑对应的故障样本、训练分类器并进行独立实验验证。此外，IPSO增加了离线训练的计算成本，并且需要明确指定种群规模、迭代次数和系数调度。