变工况下航空逆变器健康评估方法研究

　　摘 要：工况的变化会引起功率变换器电路健康表征参数随之变化，导致无法判断健康表征参数是因电路性能的退化还是因工况的变化引起的。针对该关键问题，以航空逆变器为研究对象，首先采用多评价指标优选模型优选出相关敏感的健康表征参数;然后基于极限学习机建立工况-无故障情况下健康表征参数映射模型;最后基于当前健康表征参数与映射模型输出的健康表征参数之间的相对变化量构建考虑工况条件的电路健康指标，实现不同工况下航空逆变器的健康评估。实验结果表明，该评估方法可以有效减小工况变化对健康指标的影响。在变工况情况下，相比于直接基于欧氏距离构建健康指标的评估方法，平均绝对误差(Mean Absolute Error，MAE)和均方根误差(Root-Mean-Square Error，RMSE)分别降低了 64.4%、66.8%。

　　关键词：航空逆变器;欧氏距离;健康指标;健康评估

　　引 言

　　航空功率变换器是飞机二次电源系统的重要组成部分，其用途为实现直流交流电能之间的转换，进而向机载用电设备提供不同需求的电源。航空功率变换器时常工作于高频启停、过压过流操作下，当元器件损伤累积到某种程度将会导致功率变换器整体性能的下降甚至失效，进而可能引发较大的安全隐患。若维修人员能够提前对当前功率变换器健康状态进行有效的评估，事先采取维修措施，将会极大程度上减小经济损失[1]。通过检测功率变换器电路信号，从监测的信号中提取蕴含电路故障信息的健康表征参数，构建表征电路退化状态的健康指标，展开电路级健康评估的技术日益受到关注。

　　国内外学者大都选择电路输出电压为监测量，且以输出电压均值作为健康表征参数开展研究。Wang 等[2]通过提取Buck 电路的输出电压均值及其纹波比构造故障特征向量，利用不同退化程度样本间故障特征向量的马氏距离构建故障指示器 FI 对电路进行状态评估。He 等[3]选择 DC-DC 电路输出电压均值作为健康指标，基于幂函数退化模型进行电路健康评估。孙权等[4,5]选取 Sepic 电路的输出电压均值作为健康指标，分别采用高斯过程回归方法与无迹粒子滤波方法进行健康指标时间序列的递推预测。

　　Jia 等[6]将 DC-DC 变换器输出电压均值作为健康指标，将其值减小 20%作为转换器功能失效判据，用粒子滤波算法对电路进行剩余使用性能估计。上述方法都采用电路的输出电压作为监测量，由于输出电压的监测便利，减轻了信号监测的成本，但上述方法都未考虑工况变化对健康表征参数的影响，方法都局限于单一工况的情形。除此之外，也有学者选择输出电流、电源模块壳温、输入电流、输出功率等作为电路状态监测量。袁义生等[7]通过遗传算法优化支持向量机的方法建立10kW三相光伏并网逆变器的效率模型，将输入电压与输出功率作为模型输入量，对逆变器状态进行估计。

　　祝勇俊等[8]选取光伏逆变器输出功率作为健康状态性能参数，使用随机过程理论方法建立性能退化模型对光伏逆变器进行寿命评估。姜伟等[9]选择输出电压值、纹波电压、输入电流、壳温作为故障特征参数，分别基于置信值的单参数的方法及基于马氏距离的多参数的方法，对直流 28V 转 5V、3.3V 电路进行健康评估。

　　上述方法选择了多样的监测信号，但监测信号如输出电流、输出功率等在监测时需要侵入电路甚至破坏电路，进而造成获取监测信号困难，监测成本加重。同样地，这些方法仍只考虑了单一工况条件，未考虑工况变化对电路健康评估的影响。从以上电路级健康评估技术研究中可以发现，多数研究都是在单一工况下，并没有考虑负载、输入电压等变工况对电路的影响。

　　因此本文以航空逆变器为对象，为了减少或消除工况对健康指标的影响。首先采用多评价指标优选模型得到电路健康表征参数，然后通过极限学习机方法构建无故障情况下工况参数与健康表征参数的映射模型得到当前工况下电路无故障时健康表征参数，求取当前监测健康表征参数与无故障情况下健康表征参数的相对变化量，进一步构建电路健康指标对不同工况下的航空逆变器健康状态进行评估。

　　搭建了实验电路平台，以并联电容板来模拟不同退化程度的电容，并对不同退化程度的电容设置不同的工况条件(本文为输入电压与负载阻值)。使用电路理想健康指标对直接使用欧式距离构建健康指标的方法与使用相对变化量构建健康指标的方法标定。通过对比两种健康指标与电路理想健康指标在不同工况条件下的接近程度来验证所提方法的有效性。

　　1 单相航空逆变器健康表征参数

　　1.1 单相航空逆变器

　　监测信号选择航空逆变器一般采用两级式结构[10]。反激变换器常被作为航空逆变器的前级 DC-DC 电路。航空逆变器后级则采用基于载波移相 SPWM 控制的双 Buck 全桥逆变器，其电路特点是能够避免桥臂直通、安全可靠性高。在功率变换器的故障原因中，电解电容及功率开关器件失效的占比高达 64%[11]。

　　因此本文将前级 DC-DC 输出滤波电容与后级 DC-AC 逆变电路中的 MOSFET 功率管作为航空逆变器关键功率器件。共选择 13 个监测信号，但这些信号中必然包含大量冗余故障信息，所以还需分析航空逆变器电路可测信号在不同故障模式下的故障敏感性以及信号特征间的相关性，结合测试成本挑选出故障敏感的监测信号[12]。本文通过相关度来衡量监测信号特征对器件故障特征参数的敏感性强弱、监测信号特征之间的相关性强弱[13]。

　　1.2 健康表征参数

　　优选确定了与器件退化特征参数敏感且互不相关的监测信号后，还需进一步对监测信号展开挖掘与分析，获得能够随器件退化程度加深而单调变化、适用性更强的健康表征参数，来表征航空逆变器的健康状态[14]。从时域、频域上分析监测信号特点，分别提取出监测信号的特征参数，并利用小波包分析方法挖掘潜在的与航空逆变器健康状态退化程度相关的特征参数，共同构建健康表征参数候选库。选取了 9 个时域特征，7 个频域特征，小波包分析得到 36 个特征参数，组成了共 52 维的健康表征参数优选库。

　　针对建立好的健康表征参数候选库，需优选出随着电路退化程度的加深，能够呈现单调变化趋势，同时在工况影响下的变动幅度不应太大的健康表征参数，否则无法判断健康表征参数的变化是因电路性能的退化还是因工况的变化引起的。

　　2 电路健康状态评估方法

　　健康表征参数往往随工况参数变化而变化，所以本文提出一种工况映射模型，其将工况参数映射为电路中的器件均为标称值时的健康表征参数，即求取在当前工况下，电路正常工作时的健康表征参数，记作无故障健康表征参数。然后在当前测得的健康表征参数与无故障健康表征参数的相对变化量基础上，构建电路健康指标对电路健康状态进行评估。

　　2.1 工况映射模型

　　构建以工况参数作为映射模型输入，健康表征参数作为映射模型输出，使用多组不同工况下健康电路的数据进行训练，使用应用广泛的极限学习机(Extreme Learning Machine，ELM)来训练工况映射模型[16]，以得到工况参数对应的电路无故障健康表征参数。映射模型的输入为采集的健康电路在不同工况下的 n 个工况参数(输入电压、负载阻值)，输出则为无故障电路工作在不同工况下的 m 个健康表征参数。

　　2.2 航空逆变器电路健康状态评估

　　由映射模型输出的无故障健康表征参数记为 H，采集得到的健康表征参数记为 HP，无故障表征参数与采集的健康表征参数的相对变化量记为 FI，求取 FI 与零点的欧氏距离，归一化后作为电路健康指标，记为 HIFI。

　　2.3 电路健康指标

　　标定通过构建电路理想健康指标对健康评估方法的准确性进行标定。理想健康指标是指在电路元器件参数均假设为标称值的理想情况下，所构建的仅与电路关键元器件退化程度相关，与工况参数无关的指标，其物理意义为当前关键元器件状态距离元器件标称工作状态下(所有关键元器件参数均为标称值)的距离[17,18]。

　　但电路在真实工作状态下其元器件参数不可能一直保持在标称值，因此理想的健康指标实际是不存在的。但是可以通过计算电路健康指标与理想健康指标的逼近程度来对电路健康评估方法的准确性进行标定，电路健康指标与理想健康指标的偏差程度越小，则电路健康指标的准确性越高[19]。

　　3 实验结果分析

　　3.1 实验样机实验样机，主要由电路部分和数据采集部分组成。电路部分由前级倍压反激变换器电路及其控制电路、后级双 Buck 全桥逆变电路及其控制电路、两级电路中 MOSFET 功率管驱动芯片的辅助隔离供电模块(多路 12VDC 输出)、电解电容并联实验板、可滑动调节阻值的功率电阻(500W)组成;实验数据采集部分由CYBERTEK DP6130 高压差分探头(可测最大电压值：1300V，带宽：50MHz，最大衰减倍数：500 倍，测量精度：±2%)、四通道数据采集卡Handyscope HS4(最大分辨率：16 位)、PC 机(型号：联想 E431)、PC 端采集显示软件 TiepieMulti Channel(设置采样频率为 5MHz)组成。

　　3.2 工况映射模型验证

　　为了验证基于极限学习机的工况映射模型的有效性与优越性，同时与基于多元回归模型的工况映射模型和实测的健康表征参数进行对比分析。

　　以平均绝对误差 MAE、均方根误差 RMSE和拟合系数 R2作为性能评价指标。首先将标称值为 100uF 电容并联实验板接入电路中，并采集 49 组电路正常工作在不同工况下的直流母线电压信号、输入电压值和输出负载值，提取出直流母线电压 800Hz 处幅值作为电路健康表征参数。以其中 40 组样本数据作为训练集，剩余 9 组作为测试集，对 ELM 映射模型与多元回归映射模型进行训练和测试。为后 9 组测试集模型输出健康表征参数结果。为两种工况映射模型的相对误差。

　　3.3 电路健康评估方法实验验证

　　关键元器件退化模拟及工况条件设置

　　(1)电解电容退化模拟由于后级逆变电路中功率管的导通电阻值均为毫欧级，同时更换后级功率管为相同退化水平的功率管可行性较低，故选用电容并联电路板对不同工况下单电容故障模式下的单相航空逆变器电路健康评估方法进行验证。通过 2.2uF、4.7uF 和 10uF 三种规格的电解电容进行交叉组合并联，模拟电路中直流母线上100uF 电解电容的退化。使用安捷伦 4263B LCR测试仪在 120Hz 测量频率下测量电容并联实验板的电容值及 ESR 值，共获得 33 组不同退化程度的电解电容。

　　(2)工况条件设置在获得的 33 组不同退化程度的电解电容基础上，将 1-17 组、26-33 组设置为标准工况(即输入电压 28V，负载电阻 66Ω);将 18-25 组的电解电容接入电路时，通过调节直流供电电源电压值与功率电阻阻值，使电路工作在不同输入电压与负载阻值下。

　　4 结论

　　提出了一种基于工况-健康表征参数映射模型的电路健康评估方法。基于极限学习机的工况映射模型实现了工况参数到电路无故障健康表征参数的映射，在工况映射模型的基础上构建了考虑工况条件的电路健康指标，对不同工况条件下电路健康状态进行评估。实验结果表明: 工况-健康表征参数映射模型能够准确地将工况参数映射为电路无故障健康表征参数。基于当前健康表征参数与无故障健康表征参数相对变化量所构建的电路健康指标受工况变化影响小，电路健康评估更准确。

　　相比于直接使用欧氏距离构建的健康指标 HIED，通过相对变化量构建的电路健康指标 HIFI 在变工况条件下的整体变化趋势与构建的理想健康指标HIidea重合度更好。所提出的评估方法对航空电源的健康评估以及可靠性管理具有重要的参考价值。未来还可使用优化算法对模型进行寻优。本文只考虑了输入电压和负载这两种工况，后续研究还可将电路实际应用场合下的电磁干扰、温湿度、振动等因素考虑在内，进而实现更全面、更准确的电路健康状态评估。

　　参考文献

　　[1] 邱立军,吴明辉.PHM 技术框架及其关键技术综述[J].国外电子测量技术,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] 孙权,王友仁,姜媛媛,邵力为.基于 GPR 的SEPIC 变换器故障预测方法[J].电力电子技术,2018,52(06):17-20.

　　[5] 孙权,王友仁,吴祎,姜媛媛.基于无迹粒子滤波的功率变换器剩余寿命预测方法[J].电源学报,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] 袁义生,钟青峰.基于支持向量机的光伏逆变器损 耗 预 测 方 法 [J]. 电 力 电 子 技术,2018,52(03):36-39.

　　[8] 祝勇俊,孙权,朱其新,胡惠轶.基于维纳过程的光 伏 逆 变 器 寿 命 评 估 方 法 [J]. 电 测 与 仪表,2019,56(20):115-119+152.

　　[9] 姜伟,张春雷,时林林,贾寒光,俞鹏飞,周振威.基于单/多参数的 DC-DC 模块电源健康评估技术研究 [J]. 华 南 师 范 大 学 学 报 ( 自 然 科 学版),2019,51(02):14-20.

　　作者：左景航 1 王友仁 1 王景霖 2 司 滕1 孙灿飞 2

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/29918.html