0 引言

    電力電子設(shè)備作為電力系統(tǒng)的關(guān)鍵部件，通常表現(xiàn)為連續(xù)性和離散型相互作用的混雜特性，對(duì)電力系統(tǒng)的可靠性具有重要影響^[1]。電力電子裝置結(jié)構(gòu)日漸復(fù)雜，其故障類型也越來越多，為確保電力電子裝置安全、可靠、高效地運(yùn)行，對(duì)其進(jìn)行故障診斷研究并提高故障診斷準(zhǔn)確率至關(guān)重要。

    現(xiàn)階段故障診斷方法主要分為基于數(shù)據(jù)驅(qū)動(dòng)和基于模型的故障診斷方法，前者需要大量的歷史數(shù)據(jù)作為先驗(yàn)知識(shí)，后者需要建立系統(tǒng)的準(zhǔn)確物理模型^[2]。而在基于模型的故障診斷中，往往沒有考慮系統(tǒng)的參數(shù)不確定性，容易造成誤報(bào)警。為解決這一問題，Armengol J等運(yùn)用區(qū)間算法研究故障檢測(cè)與診斷^[3]。Henry和Zolghari提出線性分式變換不確定性模型的濾波器方法進(jìn)行殘差生成和估計(jì)^[4]。Ilyas Rahal M等人建立線性分式變換的混雜鍵合圖模型進(jìn)行魯棒故障檢測(cè)與隔離^[5]。

    本文針對(duì)混雜系統(tǒng)的參數(shù)不確定性，提出運(yùn)用BG-LFT建立系統(tǒng)參數(shù)不確定性DHBG模型，通過DHBG產(chǎn)生魯棒殘差和自適應(yīng)閾值，以減少故障診斷的誤報(bào)率。通過仿真來驗(yàn)證所提出方法在逆變器魯棒故障診斷中的有效性。

1 基于鍵合圖的系統(tǒng)不確定性建模

1.1 線性分式變換形式

    線性分式變換(Linear Fractional Transformation，LFT)由Redheffer學(xué)者于1960年提出^[6]，在多變量不確定系統(tǒng)的魯棒控制合成領(lǐng)域得到廣泛應(yīng)用。具有把系統(tǒng)解耦成確定部分和不確定部分的優(yōu)點(diǎn)，是解決結(jié)構(gòu)奇異值問題的有力工具^[7]，為構(gòu)造系統(tǒng)的參數(shù)不確定模型提供了有效的途徑。模型的LFT結(jié)構(gòu)圖如圖1所示。確定部分用增廣矩陣M表示，矩陣Δ表示所有的不確定性部分（結(jié)構(gòu)的、非結(jié)構(gòu)的參數(shù)或建模不確定、測(cè)量噪音等）。w和z分別表示系統(tǒng)的輔助輸入和輔助輸出；u和y分別表示系統(tǒng)的真實(shí)輸入和真實(shí)輸出。

1.2 參數(shù)不確定性的鍵合圖建模

    運(yùn)用鍵合圖理論進(jìn)行參數(shù)不確定性魯棒故障診斷，通過建立系統(tǒng)的診斷鍵合圖模型，可將解析冗余關(guān)系(Analytical Redundancy Relation，ARR)解耦為確定部分ARR_n=f(SSe，SSf，Se，Sf，MSe，MSf，u，θ_n)和不確定部分bn=f(SSe，SSF，δ_θθ_n)。其中，一個(gè)ARR表示為依賴系統(tǒng)參數(shù)(θ)的約束，SSe和SSf是檢測(cè)器對(duì)偶化后的測(cè)量，(Se，Sf，MSe，MSf，u)分別表示已知輸入，θ_n是標(biāo)稱參數(shù)，δ_θ是參數(shù)的不確定性。ARR的確定部分計(jì)算殘差，不確定部分計(jì)算實(shí)時(shí)閾值。

    參數(shù)的不確定性δ_θ可表示為加性或乘性形式，如式(1)：

    其中Δ_θ和δ_θ=(Δ_θ)/θ_n分別表示為相對(duì)于參數(shù)θ_n標(biāo)稱值的絕對(duì)偏差和相對(duì)偏差。

    阻抗性R元件的乘性不確定性如圖2。

    阻抗型R元件的不確定性表示如下：

    其中R_n、δ_R、ΔR、e_R、f_R分別表示R元件的標(biāo)稱值、乘性不確定性、加性不確定性、勢(shì)和流。w_R表示加入?yún)?shù)不確定性后勢(shì)的虛擬輸入。

    鍵合圖模型中的“-”表示半定向箭頭的源指向相應(yīng)的結(jié)點(diǎn)。符號(hào)De^*和Df^*是虛擬傳感器。其他元件的乘性不確定性參照阻抗性R元件。

2 魯棒解析冗余關(guān)系和殘差估計(jì)

    通過以下3個(gè)步驟得到系統(tǒng)的魯棒ARR：

    (1)為避免模型的未知初始條件，鍵合圖模型優(yōu)先分配微分因果關(guān)系。

    (2)基于覆蓋因果路徑，0和1結(jié)點(diǎn)至少包含一個(gè)傳感器。可推導(dǎo)ARR方程如下：

3 參數(shù)性故障診斷實(shí)例仿真

3.1 診斷鍵合圖模型

    單相全橋逆變器共有2個(gè)橋臂，可以看成由兩個(gè)半橋電路組合而成。把V1和V4作為一對(duì)，V2和V3作為一對(duì)，成對(duì)的兩個(gè)IGBT同時(shí)導(dǎo)通，兩對(duì)IGBT交替導(dǎo)通180°，結(jié)構(gòu)如圖3所示。

    對(duì)單相全橋逆變器進(jìn)行故障診斷，需建立其對(duì)應(yīng)的診斷鍵合圖模型。因此，通過引入虛擬勢(shì)（流）傳感器將鍵合圖模型中的電壓（電流）作為輸入，且在診斷模型中需盡可能地將傳感器進(jìn)行對(duì)偶化處理^[9]。而有些傳感器不能產(chǎn)生解析冗余關(guān)系，不需要將其對(duì)偶化^[10]。根據(jù)上述分析，為系統(tǒng)重新分配因果關(guān)系，建立單相全橋逆變器的故障診斷鍵合圖模型，如圖4所示。

3.2 魯棒解析冗余關(guān)系

    根據(jù)圖4所示的診斷鍵合圖模型，從而可得到魯棒ARR分別的兩個(gè)分離部分：

    其中，Se是已知輸入，SSe_i和SSf_i是檢測(cè)器對(duì)偶化后的測(cè)量，w_1/Roni、w_1/Roffi和w_Roffi是各元件參數(shù)所對(duì)應(yīng)的虛擬輸入，δ_Roffi、δ_1/Roffi和δ_1/Roni是各元件參數(shù)的乘性不確定性。

3.3 仿真結(jié)果

    當(dāng)系統(tǒng)無故障時(shí)，殘差的值近似等于零或者處于小幅度的波動(dòng)狀態(tài)但不超過閾值的上下界限。若系統(tǒng)中對(duì)故障敏感的殘差明顯偏離零值甚至超過閾值的范圍，則認(rèn)為系統(tǒng)中有故障發(fā)生并給以報(bào)告。如果殘差在(-δ_θ，δ_θ)范圍內(nèi)，由元器件參數(shù)不確定性對(duì)系統(tǒng)或者殘差造成影響不應(yīng)該造成報(bào)警，此時(shí)不認(rèn)為系統(tǒng)或者元器件發(fā)生了故障。

    在仿真中，參數(shù)的不確定性系數(shù)δ_θ為0.05。仿真結(jié)果如圖5和圖6所示。圖5表示在系統(tǒng)無故障和所有參數(shù)不確定時(shí)，殘差全為0。如果殘差超過閾值，則系統(tǒng)故障。引入元件R_on1參數(shù)性故障，分析解析冗余關(guān)系可知?dú)埐顁₁、r₂和r₄對(duì)此故障敏感，從圖6可看出，殘差r₁、r₂和r₄明顯超過自適應(yīng)閾值范圍，觸發(fā)故障警報(bào)，R_on1故障被有效地檢測(cè)出。

4 結(jié)論

    本文針對(duì)混雜系統(tǒng)中存在參數(shù)不確定性，傳統(tǒng)的故障診斷方法無法減少誤報(bào)警的問題，提出運(yùn)用BG-LFT建立系統(tǒng)參數(shù)不確定DHBG模型，結(jié)合自適應(yīng)閾值評(píng)價(jià)殘差，對(duì)系統(tǒng)進(jìn)行魯棒故障診斷，能準(zhǔn)確檢測(cè)出系統(tǒng)故障，有效降低誤報(bào)率，并在單相全橋逆變器中得到了驗(yàn)證，實(shí)驗(yàn)結(jié)果表明該方法是有效的。

參考文獻(xiàn)

[1] 王文輝，劉帥，周東華.混雜系統(tǒng)故障診斷方法綜述[J].系統(tǒng)工程與電子技術(shù)，2006，28(12)：1853-1857.

[2] 趙文浩，閻威武.基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷研究[J].微計(jì)算機(jī)信息，2010(28)：104-106.

[3] ARMENGOL J，TRAVE-MASSUYES L，VEHI J，et al.A survey on interval model simulators and their properties related to fault detection[J].Annual reviews in control，2000，24:：31-39.

[4] HENRY D，ZOLGHADRI A.Norm-based design of robust FDI schemes for uncertain systems under feedback control: Comparison of two approaches[J].Control engineering practice，2006，14(9)：1081-1097.

[5] RAHAL M I，OULD B B，MEGHEBBAR A.Hybrid bond graph model based for robust fault detection and isolation[J].Proceedings of the Institution of Mechanical Engineers，Part I：Journal of Systems and Control Engineering，2016，230(2)：145-163.

[6] REDHEFFER R M.On a certain linear fractional transformation[J].Studies in Applied Mathematics，1960，39(1-4)：269-286.

[7] KAM C S，Dauphin-Tanguy G.Bond graph models of structured parameter uncertainties[J].Journal of the Franklin Institute，2005，342(4)：379-399.

[8] ROTSHTEIN A P，POSNER M，RAKYTYANSKA H B.Cause and effect analysis by fuzzy relational equations and a genetic algorithm[J].Reliability Engineering & System Safety，2006，91(9)：1095-1101.

[9] TOUATI Y，MERZOUKI R，BOUAMAMA B O.Robust diagnosis to measurement ucertainties using bond graph approach：application to intelligent autonomous vehicle[J].Mechatronics，2012，22(8)：1148-1160.

[10] BORUTZKY W.Bond graphs for modelling, control and fault diagnosis of engineering systems[M].Springer，2017.

作者信息:

彭冬梅，帕孜來·馬合木提

(新疆大學(xué) 電氣工程學(xué)院，新疆 烏魯木齊830047)