关键词:
绝缘栅双极型晶体管
故障检测
自注意力
图神经网络
对比学习
摘要:
随着近年来电力电子技术高速发展,绝缘栅双极型晶体管(Insulated-Gate Bipolar Transistor,IGBT)驱动的大功率逆变系统广泛用于航空航天、清洁能源、电力变换、武器装备、工业生产等领域。然而,其关键功率元器件在工作过程中易受到过载和环境变化等影响而发生故障。这些故障在早期难以察觉,且存在连锁蔓延的特征,最终导致严重财产损失乃至人员伤亡。因此,IGBT逆变系统的故障检测尤为重要。传统无监督故障检测的特征提取过程,往往存在局部信息提取不充分、空间关联不清晰以及有效挖掘效率低等问题。基于此,本文提出了一种基于无监督图神经网络的IGBT逆变器系统故障检测方法。该方法从时序信息、空间信息和有效信息三个方面出发,设计因果图卷积、时空图卷积以及图对比学习方法,结合自注意力机制和不确定性学习进行故障检测。具体贡献如下:
首先,提出了基于多尺度表征学习的因果图卷积故障检测方法。设计异构多头自注意力机制,结合因果图卷积对数据中的局部与全局时间特征深度挖掘。通过捕捉不同时间尺度下的关键特征,提升故障检测的精度。实验证明,针对IGBT键合引线断裂故障,该模型在仿真实验数据下故障检测率98.55%,比传统方法高出近7%;在逆变系统实验平台数据下故障检测率99.10%,比传统方法高出10%。
其次,提出了基于多变量级联学习的时空图卷积故障检测方法。设计空间融合矩阵进行空间特征提取,使其在时空域内同时进行学习。通过详细的数学推导,分析模型的可检测性(稳定性和有效性)。实验结果表明,针对IGBT逆变系统滤波电感故障,该模型在仿真实验数据下故障检测率99.55%,比前一种方法高出近5%;在逆变系统实验平台数据下故障检测率99.80%,比前一种方法高出近5%。
最后,提出了基于多扰动不确定性的图对比学习故障检测方法。引入贝叶斯建模对不确定性进行建模,减少数据噪声或过拟合造成的误判。在数据增强环节施加多种扰动,利用不确定性模拟复杂工业环境中的信号波动,并通过对比学习损失函数关注高置信度的有效信息。实验结果表明,针对IGBT逆变系统电容退化故障,该模型在仿真实验数据下故障检测率94.45%,比前两种方法至少高出3%;在逆变系统实验平台数据下故障检测率99.70%,比前两种方法至少高出8%。
综上所述,本文所提方法为IGBT逆变系统的故障检测提供了新的技术思路,也为相关领域的研究提供了有价值的参考。