PDF《电力电子电路多源特征层融合故障诊断方法》

5 -

6 ] . 然而 ,现有的电力电子电路故障诊断方法一般 是对待测电路中的某一种状态信息进行检测分析 , 提取单信息的故障特征 [ 3,

7 -

9 ] .虽然采用单信息也 可以诊断出故障 ,但得到的故障诊断结果往往不可 靠 ,故障诊断性能不高.另外 ,噪声与干扰也增大了 所获得故障信息的不确定性.由此 ,利用信息融合 技术来提高电力电子电路故障诊断性能是研究方向 之一. 目前 ,信息融合方法主要集中在决策层融合的 研究上 [

10 -

16 ] .主要方法有 : D2S证据理论、 模糊融 合方法、 粗糙集理论等.决策层融合的不足之处是 预处理代价较高 ,预处理效果的好坏直接影响决策 的效果.而特征层融合可实现有效的数据压缩 ,提 高诊断效果 ,有利于实时诊断处理. 为弥补单故障样本信息的不可靠性和不确定 性 ,本文提出一种基于特征层信息融合的智能方法 对电力电子电路进行故障诊断.采用交叉间隔的方 式融合待测电路的电压信息和重要支路电流信息作 为融合特征.用Buck2 Boost电路为诊断实例进行实 验验证.

1 特征层信息融合故障诊断方法 神经网络是一个具有高度非线性的超大规模连 续时间自适应信息处理系统.在检测系统中 ,信息 源都具有一定程度的不确定性 ,神经网络可根据当 前系统所接受的样本的相似性 ,确定分类标准.由 于电路运行状态与其各种故障征兆 (如电压、 电流、 温度等 )之间存在着因果联系 ,这种复杂关系很难 用表达式表达出来 ,而神经网络独特的优势 ,对电路 运行状态的不确定性模式能较好的识别出来.基于 此 ,提出了一种基于特征层融合和神经网络的电力 电子电路故障诊断方法 ,其实现流程如图 1所示. 图1基于特征层融合的电力电子电路故障诊断框图 Fig.

1 Fault diagnosis for power electron ic circuit ba sed on fea ture2level fusion

111 小波变换 与傅立叶变换不同 ,小波变换在时频域都具有 表征信号局部特征的能力.其在低频部分具有较高 的频率分辨率和较低的时间分辨率 ,在高频部分具 有较高的时间分辨率和较低的频率分辨率 ,同时 ,小 波分解也可以极大地减少特征矢量的维数. 在正交小波变换中 ,每次只对低频部分进行分 解 ,而小波包变换是同时对低频和高频部分进行分 解 ,因此 ,每个小波包上的信息对应特定的频率带. 在故障特征提取过程中 ,要选择适当的小波包分解层 数 ,若分解层数过少 ,不能有效提取故障特征 ;

若分解 层数过多 ,则特征向量维数大 ,将影响诊断速度.

112 主成分分析 主成分分析法 ( PCA)是统计领域一种常用的线 性变换方法 ,基本思想是设法将原来众多具有一定 相关性的指标 ,重新组合成一组新的相互无关的综 合指标来代替原来指标. 主成分分析法可以提取样本集的主元 ,从而降 低样本的维数 ,甚至可以实现样本的最优压缩.研 究基于主成分分析的特征降维方法 ,可以提高分类 器的分类速度和测试速度 ,但不会改变样本的分布 特性 ,保持样本的分类信息.小波变换后得到的特 征向量维数较高 ,各分量间存在相关性 ,信息存在冗 余 ,不便于故障分类.用主成分分析方法 ,可以降低 特征矢量的维数并且消除冗余.

113 特征融合 主成分分析后分别获取了电压的特征矢量和电 流的特征矢量 ,由于采用小波包变换分解电压和电 流信息 ,每个小波包对应特定频率带内的样本信息 , 为使相同小波包频率带内电压和电流信息一一对 应 ,增加电压信息和电流信息对故障特征的相互补 充作用 ,因此采用间隔交叉的方式进行特征层融合 的实验 ,如图 2所示. 图2特征关联图 Fig.