电力电子系统故障诊断方法浅析

三、模式识别在故障诊断中的应用

故障的模式识别就是从那些反映系统的信息中抽取出反映故障的特征，并根据这些特征的不同属性，对故障进行分类。用模式识别方法进行故障诊断，是根据样本的数学特征来进行的，因此它不需要精确的数学模型。对于一些被诊断对象数学模型过于复杂、不易求解的问题，模式识别方法也是适用的。另外，在对工业系统的故障诊断中应尽量利用非数学(包括物理和结构)方面的特征，设计出各种各样的特征提取器，这样将有利于利用对已有系统的知识，有利于减少计算工作量。由于特征的选择和提取与待识别的模式紧密相关，故很难有某种泛泛的规律可循。目前常用的方法有：最小距离分类法，Bayes分类法，Fisher判别法，从参数模型求特征，用K-L变换提取特征等。

四、基于神经网络的故障诊断方法

利用神经网络的自学习、自归纳能力，经过一定的训练，建立起故障信号与故障分类之间的映像关系。利用学习后的神经网络，实现故障诊断。神经网络是由大量的神经元广泛互连而成的网络，这里以BP网络为例加以介绍。BP网络是单向传播的多层前向网络，它由输入层、中间层和输出层组成，中间层可有若干层，每一层的神经元只接受前一层神经元的输出。BP网络中没有反馈，同一层的节点之间没有耦合，每一层的节点只影响下一层节点的输入。

BP网络一般采取的学习算法是：网络的输出和希望的输出进行比较，然后根据两者之间的差调整网络的权值，最终使误差变为最小。当电力电子电路发生故障时，如果能够利用神经网络的学习能力，使故障波形与故障原因之间的关系通过神经网络的学习后保存在其结构和权中，然后将学习好的神经网络用于故障诊断，神经网络就可以通过对当前电压或电流波形的分析，得出故障原因，从而实现故障的在线自动诊断。

五、专家系统

由于故障诊断是从被监测和诊断的对象表征去寻找故障的成因、部位，并确定故障的严重程度的，因此，如果把由已知故障去分析系统或设备的运行特性与表征叫做正问题，那么故障诊断就是逆问题了。这种逆问题的求解明显不同于正问题的求解，而人工智能 AI(Artificial Intelligence)技术中的专家系统ES(Expert System)正是解这种逆问题的有利工具。专家系统是人工智能研究的一个分支，它是通过模拟专家的经验，实现故障诊断。专家系统的结构如下表所示：一个典型的诊断专家系统通过在线监测并进行数据采集、存贮，然后传送到诊断运行中心，在这里由专家系统进行处理、分析和诊断，最后将诊断结果和处理建议自动地反馈回运行现场。因此，专家系统是诊断系统中最核心的部分。本文后面将介绍作者在实际中应用专家系统方法进行故障诊断的实例。

六、小波变换的方法

在故障诊断中,突变信号往往对应着设备的某种故障，分析和识别系统中产生的各种波形信号，并判别其状态，是进行电路故障诊断中的有效方法之一。设备正常运行时发出的信号较平稳，一旦设备出现故障，就将发出具有奇异性的动态非平稳信号。为了实现设备故障的快速、准确检测，必须有效地识别故障发生瞬间的非平稳信号。信号的处理与分析是故障预测和诊断的基础，提高诊断的准确度需要信号处理和分析方法，小波变换以其对非平稳信号局部化分析，及良好的时—频定位功能的突出优点，为故障诊断提供了新的、强有力的分析手段，弥补了传统故障诊断中因为专家的经验知识很难精确描述，存在知识获取的“瓶颈”问题。

七、遗传算法

遗传算法GA(Genetic Algorithm)是一种新发展起来的优化算法，目前它已经成为人们用来解决高度复杂问题的一个新思路和新方法。它依据适者生存、优胜劣汰的进化规则，对包含可能解的群体进行基于遗传学的操作，不断生产新的群体并使群体不断进化，同时以全局并行搜索优化群体中的最优个体以求得满足要求的最优解。GA以其能以较大概率求得全局最优解、计算时间较少、具有较强鲁棒性等特点在电力电子故障诊断系统中也得到了应用。合理利用采集信息(即把采集信息分为三层)，运用遗传算法进行分层信息故障诊断;将遗传算法应用在故障诊断专家系统的推理和自学习中，可以克服专家系统存在的推理速度慢和在先验知识很少的情况下知识获取困难的障碍，提高了专家系统的适应性。