[发明专利]一种基于IWO-ELM的航空功率变换器故障诊断方法

说明书

技术领域

本发明涉及一种基于IWO-ELM的航空功率变换器故障诊断方法，属于电路故障诊断领 域。

背景技术

随着航空技术的不断发展，目前飞机上配载的电源系统可分为如下三种类型：低压直流 电源、高压直流电源和交流电源。这些电源系统的正常运转，保证了机载设备的正常工作和 飞机的安全飞行。航空电源系统中的关键模块为功率变换器，一旦功率变换器发生故障，将 直接影响航空电源系统的正常运行，进而对飞机的安全运行构成威胁，甚至会带来巨大的生 命财产和安全损失。因此，对航空电源系统中功率变换器进行故障诊断研究，具有十分重大 的意义。

目前，对航空电源系统中的功率变换器进行故障诊断的方法大致分为基于信号处理的方 法、基于模型的方法和基于知识的方法。基于信号处理的方法不需要对对象建模，适用性比 较强，形式简单且易于实现，但由于其依赖信号的检测和处理，通常会受信号噪声的影响， 局限于特定信号诊断某些特定故障，未能考虑各种故障间的相互影响，当诊断对象变得庞大 复杂时，通常需要增加检验手段和计算量，因而该方法不适合对航空电源系统中功率变换器 进行故障诊断。基于模型的方法是通过建立对象的模型，将模型预测值与系统观测值进行比 较来判别有无故障，但航空电源系统中功率变换器结构千变万化，通用性较差，不适合采用 建模的方法进行故障诊断。基于知识的方法不依赖对象的数学模型，从而可以实现对难于建 模的对象的故障诊断，在故障诊断领域应用中具有较大优势。因而，本发明考虑通过构建极 限学习机模型这一种基于模式识别的方法对航空功率变换器进行故障诊断。

极限学习机是一种适用于单隐含层前馈神经网络的学习算法模型，仅需在网络训练前设 置合适的隐含层节点数，并随机初始化输入权值以及隐含层节点偏置，即可通过解析运算获 得隐含层输出权值。相对于以往的神经网络训练过程，极限学习机模型无需多次迭代运算， 整个模型训练一次即可完成。但是极限学习机采用随机初始化输入权值以及隐含层节点偏置 的方法，所建立的极限学习机模型会存在隐含层节点数过多、过拟合等现象，从而影响了极 限学习机模型的预测速度和精度。杂草算法是一种从自然界杂草进化原理演化而来的随机搜 索算法，通过充分利用种群中的优秀个体指导群体的进化，兼顾了种群的选择力度和多样性， 能够有效克服不成熟收敛，并且具有算法结构简单、参数少和鲁棒性较好等特点。因而，使 用杂草算法优化极限学习机模型，可以改善极限学习机隐含层节点数过多、过拟合等缺陷。

发明内容

为了解决上述问题，本发明提出一种基于IWO-ELM的航空功率变换器故障诊断方法， 一方面解决了传统神经网络训练速度缓慢的问题，另一方面解决了极限学习机模型隐含层节 点数等参数的优化问题，提高了航空功率变换器诊断正确率。

本发明为实现上述目的，实现技术方案如下：

首先采集航空功率变换器在正常模式以及故障模式下的可测节点输出信号，并利用主成 分分析法提取采集信号的关键特征，构建特征样本集，然后将特征样本集分为训练样本集和 测试样本集，分别用于极限学习机的训练和评估。

具体的操作步骤如下所示：

1)获取航空功率变换器在正常模式以及故障模式下的可测节点输出信号，利用主成分分 析法提取采集信号的关键特征，构建特征样本集，并将特征样本集分为两部分：训练样本集 A＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R^m，i＝1，...，N}和测试样本集B＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R^m，i＝1，...， M}，其中，R代表实数空间，x_i为n维样本特征向量，y_i为m维样本标签，即x_i＝{x_i1，x_i2，...，x_in}， y_i＝{y_i1，y_i2，...，y_im}，训练样本集和测试样本集的样本个数分别为N个和M个。