[发明专利]基于多源信号和RBF神经网络的ATRU系统故障分级诊断方法

权利要求书

1.基于多源信号和RBF神经网络的ATRU系统故障分级诊断方法，其特征在于：利用输入电流、输出电压、第二整流桥输入电流建立三个系统特征和径向基函数RBF神经网络的分级12脉自耦变压整流器ATRU故障诊断模型，开展两级故障诊断方法处理：

(1)输入电流特征定义为向量I_in＝[I_a-ave，I_b-ave，I_c-ave]，I_a-ave、I_b-ave、I_c-ave表示变压器输入三相电流平均值，输出电压特征定义为向量U_o＝[U_o-ave]，U_o-ave表示输出电压平均值，第二整流桥输入电流特征定义为向量I_s＝[I_max-as，I_max-bs，I_max-cs]，I_max-as、I_max-bs、I_max-cs表示第二整流桥输入三相电流峰值；

(2)第一级故障诊断以输入电流特征向量I_in的模确定的阈值为诊断依据，将ATRU的97种故障分为3个故障子集，根据输入电流特征向量I_in在系统正常工作、开路或短路不同状态时的特点，结合输入电流额定值，以及不同故障时的电流峰值，定义三个常数C₁、C₂、C₃，将|I_in|＜C₁的故障属于故障子集1，包括无故障、变压器绕组开路、同相上下两桥臂同时开路三类故障，|I_in|＜C₂的故障属于故障子集2，包括单桥臂开路、非同相双桥臂同时开路两类故障，|I_in|＞C₃的故障属于故障子集3，包括单桥臂短路一类故障；针对不同故障子集，进行第二级诊断，针对故障子集1，建立基于第二整流桥输入电流特征向量I_s的RBF神经网络Net1进行故障定位，针对故障子集2，建立基于输入电流特征向量I_in和输出电压特征向量U_o的RBF神经网络Net2进行故障定位，针对故障子集3，建立基于输入电流特征向量I_in的RBF神经网络Net3进行故障定位。

2.根据权利要求1所述的基于多源信号和RBF神经网络的ATRU系统故障分级诊断方法，其特征在于故障诊断模型的训练包括以下步骤：

(1)对3个系统特征向量I_in、I_s、U_o进行[-1，1]归一化处理，得到S_in、S_o、S_s；并划分基于故障数据的训练集和测试集；S_in、S_o、S_s表达式为：

(2)根据输入电流特征向量I_in在系统正常工作、开路或短路不同状态时的特点，结合输入电流额定值，以及不同故障时的电流峰值，定义三个常数C₁、C₂、C₃，训练集中|I_in|＜C₁的故障属于故障子集1，包括无故障、变压器绕组开路、同相上下两桥臂同时开路三类故障，|I_in|＜C₂的故障属于故障子集2，包括单桥臂开路、非同相双桥臂同时开路两类故障，|I_in|＞C₃的故障属于故障子集3，包括单桥臂短路一类故障；

(3)针对3个故障子集，构造对应的RBF神经网络Net1～Net3，各Net输入向量X₁、X₂和X₃，其中X₁＝S_s，X₂＝[S_in，S_o]，X₃＝S_in，各Net输出向量为布尔向量T₁、T₂和T₃，进行故障定位；

(4)使用训练集训练并用测试集检验Net1～Net3的故障准确率，定义为：η_i＝q_i/N_i，i＝1，2，3，q_i表示每个RBF神经网络测试集中诊断正确的故障数量，N_i表示Neti的测试集总故障数量，并进行RBF神经网络算法优化。