[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

说明书

本发明公开了一种基于多源信号和RBF神经网络的ATRU系统故障分级诊断方法，涉及故障诊断技术领域。本发明采用的系统特征为ATRU输入电流、输出电压、第二整流桥输入电流。利用输入电流特征进行前级故障诊断，将ATRU故障划分为3个故障子集；建立基于ATRU输入电流特征、输出电压特征、第二整流桥输入电流特征的3个独立RBF神经网络，进行后级故障定位；通过以上两级诊断可完成ATRU不同故障的准确诊断。本发明基于以上3个系统特征，结合电路结构，可达到故障的准确定位，与仅采用输入电流特征或输出电压特征相比，诊断准确率高，抗噪声干扰能力强，诊断效率高。

技术领域

本发明涉及电力电子装置故障诊断技术领域，特别涉及ATRU故障诊断技术领域。

背景技术

目前国内外对电力电子装置的故障诊断研究，趋向于针对某一具体系统选择多种方法进行有机结合，从故障信息监测、故障特征提取以及故障识别分类方法等方面进行分析。但不同诊断方法存在一定的缺陷，且对不同对象的诊断准确率、抗噪声干扰能力及诊断效率存在较大差异。如文献[1]利用四层误差反向传播算法(BP)网络对三相整流电路进行故障诊断，训练得到的网络诊断准确率达到 100％，但由于网络隐层节点过多，算法计算复杂，导致故障诊断速度慢；文献 [2]将粗糙集方法用于电力电子电路的故障诊断，取得了较好的诊断效果，但由于信息的不完整、不精确，粗糙集提取到的故障特征有可能存在失真；文献[3]提出结合小波变换(WPD)、主成分分析(PCA)与人工神经网络(ANN)方法，基于ATRU输出电压特征进行系统故障诊断的模型，但系统特征提取过程较为复杂，且当系统噪声信号超过5％，模型诊断准确率会急速下降。因此针对在复杂多变环境中工作的ATRU，建立更可靠的诊断模型，提高诊断准确率与诊断效率，增强抗噪声干扰能力，是ATRU故障诊断的一个重要问题。

本发明涉及以下技术术语：

ATRU：自耦变压器Auto-Transformer Rectifier Unit，初、次级无须绝缘的特种变压器。

RBF-NN：径向基函数神经网络Radial Basis Function Neural Network，一种包括输入层、隐层和输出层，其中输入空间到隐层空间为非线性变换，隐层空间到输出空间为线性变换的三层神经网络。

发明内容

本发明针对现有技术的不足，提出一种基于多源信号和RBF神经网络的 ATRU系统故障分级诊断方法：

利用输入电流、输出电压、第二整流桥输入电流三个系统特征建立基于RBF 神经网络和该三个系统特征的两级12脉ATRU故障诊断模型，开展两级故障诊断方法研究：

(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；