[发明专利]基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法

说明书

本发明公开了一种基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，包括以下步骤：信号采集与特征提取；故障特征降维预处理，利用极端树算法ET计算原始特征数据集中所有特征的重要性评分，并将其进行降序排列，确定要剔除的比例，剔除后得到一个新的特征集；故障特征进一步提取，利用堆栈式稀疏自编码SSAE算法将多个稀疏自编码器级联，逐层特征提取，获取最后一个稀疏自编码器的隐含层特征作为故障样本；分类训练，将训练集和测试集中的故障样本输入到分类器中进行训练，得到训练好的分类器；模式识别，使用训练好的分类器对待诊断的电力电子电路故障进行分类识别，并对故障进行定位。

技术领域

本发明涉及一种电力电子电路故障诊断方法，特别是涉及一种基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法。

背景技术

电力电子技术作为一门新兴综合应用技术基础学科，随着技术的进步与发展，其应用领域也正在日益扩大，目前在国防军事、航天航空、电能变换与传输和信息通信等领域都可见电力电子装置的使用。其中，电力电子电路作为电力电子装置的重要组成部分，主要由主电路和控制电路两部分组成，在实际工作中，主电路发生故障的概率远远高于其它组成部分，其任何一个元器件发生故障，都有可能导致整个系统和装置的工作状态发生异常，因此对电力电子电路和装置的工作状态进行监测和迅速的故障诊断是非常重要的。

目前，电力电子故障诊断方法主要分为解析模型诊断法、信号识别法和知识融合诊断法。解析模型故障诊断方法又可分为状态估计故障诊断和参数估计故障诊断，该方法需要精确地建立待诊断电路的故障模型；信号识别法即基于信号处理的故障诊断法，它最大的特点是不需要建立被诊断电路准确的诊断模型，具有较强的自适应能力，选取合适的电路输出量分析其包含的故障信息，常用的处理方法包括傅里叶变换法、Park变换法和小波变换法，但是通过该方法进行信号处理的结果可能不具有实际物理意义，过程中可能会导致有效故障信息的丢失，或者在故障类型比较多时变换后选取的故障特征量无法有效区别不同的故障类型；基于知识融合的故障诊断方法，是近年来在电力电子电路故障诊断领域发展的另一分支的故障诊断方法，比如人工神经网络法，但是采用通常的BP神经网络识别法在训练时容易陷入局部最优解，且在初始连接权值和阈值的选择上具有很大的盲目性，在参数调整及故障特征向量的选择方面难度较大。

发明内容

本发明针对目前故障诊断方法的局限性，提供一种能对电力电子电路进行快速准确的器件级故障定位融合极端树与堆栈式稀疏自编码方法。

本发明解决其技术问题所采用的技术方案是：

提供一种基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法，包括以下步骤：

1)信号采集与特征提取，对每一种电力电子电路故障状态下获得的电流信号进行EMD分解，选取多阶IMF分量，计算每阶分量的时域、频域以及能量特征，获得原始特征数据集；

2)故障特征降维预处理，利用极端树算法ET计算原始特征数据集中所有特征的重要性评分，并将其进行降序排列，确定要剔除的比例，剔除后得到一个新的特征集；

3)故障特征进一步提取，利用堆栈式稀疏自编码SSAE算法将多个稀疏自编码器级联，逐层特征提取，降低故障特征维度，获取最后一个稀疏自编码器的隐含层特征作为故障样本，避免由特征数据维度过高导致训练耗时较长，然后将不同故障下的故障样本作为数据集，并按照一定比例划分为训练集和测试集；

4)分类训练，将训练集和测试集中的故障样本输入到分类器中进行训练，得到训练好的分类器；_

5)模式识别，使用训练好的分类器对待诊断的电力电子电路故障进行分类识别，并对故障进行定位。

接上述技术方案，步骤1)中，选取前7阶IMF分量计算电力电子电路故障的特征信息。

接上述技术方案，步骤3)中选择两层稀疏自编码组成的网络对电力电子电路故障数据进行训练和特征优化。