[发明专利]基于天牛须优化深度置信网络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天牛须优化深度置信网络算法的电力电子电路故障诊断方法，包括：采集三相PWM整流器在不同开关器件开路故障模式下的直流侧母线输出电流信号，作为原始数据集；利用经验模态分解提取不同开关器件开路故障模式下的输出电流信号的本征模态函数分量，构造原始故障特征集；基于极端树算法进行特征选择，生成故障状态敏感特征集；采用天牛须算法优化深度信念网络的结构；利用训练集训练优化后的深度信念网络，再利用测试集进行验证得到故障识别结果。本发明结合特征提取算法、优化算法、深度学习分类算法，大大提高了电力电子电路故障诊断的特征数据量和分类准确率。

技术领域

本发明涉及一种电力电子电路故障诊断方法，特别是涉及基于天牛须优化深度置信网络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得故障诊断，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，但是这种浅层学习网络在解决复杂的高维的数据时存在局限性。

发明内容

本发明解决的技术问题是，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的基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法。

本发明解决其技术问题所采用的技术方案是：

提供一种基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法，包括以下步骤：

1)采集三相PWM整流器在不同开关器件开路故障模式下的直流侧母线输出电流信号，作为原始数据集；

2)利用经验模态分解提取不同开关器件开路故障模式下的输出电流信号的本征模态函数分量，并计算每阶分量的包括时域、频域和能量的电力电子电路故障特征，构造原始故障特征集；

3)通过极端树算法计算各个原始故障特征的重要性，进行故障特征选择，以去除原始故障特征集中的冗余和干扰特征，并进行归一化处理，作为故障特征集，并将故障特征集按照特定比例分为训练集和测试集；

4)采用深度信念网络作为分类器，利用天牛须算法优化深度信念网络的结构，得到隐含层单元数目，并设定网络的输入层、隐藏层和输出层的节点个数；

5)利用训练集训练优化后的深度信念网络，再利用测试集进行验证得到故障识别结果。

接上述技术方案，步骤2)中，各个本征模态函数分量分别包含了电流信号不同时间特征尺度大小的成份，残余分量代表电流信号的平均趋势，反映电力电子电路故障的特征信息。

接上述技术方案，步骤3)中的极端树算法具体通过基尼指数计算决策树节点的纯度来衡量特征重要性。