[发明专利]一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略

摘要

本发明公开了一种基于主元分析‑多分类相关向量机(PCA‑mRVM)的多电平逆变器故障诊断策略。该诊断策略首先通过主元分析将原始样本进行降维，提取出多个带有故障特征的主成分，以便形成训练样本；其次通过多分类相关向量机对训练样本进行故障诊断，并输出各故障类别的概率，以概率最大的故障类别作为诊断结果。本发明的故障诊断策略用于具有较大样本空间以及较多类别的故障诊断中有明显的优势，具有模型稀疏度高，计算复杂度低等优点，更重要的是mRVM可以输出各类别成员概率，输出具有概率统计意义，便于分析不确定性问题。

主权项

一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断的融合策略，包括以下步骤：(1)建立多电平逆变器开关元件特征信号的数据集：(1a)采用Matlab/Simulink搭建一个多电平逆变电路系统模型，为了说明需要，以下以单相级联H桥五电平逆变器为说明对象；(1b)利用SHPWM进行控制，调制波频率为50Hz，载波频率为4kHz，采样频率为40kHz；(1c)然后设置故障环节，依次对于H桥多电平逆变器不同位置的单个开关管开路故障测试，提取逆变器每种故障一个周期的输出电压信号，建立故障信号的数据集；(2)对故障信号的数据集进行故障特征提取：(2a)使用快速傅里叶变换的方法将时域的特征信号转换到频域进行谐波幅值分析，FFT后各模式信号提取结果；(2b)利用FFT所提取的频域谐波幅值特征；(3)利用mRVM进行分类诊断(3a)将主元样本Xp等分为两份，分别为训练样本Xtrain和测试样本Xtest，依次设置类别标签l∈{1,2,…C}，C为故障总数；(3b)选定核函数：选取径向基核函数，其中σ为核函数的高宽参数，调整核函数的参数；(3c)mRVM模型的构建引入辅助回归目标Y∈RC×N和权重参数W∈RN×C，得标准噪音回归模型：引入多项概率联系函数，将回归目标转化为类别标签：由此产生的多项概率似然函数如下，其中u～N(0,1):为了确保模型的稀疏性，为权重向量引入零均值，方差为标准正态先验分布，由先验参数αnc组成的矩阵记为A∈RN×C,αnc服从超参数为τ,υ的Gamma分布；根据贝叶斯模型推导出后验概率，其中Ac为由A的c列导出的对角阵，由最大后验概率估计得方法可得：因此给定类别时权重的基于最大后验(MAP)的更新方法如下式：根据上式，可以推导辅助变量的E‑step形式，对于i类如下式：对于如下式：权重向量先验参数的后验概率分布如下式：Gamma分布的均值为：(3d)m‑RVM模型测试通过构造一个空模型并向其内添加或移除样本来获取稀疏度，添加或移除样本是依据他们对模型的贡献值，采用快速type‑II最大似然(Fast Type‑II ML)参数更新方法；边缘似然函数为P(Y|K,A)＝log∫P(Y|K,W)P(W|A)dW,通过对数方式求取得,其中可以分解为其中代表移除第i个样本时的值，可以推导出：将边缘似然函数进一步分解如下式：其中为稀疏因子，为量化因子,通过求解可得驻点：为了便于描述第i个样本对模型的信息贡献量定义贡献因子θi：设每步迭代过程均存在活动集Ο，由M维活动样本组成，如果某个样本θ值为正，但是却不包含在Ο中，那我们就将这个样本添加到Ο中；反之，如果某个样本已经在Ο中，但是θ值为负，则将该样本移除；因此在模型的学习过程中，MAP更新方法公式修正如下，其中K*∈RM×N,A*∈RM×M,M＜＜N：通过上述驻点以及给定现给出αi的初始化公式如下：(3e)样本的测试首先将测试样本(Ttest,ltest)经过步骤(3c)和步骤(3d)的处理后，带入训练好的mRVM模型中，得到各个样本的概率输出结果，并将其中概率最大的样本作为分类诊断结果。