电力电子电路故障的常用诊断方法 (电力电子电路工作的基本原理是)

电力电子电路故障的常用诊断方法，故障诊断中的谱分析方法，参数模型与故障诊断(状态估计法，参数辨识方法)，模式识别在故障诊断中的应用，基于神经网络的故障诊断方法等。电力电子电路故障的诊断方法电力电子电路的实际运行表明，大多数故障表现为功率开关器件的损坏，其中以功率开关器件的开路和直通最为常见。电力电子电路故障诊断与一般的模拟电路、数字电路的故障诊断存在较大差别，由于电力电子器件过载能力小，损坏速度快，其故障信息仅存在于发生故障到停电之前数十毫秒之内。因此，需要实时监视、在线诊断；另外电力电子电路的功率已达数千千瓦，模拟电路、数字电路诊断中采用的改变输入看输出的方法不再适用，只能以输出波形来诊断电力电子电路是否有故障及有何种故障。故障诊断的关键是提取故障的特征。故障特征是指反映故障征兆的信号经过加工处理后所得的反映设备与*的故障种类、部位与程度的综合量。故障诊断方法按提取特征的方法的区别，可分为谱分析方法、基于动态*数学模型的方法、采用模式识别的方法、基于神经网络的方法、专家*的方法、小波变换的方法和利用遗传算法等。这些方法将在下文具体介绍。一、故障诊断中的谱分析方法在故障诊断中比较常用的信号故障维修是谱分析。常用傅里叶谱、*谱，另外还有滤波、相关分析等。谱分析的目的：信号中包含噪声，为了提取特征；故障信号的时域波形不能清楚地反映故障的特征。而电力电子电路中包含故障信息的关键点信号通常具有周期性，因此可以用傅里叶变换将时域中的故障波形变换到频域，以突出故障特征，实现故障诊断。傅里叶变换是将某一周期函数分解成各种频率的正弦分量，类似地，*变换是将某一函数分解成一组*函数分量。自适应滤波是一种数字信号的处理统计方法，它不需要知道信号一二阶的先验统计知识，直接利用观测资料，通过运算改变滤波器的某些参数，而使自适应滤波器的输出能自动*信号特性的变化。在电力电子*故障诊断中，可以用自适应处理来实现噪声抵消，谱线增强等功能，从噪声背景下提取故障特征，从而实现准确的诊断。二、参数模型与故障诊断如果*的数学模型是已知的，就可以通过测量，估计*的状态和参数，确定状态变量和*参量是否变化。采用基于*数学模型的故障诊断方法，可以从较少的测量点去估计*的多个状态量或*参数，从而实现故障诊断。进一步又可以分为检测滤波器方法、状态估计法和参数辨识方法三种。1、检测滤波器方法将部件、执行机构和传感器的故障的输出方向分别固定在特定的方向或平面上。2、状态估计法通过监测*的状态变化，也能反映由*参数变化引起的故障，并对故障进行诊断。与一般的状态估计不同，在进行故障诊断时，并不是去估计未知的状态信息，而是借助观测器或卡尔曼滤波器去重构*的输出，以便取得*输出的估计值。这个估计值与实际输出值之差就叫量测残差。残差中含有大量的*内部变化的信息，因此可以作为故障诊断的依据。状态估计法的优点是在线计算量小，诊断速度快。3、参数辨识方法实时辨识出*模型的参数，与正常时模型的参数比较，确定故障。常用的有最小二乘法。三、模式识别故障的模式识别，即从那些反映*的信息中抽取出反映故障的特征，并根据这些特征的不同属性，对故障进行分类。用模式识别方法进行故障诊断，是根据样本的数学特征来进行的，因此它不需要精确的数学模型。对于一些被诊断对象数学模型过于复杂、不易求解的问题，模式识别方法也是适用的。另外，在对工业*的故障诊断中应尽量利用非数学（包括物理和结构)方面的特征，设计出各种各样的特征提取器，这样将有利于利用对已有*的知识，有利于减少计算工作量。由于特征的选择和提取与待识别的模式紧密相关，故很难有某种泛泛的规律可循。目前常用的方法有：最小距离分类法，Bayes分类法，Fisher判别法，从参数模型求特征，用K-L变换提取特征等。四、基于神经网络的故障诊断方法利用神经网络的自学习、自归纳能力，经过一定的训练，建立起故障信号与故障分类之间的映像关系。利用学习后的神经网络，实现故障诊断。神经网络是由大量的神经元广泛互连而成的网络，这里以BP网络为例加以介绍。BP网络是单向传播的多层前向网络，它由输入层、中间层和输出层组成，中间层可有若干层，每一层的神经元只接受前一层神经元的输出。BP网络中没有反馈，同一层的节点之间没有耦合，每一层的节点只影响下一层节点的输入。BP网络一般采取的学习算法是：网络的输出和希望的输出进行比较，然后根据两者之间的差调整网络的权值，最终使误差变为最小。当电力电子电路发生故障时，如果能够利用神经网络的学习能力，使故障波形与故障原因之间的关系通过神经网络的学习后保存在其结构和权中，然后将学习好的神经网络用于故障诊断，神经网络就可以通过对当前电压或电流波形的分析，得出故障原因，从而实现故障的在线自动诊断。五、专家*由于故障诊断是从被监测和诊断的对象表征去寻找故障的成因、部位，并确定故障的严重程度的，因此，如果把由已知故障去分析*或设备的运行特性与表征叫做正问题，那么故障诊断就是逆问题了。这种逆问题的求解明显不同于正问题的求解，而人工智能AI（ArtificialIntelligence)技术中的专家*ES（ExpertSystem)正是解这种逆问题的有利工具。专家*是人工智能研究的一个分支，它是通过模拟专家的经验，实现故障诊断。专家*的结构：一个典型的诊断专家*通过在线监测并进行数据采集、存贮，然后传送到诊断运行中心，在这里由专家*进行处理、分析和诊断，最后将诊断结果和处理建议自动地反馈回运行现场。因此，专家*是诊断*中最核心的部分。本文后面将介绍作者在实际中应用专家*方法进行故障诊断的实例。六、小波变换的方法在故障诊断中,突变信号往往对应着设备的某种故障，分析和识别*中产生的各种波形信号，并判别其状态，是进行电路故障诊断中的有效方法之一。设备正常运行时发出的信号较平稳，一旦设备出现故障，就将发出具有奇异性的动态非平稳信号。为了实现设备故障的快速、准确检测，必须有效地识别故障发生瞬间的非平稳信号。信号的处理与分析是故障预测和诊断的基础，提高诊断的准确度需要信号处理和分析方法，小波变换以其对非平稳信号局部化分析，及良好的时—频定位功能的突出优点，为故障诊断提供了新的、强有力的分析手段，弥补了传统故障诊断中因为专家的经验知识很难精确描述，存在知识获取的