论文部分内容阅读
随着电力电子技术的迅猛发展,电力电子器件的应用日益广泛,其故障问题也越来越突出。本文在对电力电子器件主电路故障进行分析的基础上,分析了现存故障诊断方法的不足之处,提出了电力电子电路故障诊断的神经网络信息融合方法。
本文首先从逆变器的拓扑结构和工作原理出发,分析了逆变器主电路的故障类型,然后对这些故障进行了仿真分析。利用傅立叶变换提取故障信号各次谐波的幅值和相位特征,作为故障特征向量。同时充分考虑了实际电路运行时各类故障发生的概率,提出了将故障根据其危害程度和发生的概率划分轻重等级,对那些危害程度大、发生概率高的故障重点对待,使得这些故障能够被及时地以较高正确率检测出来。论文在故障分等级的同时,利用神经网络信息融合,在对变频器主电路的故障诊断中完成了以下三方面的工作:
1)基于BP神经网络组分等级的故障诊断。
在根据故障发生频率和危害程度将故障分等级的基础上,使用包含三个子网络的BP神经网络组来进行故障诊断,故障等级越高,使用的子网络越多,以此来保证故障检测系统对这些发生频率高、危害程度大的故障有高的检测正确率,最终从总体上提高故障检测系统的性能。
2)基于量子神经网络组分等级的故障诊断。
在故障分等级的基础上,用量子神经网络构成的神经网络组来进行故障诊断。量子神经网络隐层神经元的激励函数采用多个传统激励函数的叠加,使网络具有一种固有的模糊性,它能将决策的不确定性数据合理的分配到各故障模式中,提高故障诊断的准确率。
3)基于Gradation-Boosting算法的故障诊断。
将故障分等级的概念引入到Boosting算法中,提出了Gradation-Boosting算法,让高等级的故障样本从故障检测系统训练开始时就受到足够的重视,并且这种重视贯穿于整个训练过程,这样可以保证故障检测系统对这些主要故障具有更加准确的检测正确率,从而从总体上提高故障检测正确率。