基于智能分析的逆變器故障診斷系統(tǒng)及方法
【專利摘要】本發(fā)明公開了一種基于智能化分析的逆變器故障診斷系統(tǒng)及方法，屬于逆變器故障檢測技術(shù)領(lǐng)域，方法步驟包括：步驟一、逆變器的故障輸出電壓輸入到小波多分辨分解模型中；步驟二、通過db3小波作為基波對故障電壓信號多分辨分解獲得離散的細(xì)節(jié)變量信號和離散的平滑近似變量信號；步驟三、使用小波的能量換算公式分別計(jì)算出分解序列的能量值，并獲得故障特征向量P；步驟四、通過使用粒子群算法對BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)；步驟五、將特征向量P作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量送入進(jìn)行故障分類識別；步驟六、輸出故障診斷結(jié)果。本發(fā)明得到比原來僅有BP神經(jīng)網(wǎng)絡(luò)更加快速，準(zhǔn)確的訓(xùn)練結(jié)果和診斷效果，解決了逆變器故障檢索慢，診斷結(jié)果不準(zhǔn)確的問題。
【專利說明】
基于智能分析的逆變器故障診斷系統(tǒng)及方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于逆變器故障檢測技術(shù)領(lǐng)域，涉及神經(jīng)網(wǎng)絡(luò)分析方向，具體涉及一種基 于智能化分析的逆變器故障診斷系統(tǒng)及方法。
【背景技術(shù)】
[0002] 隨著工業(yè)社會(huì)對清潔能源的不斷追求，光伏發(fā)電越來越受到人們的青睞，然而將 光能轉(zhuǎn)化為電能的重要控制電路為光伏逆變器，因此對光伏逆變器進(jìn)行故障診斷判別出主 控元件開關(guān)管的好壞具有重要的意義。由逆變器的實(shí)際運(yùn)行狀況表明，故障大多發(fā)生于逆 變器主電路中的功率管開關(guān)管，功率開關(guān)管需要連續(xù)工作在開通和關(guān)斷狀態(tài)，且連續(xù)承受 的電壓、電流比較大，易損壞而出現(xiàn)某個(gè)開關(guān)或多個(gè)開關(guān)管斷路現(xiàn)象。
[0003] 基于數(shù)據(jù)驅(qū)動(dòng)的思想，利用逆變系統(tǒng)運(yùn)行過程中不斷產(chǎn)生反應(yīng)運(yùn)行機(jī)理和狀態(tài)的 數(shù)據(jù)，通過適當(dāng)有效的分析和提取，可以快速實(shí)現(xiàn)逆變系統(tǒng)的故障檢測與識別，這比傳統(tǒng)的 只靠人工檢測和維修去定位故障有效率得多。
[0004] 小波變換是20世紀(jì)80年代中期發(fā)展起來的一種時(shí)頻分析方法，比DCT(DiScrete Cosine Transform)這樣的傅里葉變換的性能更優(yōu)越，具有多分辨分析功能，被譽(yù)為數(shù)學(xué)顯 微鏡。粒子群算法(PS0)來源于Kennedy和Eberhart對鳥類捕食行為的探索，于1995年提出 了這種仿生群體智能化尋優(yōu)算法。在眾多智能尋優(yōu)算法中，PS0優(yōu)化算法的操作簡便，易于 計(jì)算機(jī)程序?qū)崿F(xiàn)，可調(diào)參數(shù)少，尋優(yōu)的速度快，隨著21世紀(jì)計(jì)算機(jī)技術(shù)和集成化快速的發(fā)展 PS0算法已眾多領(lǐng)域得到了應(yīng)用。

【發(fā)明內(nèi)容】

[0005] 根據(jù)以上現(xiàn)有技術(shù)的不足，本發(fā)明所要解決的技術(shù)問題是提出一種基于智能化分 析的逆變器故障診斷系統(tǒng)及方法，通過對光伏逆變器的輸出電壓進(jìn)行多頻率的小波多層次 分解，利用小波對正常信號和故障信號進(jìn)行多分辨率的分解可以得到多尺度上的信號的幅 值并可以通過計(jì)算得到表征各尺度的能量特征，再通過標(biāo)準(zhǔn)化處理后可以得到故障信號的 特征向量，并將其作為BP神經(jīng)網(wǎng)絡(luò)輸入向量，并通過粒子群算法(PS0)對BP神經(jīng)網(wǎng)絡(luò)的初始 權(quán)值和閾值進(jìn)行尋優(yōu)調(diào)整，從而得到比原來僅有BP神經(jīng)網(wǎng)絡(luò)更加快速，準(zhǔn)確的訓(xùn)練結(jié)果和 診斷效果，解決了逆變器故障檢索慢，診斷結(jié)果不準(zhǔn)確的問題。
[0006] 為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：一種基于智能化分析的逆變 器故障診斷系統(tǒng)，所述系統(tǒng)包括控制器和顯示屏，控制器的輸入端連接逆變器的電壓輸出 端，輸出工作電壓到控制器進(jìn)行小波分解和故障分類，控制器的輸出端連接顯示屏。
[0007]上述系統(tǒng)中，所述控制器中設(shè)依次連接傳遞信號的小波分解單元、樣本訓(xùn)練單元、 故障分類單元和輸出單元，小波分解單元的輸入端接收逆變器的輸出電壓，輸出單元連接 顯示屏。所述小波分解單元中設(shè)有小波變換器對輸入信號進(jìn)行多分辨分解。所述故障分類 單元中設(shè)有PS0-BP神經(jīng)網(wǎng)絡(luò)，用來故障分類識別。所述控制器中還設(shè)有故障類別單元，故障 類別單元包括22種故障。
[0008] 一種基于智能化分析的逆變器故障診斷方法，所述方法步驟包括:步驟一、逆變器 的故障輸出電壓輸入到小波多分辨分解模型中；步驟二、通過db3小波作為基波對故障電壓 信號多分辨分解獲得離散的細(xì)節(jié)變量信號h(k)和離散的平滑近似變量信號Q(k);步驟三、 使用小波的能量換算公式
分別計(jì)算出分解序列的能量值，并將獲得的能量 值標(biāo)準(zhǔn)歸一化處理后獲得故障特征向量P;j表示尺度，k表示采樣點(diǎn)。步驟四、通過使用粒子 群算法對BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)，通過粒子群算法不間斷迭代獲得BP網(wǎng)絡(luò)初始最優(yōu)權(quán)值閾值;步 驟五、將特征向量P作為BP神經(jīng)網(wǎng)絡(luò)輸入端的輸入變量送入神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類識別;步 驟六、輸出故障診斷結(jié)果。
[0009] 所述方法步驟二中的多分辨分解公式為：
[0010]
，式中Q(k)為離散平滑近似 信號分量，Dj(k)為離散細(xì)節(jié)信號分量，於為尺度函數(shù)，Wj,k(t)為小波函數(shù)，j為尺度，k 為采樣點(diǎn)，t為時(shí)間變量。
[0011]所述方法步驟三中的故障特征向量的提取方法為：1)選取db3小波作為小波基函 數(shù)，對逆變器輸出電壓多分辨率分解，可得到4個(gè)分解序列03,〇3,〇2,〇1};2)通過分解序列 的小波能量值計(jì)算方程：
計(jì)算分解序列的能量:EA3，ED3，E D2，ED1; 3)選取能量值 標(biāo)準(zhǔn)化后的特征向量P作為故障分類判別特征向量:P = {Ea3，Ed3，Ed2，Edi}，作為神經(jīng)網(wǎng)絡(luò)的 輸入。
[0012] 所述方法步驟四的粒子群算法對BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)的具體過程為:A.隨機(jī)產(chǎn)生初始 粒子參數(shù);B.計(jì)算粒子適應(yīng)度值;C.通過粒子群優(yōu)化算法找出全局最優(yōu)位置;D.判斷適應(yīng)度 函數(shù)F是否小于目標(biāo)誤差e ;E.如果不小于，則更新粒子位置和速度，繼續(xù)步驟C;如果適應(yīng)度 函數(shù)F小于目標(biāo)誤差e，則輸出一組權(quán)值閾值作為優(yōu)化結(jié)果。所述方法步驟四中粒子群算法 對BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)后，BP神經(jīng)采用梯度下降法。
[0013] 本發(fā)明有益效果是:本文通過對光伏逆變器的輸出電壓進(jìn)行多頻率的小波多層次 分解，利用小波對正常信號和故障信號進(jìn)行多分辨率的分解可以得到多尺度上的信號的幅 值并可以通過計(jì)算得到表征各尺度的能量特征，再通過標(biāo)準(zhǔn)化處理后可以得到故障信號的 特征向量，并將其作為BP神經(jīng)網(wǎng)絡(luò)輸入向量，并通過粒子群算法(PS0)對BP神經(jīng)網(wǎng)絡(luò)的初始 權(quán)值和閾值進(jìn)行尋優(yōu)調(diào)整，從而得到比原來僅有BP神經(jīng)網(wǎng)絡(luò)更加快速，準(zhǔn)確的訓(xùn)練結(jié)果和 診斷效果。
【附圖說明】
[0014] 下面對本說明書附圖所表達(dá)的內(nèi)容及圖中的標(biāo)記作簡要說明：
[0015] 圖1是本發(fā)明的【具體實(shí)施方式】的故障診斷方法流程示意圖。
[0016] 圖2是本發(fā)明的【具體實(shí)施方式】的信號分解框圖。
[0017]圖3是本發(fā)明的【具體實(shí)施方式】的三相DC-AC逆變器拓?fù)浣Y(jié)構(gòu)圖。
[0018] 圖4是本發(fā)明的【具體實(shí)施方式】的PS0-BP算法的流程圖。
[0019] 圖5是本發(fā)明的【具體實(shí)施方式】的BP網(wǎng)絡(luò)訓(xùn)練結(jié)果。
[0020] 圖6是本發(fā)明的【具體實(shí)施方式】的PS0-BP訓(xùn)練結(jié)果。
【具體實(shí)施方式】
[0021] 下面對照附圖，通過對實(shí)施例的描述，本發(fā)明的【具體實(shí)施方式】如所涉及的各構(gòu)件 的形狀、構(gòu)造、各部分之間的相互位置及連接關(guān)系、各部分的作用及工作原理、制造工藝及 操作使用方法等，作進(jìn)一步詳細(xì)的說明，以幫助本領(lǐng)域技術(shù)人員對本發(fā)明的發(fā)明構(gòu)思、技術(shù) 方案有更完整、準(zhǔn)確和深入的理解。
[0022] 一種基于智能化分析的逆變器故障診斷系統(tǒng)，所述系統(tǒng)包括控制器和顯示屏，控 制器的輸入端連接逆變器的電壓輸出端，輸出工作電壓到控制器進(jìn)行小波分解和故障分 類，控制器的輸出端連接顯示屏。所述控制器中設(shè)依次連接傳遞信號的小波分解單元、樣本 訓(xùn)練單元、故障分類單元和輸出單元，小波分解單元的輸入端接收逆變器的輸出電壓，輸出 單元連接顯示屏。所述小波分解單元中設(shè)有小波變換理論對輸入信號進(jìn)行多分辨分解。所 述故障分類單元中設(shè)有PS0-BP神經(jīng)網(wǎng)絡(luò)，用來故障分類識別。所述PS0-BP神經(jīng)網(wǎng)絡(luò)是粒子 群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)。所述控制器中還設(shè)有故障類別單元，故障類別單元包括22種 故障。所述系統(tǒng)還包括仿真單元，仿真單元連接控制器。
[0023] -種基于智能化分析的逆變器故障診斷方法，方法流程示意圖如圖1所示，方法步 驟包括：
[0024] 步驟一、逆變器的故障輸出電壓輸入到小波多分辨分解模型中。
[0025]步驟二、通過db3小波作為基波對故障電壓信號多分辨分解獲得離散的細(xì)節(jié)變量 信號D」(k)和離散的平滑近似變量信號Q(k)。
[0026] 步驟三、使用小波的能量換算公式
分別計(jì)算出分解序列的能量值， 并將獲得的能量值標(biāo)準(zhǔn)歸一化處理后獲得故障特征向量P。故障特征向量的提取方法的具 體內(nèi)容：
[0027] 1)選取db3小波作為小波基函數(shù)，對并網(wǎng)逆變器輸出電壓多分辨率分解，可得到4 個(gè)分解序列{A3，D3，D2，D1}。
[0028] 2)通過分解序列的小波能量值計(jì)算方程：
計(jì)算分解序列的能量:EA3， Ed3 ,Ed2 ,Edi〇
[0029] 3)選取能量值標(biāo)準(zhǔn)化后的特征向量P作為故障分類判別特征向量:P = {E A 3，E D 3， ED2，ED1}，作為診斷神經(jīng)網(wǎng)絡(luò)的輸入。
[0030] 步驟四、通過使用粒子群算法對BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)，通過粒子群算法不間斷迭代獲 得BP網(wǎng)絡(luò)初始最優(yōu)權(quán)值閾值。
[0031]步驟五、將特征向量P作為BP神經(jīng)網(wǎng)絡(luò)輸入端的輸入變量送入神經(jīng)網(wǎng)絡(luò)進(jìn)行故障 分類識別，特征向量與故障類別的部分關(guān)系如表1所示。
[0032]表格1部分?jǐn)?shù)據(jù)

[0034]步驟六、輸出故障診斷結(jié)果。
[0035]小波多分辨率分解由S.Mallat根據(jù)空間概念提出，并第一次將小波變換理論統(tǒng)一 在一起，Mallat于1989年受到塔式算法理論啟發(fā)提出了塔式多分辨率分解與重構(gòu)算法，即 Mallat算法。多分辨率分析具體本質(zhì)內(nèi)容為使用小波函數(shù)的二進(jìn)制伸縮性和平移性側(cè)重處 理整體函數(shù)集，而非個(gè)體函數(shù)。即利用小波的多分辨率分解能力將故障信號分解到不同的 頻段尺度上獲得不同頻段尺度上的Q(k)為離散平滑近似信號，D」(k)為離散細(xì)節(jié)信號，某一 f(t)GL2(R)信號的分解公式表示為：
[0037]式中分解系數(shù)為：
[0040] 式（1.1)右邊前半部分
是f(t)在D維空間尺度~Q = J)的投影，它是 f(t)的近似分量，Cjk)為離散平滑近似信號分量;后半
是f(t)在小波空 間W的投影，它是對f⑴的細(xì)節(jié)部分信號的補(bǔ)充辦(k)為離散細(xì)節(jié)信號分量，式中f⑴為信 號源，供為尺度函數(shù)，w j,k(t)為小波函數(shù)，j為尺度，k為采樣點(diǎn)，m為采樣點(diǎn)，t時(shí)間變 量，R為向量空間。式(1.2)、（1.3)是小波多頻率尺度分解系數(shù)推導(dǎo)公式?，F(xiàn)以一個(gè)三層的分 解事例進(jìn)行分解說明，其小波分解圖如圖2所示。其中S表示原始信號，A表示低頻分解量，D 表示高頻分解量。
[0041] 如圖3所示是三相DC-AC逆變器拓?fù)浣Y(jié)構(gòu)圖，通過研究表明逆變器的主要故障源來 源于功率開關(guān)管，因此本文只對開關(guān)管的故障作為研究對象，然而在實(shí)際系統(tǒng)中，大于兩個(gè) 及以上功率開關(guān)管同時(shí)出現(xiàn)故障的情況較少，因此本文只針對假設(shè)最多只有具有2個(gè)開關(guān) 管同時(shí)出現(xiàn)故障的情況進(jìn)行診斷。并將電路正常運(yùn)行時(shí)作為一類故障類型可以分為5大類 22種情況：
[0042]第一類:無故障，正常運(yùn)行。
[0043] 第二類:只有一個(gè)功電力開關(guān)管開路，包括6小類，即：Tl，T2，T3，T4，T5，T6。
[0044] 第三類:同一橋臂2只電力開關(guān)管開路，包括3小類，即：T1&T4、T2&T5、T3&T6。
[0045] 第四類：同一半橋臂中相臨位置的2只電力開關(guān)開路，包括6小類，即：T1&T2、T1& T3、T2&VT3、T4&T5、T4&T6、T5&T6。
[0046] 第五類：同一半橋中相對位置的2只電力開關(guān)管開路，包括6小類，即：T1&T5、T1& T6、T2&T6、T2&T4、T3&T4、T3&T5 〇
[0047] 粒子群算法基本原理:粒子群算法(PSO)來源于Kennedy和Eberhart對鳥類捕食行 為的探索，于1995年提出了這種仿生群體智能化尋優(yōu)算法。在眾多智能尋優(yōu)算法中，PSO優(yōu) 化算法的操作簡便，易于計(jì)算機(jī)程序?qū)崿F(xiàn)，可調(diào)參數(shù)少，尋優(yōu)的速度快，隨著21世紀(jì)計(jì)算機(jī) 技術(shù)和集成化快速的發(fā)展PSO算法已眾多領(lǐng)域得到了應(yīng)用。我們假設(shè)有n個(gè)這樣的粒子組成 一個(gè)種群. . .，Xn)。第i個(gè)粒子的位置為Xi = (Xil，Xi2, . . .，xin)，然后利用適應(yīng)度 函數(shù)計(jì)算和評價(jià)當(dāng)前每一個(gè)粒子所處位置向量的好壞。第i粒子的速度為...， 乂 1<1)，個(gè)體極值為?1=奶1々2，...々 (1)，種群的集體極值為?{；=的1，？{；2，...，？ {；(1)，每經(jīng)過 一次迭代之后，粒子即可更新一次位置，由于每一個(gè)粒子相對應(yīng)的運(yùn)動(dòng)軌跡和速度是不同 的，可用公式(2.2)和(2.3 )，更新種群中每一個(gè)粒子的位置X變量與運(yùn)動(dòng)速度V變量，則第k+ 1次迭代尋優(yōu)計(jì)算后，第i個(gè)粒子所處的位置以及對應(yīng)的速度為和位置分別為：
[0050] 式中C1、C2取非負(fù)常數(shù)，^、^為[0，1]之間的隨機(jī)數(shù)常數(shù)，《為慣性權(quán)重，1為粒子 個(gè)數(shù)，k為當(dāng)前迭代次數(shù)，g為群體極值的變量含義，同時(shí)設(shè)置位置和速度的寬度[_X max， Xmax]，[_Xmax，Xmax]來達(dá)到最好的搜索效果。通過對粒子速度和位置的不斷更新，粒子群可以 利用k次迭代計(jì)算過程中的個(gè)體最優(yōu)解PJ和種群最優(yōu)解所包含的信息尋找出全局最優(yōu) 解。
[0051] 基于PS0算法的BP網(wǎng)絡(luò)學(xué)習(xí)算法，即利用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)：用PS0算法 優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要目的就是通過PS0算法尋優(yōu)獲得出更好的BP網(wǎng)絡(luò)初始權(quán)值和閾值，使 故障診斷的訓(xùn)練結(jié)果更加逼近期望。首先將神經(jīng)網(wǎng)絡(luò)的各連接層之間的權(quán)值和閾值作為粒 子群算法中粒子的位置向量，即每一個(gè)網(wǎng)絡(luò)權(quán)值和閾值作為一個(gè)微粒子群，初始化位置向 量X，然后依照粒子群尋優(yōu)算法過程，通過PS0不斷的迭代和無窮的逼近能力尋優(yōu)找出全局 最優(yōu)位置向量T，以此向量T作為BP神經(jīng)網(wǎng)絡(luò)的初始化權(quán)值w和閾值0，使得適應(yīng)度函數(shù)F小于 目標(biāo)誤差％PS〇-BP算法的流程示意圖如圖4所示，粒子群算法對BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)的具體過 程為：
[0052] A.隨機(jī)產(chǎn)生初始粒子參數(shù)；
[0053] B.計(jì)算粒子適應(yīng)度值；
[0054] C.通過粒子群優(yōu)化算法找出全局最優(yōu)位置；
[0055] D.判斷適應(yīng)度函數(shù)F是否小于目標(biāo)誤差e;
[0056] E.如果不小于，則更新粒子位置和速度，繼續(xù)步驟C;如果適應(yīng)度函數(shù)F小于目標(biāo)誤 差e，則輸出一組權(quán)值閾值作為優(yōu)化結(jié)果。
[0058]式中，N為樣本集序列;1>，^是樣本理論化輸出值;yj,i是樣本實(shí)際輸出值;C是網(wǎng)絡(luò) 輸出神經(jīng)元的個(gè)數(shù)，d表示理想結(jié)果，j = l,2, . . . ,C，t=l,2, . . . ,N，N表示樣本集，C表示網(wǎng) 絡(luò)輸出神經(jīng)元的個(gè)數(shù)。由PS0優(yōu)化BP神經(jīng)網(wǎng)絡(luò)獲得初始權(quán)值w和閾值0之后，而BP神經(jīng)網(wǎng)絡(luò)的 本身采用梯度下降法，該算法的學(xué)習(xí)過程主要為和"誤差的逆?zhèn)鞑?，即為權(quán)值和閾值不斷 的優(yōu)化過程。通過實(shí)際輸出值與期望值相類比比較，不斷的對網(wǎng)絡(luò)輸入層與中間層，中間層 與輸出層之間的神經(jīng)元連接權(quán)值與閾值的不斷修正，最終使誤差值最小從而達(dá)到期望誤差 目標(biāo)值。
[0059] 本文通過對光伏逆變器中主要故障源電力開關(guān)管進(jìn)行模擬故障，從而獲得光伏并 網(wǎng)DC-AC逆變器故障輸出電壓波形，并通過小波多分辨率分解變換獲得離散細(xì)節(jié)變量信號 Dj(k)和離散近似變量信號Q(k)通過量化處理提取特征變量，將所提取特征變量分為兩個(gè) 部分訓(xùn)練樣本和測試樣本，并用經(jīng)過粒子群算法(PS0)優(yōu)化過的BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本和 測試樣本進(jìn)行故障分類并與實(shí)際故障比較。通過仿真并人為制造電力開關(guān)管故障(開路)獲 取光伏逆變器輸出的故障電流波形，判斷小波分解和PS0-BP網(wǎng)絡(luò)對故障信號的分析效果。
[0060] 針對光伏逆變器中的電力電子器件具有較強(qiáng)的非線性，本文利用小波變換具有多 分辨率分析的能力可以將故障信號在不同尺度上分解開，使用各頻率尺度上的能量值作為 故障特征信號，并使用PS0算法優(yōu)化出一個(gè)最優(yōu)權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始值，通過 圖5和圖6的結(jié)果比較，使用PS0-BP網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確性大幅度提高，同時(shí)也使得訓(xùn)練時(shí)間有 效的縮短，有效增加了神經(jīng)網(wǎng)絡(luò)對光伏逆變器的故障診斷效果。
[0061] 上面結(jié)合附圖對本發(fā)明進(jìn)行了示例性描述，顯然本發(fā)明具體實(shí)現(xiàn)并不受上述方式 的限制，只要采用了本發(fā)明的方法構(gòu)思和技術(shù)方案進(jìn)行的各種非實(shí)質(zhì)性的改進(jìn)，或未經(jīng)改 進(jìn)將本發(fā)明的構(gòu)思和技術(shù)方案直接應(yīng)用于其它場合的，均在本發(fā)明的保護(hù)范圍之內(nèi)。本發(fā) 明的保護(hù)范圍應(yīng)該以權(quán)利要求書所限定的保護(hù)范圍為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種基于智能化分析的逆變器故障診斷系統(tǒng)，其特征在于，所述系統(tǒng)包括控制器和 顯示屏，控制器的輸入端連接逆變器的電壓輸出端，輸出工作電壓到控制器進(jìn)行小波分解 和故障分類，控制器的輸出端連接顯示屏。2. 根據(jù)權(quán)利1所述的基于智能化分析的逆變器故障診斷系統(tǒng)，其特征在于，所述控制器 中設(shè)依次連接傳遞信號的小波分解單元、樣本訓(xùn)練單元、故障分類單元和輸出單元，小波分 解單元的輸入端接收逆變器的輸出電壓，輸出單元連接顯示屏。3. 根據(jù)權(quán)利2所述的基于智能化分析的逆變器故障診斷系統(tǒng)，其特征在于，所述小波分 解單元中設(shè)有對輸入信號進(jìn)行多分辨分解的小波變換器。4. 根據(jù)權(quán)利2所述的基于智能化分析的逆變器故障診斷系統(tǒng)，其特征在于，所述故障分 類單元中設(shè)有用來故障分類識別的PSO-BP神經(jīng)網(wǎng)絡(luò)。5. 根據(jù)權(quán)利2所述的基于智能化分析的逆變器故障診斷系統(tǒng)，其特征在于，所述控制器 中還設(shè)有故障類別單元，故障類別單元包括22種故障。6. -種基于智能化分析的逆變器故障診斷方法，其特征在于，所述方法步驟包括： 步驟一、逆變器的故障輸出電壓輸入到小波多分辨分解模型中； 步驟二、通過db3小波作為基波對故障電壓信號多分辨分解獲得離散的細(xì)節(jié)變量信號仏 (k)和離散的平滑近似變量信號C」(k); 步驟三、使用小波的能量換算分別計(jì)算出分解序列的能量值，并將 獲得的能量值標(biāo)準(zhǔn)歸一化處理后獲得故障特征向量P; j表示尺度，k表示采樣點(diǎn)； 步驟四、通過使用粒子群算法對BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)，通過粒子群算法不間斷迭代獲得BP 網(wǎng)絡(luò)初始最優(yōu)權(quán)值閾值； 步驟五、將特征向量P作為BP神經(jīng)網(wǎng)絡(luò)輸入端的輸入變量送入神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類 識別； 步驟六、輸出故障診斷結(jié)果。7. 根據(jù)權(quán)利要求6所述的基于智能化分析的逆變器故障診斷方法，其特征在于，所述方 法步驟二中的多分辨分解公式為：，式 中Q(k)為離散平滑近似信號分量，Djk)為離散細(xì)節(jié)信號分量，為尺度函數(shù)，Wj>k(t) 為小波函數(shù)，j為尺度，k為采樣點(diǎn)，t為時(shí)間變量。8. 根據(jù)權(quán)利要求6所述的基于智能化分析的逆變器故障診斷方法，其特征在于，所述方 法步驟三中的故障特征向量的提取方法為：1) 選取db3小波作為小波基函數(shù)，對逆變器輸出電壓多分辨率分解，可得到4個(gè)分解序 列{A3，D3，D2，D1}; 2) 通過分解序列的小波能量值計(jì)算方程： 計(jì)算分解序列的能量:EA3，ED3， Ed2，Edi ; 3) 選取能量值標(biāo)準(zhǔn)化后的特征向量P作為故障分類判別特征向量:P = {EA3，Ed3，Ed2， ED1}，作為神經(jīng)網(wǎng)絡(luò)的輸入。9. 根據(jù)權(quán)利要求6所述的基于智能化分析的逆變器故障診斷方法，其特征在于，所述方 法步驟四的粒子群算法對BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)的具體過程為： A. 隨機(jī)產(chǎn)生初始粒子參數(shù)； B. 計(jì)算粒子適應(yīng)度值； C. 通過粒子群優(yōu)化算法找出全局最優(yōu)位置； D. 判斷適應(yīng)度函數(shù)F是否小于目標(biāo)誤差e ; E. 如果不小于，則更新粒子位置和速度，繼續(xù)步驟C;如果適應(yīng)度函數(shù)F小于目標(biāo)誤差e， 則輸出一組權(quán)值閾值作為優(yōu)化結(jié)果。10. 根據(jù)權(quán)利要求6所述的基于智能化分析的逆變器故障診斷方法，其特征在于，所述 方法步驟四中粒子群算法對BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)后，BP神經(jīng)采用梯度下降法。
【文檔編號】G06K9/00GK106053988SQ201610438466
【公開日】2016年10月26日
【申請日】2016年6月18日
【發(fā)明人】田麗, 李從飛, 婁潔, 王軍, 曹安照, 鳳志民, 吳道林, 王勇
【申請人】安徽工程大學(xué)