基于小波径向基网络的电力电子电路故障诊断(2)

  本文关键词：基于小波径向基网络的电力电子电路故障诊断，由笔耕文化传播整理发布。

第 38 卷第 3 期
2008 年 6 月

微 电 子 学
Microelect ronics

?研 究 论 文 ?

基于小波径向基网络的电力电子电路故障诊断
韩晓静 ,王友仁 ,崔 江
( 南京航空航天大学 自动化学院 , 南京 　 210016)

　 摘　 :　 要 提出了一种基于小波径向基神经网络和主成分分析的电力电子故障诊断方法 ,该方法用 小波变换和主成分分析对数据进行预处理 ,提取出有效故障特征信息 ,实现数据压缩 ,减少了神经 网络的训练时间 ,选用径向基 ( RB F) 网络为故障分类器 ,解决了 B P 网络容易陷入局部极小点的问 题 ,提高了训练速度 ,并且具有诊断率高的特点 。实例证明了该方法的有效性 ,并与其他诊断方法 进行了对比 。 关键词 : 　 电力电子 ; 故障诊断 ; 主成分分析 ; 径向基网络
中图分类号 : 　TP306 + . 3 　　　　　　　 文献标识码 : 　 A

　

Fault Diagnosis of Po wer Electronic Circuits Based on Wavelet Radical Basis Function Net work
HAN Xiaojing , WAN G Yo uren , CU I J iang

( College of A utomation an d En gi neeri ng , N anj i n g Uni versit y of A eronautics an d A st ronautics , N anj i ng 210016 , P. R. Chi na)

work and p rincipal component analysis is p resented. In t his met hod , wavelet t ransform and p rincipal co mpo nent

ing time of neural network. Radial basis f unction ( RB F) netwo rk was cho sen as t he fault classifier , which solved t he

perimental result s p roved t he validity of t he met hod , and a comparison was also made wit h ot her fault diagno sis met hods.

　

1　 　 引 言

断涌现 ,其故障诊断问题也日益突出 。快速实现电 力电子电路在线故障检测和诊断 , 对于快速查找故 障 ,减少停机时间 ,实现预知维护及容错系统都具有 非常重要的意义 。 目前 , 对电力电子电路故障诊断技术的研究还
[1 ]

相对较少 。于飞等人提出了一种基于多分辨率分析 和主成分分析的电力电子电路故障诊断
, 用决策

收稿日期 : 2007208208 ; 　 定稿日期 : 2007212218

基金项目 : 国家自然科学基金资助项目 (60374008 ,60501022) ; 航空科学基金资助项目 (2006ZD52044 ,04152068)

p ro blem of partial minimal point fo r B P , imp roved t raining speed and achieved higher fault diagno sis rate. Final ex2

analysis were used to p rep rocess data and ext ract fault feat ures , which realized data co ndensation and reduced t rain2

随着电力电子技术的迅猛发展和相关产品的不

　 Abstract : 　 fault diagno sis met hod fo r power elect ronic circuit s based o n wavelet radial basis f unctio n neural net2 A
Key words : 　Power elect ro nics ; Fault diagno sis ; Principal co mpo nent analysis ; Radial basis f unction netwo rk EEACC : 　 2570

树作为分类器 ; Ma Hao 等人采用混杂系统建模的 方法对电力电子电路进行故障诊断 [ 2 ] , 获得了较好 的诊断效果 ; 崔江等人采用支持向量机作为电力电 子电路的故障分类器 ,对单故障进行了诊断研究[ 3 ] 。 神经网络由于具有分布存储 、 并行处理和学习 能力而成为电路故障诊断的一种有效方法 [ 427 ] 。常 用的 B P 网络具有易陷入局部极值 、 训练时间较长 等缺点 。本文尝试利用小波变换获取故障特征 , 并 利用主成分分析对故障特征样本降维 , 最后设计
RB F 网络作为电力电子电路的故障分类器 。实验

证明 ,该方法具有较好的诊断效果 。

文章编号 :100423365 (2008) 0320309203

Vol1 38 , No . 3 J un1 2008

　 310

韩晓静等 : 基于小波径向基网络的电力电子电路故障诊断

2008 年 　

用一个新的变量 y1 来表示 p 个变量 , x 1 , x2 ,

2　 基于小波径向基网络和主成分分析

的故障诊断技术
　　 目前 ,小波与神经网络的结合主要有两种形式 : 一种是利用小波变换对信号进行预处理 , 提取信号 的特征向量作为 B P 神经网络的输入[ 4 , 7 ] ; 另一种是 采用小波函数和尺度函数形成神经元 , 达到小波和 神经网络的直接融合 。B P 神经网络在训练时极易 陷入局部极值 ,而 RB F 网络则不存在此类问题 。 本文设计了一种小波径向基神经网络作为故障 分类器 ,可有效解决网络的训练问题 。本文方法属 于第一种类型 ,其结构框图如图 1 所示 。

…, x p , 第一主成分由 p 个变量的线性合成 : ( 3) 　　y1 = ω x 1 + ω x 2 + …+ ω p x p 11 12 1 ′ ω 12 记 W 1 ∶ 11 ,ω , …, ω p , 则应满足 W 1 W 1 = 1 ; 1 同样 , y2 = ω x 1 + ω x2 + …+ ω P x p , W ′ W 2 = 1 , 并 21 22 2 2 且为了使 y1 与 y2 不相关 , 则 W ′ W 1 = 0 。依此类推 2 到第 j 个主成分 。 2. 3 　 故障诊断分类器 由于电力电子电路具有很强的非线性 , 而神经 网络本身有很强的非线性映射能力 ,因此 ,选择神经 网络作为故障诊断分类器往往具有不错的效果 。 B P 网络用梯度法求非线性函数极值 ,容易陷入 局部极小点且收敛速度慢 。RB F 网络是一种典型 的局部逼近神经网络 ,它收敛速度快 ,可以实现全局 最优解 。在逼近能力 、 分类能力和学习速度等方面 均优于 B P 网络 。 包含单输出 ( 即单类 , 若多类则对应多输出 ) 的 径向基函数神经网络结构如图 2 所示 。

图1　 基于小波径向基网络与主成分分析的故障诊断框图
Fig. 1 　 Block diagram of fault diagno sis based o n wavelet neural network and p rincipal compo nent analysis

2. 1 　 特征提取技术

与 FF T 不同 ,小波变换在时频两域都具有表征 信号局部特征的能力 。采用小波分解可以极大地压 缩数据量 ,减少特征矢量维 。 信号 I ( x ) 的小波系数可以表示为 : C ( a , b) = {ψ , b ( x ) , I ( x ) } = a 1 x - b) ( 1) I ( x )ψ( dx

∫ a

图2　 径向基函数神经网络示意图
Fig. 2 　RB F neural netwo rk

a

式中 ,ψ( x ) 表示小波基 , a 为尺度参数 , b 为位 移参数 。离散小波变换中 , 假设 a = 2 j , b = k ×a , ( j , 2 k) ∈Z 。 经过分析 , 最终选用 “墨西哥草帽” 小波 ( Marr 小波) 。选择 4 层小波包分解 ,并以各层小波包分解 系数的最大值作为特征来构成故障特征矢量 。 2. 2 　 主成分分析 主成分分析可以对故障特征矢量进行数据的降 维处理 ,提取出主要信息 ,便于下一步的故障辨识 。 主成分分析的基本过程为 , 给定一个包含 n 个 样本 , p 个变量的数据矩阵 : x 11 x12 … x1 p 　　X =
x 21 x22

对于图 2 , 　　f ( x ) = ∑w i ?K ( x )
i=1 m

( 4)

其中 , K ( x ) 为与输入样本相关的径向基函数 。

3　 实验结果分析
3. 1 　 仿真电路

… x2 p … … … x np

…
x n1

…
x n2

( 2)

选用 Buck2Boo st 电路作为诊断实例 ,如图 3 所 示 。用 Pspice 9. 2 软件对其进行建模和仿真 。电路 参数设置如下 : 输入直流电压 V 1 为 12 V ,开关管 M1 型号为 IRF130 ,其工作频率为 50 k Hz ,占空比为 75 % , 续流二极管 D1 型号为 MUR1610CT , L1 、3 均为 10 L μH ,L 2 为 100 μH , C1 = 100 μF , C2 = 300 μF , C3 = 500 μF ,负载 R1 设定为 10 Ω。

　 3期 第

韩晓静等 : 基于小波径向基网络的电力电子电路故障诊断

311 　

高了故障诊断率 ,两种方法均达到 95 %以上 。 2) 用 RBF 网络作为分类器对故障进行识别 , 在 诊断率上与 BP 基本接近 ,但是在总体性能方面又优 于 BP ,它不但在训练时不会陷入极小值问题 ,而且减 少了诊断时间和训练步数 ,大大提高了诊断速度 。

4　 　 结 论
Fig. 3 　 Buck2Boo st circuit topology F2 F3
C1 开路 C2 开路

3. 2 　 故障模式设置

在待测电路中 , 设立 19 种故障模式 , 分别用符 号 F1～ F18 表示故障状态 , F0 表示正常状态 。具 体故障模式如表 1 所示 。设电阻的容差为 5 % , 电 容和电感的容差均为 10 % 。当电路的一个或两个 元器件发生故障时 , 其余器件均在容差范围内正常 工作 。每一种故障模式进行 35 次蒙特卡罗分析 。
表 1 　Buck2Boost 电路故障模式设置
F1
L 1 开路

F0

正常
F10

C2 &L 3

开路 F5 L 2 开路
F15
L 1 & C3

开路

3. 3 　RBF 网络训练

将训练样本送入 RB F 网络进行训练 ,达到期望 值时存贮权值和阈值 。之后 , 将测试样本输入 RB F 网络进行测试 , 得到诊断结果 。表 2 给出 RB F 与
B P 网络 、 故障字典法的诊断效果对比 。

Table 2 　 Comparison bet ween different diagnosis methods

分类器类型 RB F
BP 故障字典法

从以上实验数据中 ,可以得到以下结论 : 1 ) 较之故障字典法 , 用 RB F 网络和 B P 网络作 为故障分类器 ,具有较好的故障识别能力 ,较大地提

Table 1 　Fault modes setup for buck2boost circuit F11 F12 F13
C3 & L 3 C1 &L 1 L 1 &L 3

开路 F6 R1 开路
F16

C2 & L 1

开路

表2　 几种诊断方法诊断效果比较 时间/ s 5. 734
- -

170. 64

图3　 Buck2Boo st 电路原理图 开路 F7 L 3 开路
F17
C1 &L 3

提出了一种基于小波径向基神经网络的电力电 子电路的故障分类器 。利用小波包变换的时频特 性 ,实现对原始数据的特征提取 ; 用主成分分析可实 现有效的特征降维 ; 用 RB F 网络作为故障分类器 , 解决了 B P 网络易陷入局部极值等问题 , 提高了训 练速度 。实验数据表明 , 本文方法在电力电子电路 的故障诊断中是有效的 ,并且具有诊断率高的特点 。 参 考 文 献:
[1]

F4

[2]

C3 开路

F14 [3]

C1 & C2

开路 F8 L 3 短路
F18
L 3 短路 C1 开路

开路 F9 D1 短路 — —

[4]

开路

[5]

[6]

[7]

训练步数 63
22787 - -

诊断率

99. 65 % 97. 89 % 82. 11 %

误诊率 0. 35 %
2. 11 %

[8]

17. 89 %

作者简介 : 韩晓静 ( 1982 - ) , 女 ( 汉族 ) , 河 北石家庄人 ,硕士研究生 ,研究方向为模拟 电路故障测试与诊断技术 。

于飞 ,田玲玲 , 刘喜梅 , 等 . 基于小波多分辨率分析和 主元分析的电力电子电路故障诊断 [J ] . 华东理工大 学学报 ( 自然科学版) ,2006 ,32 (9) :111321117. MA H , MAO X Y , ZHAN G N ,et al. Parameter iden2 tification of power elect ro nic circuit s based o n hybrid model [ C ] / / 36t h Power Elec Spec Co nf . Brazil. 2005 :285522860. 崔江 , 王友仁 , 刘权 . 基于高阶谱与支持向量机的电 力电子电路故障诊断技术 [J ] . 中国电机工程学报 , 2007 ,27 ( 10) : 62266. 王承 , 陈光 禹 , 谢永乐 . 基于小波2神经网络的模拟电 礻 路 IDD T 故障诊断 [J ] . 仪器仪表学报 ,2005 ,26 (11) : 110621108. STO PJ A KOVA V , MALOSE K P , MA TEJ M , et al. Defect detection in analog and mixed circuit s by neural networks using wavelet analysis [J ] . IEEE Trans Re2 liab , 2005 , 54 ( 3) : 4412448. HOU B P , ZHU W , XIAN G X J ,et al. Applied st udy of elect romotor fault diagno sis based on wavelet pack2 et s and neural network [ C ] / / Proc 5t h Int Co nf Ma2 chine Learning and Cybernetics. Dalian , China. 2006 : 291222916. YUAN H Y ,C H EN G J , SH I S B ,et al. Research o n fault diagno sis in analog circuit based on wavelet neural network [ C ] / / Proc 6t h Congr Intelligent Co nt rol and Automation. Dalian ,China. 2006 : 265922662. R EN FR EW A C , TIAN J X. The use of a knowledge2 based system in power elect ronic circuit fault diagno sis [ C ] / / 5t h Europ Co nf Power Elec and Appl. 1993 : 57262.



神经网络考试TIP

但并不等于径向基 网络就可以取代其它前馈网络。 这是因为 径向基网络很可能...路故障诊断中的应用; 基于小波神经网络的电力电子电路故障 模式识别; 基于改进...

小波网络在电力线路故障测距中的应用研究

关键词:Mallat 小波;径向基小波网络;故障测距 1 ...2 Mallat 小波 小波分析是 80 年代中期发展起来的...3 基于 RBF 小波网络的电力线路故障测距 3.1 RBF ...

研究生神经网络考试版

这是因为径向基网络很 可能需要比 BP 网络多得多的隐 含层神经网络元来完成...k ?1 基于改进粒子群算法神经网络的 L 1 2 1 2 电力电子电路故障诊断; ?...

神经网络的电网故障诊断资料

基于径向基函数神经网络和... 7页 免费 基于神经网络的电力电子电... 4页 ...2 2.1 用于故障诊断的 RBF 神经网络 RBF 神经网络的结构 RBF 神经网络由输入...

1电气设备的在线监测与故障诊断

百度文库 专业资料 工程科技 电子/电路专题推荐 北...黄树红 发电设备状态检修 2000 2.黄建华 变电站高压...基于径向基函数网络的高压断路器在线监测和故障诊断[...

电子线路故障诊断的研究开题报告

2页 1下载券 基于神经网络的电子线路... 暂无评价...所以,为了实现模拟电路故障诊断的自动化、智能化,在...M.Catelani应用径向基函数神经网络分别对元件级和子...

文献检索上机作业

答: Symmetra 是美国电力转换公司的注册商标 2、微...《利用层次径向基神经网络的汽轮机排气焓计算》 《...的模拟电路故障定位方法》 《基于多频小波分析和 D...

基于神经网络的模拟电路故障诊断毕业论文

基于神经网络的模拟电路故障诊断 本科毕业论文(设计)...10 3.2.3 小波变换理论及其在故障特征提取中的...中比较了模糊方法和径向基函数神经网络 的故障诊断...

中文翻译

为了解决这一问题, 本章提出了一种结合小波变换, ...准确的负荷预测可以提高安 全性和稳定性以及电力系统...1.3.2 径向基函数神经网络训练 RBF 神经网络包括...

  本文关键词：基于小波径向基网络的电力电子电路故障诊断，由笔耕文化传播整理发布。