The present invention relates to a fault diagnosis method for power electronic converter based on Cerebellar Model Neural Network (CMNN). Samples with fault information are obtained by data acquisition and noise reduction, and a few fault features are extracted by time and frequency domain analysis to establish a data sample bank; CMNN fault classifier is adopted and Back Pro is adopted. Pagation algorithm, after off-line training, accurately classifies all types of faults and their specific locations in training samples, extracts the optimal parameters of the fault classifier, and directly assigns the optimal parameters to the classifier network for testing the classifier. The classifier network with the optimal parameters is embedded in the DSP for fault diagnosis and location of the actual circuit to realize the converter circuit. Quick self-test. The invention can judge the health condition of the converter more accurately and reliably, and also improves the efficiency of fault analysis of the converter.
【技术实现步骤摘要】
一种基于小脑模型神经网络的电力电子变换器故障诊断方法
本专利技术涉及电力电子
,特别是一种基于小脑模型神经网络的电力电子变换器故障诊断方法。
技术介绍
随着电力电子技术的发展,电力电子变换器作为电力电子交直流转换的装置,在智能电网、工业电机驱动及节能、电动汽车、轨道交通等现代领域都起着关键作用,而同时电力电子变换器的故障诊断问题也随之产生。传统电力电子变换器故障诊断方法有故障树分析法,信息融合方法等。故障树分析法的诊断过程直观易理解,但故障树的建立工作量庞大;信息融合方法是将多种来源、多种类型的讯息结合在一起,可以从多角度获得表征故障的多维有效特征信息,但越多的信息会使得故障诊断的网络变得相当庞大,大大影响诊断的快速性,而类神经网络方法(ArtificialNeuralNetwork,ANN)由于采用人工神经元相互联结来建立输入特征和输出结果的映射关系,通过神经元及其相应结构(权值、偏差)的不断修正,能够对未知的或无法预测的故障信息进行分析判断,因此非常适合用在电路的故障诊断和定位中。但传统的ANN是一种全局逼近神经网络,每次反向传递更新权值时,网络所有权值都需要更新,其收敛速度慢,并且训练过程中,在学习新样本时有遗忘旧样本的趋势,不利于对故障的精准分类。
技术实现思路
有鉴于此,本专利技术的目的是提出一种基于小脑模型神经网络的电力电子变换器故障诊断方法,能更准确、更可靠的判断变换器的健康状况,也提高了变换器故障分析的效率。本专利技术采用以下方案实现:一种基于小脑模型神经网络的电力电子变换器故障诊断方法,具体包括以下步骤:步骤S1:通过数据采集并降噪处理 ...
【技术保护点】
1.一种基于小脑模型神经网络的电力电子变换器故障诊断方法,其特征在于:包括以下步骤:步骤S1:通过数据采集并降噪处理,得到带有故障信息的样本;步骤S2:采用时域、频域分析方法提取故障特征,建立故障特征与故障类型一一对应的变换器数据样本库,用于训练、测试网络性能;步骤S3:构建小脑模型神经网络故障分类器,并采用步骤S2的数据样本库训练故障分类器,采用Back‑Propagation算法更新被激活的少数参数,离线训练后将训练样本中包含的各类型故障及故障具体位置准确划分,提取故障分类器的最优参数,并将最优参数直接赋予分类器网络,进行分类器测试工作;步骤S4:将被赋予最优参数的分类器网络植入DSP中,做实际电路的故障诊断与定位,实现变换器电路快速自检。
【技术特征摘要】
1.一种基于小脑模型神经网络的电力电子变换器故障诊断方法,其特征在于:包括以下步骤:步骤S1:通过数据采集并降噪处理,得到带有故障信息的样本;步骤S2:采用时域、频域分析方法提取故障特征,建立故障特征与故障类型一一对应的变换器数据样本库,用于训练、测试网络性能;步骤S3:构建小脑模型神经网络故障分类器,并采用步骤S2的数据样本库训练故障分类器,采用Back-Propagation算法更新被激活的少数参数,离线训练后将训练样本中包含的各类型故障及故障具体位置准确划分,提取故障分类器的最优参数,并将最优参数直接赋予分类器网络,进行分类器测试工作;步骤S4:将被赋予最优参数的分类器网络植入DSP中,做实际电路的故障诊断与定位,实现变换器电路快速自检。2.根据权利要求1所述的一种基于小脑模型神经网络的电力电子变换器故障诊断方法,其特征在于:步骤S1具体包括以下步骤:步骤S11:采用PC仿真研究,通过元器件等效模型建立变换器仿真电路;步骤S12:根据各元器件失效原理,对相应的元器件施加故障;步骤S13:采集测量点电信号,并加以卡尔曼滤波算法去除噪声,获取原始样本数据,得到带有故障信息的样本。3.根据权利要求1所述的一种基于小脑模型神经网络的电力电子变换器故障诊断方法,其特征在于:所述小脑模型神经网络故障分类...
【专利技术属性】
技术研发人员:林琼斌,陈诗灿,万志松,王武,蔡逢煌,柴琴琴,
申请(专利权)人:福州大学,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。