CN101614786B - 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 - Google Patents

Abstract

本发明公布了一种基于FRFT和IFSVC的功率电子电路在线智能故障诊断方法，属于信号处理和功率电子故障测试领域。本发明方法包括以下步骤：在电路合适的可测节点处周期性采集待测的功率电子电路输出信号；对采集的电压或电流信号进行分数阶傅里叶变换并提取故障特征以形成样本；利用故障字典进行计算以实现故障元件的定位。本发明具有方法简单、故障分辨率和诊断精度较高等优点，能够提高功率电子电路在线故障诊断的自动化程度。

Description

基于FRFT和IFSVC的功率电子电路在线智能故障诊断方法

技术领域

发明涉及一种基于FRFT和IFSVC(Importance First SVC)的功率电子电路在线智能故障诊断方法，属于信号处理和功率电子故障测试领域。

背景技术

功率电子电路系统广泛应用于各种工业与军用设备中，而电路系统(或子系统)往往由多种功率元件构成，而这些元件往往具有一定的生命周期；另外，电路元件除了遭受频繁的启动/停止操作和过压、过流操作之外，其性能还往往容易遭受温度、机械振动、电磁干扰、湿度等环境应力的影响，可能会导致器件性能的早期恶化甚至失效，从而会导致整个电路系统的整体性能衰弱，关键元器件的提前失效还可能会导致整个系统的崩溃，从而可能会引发严重事故。因此，实现功率电子电路的在线诊断具有十分重要的意义。

目前，对功率电子电路的在线诊断方法主要包括：系统建模和模式识别方法。其中，系统建模方法是一种比较好的方法，但是所需参数估计的计算量很大，目前用于在线诊断还有一定的困难；而基于信号处理的智能模式识别方法是目前的研究热点。在实际的功率电子电路诊断中，常用的信号处理方法主要是快速傅里叶分析(FFT)，FFT方法的理论较为成熟，在数字信号处理器之中得到了广泛的应用，用于谐波分析等方面有丰富的工程应用资料可查，但是FFT仅把信号从时域转换到频域进行分析，在进行过渡计算时丢失了许多有用信息，因而在进行特征提取时获得的故障分辨率并不高。

采用基于分数阶的傅里叶分析方法可以解决故障分辨率不高的问题，但是故障样本的维数可能随之增加，这增加了后续机器学习方法的训练和识别负担。在功率电子电路中，每个元件或模块在整个电路系统中的作用往往是不同的，出现故障之后对系统造成的影响和后果可能也有较大差别，另外，传统方法没有优先诊断的功能。

发明内容

本发明所要解决的技术问题是针对现有技术存在的缺陷提供一种基于FRFT和IFSVC的功率电子电路在线智能故障诊断方法。

本发明为实现上述目的，采用如下技术方案：

本发明基于FRFT和IFSVC的功率电子电路在线智能故障诊断方法，其特征在于包括如下步骤：

一.离线仿真

1)对功率电子电路进行可测性分析，确定功率电子电路的可测节点和故障类型；

2)对功率电子电路施加与故障类型对应的测试激励后采用数据采集卡在步骤1所述的可测节点处采集功率电子电路的输出响应信号；

3)将步骤2所述的输出响应信号经过分数阶傅里叶分析FRFT分解并提取故障特征；

4)将步骤3所述的故障特征经过归一化得到故障样本，所述故障样本包括训练样本和测试样本；

5)将步骤4所述的训练样本经过“one against rest”SVC分类器训练得到训练参数，将步骤4所述的测试样本经过“one against rest”SVC分类器测试得到最高故障诊断精度所对应的各个参数，利用所述最高故障诊断精度所对应的各个训练参数形成故障字典；

二.在线诊断

6)依次提取步骤5所述的故障字典内的信息作为基于重要性优先原则的支持向量机分类器IFSVC的节点，即构成了基于重要性优先原则的支持向量机分类器IFSVC；

7)当待测的功率电子电路运行时，则重复步骤2至4得到实际故障样本；

8)将步骤7所述的实际故障样本经过步骤6所述的基于重要性优先原则的支持向量机分类器IFSVC输出故障模式。

本发明的有益效果在于：

通过采用FRFT等多分辨率分析方法，可以更有效地提取故障特征样本，并有利于后续的SVC分类器分类；采用的IFSVC结构唯一(带拒识功能)，并且可以避免BP神经网络等方法固有的局部极值、训练效率差、对数据维较为敏感等缺点；分类器设计时考虑了重要性优先的原则，提高了功率电子电路在线诊断的自动化程度和实时诊断效果。

附图说明

图1：本发明故障诊断框图；

图2：IFSVC的故障诊断流程图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

本发明采用基于IFSVC的功率电子电路在线智能故障诊断过程框图，如图1所示。本发明的实施主要分为两个步骤：离线仿真和在线诊断。离线仿真的主要目的是建立故障字典，在线诊断主要是采用故障字典进行故障的计算和定位。具体操作如下：

1)在功率电子电路在线诊断之前，首先离线对待测的功率电子电路进行可测性分析，根据需要诊断的故障模式类型和数目，再确定功率电路的测试节点和测试参数。

功率电子电路的可测性分析主要采用系统建模的方法进行，并结合功率电路的运行特性加以分析。经过可测性分析之后，需要确定各个故障模式的重要性，并进行排序。例如，在一个逆变器电路中，需要对实现逆变功能的功率管进行故障诊断，一般的，功率管的短路故障对电路造成的影响要比功率管开路造成的影响要大(即造成的后果更加严重)，因此，在诊断的时候，认为功率管短路故障的重要性要大于功率管开路故障的重要性；在功率电子电路中，元器件产生硬故障对电路系统造成的影响要比元件产生参数故障对电路系统造成的影响要显著，因此，元器件硬故障的重要性明显比参数故障的重要性大。

假设需要在线诊断的故障模式一共有N+1种，故障代码依次标记为：f₀，f₁，...，f_N，对整个电路分析完毕，其诊断的故障模式的重要性顺序为：f₀≥f₁≥...≥f_N。此处，f₀代表功率电子电路正常运行时的无故障状态代码。

2)因为本发明采用基于机器学习的方法进行在线智能故障诊断，所以必须采用一定的故障样本进行训练才能进行应用。一般的，机器学习需要的样本来源有两种：仿真样本和实际样本。其中，采用实际的样本进行训练十分有用，但是考虑到实际样本的获取较为困难，在某些情况下是不可能得到的，因此，往往采用仿真的样本进行训练。在进行仿真时，可以利用软件(如Matlab、Pspice)对功率电路进行建模，建模分析时，采用的元件模型应尽量和实际应用的元件保持一致，这样在软件仿真时可以使得仿真的样本尽量接近实际采集的数据样本。

确定后续机器学习所需要的训练样本数目，假设每种故障模式采用的训练样本数目为t，则N+1种故障模式总共需要的训练样本数目为t□(N+1)。在进行仿真时，按照f₀，f₁，...，f_N的顺序依次进行仿真，考虑实际应用中元件容差的影响，此处采用Monte Carlo算法进行模拟，Monte Carlo分析可以采用均匀分布或高斯分布。

在仿真和处理时，需要同时考虑在线诊断所需的传感器类型和精度：如果采集的为电流信号，则需要通过硬件电路把电流信号转换为电压信号再进行数据采集。数据采集的精度、采样率和采集的数据长度可以根据实际的需要(系统产生故障后的检测、处理和定位时间要求等)确定，比如，数据采集的AD精度为14位，采样率为500KHz，数据点数s为1024点。

3)对仿真采集到的数据样本进行分数阶傅里叶分析，FRFT的连续变换公式为：

其中，变换的核函数κ_α为(下式中的n为整数)：

在本式κ_α中，j为复数中的虚数代表符号(j²＝-1)，cot、csc代表余切和余割函数，a为旋转因子，且 $a=p\·\frac{\mathrm{\π}}{2},$ p为分数阶的阶数，t为时间变量，u为上式核函数的参数，δ为冲击函数，n为整数(0、1、2等)，π为圆周率常数。p的取值范围一般为：[0，1]，当p＝0时上式即成为原始信号，当p＝1时即成为常规的傅里叶分析。利用不同的p值对信号进行分析可以得到从不同角度得到的故障信息特征。

假设当p＝i时，对功率电子电路的某个节点node_j(j＝1，...，M，其中M为待测的功率电子电路可测节点数目)采集到的s点数据进行FRFT分解，分解之后得到的故障特征矢量为E_j ⁱ，其维数大小为s，当p取不同的值时，即得到不同的系数。这些系数反映了该节点信号从原始信号空间向傅里叶的频域空间过渡时的状态，当电路产生不同类型的故障时，该节点的输出信号都会产生不同的变化，相应地这些分数阶分解系数都会产生不同的值，因此对于故障诊断都是有价值的信息。在本发明中，对p在[0，1]之间均匀采样d次，则p的离散值为：

利用FRFT进行分析得到的特征矢量系数并进行组合得到节点j处的总特征矢量，并记为： $E_j=[E_j^1,E_j^2,...,E_j^d].$ 对整个电路的M节点的信号进行处理，最终得到的一个特征矢量为：E＝[E₁，E₂，...，E_M]，该矢量的维数为：s·d·M。一般的，E的维数较大，采用常规的神经网络方法往往不能奏效，因此，采用支持向量机分类器加以诊断可避免出现的“维数灾难”；有些情况下，数据的维数过大，可能会导致存储复杂度的提升，这时可以对样本进行PCA降维操作，虽然损失了一些诊断信息，但是故障特征数据的维数可能会显著降低。对故障特征样本需不需要降维要根据实际需要决定。

4)对通过分数阶傅里叶分析得到的故障特征进行归一化操作，其主要目的是在样本训练时防止数据范围的波动过大而设定的。对故障特征E进行归一化的公式如下：

$\frac{[E-\min \left(E\right)]}{[\max \left(E\right)-\min \left(E\right)]}$

其中，min(·)为取矢量的最小值函数，取完之后形成的最小值矩阵维和故障特征E一致，且内部所有元素的值都为E中最小的数据元素；max(·)表示取矢量的最大值函数。

经过数据的归一化之后，故障样本的数据范围在[0，1]之间。把所有故障模式的样本分为两组：训练样本和测试样本，确定一定的Mercer核函数(可选择的类型包括：多项式核、径向基核和sigmoid核，一般的，径向基核的效果要好一些)；在使用训练样本进行训练时，把其中一种故障模式(例如f₀)的训练样本作为“-1”标签，其余故障模式的所有训练样本作为“+1”标签，并利用“one against rest”SVC进行训练，最终得到一定的训练参数信息(例如H₀即表示第0个二元SVC的训练信息)；在对应一定的参数情况下全部训练完毕，利用“one against rest”SVC对测试样本进行分类并计算整体的故障诊断精度大小，取最高故障诊断精度所对应的各个参数(包括：核函数类型、支持向量、拉式系数、网络偏差等)作为最终的最优参数加以保存，注意保存这些训练信息的时候，是按照训练时故障模式的重要性原则依次进行存储的，即保存这些训练信息的时候是按照H₀、H₁、...、H_N的顺序依次保存的，依次为第0个至第N+1二元SVC的训练信息。

5)分类器设计完毕，需要进行在线的故障诊断和测试。实际测试样本的获取方法和训练样本的获取方法基本一致：当待测的功率电子电路运行时，在电路的可测节点周期性(根据实际电路的运行需要设计此周期大小，比如每20ms检测一次)采集电路的输出响应并进行FRFT分解，对分解系数进行上述步骤3)～4)的操作，便形成了实际的故障特征样本。然后把故障特征样本输入至IFSVC进行故障分类。

IFSVC的结构见图2所示。在进行测试的时候，把疑似样本x载入计算的缓冲RAM(随机存储器)空间，并从ROM(只读存储器)空间内提取离线获取的故障字典信息。

根据重要性优先的原则，依次提取H₀、H₁、...、H_N进行计算，这些小表格内包含的信息主要有：支持向量、样本标签、拉式系数和偏差、核函数类型。计算采用常规的二元SVC决策函数。

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{*}{y}_{i}K(x,X)+b^{*})$

该函数是一个符号函数，用于决定样本x的标签类型，上个式中，sgn(·)是符号函数，表示对计算的结果取符号(如果该样本的标签为“-1”，则判别当前发生的故障类型码为f₀；如果为”+1”，则表示当前测试样本属于其他故障模式代码，需要继续调用其他的故障训练信息进行计算；如果一直到最后判决x也不属于f_N，则IFSVC做出拒识，表示采用现有的分类器不能诊断当前发生的故障)；α_i ^*为训练时得到的第i个支持向量所对应的拉式系数；y_i为第i个支持向量所对应的样本标签(“-1”或“+1”)；K(x，X)为Mercer核函数，参加运算的样本为：测试样本x和训练样本X(或支持向量的样本集)；b^*为训练完毕对应的偏差；n为支持向量个数。

Claims (3)

1.一种基于FRFT和IFSVC的功率电子电路在线智能故障诊断方法，其特征在于包括如下步骤：

一.离线仿真

1)对功率电子电路进行可测性分析，确定功率电子电路的可测节点和故障类型；

2)对功率电子电路施加与故障类型对应的测试激励后采用数据采集卡在步骤1所述的可测节点处采集功率电子电路的输出响应信号；

3)将步骤2所述的输出响应信号经过分数阶傅里叶分析FRFT分解并提取故障特征；

4)将步骤3所述的故障特征经过归一化得到故障样本，所述故障样本包括训练样本和测试样本；

5)将步骤4所述的训练样本经过“one against rest”SVC分类器训练得到训练参数，将步骤4所述的测试样本经过“one against rest”SVC分类器测试得到最高故障诊断精度所对应的各个参数，所述最高故障诊断精度所对应的各个参数形成故障字典；

二.在线诊断

6)依次提取步骤5所述的故障字典内的信息作为基于重要性优先原则的支持向量机分类器IFSVC的节点，即构成了基于重要性优先原则的支持向量机分类器IFSVC；

7)当待测的功率电子电路运行时，则重复步骤2至4得到实际故障样本；

8)将步骤7所述的实际的故障样本经过步骤6所述的基于重要性优先原则的支持向量机分类器IFSVC输出故障模式。

2.根据权利要求1所述的基于FRFT和IFSVC的功率电子电路在线智能故障诊断方法，其特征在于当步骤6中所述的基于重要性优先原则的支持向量机分类器IFSVC中的节点没有与步骤7所述的实际的故障样本匹配，则拒绝识别。

3.根据权利要求1或2所述的基于FRFT和IFSVC的功率电子电路在线智能故障诊断方法，其特征在于步骤5中所述故障字典的构建方法如下：

基于重要性优先原则的支持向量机分类器IFSVC能够诊断的故障模式共有N+1种，故障代码依次标记为：f₀，f₁，...，f_N，其重要性顺序为：f₀≥f₁≥...≥f_N，在进行样本训练的时候，将N+1种故障模式的样本依次经过”one against rest”SVC分类器训练得到N+1个二元SVC，将所有的二元SVC的训练参数保存在一起成为一部故障字典，其中N为自然数。 

Images