CN105277823A - 一种逆变器故障诊断方法 - Google Patents

Abstract

本发明涉及一种逆变器故障诊断方法。逆变器的故障种类包括：外接线回路短路、逆变器主回路短路和逆变器控制回路异常；利用所述的故障种类建立D-S证据理论的识别框架，将逆变器的故障征兆作为D-S证据理论中识别框架的证据，并对每条所述的证据进行基本信度分配。通过D-S证据理论融合规则和决策规则，实现对逆变器的故障种类的判别。本发明对逆变器的故障原因进行充分详细的分析并进行合理的概括，总结引发逆变器故障的原因，由此操作人员可以根据其具体的故障问题进行准确的检修，避免重大的运行事故。

Description

一种逆变器故障诊断方法

技术领域

本发明涉及一种逆变器故障诊断方法，属于逆变器故障的技术领域。

背景技术

逆变器故障诊断与其运行状态、元器件结构等因素密切相关，其故障状态和故障机理具有多元性，由于电力电子器件的脆弱性及其控制的复杂性，以现代开关器件IGBT为核心的PWM控制模块是故障多发环节，目前很多研究人员致力于对逆变器故障诊断方法的研究，因此如何减少因逆变器故障而造成的停机损失，提高设备使用效率，具有非常重要的应用价值。但是，现有技术中对引起逆变器故障的原因分析的并不全面，即便逆变器系统在运行的过程中产生故障征兆，也无法根据其征兆准确并详细的诊断其故障的根本原因。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种逆变器故障诊断方法，解决了无法准确诊断逆变器故障原因的问题。

本发明是通过如下方案予以实现的：

一种逆变器故障诊断方法，步骤如下：

步骤1)，逆变器的故障种类包括：外接线回路短路、逆变器主回路短路和逆变器控制回路异常；根据所述的故障种类建立D-S证据理论的识别框架，即Θ＝{θ₁，θ₂，θ₃}，其中，θ₁为外接线回路短路；θ₂为逆变器主回路短路；θ₃为逆变器控制回路异常；

步骤2)，将逆变器的故障征兆作为D-S证据理论中识别框架的证据，并对每条所述的证据进行基本信度分配；

步骤3)，去除所述的证据中的高冲突并调整所述证据之间的基本信度分配，通过D-S证据理论融合规则和决策规则，实现对逆变器的故障种类的判别。

进一步的，步骤2)中所述的故障征兆包括：电流瞬间变大、电网电压异常、电流变化连续升高、电流某个输入信号持续不变。

进一步的，步骤2)所述的基本信度分配中，表达式如下：

$\left\{\begin{array}{c}m\left(\mathrm{\Φ}\right)=0\\ \underset{A\⊆2^{\mathrm{\Θ}}}{\Σ}m\left(A\right)=1\end{array}\right.$

其中，m为2^Θ→[0,1]的映射，是2^Θ上的基本置信度分配函数；A为证据的焦元，是2^Θ任一子集，记作子集m(A)为A的基本置信度，表示对A的信任程度；m(Φ)表示Φ的基本信任分配值为0。

进一步的，步骤3)所述的融合规则表达式如下：

$\begin{array}{c}m\left(C\right)=(m_1\⊕m_2\⊕...m_n)\left(C\right)\\ ={(1-k)}^{-1}\underset{A_1\∩A_2\∩...\∩A_n=A}{\Σ}{m}_1\left(A_1\right)m_2\left(A_2\right)...m_n\left(A_n\right)\end{array}$

其中， $k=\underset{A_1\∩A_2\∩...\∩A_n=\mathrm{\Φ}}{\Σ}{m}_1\left(A_1\right)m_2\left(A_2\right)...m_n\left(A_n\right),A\≠\mathrm{\Φ};$ m₁、m₂、…、m_n为同一识别框架上的基本置信度，与之对应的焦元分别是A₁、A₂、…、A_n。

进一步的，步骤3)所述的融合决策表达式如下：

若满足， $\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.,$ 则判定结果为A₁对应的故障种类；其中，ε₁和ε₂为预先设定的门限值。

本发明和现有技术相比的有益效果是：

现有技术中，对逆变器故障种类的缺乏全面性和客观性，导致工作人员无法根据逆变器在运行中的征兆合理的判断其具体的故障诊断因素。本发明充分对逆变器的故障原因进行详细的分析，并进行合理的总结概括，详细的分析了引发逆变器故障的原因，主要包括外接线回路短路、逆变器主回路短路和逆变器控制回路异常，由此操作人员可以根据其具体的故障问题进行准确的检修，避免重大的运行事故。

本发明利用D-S理论证据将逆变器运行过程中的故障征兆作为信息进行融合，从而判断逆变器发生的故障的具体原因。D-S证据理论具有融合开放性和处理兼容性的优点，适用于存在大量不确定性因素的逆变器故障诊断工作，能够解决逆变器故障模式间存在交叉数据、误判率较高和诊断速度慢的模式识别问题，并有效提高逆变器故障诊断的准确性和灵敏性。

附图说明

图1是本发明实施例的逆变器故障诊断方法的流程图；

图2是本发明实施例的D-S证据理论中的基本置信度示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细的说明。

一种逆变器故障诊断方法，步骤如下：

步骤(一)、逆变器的故障种类包括：外接线回路短路、逆变器主回路短路和逆变器控制回路异常；利用所述的故障种类建立D-S证据理论的识别框架，即Θ＝{θ₁,θ₂,θ₃}，其中，θ₁为外接线回路短路；θ₂为逆变器主回路短路；θ₃为逆变器控制回路异常。

步骤(二)、将逆变器的故障征兆作为D-S证据理论中识别框架的证据，并对每条所述的证据进行基本信度分配；其中，逆变器的故障征兆包括：电流瞬间变大、电网电压异常、电流变化连续升高、电流某个输入信号持续不变。具体方式如下：

(1)识别框架的证据：

D-S证据理论中识别框架的证据为：S₁：电流瞬间变大；S₂：电流变化连续增大；S₃：电网电压异常；S₄：电流的某个输入信号持续不变。

(2)基本信度分配：

其中，利用D-S证据理论对，每条证据中的焦元进行基本信度分配：设函数m为2^Θ→[0,1]的映射，A为证据的焦元，是2^Θ任一子集，记作且满足：

$\left\{\begin{array}{c}m\left(\mathrm{\&Phi;}\right)=0\\ \underset{A\&SubsetEqual;2^{\mathrm{\&Theta;}}}{\&Sigma;}m\left(A\right)=1\end{array}\right.---\left(1\right)$

其中，m是2^Θ上的基本置信度分配函数；m(A)为命题A的基本置信度指派值，表示对A的信任程度；m(Φ)表示Φ的基本信任分配值为0。

步骤(三)、去除所述的证据中的高冲突并调整所述的证据之间的基本信度分配，通过D-S证据理论融合规则和决策规则，实现对逆变器的故障种类的判别。具体的方式如下：

(1)去除证据中的高冲突

若本实施例中的D-S证据合成存在高冲突的证据，需要找出不和谐焦元，调整冲突证据体中焦元的基本信度分配。

假设识别框架中的证据个数为n，第i个证据的焦元集A的基本信度即为m_i(A)(i＝1,2,…n)，将m_i(A)按大小排列为T₁、T₂、…、T_n，则m_i(A)的中位数T_m表达式如下：

假设T_p为[T₁,T_m]的中位数，T_q为[T_m,T_n]的中位数，设定区间[2T_p-T_q,2T_q-T_p]为合理区间，若m_i(A)不在此区间内，即可判断A_i为不和谐焦元。

设ω_i为m_i(A)被m_j(A)(j≠i,j＝1,2,…,n)所支持的程度。通过上述方式，找出A中存在的不和谐焦元后，计算其支持度矩阵：

其中，d_ij(A)＝|m_i(A)-m_j(A)|，综上分析可知，R_ij是一个非负对称矩阵。

根据对称矩阵性质可知，R_ij中存在最大的特征值λ(λ>0)，该特征值对应的特征向量α为正，使得λα＝R_ijα，其中α＝(α₁,α₂,…,α_n)^T，进而可计算不和谐焦元A_i在焦元集A中的权值，表达式如下式：

$\left\{\begin{array}{c}{\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&omega;}}_i=1\\ {\mathrm{\&omega;}}_i\left(A\right)=\frac{{\mathrm{\&alpha;}}_i}{{\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&alpha;}}_i}\end{array}\right.---\left(6\right)$

则冲突证据所对应的焦元A的基本概率赋值为：进一步归一化，完成基本概率重新调整及分配。

(2)证据理论中的融合规则

将调整后的证据通过D-S证据理论融合规则进行融合。假设m₁、m₂分别是同一识别框架上两条证据基本置信度函数，分别对应的焦元分别为A₁、A₂、A₃、…、A_i和B₁、B₂、B₃、…、B_j，则每个焦元对应的信任度为m₁(A₁)、m₁(A₂)、m₁(A₃)、…、m₁(A_i)和m₂(B₁)、m₂(B₂)、m₂(B₃)、…、m₂(B_j)，通过对m₁和m₂进行正交合运算，即m₁⊕m₂，则D-S证据理论的表达式如下：

$m\left(C\right)=(m_1\&CirclePlus;m_2)C=\left\{\begin{array}{cc}0& C=\mathrm{\&Phi;}\\ \frac{\underset{A_i\&cap;B_j=C}{\&Sigma;}{m}_1\left(A_i\right)m_2\left(B_j\right)}{1-k}& C\&NotEqual;\mathrm{\&Phi;}\end{array}\right.---\left(7\right)$

其中，系数为归一化因子，表明在合成时将非0的信任赋给空集；k值越大，说明证据冲突程度也越大。

由于证据理论满足交换律和结合律，所以n条证据的组合可按照两条证据的组合公式，经n-1次组合得到，获得最终证据与其次序无关。

设m₁、m₂、…、m_n是同一识别框架上的基本置信度指派，对应的焦元分别是A₁、A₂、…、A_n，则这n条证据的组合公式为：

$\begin{array}{c}m\left(C\right)=(m_1\&CirclePlus;m_2\&CirclePlus;...m_n)\left(C\right)\\ ={(1-k)}^{-1}\underset{A_1\&cap;A_2\&cap;...\&cap;A_n=A}{\&Sigma;}{m}_1\left(A_1\right)m_2\left(A_2\right)...m_n\left(A_n\right)\end{array}---\left(8\right)$

其中， $k=\underset{A_1\&cap;A_2\&cap;...\&cap;A_n=\mathrm{\&Phi;}}{\&Sigma;}{m}_1\left(A_1\right)m_2\left(A_2\right)...m_n\left(A_n\right),A\&NotEqual;\mathrm{\&Phi;}.$

(3)证据理论中的决策规则：

证据理论的决策规则基于基本置信度，设决策规则的表达式如下：

如果满足 $\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.,$ 则判定为A₁对应的故障种类，其中，ε₁和ε₂为预先设定的门限值。

根据上述D-S证据理论中的决策规则完成对逆变器的故障诊断，实现对逆变器的故障种类的判别，从所述的三种逆变器故障原因，即外接线回路短路、逆变器主回路短路和逆变器控制回路异常中，快速准确分析并作出结论。

本实施例中分别通过电流瞬间变大、电网电压异常、电流变化连续升高、电流某个输入信号持续不变，这四种逆变器征兆对逆变器故障原因进行诊断，作为其他实施方式，逆变器在运行中可能发生故障的征兆因素复杂，在诊断的过程中同样可以选取其他的故障征兆合理判断其发生故障的具体原因。

在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这种技术方案仍落入本发明的保护范围内。

Claims (5)

1.一种逆变器故障诊断方法，其特征在于，步骤如下：

步骤1)，逆变器的故障种类包括：外接线回路短路、逆变器主回路短路和逆变器控制回路异常；根据所述的故障种类建立D-S证据理论的识别框架，即Θ＝{θ₁，θ₂，θ₃}，其中，θ₁为外接线回路短路；θ₂为逆变器主回路短路；θ₃为逆变器控制回路异常；

步骤2)，将逆变器的故障征兆作为D-S证据理论中识别框架的证据，并对每条所述的证据进行基本信度分配；

步骤3)，去除所述的证据中的高冲突并调整所述证据之间的基本信度分配，通过D-S证据理论融合规则和决策规则，实现对逆变器的故障种类的判别。

2.根据权利要求1所述的一种逆变器故障诊断方法，其特征在于，步骤2)中所述的故障征兆包括：电流瞬间变大、电网电压异常、电流变化连续升高、电流某个输入信号持续不变。

3.根据权利要求1所述的一种逆变器故障诊断方法，其特征在于，步骤2)所述的基本信度分配中，表达式如下：

$\left\{\begin{array}{c}m\left(\mathrm{\&Phi;}\right)=0\\ \underset{A\&SubsetEqual;2^{\mathrm{\&Theta;}}}{\&Sigma;}m\left(A\right)=1\end{array}\right.$

其中，m为2^Θ→[0,1]的映射，是2^Θ上的基本置信度分配函数；A为证据的焦元，是2^Θ任一子集，记作子集m(A)为A的基本置信度，表示对A的信任程度；m(Φ)表示Φ的基本信任分配值为0。

4.根据权利要求1所述的一种逆变器故障诊断方法，其特征在于，步骤3)所述的融合规则表达式如下：

$\begin{array}{c}m\left(C\right)=(m_1\&CirclePlus;m_2\&CirclePlus;\mathrm{...}{m}_n)\left(C\right)\\ ={(1-k)}^{-1}\underset{A_1\&cap;A_2\&cap;\mathrm{...}\&cap;A_n=A}{\&Sigma;}{m}_1\left(A_1\right)m_2\left(A_2\right)\mathrm{...}{m}_n\left(A_n\right)\end{array}$

其中，A≠Φ；m₁、m₂、…、m_n为同一识别框架上的基本置信度，与之对应的焦元分别是A₁、A₂、…、A_n。

5.根据权利要求1所述的一种逆变器故障诊断方法，其特征在于，步骤3)所述的融合决策表达式如下：

若满足， $\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array},$ 则判定结果为A₁对应的故障种类；其中，ε₁和ε₂为预先设定的门限值。