CN110018411B - 一种基于对称分量分析的逆变电路故障诊断方法 - Google Patents

一种基于对称分量分析的逆变电路故障诊断方法 Download PDF

Info

Publication number
CN110018411B
CN110018411B CN201910396171.3A CN201910396171A CN110018411B CN 110018411 B CN110018411 B CN 110018411B CN 201910396171 A CN201910396171 A CN 201910396171A CN 110018411 B CN110018411 B CN 110018411B
Authority
CN
China
Prior art keywords
state
component
fault
residual
sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910396171.3A
Other languages
English (en)
Other versions
CN110018411A (zh
Inventor
崔博文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jimei University
Original Assignee
Jimei University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jimei University filed Critical Jimei University
Priority to CN201910396171.3A priority Critical patent/CN110018411B/zh
Publication of CN110018411A publication Critical patent/CN110018411A/zh
Application granted granted Critical
Publication of CN110018411B publication Critical patent/CN110018411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2843—In-circuit-testing

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Inverter Devices (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明涉及一种基于对称分量分析的逆变电路故障诊断方法，首先建立逆变器驱动系统数字信号模型，接着通过现代信号处理方法估计正序、负序对称分量，最后通过对对称分量的分析实现逆变电路开关元件开路故障诊断。本发明不依赖推进系统数学模型，不受驱动电机运行工况影响，仅利用逆变器输出信号进行研究，具有很强的鲁棒性。

Description

一种基于对称分量分析的逆变电路故障诊断方法
技术领域
本发明涉及逆变电路故障诊断领域，特别是一种基于对称分量分析的逆变电路故障诊断方法。
背景技术
电动机变频调速系统中的电力电子变换器承担着电能变换功能，它主要用于将定频、定幅值交流电转换成不同频率不同电压幅值的交流电，用于驱动电机运转。这类调速系统对于发生在电力电子变换器及控制器环节中的任何故障都很敏感，一旦任何一个环节发生故障都会导致驱动系统性能变坏甚至为了避免系统崩溃不得不停机检查。电力电子电路故障指主电路故障，一般分为参数性故障和结构性故障，参数性故障指由于电路参数(如电感值、电容值等)偏离正常值一定范围而导致的故障。结构性故障指由于开关器件出现短路、断路而导致电路拓扑发生变化的故障。研究表明：工业驱动系统中的电压源逆变器38％的故障发生在功率开关器件电路部分。另有研究表明：变频调速系统中逆变电路功率开关器件故障占整个驱动系统故障的82.5％，是推进系统中最易发生故障的薄弱环节。另有研究发现，功率开关器件是电力电子变换器中最容易发生故障的元件之一。
功率开关器件短路故障具有很大的破坏性，为避免系统发生灾害性事故，需采取措施及时关断推进系统。开关器件开路故障虽可使系统在故障状态下继续运行，无须关断推进系统，但这种故障会使推进系统变换器工作在不对称工作状态，增大其它无故障器件电流应力，降低系统工作性能，引起其它无故障开关器件发生二次故障，最终导致推进系统停机。更为严重的是，对于采用逆变器供电且需要连续运行的飞机、高铁以及舰船等载运装备可能会导致灾难性的后果。因此，为提高逆变器供电的驱动系统可靠性，研究逆变电路故障诊断就显得十分必要。
针对上述问题，现有的研究主要有基于模型的故障诊断方法与基于人工智能的故障诊断方法，但分别存在缺陷。
基于模型的故障诊断方法需要精确的电机变频调速系统数学模型，调速系统数学模型应包括电机数学模型和逆变器数学模型。由于参数的不确定性及未建模误差，难以建立准确的电机的数学模型。再者，功率开关器件固有的寄生参数及难以避免的假设条件，准确的逆变器数学模型也很难获得，而任何的不准确的数学模型都可能导致误诊。另外，若电机存在机械或电气故障，由于电机的内平衡特性已经破坏，基于模型的故障诊断方法就会失效。
基于人工智能的故障诊断方法需要故障状态下的数据并对数据进行训练，目前多使用神经网络对数据进行训练。由于神经网络在结构设计上存在盲目性，且在训练过程中容易陷入局部最优解。另外，神经网络具有一定的统计性，必须获取足够多的训练样本数据才能减小训练和识别误差。
发明内容
有鉴于此，本发明的目的是提出一种基于对称分量分析的逆变电路故障诊断方法，不依赖推进系统数学模型，不受驱动电机运行工况影响，仅利用逆变器输出信号进行研究，具有很强的鲁棒性。
本发明采用以下方案实现：一种基于对称分量分析的逆变电路故障诊断方法，具体包括以下步骤：
步骤S1：构建逆变器驱动的电动机系统信号状态空间模型，得到非线性状态方程和观测方程；
步骤S2：进行对称分量估计；
步骤S3：通过步骤S2的结果进行故障特征提取与故障判断。
进一步地，步骤S1具体包括以下步骤：
步骤S11：考虑三相电压系统u(k)＝[ua(k),ub(k),uc(k)]T，其中
Figure BDA0002058182620000031
式中，Va、Vb、Vc分别表示a、b、c三相幅值，
Figure BDA0002058182620000032
分别表示三相初相位，k表示采样时刻，T表示采样周期；
步骤S12：将u(k)分解为u(k)＝up(k)+un(k)+u0(k)，其中up(k)、un(k)、u0(k)分别表示正序、负序和零序分量，其表达式为
Figure BDA0002058182620000033
Figure BDA0002058182620000034
Figure BDA0002058182620000041
式中，Vp、Vn、V0分别表示正序、负序及零序对称分量幅值，
Figure BDA0002058182620000042
分别表示正序、负序及零序初相位；
步骤S13：引入αβ变换，将零序分量从三相电压系统中消除，使得运算简化，利用αβ变换分别对正序、负序分量进行变换，得到
Figure BDA0002058182620000043
Figure BDA0002058182620000044
式中，uPα、uPβ表示正序α、β分量，unα、unβ表示负序α、β分量；
步骤S14：分别构建如下形式的复数向量u1(k)、u2(k)：
u1(k)＝upα+jupβ＝ApejωkT；
u2(k)＝unα+junβ＝Ane-jωkT；
定义新的向量u，如下：
u＝u1(k)+u2(k)＝ApejωkT+Ane-jωkT
步骤S15：定义x1(k)＝ejωT＝cos(ωT)+jsin(ωT)、x2(k)＝ApejωkT、x3(k)＝Ane-jωkT作为三相电压系统的状态变量，获得如下形式的三相电压系统的非线性状态方程和观测方程：
Figure BDA0002058182620000051
y＝[0 1 1][0 x2(k) x3(k)]T；
将上述非线性状态方程和观测方程表示为：
Figure BDA0002058182620000052
式中，
xk＝[x1(k) x2(k) x3(k)]T；
f(xk)＝[x1(k) x1(k)x2(k) x3(k)/x1(k)]T；
H＝[0 1 1]；
其中，vk为过程噪声干扰，sk为观测噪声。
进一步地，步骤S2具体包括以下步骤：
步骤S21：考虑如下的离散非线性状态方程和观测方程：
Figure BDA0002058182620000053
步骤S22：应用扩展卡尔曼滤波进行状态估计；
步骤S23：利用复数卡尔曼滤波方法，直接获得状态x的估计；进一步利用αβ逆变换，获取对称分量。
进一步地，步骤S22包括两个步骤，即状态预测和状态更新；
所述状态预测具体为：
Figure BDA0002058182620000061
Figure BDA0002058182620000062
其中，Pk|k-1＝E[(xk|k-xk-1|k-1)(xk|k-xk-1|k-1)T]为状态预测协方差矩阵，
Figure BDA0002058182620000063
是雅克比矩阵，Q是状态过程噪声干扰vk的协方差矩阵，*表示复共轭；xk|k-1表示k时刻的状态预测，E表示数学期望；
所述状态更新具体为：
Kk＝Pk|k-1H*T(HPk|k-1H*T+Rk)-1；
Figure BDA0002058182620000064
Pk|k＝Pk|k-1-KkHPk|k-1；
式中，Rk表示观测噪声sk的协方差矩阵。
进一步地，步骤S23具体为：设upa、upb、upc分别表示a、b、c三相正序分量，una、unb、unc分别表示a、b、c三相负序分量，则
Figure BDA0002058182620000071
Figure BDA0002058182620000072
进一步地，步骤S23还包括：对于需要估计的系统频率，通过下式变换，得频率估计表达式：
Figure BDA0002058182620000073
当逆变器无开关开路故障发生时，电机驱动系统的三相电压平衡，相电压的大小和相角也保持恒定，正序对称分量的大小也保持恒定，系统中不存在负序对称分量。但是，如果逆变器发生开关元件开路故障，三相电压平衡性条件被破坏，相电压的幅值和相位角会发生变化，从而导致正序分量和负序分量的幅值发生变化。因此，正序分量和负序分量可用于逆变器开关开路故障的检测。
进一步地，步骤S3具体为：利用复扩展卡尔曼滤波器估计得到三相正序对称分量，进而得到三相正序对称分量残差如下：
Figure BDA0002058182620000074
式中，
Figure BDA0002058182620000075
是利用无故障状态的参考信号模型估计所获得的三相正序对称分量,upi(i＝a,b,c)是利用故障状态的实测信号估计所获得的三相正序对称分量；
当开关元件发生开路故障时，估计
Figure BDA0002058182620000076
与upi(i＝a,b,c)不相等,残差不等于零。
进一步地，步骤S3还包括，确定故障发生的元件，具体包括以下步骤：
步骤S31：利用递推算法计算残差均值：
Figure BDA0002058182620000081
式中，N为用于计算残差均值的残差总数；获得残差均值后，再获得残差均值的极性，即布尔残差
Figure BDA0002058182620000082
Figure BDA0002058182620000083
步骤S32：在获取三相布尔残差后，构建布尔残差向量
Figure BDA0002058182620000084
利用布尔残差向量实现故障元件的定位。
本发明建立逆变器驱动系统数字信号模型，通过现代信号处理方法估计正序、负序对称分量，通过对对称分量的分析实现逆变电路开关元件开路故障诊断。
与现有技术相比，本发明有以下有益效果：本发明利用瞬时对称分析方法构建电动机驱动系统复数信号状态空间方程，结合现代控制理论，提出一种全新的基于复数信号状态空间的开关器件开路故障诊断方法。本发明不依赖推进系统数学模型，不受驱动电机运行工况影响，仅利用逆变器输出信号进行研究，具有很强的鲁棒性。
附图说明
图1为本发明实施例的故障诊断流程示意图。
图2为本发明实施例的逆变器驱动的电动机变频调速系统示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于对称分量分析的逆变电路故障诊断方法，具体包括以下步骤：
步骤S1：构建逆变器驱动的电动机系统信号状态空间模型，得到非线性状态方程和观测方程；
步骤S2：进行对称分量估计；
步骤S3：通过步骤S2的结果进行故障特征提取与故障判断。
在本实施例中，步骤S1具体包括以下步骤：
步骤S11：考虑三相电压系统u(k)＝[ua(k),ub(k),uc(k)]T，其中
Figure BDA0002058182620000101
式中，Va、Vb、Vc分别表示a、b、c三相幅值，
Figure BDA0002058182620000102
分别表示三相初相位，k表示采样时刻，T表示采样周期；
步骤S12：将u(k)分解为u(k)＝up(k)+un(k)+u0(k)，其中up(k)、un(k)、u0(k)分别表示正序、负序和零序分量，其表达式为
Figure BDA0002058182620000103
Figure BDA0002058182620000104
Figure BDA0002058182620000105
式中，Vp、Vn、V0分别表示正序、负序及零序对称分量幅值，
Figure BDA0002058182620000106
分别表示正序、负序及零序初相位；
步骤S13：引入αβ变换，将零序分量从三相电压系统中消除，使得运算简化，利用αβ变换分别对正序、负序分量进行变换，得到
Figure BDA0002058182620000111
Figure BDA0002058182620000112
式中，uPα、uPβ表示正序α、β分量，unα、unβ表示负序α、β分量；
步骤S14：分别构建如下形式的复数向量u1(k)、u2(k)：
u1(k)＝upα+jupβ＝ApejωkT；
u2(k)＝unα+junβ＝Ane-jωkT；
定义新的向量u，如下：
u＝u1(k)+u2(k)＝ApejωkT+Ane-jωkT
步骤S15：定义x1(k)＝ejωT＝cos(ωT)+jsin(ωT)、x2(k)＝ApejωkT、x3(k)＝Ane-jωkT作为三相电压系统的状态变量，获得如下形式的三相电压系统的非线性状态方程和观测方程：
Figure BDA0002058182620000113
y＝[0 1 1][0 x2(k) x3(k)]T；
将上述非线性状态方程和观测方程表示为：
Figure BDA0002058182620000121
式中，
xk＝[x1(k) x2(k) x3(k)]T；
f(xk)＝[x1(k) x1(k)x2(k) x3(k)/x1(k)]T；
H＝[0 1 1]；
其中，vk为过程噪声干扰，sk为观测噪声。
在本实施例中，步骤S2具体包括以下步骤：
步骤S21：考虑如下的离散非线性状态方程和观测方程：
Figure BDA0002058182620000122
步骤S22：应用扩展卡尔曼滤波进行状态估计；
步骤S23：利用复数卡尔曼滤波方法，直接获得状态x的估计；进一步利用αβ逆变换，获取对称分量。
在本实施例中，步骤S22包括两个步骤，即状态预测和状态更新；
所述状态预测具体为：
Figure BDA0002058182620000123
Figure BDA0002058182620000124
其中，Pk|k-1＝E[(xk|k-xk-1|k-1)(xk|k-xk-1|k-1)T]为状态预测协方差矩阵，
Figure BDA0002058182620000131
是雅克比矩阵，Q是状态过程噪声干扰vk的协方差矩阵，*表示复共轭；xk|k-1表示k时刻的状态预测，E表示数学期望；
所述状态更新具体为：
Kk＝Pk|k-1H*T(HPk|k-1H*T+Rk)-1；
Figure BDA0002058182620000132
Pk|k＝Pk|k-1-KkHPk|k-1；
式中，Rk表示观测噪声sk的协方差矩阵。
在本实施例中，步骤S23具体为：设upa、upb、upc分别表示a、b、c三相正序分量，una、unb、unc分别表示a、b、c三相负序分量，则
Figure BDA0002058182620000133
Figure BDA0002058182620000134
在本实施例中，步骤S23还包括：对于需要估计的系统频率，通过下式变换，得频率估计表达式：
Figure BDA0002058182620000135
当逆变器无开关开路故障发生时，电机驱动系统的三相电压平衡，相电压的大小和相角也保持恒定，正序对称分量的大小也保持恒定，系统中不存在负序对称分量。但是，如果逆变器发生开关开路故障，三相电压平衡性条件被破坏，相电压的幅值和相位角会发生变化，从而导致正序分量和负序分量的幅值发生变化。因此，正序分量和负序分量可用于逆变器开关开路故障的检测。
在本实施例中，步骤S3具体为：利用复扩展卡尔曼滤波器估计得到三相正序对称分量，进而得到三相正序对称分量残差如下：
Figure BDA0002058182620000141
式中，
Figure BDA0002058182620000142
是利用无故障状态的参考信号模型估计所获得的三相正序对称分量,upi(i＝a,b,c)是利用故障状态的实测信号估计所获得的三相正序对称分量；
当开关元件发生开路故障时，估计
Figure BDA0002058182620000143
与upi(i＝a,b,c)不相等,残差不等于零。
为了实现故障分离或定位，即确定故障发生的元件，还需要以下方法才可以实现。
利用递推算法计算残差均值：
Figure BDA0002058182620000144
式中N为用于计算残差均值的残差总数。获得残差均值后，再获得残差均值的极性，即布尔残差，
Figure BDA0002058182620000151
Figure BDA0002058182620000152
在获取三相布尔残差后，构建布尔残差向量
Figure BDA0002058182620000153
可利用布尔残差向量实现故障元件的定位。
以下以图2所示的逆变器驱动的电动机变频调速系统为例说明，表1描述了布尔残差与故障元件间的关系。
表1布尔残差与故障元件间的关系
Figure BDA0002058182620000154
表1中的故障元件指发生开路故障的开关器件，表中第一行故障元件右边数字1、2、3、4、5、6指图2所示的VT1、VT2、VT3、VT4、VT5及VT6开关器件。
当开关器件1发生故障时，对应的故障向量为A＝[0 -1 1]；
当开关器件2发生故障时，对应的故障向量为A＝[1 -1 0]；
当开关器件3发生故障时，对应的故障向量为A＝[1 0 -1]；
当开关器件4发生故障时，对应的故障向量为A＝[0 1 -1]；
当开关器件5发生故障时，对应的故障向量为A＝[-1 1 0]；
当开关器件6发生故障时，对应的故障向量为A＝[-1 0 1]。
本实施例建立逆变器驱动系统数字信号模型，通过现代信号处理方法估计正序、负序对称分量，通过对对称分量的分析实现逆变电路开关元件开路故障诊断。具体故障诊断流程图如图1所示.
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (3)

1.一种基于对称分量分析的逆变电路故障诊断方法，其特征在于：包括以下步骤：
步骤S1：构建逆变器驱动的电动机系统信号状态空间模型，得到非线性状态方程和观测方程；
步骤S2：进行对称分量估计；
步骤S3：通过步骤S2的结果进行故障特征提取与故障判断；
其中，步骤S2具体包括以下步骤：
步骤S21：考虑如下的离散非线性状态方程和观测方程：
Figure FDA0003014206990000011
步骤S22：应用扩展卡尔曼滤波进行状态估计；
步骤S23：利用复数卡尔曼滤波方法，直接获得状态x的估计；进一步利用αβ逆变换，获取对称分量；
其中，步骤S3还包括，确定故障发生的元件，具体包括以下步骤：
步骤S31：利用递推算法计算残差均值：
Figure FDA0003014206990000012
式中，N为用于计算残差均值的残差总数；获得残差均值后，再获得残差均值的极性，即布尔残差
Figure FDA0003014206990000021
Figure FDA0003014206990000022
步骤S32：在获取三相布尔残差后，构建布尔残差向量
Figure FDA0003014206990000023
利用布尔残差向量实现故障元件的定位；
其中，步骤S1具体包括以下步骤：
步骤S11：考虑三相电压系统u(k)＝[ua(k),ub(k),uc(k)]T，其中
Figure FDA0003014206990000024
式中，Va、Vb、Vc分别表示a、b、c三相幅值，
Figure FDA0003014206990000025
分别表示三相初相位，k表示采样时刻，T表示采样周期；
步骤S12：将u(k)分解为u(k)＝up(k)+un(k)+u0(k)，其中up(k)、un(k)、u0(k)分别表示正序、负序和零序分量，其表达式为
Figure FDA0003014206990000026
Figure FDA0003014206990000031
Figure FDA0003014206990000032
式中，Vp、Vn、V0分别表示正序、负序及零序对称分量幅值，
Figure FDA0003014206990000033
分别表示正序、负序及零序初相位；
步骤S13：引入αβ变换，将零序分量从三相电压系统中消除，使得运算简化，利用αβ变换分别对正序、负序分量进行变换，得到
Figure FDA0003014206990000034
Figure FDA0003014206990000035
式中，uPα、uPβ表示正序α、β分量，unα、unβ表示负序α、β分量；
步骤S14：分别构建如下形式的复数向量u1(k)、u2(k)：
u1(k)＝upα+jupβ＝ApejωkT；
u2(k)＝unα+junβ＝Ane-jωkT；
定义新的向量u，如下：
u＝u1(k)+u2(k)＝ApejωkT+Ane-jωkT
步骤S15：定义x1(k)＝ejωT＝cos(ωT)+jsin(ωT)、x2(k)＝ApejωkT、x3(k)＝Ane-jωkT作为三相电压系统的状态变量，获得如下形式的三相电压系统的非线性状态方程和观测方程：
Figure FDA0003014206990000041
y＝[0 1 1][0 x2(k) x3(k)]T；
考虑过程噪声干扰等因素，将上述非线性状态方程和观测方程表示为：
Figure FDA0003014206990000042
式中，
xk＝[x1(k) x2(k) x3(k)]T；
f(xk)＝[x1(k) x1(k)x2(k) x3(k)/x1(k)]T；
H＝[0 1 1]；
其中，vk为过程噪声干扰，sk为观测噪声；
其中，步骤S3具体为：利用复扩展卡尔曼滤波器估计得到三相正序对称分量，进而得到三相正序对称分量残差如下：
Figure FDA0003014206990000051
式中，
Figure FDA0003014206990000052
是利用无故障状态的参考信号模型估计所获得的三相正序对称分量,upi(i＝a,b,c)是利用故障状态的实测信号估计所获得的三相正序对称分量；
当开关元件发生开路故障时，估计
Figure FDA0003014206990000053
与upi(i＝a,b,c)不相等,残差不等于零。
2.根据权利要求1所述的一种基于对称分量分析的逆变电路故障诊断方法，其特征在于：步骤S22包括两个步骤，即状态预测和状态更新；
所述状态预测具体为：
Figure FDA0003014206990000054
Figure FDA0003014206990000055
其中，Pk|k-1＝E[(xk|k-xk-1|k-1)(xk|k-xk-1|k-1)T]为状态预测协方差矩阵，
Figure FDA0003014206990000056
是雅克比矩阵，Q是状态过程噪声干扰vk的协方差矩阵，*表示复共轭；xk|k-1表示k时刻的状态预测，E表示数学期望；
所述状态更新具体为：
Kk＝Pk|k-1H*T(HPk|k-1H*T+Rk)-1；
Figure FDA0003014206990000061
Pk|k＝Pk|k-1-KkHPk|k-1；
式中，Rk表示观测噪声sk的协方差矩阵。
3.根据权利要求1所述的一种基于对称分量分析的逆变电路故障诊断方法，其特征在于：步骤S23具体为：设upa、upb、upc分别表示a、b、c三相正序分量，una、unb、unc分别表示a、b、c三相负序分量，则
Figure FDA0003014206990000062
Figure FDA0003014206990000063
CN201910396171.3A 2019-05-14 2019-05-14 一种基于对称分量分析的逆变电路故障诊断方法 Active CN110018411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910396171.3A CN110018411B (zh) 2019-05-14 2019-05-14 一种基于对称分量分析的逆变电路故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910396171.3A CN110018411B (zh) 2019-05-14 2019-05-14 一种基于对称分量分析的逆变电路故障诊断方法

Publications (2)

Publication Number Publication Date
CN110018411A CN110018411A (zh) 2019-07-16
CN110018411B true CN110018411B (zh) 2021-06-15

Family

ID=67193624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910396171.3A Active CN110018411B (zh) 2019-05-14 2019-05-14 一种基于对称分量分析的逆变电路故障诊断方法

Country Status (1)

Country Link
CN (1) CN110018411B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102879668B (zh) * 2012-09-17 2014-12-03 华南理工大学 含逆变型分布式电源配电网的非对称故障分析方法
CN103364683B (zh) * 2013-07-01 2015-05-06 东南大学 一种逆变电路开路故障检测方法
CN103761372B (zh) * 2014-01-06 2018-02-02 上海海事大学 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略
CN105095566B (zh) * 2015-06-29 2019-06-04 南京航空航天大学 一种基于小波分析和svm的逆变器故障诊断方法
US10132850B2 (en) * 2016-08-10 2018-11-20 General Electric Company Electric ground fault detection system and method
CN108847676B (zh) * 2018-06-01 2020-09-25 广东电网有限责任公司 一种基于Boost升压电路的低电压穿越控制方法

Also Published As

Publication number Publication date
CN110018411A (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
Gou et al. An intelligent time-adaptive data-driven method for sensor fault diagnosis in induction motor drive system
CN106411225B (zh) 电动机控制装置、机械学习装置及其方法
Douglas et al. A new algorithm for transient motor current signature analysis using wavelets
CN110133538B (zh) 一种anpc三电平逆变器开路故障诊断方法及实验平台
Reyes-Malanche et al. Open-circuit fault diagnosis in power inverters through currents analysis in time domain
KR20150142763A (ko) Ｈｖｄｃ 시스템의 전류실패 예측 제어 장치
Najmi et al. An adaptive backstepping observer for modular multilevel converter
Dalla Vedova et al. Evaluation of the correlation coefficient as a prognostic indicator for electromechanical servomechanism failures
Zhang et al. A unified open-circuit-fault diagnosis method for three-level neutral-point-clamped power converters
CN110018411B (zh) 一种基于对称分量分析的逆变电路故障诊断方法
Aubert et al. On-line inter-turn short-circuit detection in permanent magnet synchronous generators
Maitloa et al. Recent advances in nuclear power plant for fault detection and diagnosis-a review
Vinothkumar et al. Fault diagnosis in diode clamped multilevel inverter drive using wavelet transforms
CN112034387A (zh) 一种基于预测序列的输电线路短路故障诊断方法及装置
Baghli et al. Sensor fault detection for fault tolerant vector controlled induction machine
Uddin et al. Artificial Intelligence Based Control Strategy of a Three-Phase Neutral-Point Clamped Back-to-Back Power Converter with Ensured Power Quality for WECS
Aubert et al. Stator inter-turn short-circuit detection in permanent magnet synchronous generators using extended Kalman filtering
CN107634657B (zh) 一种矩阵变换器的预测控制方法及装置
AU2021102724A4 (en) A method for modular multilevel converter (inverter) open-circuit fault identification and positioning
CN109031011A (zh) 基于相电压柱状图的多电平逆变器的开路故障诊断方法
US20220129603A1 (en) Motor winding insulation diagnosis and prognosis using resistance simulation method
Eissa et al. Improved fuzzy Luenberger observer-based fault detection for BLDC motor
Li et al. A simple ANN-Based diagnosis method for open-switch faults in power converters
RU2532762C1 (ru) Способ диагностики и оценки остаточного ресурса электроприводов переменного тока
Meng et al. Multi information fusion and fault diagnosis system for motor drive system in high speed train

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant