CN111781435B - 四象限整流器的故障检测方法及装置 - Google Patents

四象限整流器的故障检测方法及装置 Download PDF

Info

Publication number
CN111781435B
CN111781435B CN201910271370.1A CN201910271370A CN111781435B CN 111781435 B CN111781435 B CN 111781435B CN 201910271370 A CN201910271370 A CN 201910271370A CN 111781435 B CN111781435 B CN 111781435B
Authority
CN
China
Prior art keywords
value
wavelet
current signal
fusion
reconstruction
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
CN201910271370.1A
Other languages
English (en)
Other versions
CN111781435A (zh
Inventor
王远霏
裴春兴
李娜
燕春光
王伟
王广明
刘建强
刘传铎
史芸铭
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.)
CRRC Tangshan Co Ltd
Original Assignee
CRRC Tangshan Co Ltd
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 CRRC Tangshan Co Ltd filed Critical CRRC Tangshan Co Ltd
Priority to CN201910271370.1A priority Critical patent/CN111781435B/zh
Publication of CN111781435A publication Critical patent/CN111781435A/zh
Application granted granted Critical
Publication of CN111781435B publication Critical patent/CN111781435B/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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Rectifiers (AREA)

Abstract

本申请实施例中提供了一种四象限整流器的故障检测方法及装置，提高了对故障判断的效率，准确性以及可靠性。本申请提供的四象限整流器的故障检测方法，包括：采集前半个周期的第一电流信号和后半个周期的第二电流信号；对第一电流信号和第二电流信号进行小波分解和单只重构得到第一重构系数和第二重构系数；根据第一重构系数计算第一小波能量值和第一小波奇异值，根据第二重构系数计算第二小波能量值和第二小波奇异值；对第一小波能量值和第一小波奇异值进行证据融合得到第一融合值，对第二小波能量值和第二小波奇异值进行证据融合得到第二融合值；将第一融合值与第二融合值的差值与诊断阈值进行比较，根据比较结果确定四象限整流器是否出现故障。

Description

四象限整流器的故障检测方法及装置
技术领域
本申请涉及牵引传动系统领域，尤其涉及一种四象限整流器的故障检测装置。
背景技术
高速动车组作为高速铁路的执行工具，其可靠性直接关系到高速铁路的行车安全。而电力牵引传动系统是高速动车组前进动力的来源，对其可靠性要求尤其严格。牵引变流器作为动车组电力牵引系统中的核心部件之一，它主要承担的任务是负责转换牵引变压器和牵引电机之间的电能。
高速动车组牵引变流器中四象限整流器在列车牵引时起整流作用，将单相交流电转变为直流电；在列车再生制动时起逆变作用，将直流电转变为单相交流电回馈牵引供电网。因此，牵引变流器中四象限整流器发生故障将对列车的安全运行产生严重的影响。
但是在高速动车组运行过程中，动车组牵引变流器中四象限整流器发生故障时，将直接导致中间直流侧电压剧烈脉动，网侧谐波增大，进而使该牵引变流单元功能失效，并严重危害牵引传动系统其余设备安全和稳定运行。因此快速的判断动车组牵引变流器中的故障是一个值得研究的重要问题。
发明内容
本申请实施例中提供了一种四象限整流器的故障检测方法及装置，提高了对故障判断的效率，准确性以及可靠性。
第一方面，本发明实施例提供一种四象限整流器的故障检测方法，包括：
采集一个电流信号周期内，前半个周期的第一电流信号和后半个周期的第二电流信号；
分别对所述第一电流信号和所述第二电流信号进行小波分解和单只重构得到第一重构系数和第二重构系数；
根据所述第一重构系数计算第一小波能量值和第一小波奇异值，以及，根据第二重构系数计算第二小波能量值和第二小波奇异值；
对所述第一小波能量值和所述第一小波奇异值进行证据融合得到第一融合值，以及，对所述第二小波能量值和所述第二小波奇异值进行证据融合得到第二融合值；
将第一融合值与第二融合值的差值与诊断阈值进行比较，根据比较结果确定四象限整流器是否出现故障。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述分别对所述第一电流信号和所述第二电流信号进行小波分解和单只重构得到第一重构系数和第二重构系数，包括：
对所述第一电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第一重构系数；以及，对所述第二电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第二重构系数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据比较结果确定四象限整流器是否出现故障，包括：
当所述第一融合值与第二融合值的差值大于所述诊断阈值，确定四象限整流器出现故障；
当所述第一融合值与第二融合值的差值小于或者等于所述诊断阈值，确定四象限整流器正常。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：
当出现故障时，根据所有电流信号周期的电流信号的均值，进行故障定位。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所有电流信号周期的电流信号的均值，进行故障定位，包括：
计算所有电流信号周期的电流信号的均值；
当所述均值为正，第一象限和第四象限的整流器出现故障；
当所述均值为负时，第二象限和第三象限的整流器出现故障。
第二方面，本发明实施例还提供一种四象限整流器的故障检测装置，包括：
采集单元，用于采集一个电流信号周期内，前半个周期的第一电流信号和后半个周期的第二电流信号；
重构单元，用于分别对所述第一电流信号和所述第二电流信号进行小波分解和单只重构得到第一重构系数和第二重构系数；
计算单元，用于根据所述第一重构系数计算第一小波能量值和第一小波奇异值，以及，根据第二重构系数计算第二小波能量值和第二小波奇异值；
融合单元，用于对所述第一小波能量值和所述第一小波奇异值进行证据融合得到第一融合值，以及，对所述第二小波能量值和所述第二小波奇异值进行证据融合得到第二融合值；
比较单元，用于将第一融合值与第二融合值的差值与诊断阈值进行比较，根据比较结果确定四象限整流器是否出现故障。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述重构单元，具体用于：
对所述第一电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第一重构系数；以及，对所述第二电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第二重构系数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述比较单元，具体用于：
当所述第一融合值与第二融合值的差值大于所述诊断阈值，确定四象限整流器出现故障；
当所述第一融合值与第二融合值的差值小于或者等于所述诊断阈值，确定四象限整流器正常。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：
定位单元，用于当出现故障时，根据所有电流信号周期的电流信号的均值，进行故障定位。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述定位单元，具体用于：
计算所有电流信号周期的电流信号的均值；
当所述均值为正，第一象限和第四象限的整流器出现故障；
当所述均值为负时，第二象限和第三象限的整流器出现故障。
本发明实施例提供的四象限整流器的故障检测方法及装置，以一个电流信号周期内半个周期为单位，对前半个周期的第一电流信号和后半个周期的第二电流信号分别进行小波分解和单只重构，得到相应的系数，再根据系数计算小波能量值和小波奇异值，为了进一步的达到提高故障检测的准确性的目的，在本发明实施例中还结合了证据融合的方式，将第一小波能量值和第一小波奇异值进行证据融合得到第一融合值，第二小波能量值和第二小波奇异值进行证据融合得到第二融合值，然后将第一融合值和第二融合值的差值与诊断阈值进行比较，根据比较结果确定是否出现故障，本发明实施例中，结合了小波分解和单只重构以及证据融合，提高了对故障判断的效率，准确性以及可靠性，解决了现有技术中缺少一种快速的判断动车组牵引变流器中的故障的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例提供的四象限整流器的故障检测方法的流程图；
图2为本发明一个实例中动车组牵引变流器中四象限整流器故障前和故障后输入电流流向图；
图3为本发明一个实例中动车组牵引变流器中四象限整流器故障时输入电流仿真波形；
图4本发明实施例提供的四象限整流器的故障检测方法的另一流程图；
图5本发明实施例提供的四象限整流器的故障检测装置的结构示意图；
图6本发明实施例提供的四象限整流器的故障检测装置的另一结构示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
高速动车组在行进过程中，牵引变流器的安全运行是直接影响动车组安全的。一般情况下，牵引变流器内会设置有保护电路，但由于牵引变流器中四象限整流器工作环境复杂，负载突变、电网扰动、非正常使用和电磁干扰等问题都可能造成保护电路的失败甚至超出保护电路的能力。因此需要及时诊断和定位牵引变流器中四象限整流器的故障，保障牵引传动系统的安全可靠运行。
目前针对牵引变流器的故障数据统计分析中，动车组牵引变流器中四象限整流器故障所占比例最大。目前已有部分研究针对牵引变流器三相逆变器中绝缘栅双极型晶体管的故障进行相关研究，通过采集逆变电路的输出电压或电流信号进行单信号的处理分析来诊断故障绝缘栅双极型晶体管。但是对于牵引变流器四象限整流器中的绝缘栅双极型晶体管故障诊断的相关研究则鲜有涉猎。
但是在高速动车组运行过程中，动车组牵引变流器中四象限整流器发生故障时，将直接导致中间直流侧电压剧烈脉动，网侧谐波增大，进而使该牵引变流单元功能失效，并严重危害牵引传动系统其余设备安全和稳定运行。因此快速的判断动车组牵引变流器中四象限整流器故障的发生是一个值得研究的重要问题。
基于此，本发明实施例中提供一种四象限整流器的故障检测方法，结合了小波分解和单只重构以及证据融合，提高了对故障判断的效率，准确性以及可靠性。具体地，图1为本发明实施例提供的四象限整流器的故障检测方法的流程图，如图1所示，本发明实施例提供的四象限整流器的故障检测方法，具体可以包括如下步骤：
101、采集一个电流信号周期内，前半个周期的第一电流信号和后半个周期的第二电流信号。
102、分别对第一电流信号和第二电流信号进行小波分解和单只重构得到第一重构系数和第二重构系数。
首先为了获取证据融合的证据体小波能量度和小波奇异度，需要以小波单支重构的系数为基准对信号进行能量表征，最终以一个能量值来反映信号能量的强弱。为了获得信号的更多的信息，提高信号的分析效果，获得更精确的小波能量度和小波奇异度，本发明方法采用6层小波分解来获取更多信号细节。
具体地，对第一电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第一重构系数；在分解过程中使用Mallat算法对采集的信号进行分解。
设信号f(x)的离散采样序列为f(n)，n＝1,2,···,N，若以f(n)表示信号在尺度j＝0时的近似值，记为a0(n)＝f(n)，则f(x)的离散二进小波变换由下式确定：
Figure BDA0002018517500000061
其中，h(n)和g(n)分别为小波函数的低通和高通滤波器分解系数，长度为M。aj(n)和dj(n)分别为信号在尺度j上的近似部分和细节部分。离散信号f(n)经过多尺度的分解，最终可得分解系数为d1(n)，d2(n)，d3(n)，…，dj(n)，aj(n)，它们分别包含了信号从高频到低频不同频带的信息。
在Mallat算法的推导中，输入序列是有限长，此时滤波器系数与输入序列卷积时就会出现轮空的现象。因此在进行小波单支重构前有必要对原始信号进行边界延拓，减少边界误差，本发明方法采用对称延拓的方法进行重构，根据对称延拓获得的新数据样本，对Mallat算法进行小波分解后的信号再进行单支重构，第一重构系数为Dj(n)，即：
Figure BDA0002018517500000071
其中，gr(n)、hr(n)分别为小波函数的低通和高通滤波器重构系数，d'i(n)为小波单支重构的过程参数。
可以理解的是，因为在采集电流信号的过程中，是将电流信号分为前半个周期和后半个周期，然后分别对前半个周期的信号和后半个周期的信号进行处理。因此，依然前述的方法，对第二电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第二重构系数。
103、根据第一重构系数计算第一小波能量值和第一小波奇异值，以及，根据第二重构系数计算第二小波能量值和第二小波奇异值。
在本发明实施例中，第一小波能量值和小波能量度的计算公式和第二小波能量值和小波能量度的计算公式分别为：
Figure BDA0002018517500000072
Figure BDA0002018517500000081
其中，EAj为第一电流信号在m个尺度上的小波能量值，WAi为第一电流信号小波能量值的平均值，mAei为第一电流信号小波能量值的基本概率分配函数，定义为第一电流信号小波能量度。EBj为第二电流信号在m个尺度上的小波能量值，WBi为第二电流信号小波能量值的平均值，mBei为第二电流信号小波能量值的基本概率分配函数，定义为第二电流信号小波能量度。
第一小波奇异值和小波奇异度的计算公式和第二小波奇异值和小波奇异度的计算公式分别为：
Figure BDA0002018517500000082
Figure BDA0002018517500000083
其中，λAi为第一电流信号小波重构系数矩阵进行奇异值分解后得到的奇异特征值，ZAi为第一电流信号小波奇异值的平均值，mAsi为第一电流信号小波奇异值的基本概率分配函数。λBi为第二电流信号小波重构系数矩阵进行奇异值分解后得到的奇异特征值，ZBi为第二电流信号小波奇异值的平均值，mBsi为第二电流信号小波奇异值的基本概率分配函数。104、对第一小波能量值和第一小波奇异值进行证据融合得到第一融合值，以及，对第二小波能量值和第二小波奇异值进行证据融合得到第二融合值。
在本发明实施例中，通过使用D-S证据融合理论进行证据融合，第一证据融合值和第二证据融合值分别根据以下公式计算；
Figure BDA0002018517500000091
Figure BDA0002018517500000092
其中，mA(i)代表第一融合值，mAei为第一电流信号的小波能量度。mAsi为第一电流信号的小波奇异度。mB(i)代表第二融合值，mBei为第二电流信号的小波能量度。mBsi为第二电流信号的小波奇异度。
通过这样的一系列方法，就能够得到信号的重构系数来计算小波能量度和小波奇异度作为故障证据体进行故障融合。所以本发明实例所提出的方法有利于提高整体的故障诊断流程的诊断效果。
105、将第一融合值与第二融合值的差值与诊断阈值进行比较，根据比较结果确定四象限整流器是否出现故障。
前半个周期和后半个周期电流信号的证据融合的差值与诊断决策的阈值ε相比较来进行故障诊断，故障诊断结果根据以下公式计算：
Figure BDA0002018517500000093
其中，m(i)代表证据融合的结果，ε代表诊断决策阈值。
当第一融合值与第二融合值的差值大于诊断阈值，确定四象限整流器出现故障；当第一融合值与第二融合值的差值小于或者等于诊断阈值，确定四象限整流器正常。
为了验证上述方法流程的可行性，本发明实施例中以一组实验为例进行说明：
图2为本发明一个实例中动车组牵引变流器中四象限整流器故障前和故障后输入电流流向图，图3为本发明一个实例中动车组牵引变流器中四象限整流器故障时输入电流仿真波形。首先定义网侧输入电流is参考方向如图2所示。当S1管开路时，若网侧输入电流is为正，电流可经二极管D1、D4续流，不影响4QC整流器正常工作。若网侧输入电流is为负，则二极管D1无法续流，此时4QC整流器无法正常运行，具体工作状态分析如下：
当开关控制信号使S1管导通时，电流经S1管、D3管流通，如图2(a)所示。网侧电压us直接加在电感Ls上，对电感Ls充电，输入电流is幅值增大，电感Ls存储能量；当开关控制信号不变而S1故障时，由于电感电流不能突变，则网侧电流通过二极管D2和D3续流，如图2(b)所示，网侧电压和电感Ls向负载供电，输入电流is幅值减小。
当开关控制信号使S1管、S4管导通时，电流经S1管、S4管流通，如图2(c)所示。网侧电压和直流侧电容均向电感Ls充电，输入电流is幅值增大，电感Ls存储能量；当开关控制信号不变而S1故障时，由于电感电流不能突变，网侧输入电流只能通过S4、D2续流，如图2(d)所示。此时只有网侧电压us加在电感Ls上，电感Ls充电，因此输入电流is幅值相对正常状态减小，电感Ls储能量减小。
综上，当S1管故障时网侧电流is正值部分不受影响，负值部分幅值减小，利用matlab仿真波形如图3所示。其余开关管故障情况分析类似。因此，当四象限整流器发生故障时，输入电流产生畸变，基于四象限整流器输入电流畸变特性来进行故障诊断。从波形的变化可以看出与上述分析结果一致。
本发明实施例提供的四象限整流器的故障检测方法，以一个电流信号周期内半个周期为单位，对前半个周期的第一电流信号和后半个周期的第二电流信号分别进行小波分解和单只重构，得到相应的系数，再根据系数计算小波能量值和小波奇异值，为了进一步的达到提高故障检测的准确性的目的，在本发明实施例中还结合了证据融合的方式，将第一小波能量值和第一小波奇异值进行证据融合得到第一融合值，第二小波能量值和第二小波奇异值进行证据融合得到第二融合值，然后将第一融合值和第二融合值的差值与诊断阈值进行比较，根据比较结果确定是否出现故障，本发明实施例中，结合了小波分解和单只重构以及证据融合，提高了对故障判断的效率，准确性以及可靠性，解决了现有技术中缺少一种快速的判断动车组牵引变流器中的故障的问题。
进一步地，本发明实施例中还提供一种四象限整流器的故障检测方法，除了可以确定是否发生故障以外，还可以对故障的位置进行定位。具体地，图4本发明实施例提供的四象限整流器的故障检测方法的另一流程图，如图4示，本发明实施例提供的四象限整流器的故障检测方法，在前述内容的基础上，还可以包括如下步骤：
106、当出现故障时，根据所有电流信号周期的电流信号的均值，进行故障定位。
计算所有电流信号周期的电流信号的均值；
当均值为正，第一象限和第四象限的整流器出现故障；
当均值为负时，第二象限和第三象限的整流器出现故障。
本发明实施例提供的四象限整流器的故障检测方法，在确定四象限整流器出现故障后，还可以通过故障相电流均值的大小来定位故障对管，进一步的确定故障的位置，提高对故障判断的效率，准确性以及可靠性。
图5本发明实施例提供的四象限整流器的故障检测装置的结构示意图，如图5所示，本发明实施例提供的四象限整流器的故障检测装置，具体可以包括：采集单元11、重构单元12、计算单元13、融合单元14、比较单元15。
采集单元11，用于采集一个电流信号周期内，前半个周期的第一电流信号和后半个周期的第二电流信号。
重构单元12，用于分别对第一电流信号和第二电流信号进行小波分解和单只重构得到第一重构系数和第二重构系数。
计算单元13，用于根据第一重构系数计算第一小波能量值和第一小波奇异值，以及，根据第二重构系数计算第二小波能量值和第二小波奇异值。
融合单元14，用于对第一小波能量值和第一小波奇异值进行证据融合得到第一融合值，以及，对第二小波能量值和第二小波奇异值进行证据融合得到第二融合值。
比较单元15，用于将第一融合值与第二融合值的差值与诊断阈值进行比较，根据比较结果确定四象限整流器是否出现故障。
在一个具体的实现过程中，重构单元，具体用于：
对第一电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第一重构系数；以及，对第二电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第二重构系数。
在一个具体的实现过程中，比较单元，具体用于：
当第一融合值与第二融合值的差值大于诊断阈值，确定四象限整流器出现故障；
当第一融合值与第二融合值的差值小于或者等于诊断阈值，确定四象限整流器正常。
本发明实施例提供的四象限整流器的故障检测装置，以一个电流信号周期内半个周期为单位，对前半个周期的第一电流信号和后半个周期的第二电流信号分别进行小波分解和单只重构，得到相应的系数，再根据系数计算小波能量值和小波奇异值，为了进一步的达到提高故障检测的准确性的目的，在本发明实施例中还结合了证据融合的方式，将第一小波能量值和第一小波奇异值进行证据融合得到第一融合值，第二小波能量值和第二小波奇异值进行证据融合得到第二融合值，然后将第一融合值和第二融合值的差值与诊断阈值进行比较，根据比较结果确定是否出现故障，本发明实施例中，结合了小波分解和单只重构以及证据融合，提高了对故障判断的效率，准确性以及可靠性，解决了现有技术中缺少一种快速的判断动车组牵引变流器中的故障的问题。
进一步地，图6本发明实施例提供的四象限整流器的故障检测装置的另一结构示意图，如图6所示，本发明实施例提供的四象限整流器的故障检测装置，在前述内容的基础上，还可以包括：定位单元16。
定位单元16，用于当出现故障时，根据所有电流信号周期的电流信号的均值，进行故障定位。
在一个具体的实现过程中，定位单元16，具体用于：
计算所有电流信号周期的电流信号的均值；
当均值为正，第一象限和第四象限的整流器出现故障；
当均值为负时，第二象限和第三象限的整流器出现故障。
本发明实施例提供的四象限整流器的故障检测装置，在确定四象限整流器出现故障后，还可以通过故障相电流均值的大小来定位故障对管，进一步的确定故障的位置，提高对故障判断的效率，准确性以及可靠性。
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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (6)

1.一种四象限整流器的故障检测方法，其特征在于，包括：
采集一个电流信号周期内，前半个周期的第一电流信号和后半个周期的第二电流信号；
分别对所述第一电流信号和所述第二电流信号进行小波分解和单只重构得到第一重构系数和第二重构系数；
根据所述第一重构系数计算第一小波能量值和第一小波奇异值，以及，根据第二重构系数计算第二小波能量值和第二小波奇异值；
对所述第一小波能量值和所述第一小波奇异值进行证据融合得到第一融合值，以及，对所述第二小波能量值和所述第二小波奇异值进行证据融合得到第二融合值；
将第一融合值与第二融合值的差值与诊断阈值进行比较，根据比较结果确定四象限整流器是否出现故障；
所述分别对所述第一电流信号和所述第二电流信号进行小波分解和单只重构得到第一重构系数和第二重构系数，包括：
对所述第一电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第一重构系数；以及，对所述第二电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第二重构系数；
所述根据比较结果确定四象限整流器是否出现故障，包括：
当所述第一融合值与第二融合值的差值大于所述诊断阈值，确定四象限整流器出现故障；
当所述第一融合值与第二融合值的差值小于或者等于所述诊断阈值，确定四象限整流器正常。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当出现故障时，根据所有电流信号周期的电流信号的均值，进行故障定位。
3.根据权利要求2所述的方法，其特征在于，所述根据所有电流信号周期的电流信号的均值，进行故障定位，包括：
计算所有电流信号周期的电流信号的均值；
当所述均值为正，第一象限和第四象限的整流器出现故障；
当所述均值为负时，第二象限和第三象限的整流器出现故障。
4.一种四象限整流器的故障检测装置，其特征在于，包括：
采集单元，用于采集一个电流信号周期内，前半个周期的第一电流信号和后半个周期的第二电流信号；
重构单元，用于分别对所述第一电流信号和所述第二电流信号进行小波分解和单只重构得到第一重构系数和第二重构系数；
计算单元，用于根据所述第一重构系数计算第一小波能量值和第一小波奇异值，以及，根据第二重构系数计算第二小波能量值和第二小波奇异值；
融合单元，用于对所述第一小波能量值和所述第一小波奇异值进行证据融合得到第一融合值，以及，对所述第二小波能量值和所述第二小波奇异值进行证据融合得到第二融合值；
比较单元，用于将第一融合值与第二融合值的差值与诊断阈值进行比较，根据比较结果确定四象限整流器是否出现故障；
所述重构单元，具体用于：
对所述第一电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第一重构系数；以及，对所述第二电流信号进行六层小波分解，采用对称延拓的方式将分解后的信号进行重构得到第二重构系数；
所述比较单元，具体用于：
当所述第一融合值与第二融合值的差值大于所述诊断阈值，确定四象限整流器出现故障；
当所述第一融合值与第二融合值的差值小于或者等于所述诊断阈值，确定四象限整流器正常。
5.根据权利要求4所述的装置，其特征在于，还包括：
定位单元，用于当出现故障时，根据所有电流信号周期的电流信号的均值，进行故障定位。
6.根据权利要求5所述的装置，其特征在于，所述定位单元，具体用于：
计算所有电流信号周期的电流信号的均值；
当所述均值为正，第一象限和第四象限的整流器出现故障；
当所述均值为负时，第二象限和第三象限的整流器出现故障。
CN201910271370.1A 2019-04-04 2019-04-04 四象限整流器的故障检测方法及装置 Active CN111781435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910271370.1A CN111781435B (zh) 2019-04-04 2019-04-04 四象限整流器的故障检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910271370.1A CN111781435B (zh) 2019-04-04 2019-04-04 四象限整流器的故障检测方法及装置

Publications (2)

Publication Number Publication Date
CN111781435A CN111781435A (zh) 2020-10-16
CN111781435B true CN111781435B (zh) 2023-05-23

Family

ID=72754886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910271370.1A Active CN111781435B (zh) 2019-04-04 2019-04-04 四象限整流器的故障检测方法及装置

Country Status (1)

Country Link
CN (1) CN111781435B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721941A (zh) * 2012-06-20 2012-10-10 北京航空航天大学 一种基于som和d-s理论的电表电路故障信息融合和诊断方法
CN104899353A (zh) * 2015-05-05 2015-09-09 浙江工业大学 一种基于证据理论的电能质量扰动源定位方法
CN105928529A (zh) * 2016-04-18 2016-09-07 中国有色金属长沙勘察设计研究院有限公司 一种多证据融合地图匹配算法
CN108710756A (zh) * 2018-05-18 2018-10-26 上海电力学院 基于谱聚类分析下多特征信息加权融合的故障诊断方法
CN109060398A (zh) * 2018-09-11 2018-12-21 上海电力学院 一种多源信息设备故障诊断方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726688A (zh) * 2009-09-17 2010-06-09 浙江大学 一种多数据源信息融合的电网故障诊断方法
ES2528443T3 (es) * 2011-02-16 2015-02-10 Abb Research Ltd. Método y disposición para detectar un fallo interno en un banco de condensadores conectado en puente en H
CN102797671A (zh) * 2011-05-25 2012-11-28 中国石油大学(北京) 一种往复压缩机的故障检测方法与装置
CN104281899A (zh) * 2013-07-03 2015-01-14 云南电力调度控制中心 一种新的基于信息融合的故障诊断方法
CN104330255A (zh) * 2014-11-04 2015-02-04 徐州隆安光电科技有限公司 一种基于多传感器信息融合的齿轮故障诊断方法
CN105891659B (zh) * 2016-06-06 2019-04-12 安徽大学 一种风电变流器开路故障诊断方法
CN108318249B (zh) * 2018-01-24 2020-04-17 广东石油化工学院 一种旋转机械轴承的故障诊断方法
CN109213121B (zh) * 2018-08-07 2021-05-18 重庆大学 一种风机制动系统卡缸故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721941A (zh) * 2012-06-20 2012-10-10 北京航空航天大学 一种基于som和d-s理论的电表电路故障信息融合和诊断方法
CN104899353A (zh) * 2015-05-05 2015-09-09 浙江工业大学 一种基于证据理论的电能质量扰动源定位方法
CN105928529A (zh) * 2016-04-18 2016-09-07 中国有色金属长沙勘察设计研究院有限公司 一种多证据融合地图匹配算法
CN108710756A (zh) * 2018-05-18 2018-10-26 上海电力学院 基于谱聚类分析下多特征信息加权融合的故障诊断方法
CN109060398A (zh) * 2018-09-11 2018-12-21 上海电力学院 一种多源信息设备故障诊断方法

Also Published As

Publication number Publication date
CN111781435A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN103116090B (zh) 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法
Dwivedi et al. Denoising techniques with change-point approach for wavelet-based power-quality monitoring
Reyes-Malanche et al. Open-circuit fault diagnosis in power inverters through currents analysis in time domain
CN114879085B (zh) 单相接地故障识别方法、装置、电子设备及介质
Li et al. Real-time fault diagnosis of pulse rectifier in traction system based on structural model
Li et al. Fault diagnosis of star-connected auto-transformer based 24-pulse rectifier
CN111781435B (zh) 四象限整流器的故障检测方法及装置
Bon Fault Identification, Classification, and Location on Transmission Lines Using Combined Machine Learning Methods.
CN109738778B (zh) 逆变器开路诊断方法、装置、终端设备及计算机可读介质
CN110646703B (zh) 一种配电网单相接地故障选线方法及系统
CN107589324B (zh) 并网逆变器及电容的在线测试系统
CN110244121B (zh) 一种基于电能质量统计数据的谐波责任估算方法
CN116702060A (zh) 一种多电平逆变器功率器件故障诊断方法
CN110875700B (zh) 一种电机相序反接故障诊断方法及系统
Dhumale et al. Diagnosis of multiple open switch faults in three phase voltage source inverter
Merabet et al. Diagnosis of rotor fault using neuro-fuzzy inference system
Vu et al. IGBT open-circuit fault detection for voltage source inverters using DC bus magnetic field signal
CN112198458B (zh) 一种三相电压源逆变器开路故障实时检测方法和系统
Babayomi et al. Neuro-fuzzy based fault detection identification and location in a distribution network
Zhu et al. Vold-Kalman filtering order tracking based rotor flux linkage monitoring in PMSM
CN117092554B (zh) 逆变器耦合故障分析方法、装置、电子设备及存储介质
Liu et al. Fault diagnosis of HVDC transmission system using wavelet energy entropy and the wavelet neural network
Iliyaeifar et al. Extreme learning machine-based fault location approach for terminal-hybrid LCC-VSC-HVDC transmission lines
Jiajia et al. Research on fault diagnosis of DC charging pile power device based on wavelet packet and elman neural network
Zhang et al. Inverter Fault Diagnosis Based on Improved Grey Correlation Analysis

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