CN112433176A - 一种电力电子变换器故障诊断系统及方法 - Google Patents
一种电力电子变换器故障诊断系统及方法 Download PDFInfo
- Publication number
- CN112433176A CN112433176A CN202011284137.6A CN202011284137A CN112433176A CN 112433176 A CN112433176 A CN 112433176A CN 202011284137 A CN202011284137 A CN 202011284137A CN 112433176 A CN112433176 A CN 112433176A
- Authority
- CN
- China
- Prior art keywords
- fault
- power electronic
- electronic converter
- signal
- fault diagnosis
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 28
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000005284 excitation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 11
- 238000006073 displacement reaction Methods 0.000 description 9
- 238000013519 translation Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 101100257981 Arabidopsis thaliana S-ACP-DES3 gene Proteins 0.000 description 1
- 101150057677 DAD3 gene Proteins 0.000 description 1
- 102100034004 Gamma-adducin Human genes 0.000 description 1
- 101000799011 Homo sapiens Gamma-adducin Proteins 0.000 description 1
- 101001080624 Homo sapiens Proline/serine-rich coiled-coil protein 1 Proteins 0.000 description 1
- 101000652684 Homo sapiens Transcriptional adapter 3 Proteins 0.000 description 1
- 102100027427 Proline/serine-rich coiled-coil protein 1 Human genes 0.000 description 1
- 101100433696 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) AAD3 gene Proteins 0.000 description 1
- 102100030836 Transcriptional adapter 3 Human genes 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 208000036552 dowling-degos disease 3 Diseases 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000002153 familial abdominal 3 aortic aneurysm Diseases 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开一种电力电子变换器故障诊断系统及方法，诊断方法包括以下步骤：信号发生及故障诊断装置发出检测信号，记录所述检测信号特征及发出时间；所述传感器接收所述检测信号的返回信号数据，记录返回信号以及返回时间；对所述返回信号进行小波包变换，获取所述返回信号小波变换结果；分析返回信号小波变换结果，获得所述电力电子变换器故障向量；处理所述步骤S4中所述电力电子变换器故障向量，输入故障分类器，获得故障诊断结果。本发明是基于信号处理的方法，无需建立精确的模型仅需在电力电子变换器输出端发出特定信号，就能够快速准确的实现电力电子变换器的故障类型的诊断，效率高，不影响电力电子变换器的正常使用。
Description
技术领域
本发明涉及电力电子领域，特别是涉及一种电力电子变换器故障诊断系统及方法。
背景技术
电力电子变换器作为系统控制的中枢执行机构，在电机驱动、新能源发电系统和输变电系统中承担主要角色。然而，电力电子变换器中的开关器件在快速开关过程中，不仅要承受高温、高压、大电流等内部电热应力作用，而且高湿度、高盐度、环境高温等外部工作环境会导致电力电子变换器性能出现永久性退化，直至产生短路、开路等极端故障。
若电力电子变换器发生短路故障，如不能及时处理，将会造成灾难性事故如电力电子变换器烧毁从而引发火灾等。因此，准确、快速地判断电力电子变换器故障类型，及时定位故障点具有很大的挑战性。
电力电子变换器的故障类型可分为内部开关器件的开路故障、短路故障，滤波电路故障，直流电容故障。
电力电子变换器开关器件短路故障存在的时间极短，可在硬件电路上进行处理，如在电力电子变换器中开关器件上装设断路器或将快速熔丝植入电路等，将短路故障转化为开路故障，利用开路故障诊断的方法进行处理；
电力电子变换器内部开关器件开路故障会造成系统输出性能下降，引起其他开关器件过流，对于应用电机驱动的电力电子变换器，造成转矩减小、发热和绝缘损坏等问题；
电力电子变换器滤波电路故障会造成输出电压或电流中产生大量谐波，引起波形畸变，造成控制系统性能下降，引起电力电子变换器工作性能下降、发热增加甚至导致电力电子变换器系统稳定性问题；
电力电子变换器直流电流故障会造成直流电压波形出现波动，直流电压波动过大，则造成控制系统性能下降，引起电力电子变换器工作性能下降、发热增加甚至导致电力电子变换器系统稳定性问题；
电力电子变换器故障诊断的方法主要有：基于解析模型的方法，利用功率变换器的数学模型，将估计的系统输出与测量信息相比得到残差，通过残差分析来实现电力电子装置的故障诊断。缺点在于电力电子变换器系统参数是不确定的，负载扰动、电网扰动等干扰，和开关器件的非线性和离散性特性使无法对这种系统建立准确的解析模型。基于知识的方法是一种通过提前掌握被诊断对象的故障行为，利用故障树、专家系统、支持向量机和神经网络等手段，将故障症状组织起来进行故障诊断的方法，存在着繁琐、样本获取困难、没有确定模式、算法收敛速度慢、诊断时间长等问题。
发明内容
本发明的目的是提供一种电力电子变换器故障诊断系统及方法，以解决上述现有技术存在的问题，快速有效精准的检测到电力电子变化器发生故障的时刻和故障位置，特别是对电力电子变换器内部开关器件上的故障，能精确定位发生故障的开关器件芯片，并且无需建立精确的模型、无需借助经验分析。
为实现上述目的，本发明提供了如下方案：本发明提供一种电力电子变换器故障诊断系统，包括信号发生及故障诊断装置和电力传感器，所述信号发生及故障诊断装置与所述电力传感器连接，所述电力传感器与电力电子变换器电力端子连接，所述信号发生及故障诊断装置与所述电力电子变换器连接。
优选的，所述信号发生及故障诊断装置包括控制模块、故障诊断模块、信号发生模块，
所述控制模块用于控制所述信号发生模块产生电压或电流激励；
所述故障诊断模块用于对返回信号进行处理分析，获取所述电力电子变换器故障信息；
所述控制模块与所述信号发生模块连接，所述信号发生模块与所述电力电子变换器电力端子连接，所述故障诊断模块与所述传感器连接。
优选的，所述电力传感器包括电压传感器和电流传感器。
电力电子变换器故障诊断方法，包括以下步骤：
S1、发出检测信号，并记录所述检测信号特征及发出时间；
S2、接收返回信号数据，记录返回信号特征以及返回时间；
S3、对所述返回信号进行筛选，获得故障返回信号，对所述故障返回信号进行小波包变换，获取所述故障返回信号小波包变换结果；
S4、对所述步骤S3中所述小波包变换结果进行频带能量成分分布的分析，获得所述电力电子变换器故障向量；
S5、处理所述步骤S4中所述电力电子变换器故障向量，输入故障分类器，获得故障诊断结果。
优选的，所述S3中采用离散二进小波变换。
优选的，所述S4中对所述故障返回信号小波包变换结果进行分析包括以下子步骤：
S41、对所述电力电子变换器的原始故障信号进行四层小波包分解，并提取第四层中所述电力电子变换器原始故障信号经小波包变换得到的低频信号和高频信号的小波系数；
S42、对所述S41中所述高频信号和低频信号的小波系数进行单支重构，获得四层分解后在各频带的分解重构信号；
S43、计算所述对应各频带的分解重构信号的能量，得到所述电力电子变换器原始故障信号在各频带能量的分布特征；
S44、根据S43中所述电力电子变换器原始故障信号在各频带的能量分布特征，构造电力电子变换器的故障特征向量；
S45、对所述步骤S44中电力电子变换器的故障特征向量进行识别处理。
优选的，所述S45中故障特征向量处理为归一化处理。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求4～7中任一所述方法的步骤。
优选的，所述存储介质采用可插拔读取存储设备。
本发明公开了以下技术效果：
本发明所提供的一种电力电子变换器故障诊断方法是基于信号处理的方法，无需建立精确的模型、无需借助经验分析、仅需在电力电子变换器输出端发出特定信号，就能够快速准确的实现电力电子变换器的故障类型的诊断，且过程相对简单、耗时短、不影响电力电子变换器的正常使用。
本发明能够快速有效精准的检测到电力电子变化器发生故障的时刻和故障位置，特别是对电力电子变换器内部开关器件上的故障，能精确定位发生故障的开关器件芯片。
本发明的方法对于电力电子变换器的老化诊断有着一定作用，特别对于模块内部开关器件芯片的老化情况。本发明方法能够检测到电力电子变换器内部开关器件的老化程度，检测准确性与内部开关器件芯片的老化程度成正比。
本发明方法对于电力电子变换器内部开关器件工作状态、滤波电路工作状态和直流电容工作状态有监测作用。本发明方法得到的电力电子变换器历史工作状态监测数据，结合人工智能算法，可以实现对电力电子变换器的健康状态给与准确的评价。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明电力电子变换器故障诊断方法所适用的硬件电路接线示意图；
图2为本发明电力电子变换器故障诊断流程示意图；
图3为本发明用于电力电子变换器故障诊断的小波包分解树形示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种电力电子变换器故障诊断系统，包括信号发生及故障诊断装置和传感器，信号发生及故障诊断装置与传感器连接。本实施例中电力电子变换器选用三相桥式逆变器。如图1所示，基于本发明的电力电子变换器故障诊断的方法的外部硬件电路示意图，包括：三相桥式逆变电路及其控制系统，电压、电流传感器、激励信号发生及故障诊断装置，DC/AC整流电路，直流电容器；激励信号发生及故障诊断装置由信号发生装置包括DSP模块、ADC电路、信号放大电路、通信模块组成。
其中，电力电子变换器的输出端的UVW三相接负载如阻感负载、纯电阻负载，用于向负载供电；输入端由电网供电并经整流电路DC/AC，用于向直流电容供电。
三相桥式逆变电路采用的开关器件采用的是全控型开关器件IGBT，控制系统的控制器采用PI控制器但不限于该控制器还包括PR谐振控制器、PID控制器等，控制策略采用交流电压控制方式但不限于该方式，也包括直流电压控制方式、下垂控制方式等，用于电能的转换。
电力传感器包括电压传感器、电流传感器但不限于此种类型的传感器，用于采集信号发生及故障诊断装置发出信号的返回信号。
信号发生及故障诊断装置架设在电力电子变换器的输出端，用于向电力电子变换器输出端发出单个脉冲或多个脉冲或特定的高频/低频连续信号。
参照图2，本发明公开了一种电力电子变换器故障诊断方法，包括以下步骤：
步骤1，信号发生及故障诊断装置发出检测信号，记录信号特征及发出时间；
信号发生及故障诊断装置中的控制模块对信号发射模块发出信号指令，信号发射模块发射激励信号，本实施例中激励信号采用脉冲信号或高频连续信号，即信号发生及故障诊断装置向电力电子变换器输出端发出单个脉冲或多个脉冲或特定的高频/低频连续信号，信号发生及故障诊断装置记录所发射的激励信号特征和发出的时间，所述激励信号特征包括：信号的频率、幅值、相位信息。
步骤2，从电力传感器读取返回信号数据，记录返回信号以及返回时间；
本发明的电力传感器包括电压传感器、电流等传感器但不限于此种类型的传感器，采集信号发生及故障诊断装置发出信号的返回信号，所述返回信号是连接至电力电子变换器输出端的信号发生及故障诊断装置向电力电子变换器发出引起的反射信号，电力传感器将采集的返回信号传输到信号发生及故障诊断装置，信号发生及故障诊断装置接收返回信号并进行记录，记录回波信号的频率、幅值、相位。
步骤3，对返回信号进行小波包变换(WPT)，并进行分析，获得所述电力电子变换器故障向量。
电力电子变换器出现故障时，其故障输出电压与正常输出电压相比，信号波形存在较大差异，依据对其输出电压进行小波包变换的结果，得到信号内各频带的小波系数，通过小波系数并用Euclid范数的平方来定义信号的能量，可得原始输出电压信号在各频带上的能量分布。故障电压信号与正常电压信号在各频带内能量分部会存在较大的差异，故障电压信号的小波包变换结果在某一频带所包含能量相对于正常电压信号增大或减少，因此，信号的小波包变换的结果包含丰富的故障信息。
基于小波变换的小波包变换方式一般采用连续小波变换或离散小波变换，本实施例中，对返回信号进行小波包变换采用的是离散小波变换：
若ψ(t)∈L2(R)，L2(R)表示平方可积的实数空间且满足：
Cψ＜∞，其中称ψ(t)为母小波或基本小波，ω表示频率，Cψ表示小波系数。
设Vj为原始空间L2(R)的一串闭子空间序列(j∈Z)，若满足单调一致性、伸缩规则性、渐进完全性、平移不变性、正交基的存在性，则称Vj为L2(R)的一个多分辨分析，满足如下：
单调一致性：
伸缩规则性：
渐进完全性：
平移不变性：j,k∈Z，在Vj空间序列内，存在一个函数u(x),使得
正交基的存在性：在V0空间序列内，存在一个函数g(x)，使得g(x-k)(k∈Z)，是V0的标准正交基。
取Wj为Vj在Vj-1的正交补空间，就可以将原始空间L2(R)分解成多个相互正交的子空间Wj，其中f为Wj空间序列内一个函数，j∈Z具有平移不变性和伸缩规则性。
平移不变性：
伸缩规则性：
设φ为V0，V1内一空间向量组，由于φ∈Vj(j＝0,1)，则Vj(j＝1)的规范正交基是φ1,k，存在有：
上式中hk＝<φ,φ1,k>且
为了说明后续本方案中采用的基于离散小波的小波包变换的基本原理，先阐释离散小波变换的基本原理：在不同尺度算子变化下，利用位移算子对基本小波ψ(t)在时域上进行不同程度的平移并与待分析信号x(t)进行内积，内积Wx(a,τ)的时域公式如式(1)所示：
式中ψ为母小波；a(a>0)为尺度算子；τ为位移算子；*表示复数共轭。
内积W(a,τ)等效的频域如式(2)所示：
式中X(ω)、ψ(ω)是时域x(t)、ψ(t)由Fourier变换的频率表达式。在以上两式中x(t)属于L2(R)空间内的函数，在信号分析中为一个能量有限的待分析信号，设信号f(t)∈L2(R)，由此可得小波变换的定义为：信号f(t)与母小波ψ(t)进行位移平移和尺度伸缩所得到的小波函数族ψa,τ(t)的内积Wf(a,τ)，如式(3)表示：
上述小波变换中待处理的信号f(t)、尺度算子a、位移算子τ都是在实轴上可以连续变换的，但是在实际工程运算大量使用计算机进行数据处理，所以需要对返回的故障信号进行离散化处理，当对尺度算子a、位移算子τ进行离散化处理后得到离散的尺度算子a、位移算子τ所进行的小波变换就为离散小波变换。对尺度算子a一般进行幂级数离散化，即
(m取整数)；为使位移算子τ能在整个时间轴平移变化，其取值为均匀离散化。为将信号完整地采集，对处理的信号f(t)进行间隔采样离散化，并且采样频率满足Nyquist采样定理。
根据以上离散化处理方法，取
a0＞1，τ≠0，j,k∈Z；从而得到离散小波函数如式(4)所示：
从而将式(4)离散小波函数写成离散小波变换如式(5)所示：
在对f(t)进行离散化处理，最终得到离散小波变换如式(6)所示：
当取a0＝2，τ0＝1，上式即为基础离散二进小波变换如式(7)所示：
离散二进小波相比于一般离散小波变换仍然具有连续小波变换的时移不变性，这是由于位移算子均匀离散化所产生的，使得离散二进小波变换被应用于故障特征提取、模式识别、检测信号的奇异性等方面。
考虑到离散小波变换分析特点，只对信号的低频部分进行分解，对信号的高频部分分辨较差。为了提高对信号高频部分的分辨率，必需对信号的高频部分进一步分解，对频带进行多层次划分，并能够自适应地选择与被分析信号频谱特征相符的频段进行小波变换。因此，在本发明中进行对信号采用基于离散二进小波变换的小波包变换分析的方法，下面给出该方法的基本原理：
设用一个新的子空间
将尺度子空间Vj和小波子空间Wj统一起来表征。设
j∈Z，则正交分解
可用
一致表示为：
设函数un(x)的闭包空间为
根据伸缩规则性对应可得函数u2n(x)闭包空间为
是，尺度与小波空间满足双尺度函数如式(8)所示：
式中gk＝(-1)kh1-k，所以对应系数也是正交关系。在初始情况n＝0时，可直接得到式(9)：
设式(9)中u0(x)为尺度函数
u1(x)为小波函数ψ(t)。推广得式(10)：
式中，t表示时间，
定义中un(t)，(n＝2l或n＝2l+1，l＝0，1，…)，称为关于正交尺度函数u0(x)的小波包。根据多分辨分析，将小波多分辨的各系数统一记为d表示，小波包分析的分解算法为：
根据小波包分析的重构算法：
与
求
得：
附图3说明了以三层小波包分解为例小波包能量谱故障特征提取的原理，S为原始信号，A为分解所得高频小波系数，D为分解所得低频小波系数，数字为对应分解层数。
原始信号S为：
S＝AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3
由此可得任意信号S0经过N层小波包分解将产生2n个频带，设第i个频带小波包分解系数为SN,i，用Euclid范数的平方来定义信号的能量，原始信号S0能量为||S0||2,再根据Parseval能量积分恒等式，得式(11)：
||S0||2＝||S1,0||2+||S1,1||2 (11)
推广到N层小波分解，得到经过N层小波分解后原始信号S0总能量：
根据式(12)可知，信号经过N层小波包分解之后，由于小波包分解前后信号总能量保持不变，因此，原始信号的能量等于第N层各频带能量之和。在电力电子电路故障特征提取中，故障信号各频带能量成分的分布变化可以表征出电路故障类型。因此，在电力电子变换器故障诊断中采用小波包能量谱分析手段提取故障信号特征是可靠的。本发明利用上述方法对故障信号进行四层小波包分解，小波包分解的层数越多，对于故障信号的分辨率越高，但是受限于计算资源，因此选择四层小波包变换提取各类故障信号的能量谱向量作为故障特征向量进而形成故障分类器的输入向量，此过程的具体实现步骤为：
(1)对三相桥式逆变电路各类故障的输出电压序列进行四层小波分解，分别提取第四层中从低频带到高频带的16个频带信号小波系数分布特征。
(2)对分解所得的小波系数进行单支重构，获得四层分解后在16个频带范围内的分解重构信号。
(3)求取故障信号在各频带的能量分布，设E4,n为第四层小波包分解后第n个小波系数序列S4,n的能量，则有：
其中
表示重构信号S4,n的离散序列幅值
(4)根据上述所得各频带能量，故障特征向量T构造如式(13)所示：
T＝[E4,0,E4,1…E4,14,E4,15] (13)
对上式归一化处理故障特征向量，统一量纲得，令：
T'＝[E4,0/E,E4,1/E,…E4,15/E]
步骤4，将分析的结果与已记录故障类型的结果进行对比得出故障类型以及故障位置。
向量T＇为归一化处理后的故障向量，将故障特征向量经PCA降维后作为故障分类器的输入向量，经故障分类器完成整个三相桥式逆变电路的故障诊断。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序产品用于控制信号发生及故障诊断装置的计算机程序，计算机可读介质采用光盘或U盘。
所述计算机程序包括计算机可执行指令，这些计算机可读指令用于控制信号发生及故障诊断装置的可编程控制系统以实施与根据本发明中任一个所述的方法相关的动作。
这些计算机可执行指令用于控制信号发生及故障诊断的可编程控制系统进行以下操作：
控制该信号发生及故障诊断装置产生一个或多个脉冲或者一个连续信号，传感器接收到该脉冲或者连续信号的返回信号，该返回信号是连接至电力电子变换器输出端的信号发生及故障诊断装置向电力电子变换器发出引起的反射信号。
采用合适的编程语言并且使用适合于该编程语言以及所考虑的编程控制系统的编译器来实现的子例程或功能。与合适的编程语言相对应的源代码也代表计算机可执行软件模块，因为源代码包含控制可编程控制系统实施上文呈现的动作所需的信息并且编译仅仅改变信息的格式。此外，还可能的是，可编程控制系统设有解释器，从而使得不需要在运行之前对使用合适的编程语言实现的源代码进行编译。
根据本发明的信号被编码以承载定义根据本发明的实施例的用于控制信号发生及故障诊断装置的计算机程序的信息。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种电力电子变换器故障诊断系统，其特征在于：包括信号发生及故障诊断装置和电力传感器，所述信号发生及故障诊断装置与所述电力传感器连接，所述电力传感器与电力电子变换器电力端子连接，所述信号发生及故障诊断装置与所述电力电子变换器连接。
2.根据权利要求1所述的电力电子变换器故障诊断系统，其特征在于：所述信号发生及故障诊断装置包括控制模块、故障诊断模块、信号发生模块；
所述控制模块用于控制所述信号发生模块产生电压或电流激励；
所述故障诊断模块用于对返回信号进行处理分析，获取所述电力电子变换器故障信息；
所述控制模块与所述信号发生模块连接，所述信号发生模块与所述电力电子变换器电力端子连接，所述故障诊断模块与所述传感器连接。
3.根据权利要求1所述的电力电子变换器故障诊断系统，其特征在于：所述电力传感器包括电压传感器和电流传感器。
4.根据权利要求1-3任意一项所述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：
S1、发出检测信号，并记录所述检测信号特征及发出时间；
S2、接收返回信号数据，记录返回信号特征以及返回时间；
S3、对所述返回信号进行筛选，获得故障返回信号，对所述故障返回信号进行小波包变换，获取所述故障返回信号小波包变换结果；
S4、对所述步骤S3中所述小波包变换结果进行频带能量成分分布的分析，获得所述电力电子变换器故障向量；
S5、处理所述步骤S4中所述电力电子变换器故障向量，输入故障分类器，获得故障诊断结果。
5.根据权利要求4所述的电力电子变换器故障诊断方法，其特征在于：所述S3中采用离散二进小波变换。
6.根据权利要求4所述的电力电子变换器故障诊断方法，其特征在于：所述S4中对所述故障返回信号小波包变换结果进行分析包括以下子步骤：
S41、对所述电力电子变换器的原始故障信号进行四层小波包分解，并提取第四层中所述电力电子变换器原始故障信号经小波包变换得到的低频信号和高频信号的小波系数；
S42、对所述S41中所述高频信号和低频信号的小波系数进行单支重构，获得四层分解后在各频带的分解重构信号；
S43、计算所述对应各频带的分解重构信号的能量，得到所述电力电子变换器原始故障信号在各频带能量的分布特征；
S44、根据S43中所述电力电子变换器原始故障信号在各频带的能量分布特征，构造电力电子变换器的故障特征向量；
S45、对所述步骤S44中电力电子变换器的故障特征向量进行识别处理。
7.根据权利要求6所述的电力电子变换器故障诊断方法，其特征在于：所述S45中故障特征向量处理为归一化处理。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求4～7中任一所述方法的步骤。
9.根据权利要求8所述的计算机可读存储介质，其特征在于：所述存储介质采用可插拔读取存储设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011284137.6A CN112433176A (zh) | 2020-11-17 | 2020-11-17 | 一种电力电子变换器故障诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011284137.6A CN112433176A (zh) | 2020-11-17 | 2020-11-17 | 一种电力电子变换器故障诊断系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112433176A true CN112433176A (zh) | 2021-03-02 |
Family
ID=74700218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011284137.6A Pending CN112433176A (zh) | 2020-11-17 | 2020-11-17 | 一种电力电子变换器故障诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112433176A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114759673A (zh) * | 2022-04-19 | 2022-07-15 | 山东博诚电气有限公司 | 矿用隔爆兼本质安全型组合变频器的故障确定方法及装置 |
| CN114793233A (zh) * | 2022-04-15 | 2022-07-26 | 山东博诚电气有限公司 | 一种矿用变频器的无线数据存储方法及装置 |
| CN114847180A (zh) * | 2022-06-22 | 2022-08-05 | 成都睿畜电子科技有限公司 | 一种电动耳标钳及基于电动耳标钳的管理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
| CN101860298A (zh) * | 2010-05-25 | 2010-10-13 | 安徽络力机电科技有限公司 | 一种开关磁阻电机控制器 |
| CN105814781A (zh) * | 2013-11-14 | 2016-07-27 | Tm4股份有限公司 | 换向单元、电力变换器和具有动态控制的电压增益的补偿电路 |
| CN108303630A (zh) * | 2018-02-08 | 2018-07-20 | 国电南瑞科技股份有限公司 | 一种基于小波包分析的交直流充电设备功率器件故障诊断方法 |
| CN108535648A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 电机故障诊断方法和系统 |
| CN108919120A (zh) * | 2018-07-20 | 2018-11-30 | 南京怡咖电气科技有限公司 | 一种能源互联网功率变换器故障诊断方法 |
| US20190006885A1 (en) * | 2017-06-29 | 2019-01-03 | Witricity Corporation | Protection and control of wireless power systems |
| CN110808625A (zh) * | 2019-10-30 | 2020-02-18 | 华为技术有限公司 | 一种无线充电的接收端、系统及控制方法 |
| US20210270911A1 (en) * | 2018-07-31 | 2021-09-02 | Hitachi Industrial Equipment Systems Co., Ltd. | Power Conversion Device and Ground Fault Location Diagnosis Method |
-
2020
- 2020-11-17 CN CN202011284137.6A patent/CN112433176A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
| CN101860298A (zh) * | 2010-05-25 | 2010-10-13 | 安徽络力机电科技有限公司 | 一种开关磁阻电机控制器 |
| CN105814781A (zh) * | 2013-11-14 | 2016-07-27 | Tm4股份有限公司 | 换向单元、电力变换器和具有动态控制的电压增益的补偿电路 |
| US20190006885A1 (en) * | 2017-06-29 | 2019-01-03 | Witricity Corporation | Protection and control of wireless power systems |
| CN108303630A (zh) * | 2018-02-08 | 2018-07-20 | 国电南瑞科技股份有限公司 | 一种基于小波包分析的交直流充电设备功率器件故障诊断方法 |
| CN108535648A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 电机故障诊断方法和系统 |
| CN108919120A (zh) * | 2018-07-20 | 2018-11-30 | 南京怡咖电气科技有限公司 | 一种能源互联网功率变换器故障诊断方法 |
| US20210270911A1 (en) * | 2018-07-31 | 2021-09-02 | Hitachi Industrial Equipment Systems Co., Ltd. | Power Conversion Device and Ground Fault Location Diagnosis Method |
| CN110808625A (zh) * | 2019-10-30 | 2020-02-18 | 华为技术有限公司 | 一种无线充电的接收端、系统及控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李雄涛: "ZVS PWM DC/DC全桥变换器故障诊断系统研究", 《工程科技Ⅱ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114793233A (zh) * | 2022-04-15 | 2022-07-26 | 山东博诚电气有限公司 | 一种矿用变频器的无线数据存储方法及装置 |
| CN114759673A (zh) * | 2022-04-19 | 2022-07-15 | 山东博诚电气有限公司 | 矿用隔爆兼本质安全型组合变频器的故障确定方法及装置 |
| CN114847180A (zh) * | 2022-06-22 | 2022-08-05 | 成都睿畜电子科技有限公司 | 一种电动耳标钳及基于电动耳标钳的管理方法 |
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 | |
| CN112433176A (zh) | 一种电力电子变换器故障诊断系统及方法 | |
| Akhil Vinayak et al. | Wavelet‐based real‐time stator fault detection of inverter‐fed induction motor | |
| Bessam et al. | Wavelet transform and neural network techniques for inter-turn short circuit diagnosis and location in induction motor | |
| Leonowicz et al. | Advanced spectrum estimation methods for signal analysis in power electronics | |
| Namdar et al. | A robust stator inter-turn fault detection in induction motor utilizing Kalman filter-based algorithm | |
| CN110703151A (zh) | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 | |
| Muduli et al. | Ann based on-board fault diagnostic for induction motor drive in low-cost electric vehicles | |
| Ferreira et al. | An application of machine learning approach to fault detection of a synchronous machine | |
| Rahnama et al. | Machine‐learning approach for fault detection in brushless synchronous generator using vibration signals | |
| Almounajjed et al. | Condition monitoring and fault detection of induction motor based on wavelet denoising with ensemble learning | |
| Tian et al. | Compound Fault Diagnosis of Stator Interturn Short Circuit and Air Gap Eccentricity Based on Random Forest and XGBoost | |
| CN115409052A (zh) | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 | |
| Bessam et al. | A novel method for induction motors stator inter-turn short circuit fault diagnosis based on wavelet energy and neural network | |
| US10326396B2 (en) | Method for estimating parameters of a DC machine by the laplace transform | |
| Schmitt et al. | Detecting bearing faults in line-connected induction motors using information theory measures and neural networks | |
| Kurukuru et al. | Fault detection in single-phase inverters using wavelet transform-based feature extraction and classification techniques | |
| Torki et al. | Sparse recovery diagnosis method applied to hybrid dynamical system: The case of three-phase dc-ac inverter for wind turbine | |
| Gaeid et al. | Wavelet fault diagnosis of induction motor | |
| Guedidi et al. | Diagnosis and Classification of broken bars fault using DWT and Artificial Neural Network without slip estimation | |
| Lee | Fault diagnosis of induction motors using discrete wavelet transform and artificial neural network | |
| Bhoi et al. | Advanced edge computing framework for grid power quality monitoring of industrial motor drive applications | |
| Thakur et al. | Selection of optimal mother wavelet for fault analysis in induction motor using stator current waveform | |
| Liu et al. | Circuit Fault Diagnosis Method of Wind Power Converter with Wavelet-DBN | |
| Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210302 |
|
| RJ01 | Rejection of invention patent application after publication |