一种用于串联12脉波相控整流电路晶闸管故障诊断的方法专利检索-窗口层太阳能专利检索查询-专利查询网

一种用于串联12脉波相控整流电路晶闸管故障诊断的方法

阅读：2发布：2020-08-07

专利汇可以提供一种用于串联12脉波相控整流电路晶闸管故障诊断的方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种用于串联 12脉波相控整流电路晶闸管故障诊断的方法，包括：步骤一:确定串联12脉波相控整流电路中晶闸管故障状态类型数量；步骤二：采用周期、离散化方法提取故障特征；步骤三：故障样本的采集；步骤四：使用PNN网络对样本进行学习训练；步骤五：对故障情况进行分类；步骤六：对实际电路发生的故障进行性能测试，验证该方法的可行性。本发明设计新颖，简单可行，对连续周期波形离散采样、归一化的处理方法具有诊断精度高、诊断速度快、步骤简单的优点，信号处理环节克服了小波变化处理平稳信号中样本区间一旦建立就不好更改、灵活性不足的缺点，故障模式环节克服了神经网络检测方法范化能力弱、容易陷入局部极小点的缺陷。，下面是一种用于串联12脉波相控整流电路晶闸管故障诊断的方法专利的具体信息内容。

权利要求

1.一种用于串联12脉波相控整流电路晶闸管故障诊断的方法，其特征在于，包括以下步骤：
步骤一、确定串联12脉波相控整流电路中晶闸管故障类型状态数量：
根据串联12脉波相控整流电路原理图和整流电路的工作原理对实际运行的晶闸管断路进行故障分类，将串联12脉波相控整流故障分为11大类115小类；
步骤二、提取故障特征：
步骤三、样本采集：
取步骤一中11大类中的各自一种情况作为故障元的故障样本向量和故障模式作为故障数据样本；
步骤四、学习训练：
将步骤三中11大类故障进行编号并录入至PNN网络进行训练分类，故障信息识别后的输出即可产生故障模式类别；
步骤五、故障分类：
在Matlab 软件中对编写的PNN分类函数程序进行仿真，PNN网络完成训练后输出一个故障类别模式组：yc＝{1 2 3 4 5 6 7 8 9 10 11}，表示已经完成对故障标准样本数据的分类训练；
步骤六、故障识别：
在实际电路中模拟发生步骤一的11大类中取做样本的任意一种故障情况，用示波器测量输出端电压波形，考虑带电阻负载，在示波器中设置采样时间为1e-3，即一周期采样故障波形20个点，把这些点导入Matlab窗口中进行归一化处理，然后输入PNN网络，这时通过编译程序就会输出该类故障对应的模式组别，在1-11大类之间，分别对应训练好的故障类别，通过查故障模式类别表就能够知道晶闸管发生断路的位置，从而完成故障识别的功能。
2.根据权利要求1所述的一种用于串联12脉波相控整流电路晶闸管故障诊断的方法，其特征在于，步骤一中，将串联12脉波相控整流故障分为11大类115小类，具体如下：
第一类：晶闸管无故障归为一类；
第二类：1只晶闸管故障，细分为12种状态，即VRi故障，i＝1,……，12；
两只晶闸管故障分为6类，以下“mod”表示模运算或余运算；
第三类：序号相差1的2只晶闸管故障，包括12种状态，VRi及VRj故障，i＝1,……，12,j＝(i+1)mod12；
第四类：序号相差2的2只晶闸管故障，包括12种状态，VRi及VRj故障，i＝1,……，12,j＝(i+2)mod12；
第五类：序号相差3的2只晶闸管故障，包括12种状态，VRi及VRj故障，i＝1,……，12,j＝(i+3)mod12；
第六类：序号相差4的2只晶闸管故障，包括12种状态，VRi及VRj故障，i＝1,……，12,j＝(i+4)mod12；
第七类：序号相差6的2只晶闸管故障，包括6种状态，VRi及VRj故障，i＝1,……，6,j＝(i+6)mod12；
第八类：序号相差7的2只晶闸管故障，包括12种状态，VRi及VRj故障，i＝1,……，12,j＝(i+7)mod12；
第九类：VRi、VRj及VRk故障，包括12种状态，i＝1,……，12,j＝(i+4)mod12，k＝(i+6)mod12；
第十类：VRi、VRj及VRk故障，包括12种状态，i＝1,……，12,j＝(i+2)mod12，k＝(i+4)mod12；
第十一类：VRi、VRj及VRk故障，包括12种状态，i＝1,……，12,j＝(i+4)mod12，k＝(i+
10)mod12。
3.根据权利要求2所述的一种用于串联12脉波相控整流电路晶闸管故障诊断的方法，其特征在于，步骤二中，建立串联12脉波相控整流电路的仿真模型，选取直流侧输出电压为研究对象，得到各个故障状态下的直流侧输出电压波形；基于输出电压信号的周期性特点，在其一个周期内进行20个点的离散采样，将随时间变动的连续信号转化为一个固定维数的数据向量序列，这些数据的变化即为故障信息，然后对数据进行归一化处理，使故障电压信号具有普适性，其中归一化公式为y0＝(y-ymin)/(ymax-ymin)，y0为信号的归一化值，y为信号实时值，ymax和ymin分别为该信号段的最大值和最小值。
4.根据权利要求3所述的一种用于串联12脉波相控整流电路晶闸管故障诊断的方法，其特征在于，步骤三中，故障数据样本如表1所示：
表1故障数据样本
5.根据权利要求4所述的一种用于串联12脉波相控整流电路晶闸管故障诊断的方法，其特征在于，步骤四中，在MATLAB软件中编写PNN程序，通过该程序建立相应的PNN网络用于故障样本数据的模式识别；在网络中将输入的每一组样本数据向量进入径向基层进行学习训练，训练之后的结果为与输出层上某神经元最近的输入向量就表达在该神经元上，形成固定的故障模式类别输出值；当所有的输入向量均在输出层上具有各自不同的故障模式类别输出值时，训练结束；此时输出层上的故障模式类别能够反应对应的故障种类分类情况；
根据训练目标，网络输出层神经元对应的故障模式类别如表2所示：
表2故障模式类别表
故障元编号 PNN输出神经元表达
无故障 1 10000000000
VT1 2 01000000000
VT1VT2 3 00100000000
VT1VT3 4 00010000000
VT1VT4 5 00001000000
VT1VT5 6 00000100000
VT1VT7 7 00000010000
VT1VT8 8 00000001000
VT1VT5VT3 9 00000000100
VT1VT5VT7 10 00000000010
VT1VT5VT11 11 00000000001

说明书全文

一种用于串联12脉波相控整流电路晶闸管故障诊断的方法

技术领域

[0001] 本发明属于电力电子装置故障诊断技术领域，具体涉及一种用于串联12脉波相控整流电路晶闸管故障诊断的方法。

背景技术

[0002] 电力电子技术不仅是现代工业系统的重要组成部分，也是电气自动化行业发展的关键。研究电力电子电路的故障问题，有助于对电力电子及电力传动中的各类元器件故障进行预测、判别、诊断和修复，对电力工业及其相关行业意义重大。电力电子故障诊断技术主要包括故障测试点选取、故障信号处理及特征提取、故障分类识别等步骤。以整流电路为例，故障诊断系统一般以直流侧输出的脉动电压为故障测试点，即在电路故障状态下，提取输出电压进行信号处理，产生对应的故障特征。

[0003] 故障诊断的核心技术体现在故障信号处理和模式识别两个环节，传统的电力电子故障诊断系统多以小波变换作为信号处理算法，以BP神经网络作为故障特征分类和识别的算法。在信号处理环节，小波变化主要适用于处理非平稳故障信号，而串联12脉波相控整流电路中晶闸管产生的故障信号是平稳信号，所以传统的信号处理算法不再适用，而本发明通过分析晶闸管故障类型，得到具有一定周期性的负载电压信号，提出采用归一化、周期波形离散采样的信号处理算法提取故障特征，相对于传统的方法具有编程简单、运算量小、应用成熟、普适性强等优点，克服了在小波变化在处理平稳信号方面的不足。在故障模式识别环节，常用的BP神经网络诊断方法在训练过程中易陷入局部极小点，诊断精度不高，而本发明引入人工神经网络算法中效率较高、分类精准的概率神经网络(PNN)，它由引入RBF网络改善得来，可产生更强大的聚类识别功能。因此，为了快速便捷准确的对串联12脉波相控整流电路故障环节进行定位，有必要提出一种新的故障诊断算法。

发明内容

[0004] 本发明的目的是提供一种用于串联12脉波相控整流电路晶闸管故障诊断的方法，以解决现有技术中针对周期性故障电压信号处理算法中小波变化在处理平稳信号算法中故障样本区间一旦建立就不好更改、灵活性不足的缺点，故障模式识别环节克服了神经网络检测方法范化能力弱、容易陷入局部极小点的缺陷。

[0005] 本发明采用如下技术方案来实现的：

[0006] 一种用于串联12脉波相控整流电路晶闸管故障诊断的方法，包括以下步骤：

[0007] 步骤一、确定串联12脉波相控整流电路中晶闸管故障类型状态数量：

[0008] 根据串联12脉波相控整流电路原理图和整流电路的工作原理对实际运行的晶闸管断路进行故障分类，将串联12脉波相控整流故障分为11大类115小类；

[0009] 步骤二、提取故障特征：

[0010] 步骤三、样本采集：

[0011] 取步骤一中11大类中的各自一种情况作为故障元的故障样本向量和故障模式作为故障数据样本；

[0012] 步骤四、学习训练：

[0013] 将步骤三中11大类故障进行编号并录入至PNN网络进行训练分类，故障信息识别后的输出即可产生故障模式类别；

[0014] 步骤五、故障分类：

[0015] 在Matlab 软件中对编写的PNN分类函数程序进行仿真，PNN网络完成训练后输出一个故障类别模式组：yc＝{1 2 3 4 5 6 7 8 9 10 11}，表示已经完成对故障标准样本数据的分类训练；

[0016] 步骤六、故障识别：

[0017] 在实际电路中模拟发生步骤一的11大类中取做样本的任意一种故障情况，用示波器测量输出端电压波形，考虑带电阻负载，在示波器中设置采样时间为1e-3，即一周期采样故障波形20个点，把这些点导入Matlab窗口中进行归一化处理，然后输入PNN网络，这时通过编译程序就会输出该类故障对应的模式组别，在1-11大类之间，分别对应训练好的故障类别，通过查故障模式类别表就能够知道晶闸管发生断路的位置，从而完成故障识别的功能。

[0018] 本发明进一步的改进在于，步骤一中，将串联12脉波相控整流故障分为11大类115小类，具体如下：

[0019] 第一类：晶闸管无故障归为一类；

[0020] 第二类：1只晶闸管故障，细分为12种状态，即VRi故障，i＝1,……，12；

[0021] 两只晶闸管故障分为6类，以下“mod”表示模运算或余运算；

[0022] 第三类：序号相差1的2只晶闸管故障，包括12种状态，VRi及VRj故障，i＝1,……，12,j＝(i+1)mod12；

[0023] 第四类：序号相差2的2只晶闸管故障，包括12种状态，VRi及VRj故障，i＝1,……，12,j＝(i+2)mod12；

[0024] 第五类：序号相差3的2只晶闸管故障，包括12种状态，VRi及VRj故障，i＝1,……，12,j＝(i+3)mod12；

[0025] 第六类：序号相差4的2只晶闸管故障，包括12种状态，VRi及VRj故障，i＝1,……，12,j＝(i+4)mod12；

[0026] 第七类：序号相差6的2只晶闸管故障，包括6种状态，VRi及VRj故障，i＝1,……，6,j＝(i+6)mod12；

[0027] 第八类：序号相差7的2只晶闸管故障，包括12种状态，VRi及VRj故障，i＝1,……，12,j＝(i+7)mod12；

[0028] 第九类：VRi、VRj及VRk故障，包括12种状态，i＝1,……，12,j＝(i+4)mod12，k＝(i+6)mod12；

[0029] 第十类：VRi、VRj及VRk故障，包括12种状态，i＝1,……，12,j＝(i+2)mod12，k＝(i+4)mod12；

[0030] 第十一类：VRi、VRj及VRk故障，包括12种状态，i＝1,……，12,j＝(i+4)mod12，k＝(i+10)mod12。

[0031] 本发明进一步的改进在于，步骤二中，建立串联12脉波相控整流电路的仿真模型，选取直流侧输出电压为研究对象，得到各个故障状态下的直流侧输出电压波形；基于输出电压信号的周期性特点，在其一个周期内进行20个点的离散采样，将随时间变动的连续信号转化为一个固定维数的数据向量序列，这些数据的变化即为故障信息，然后对数据进行归一化处理，使故障电压信号具有普适性，其中归一化公式为y0＝(y-ymin)/(ymax-ymin)，y0为信号的归一化值，y为信号实时值，ymax和ymin分别为该信号段的最大值和最小值。

[0032] 本发明进一步的改进在于，步骤三中，故障数据样本如表1所示：

[0033] 表1故障数据样本

[0034]

[0035] 本发明进一步的改进在于，步骤四中，在MATLAB软件中编写PNN程序，通过该程序建立相应的PNN网络用于故障样本数据的模式识别；在网络中将输入的每一组样本数据向量进入径向基层进行学习训练，训练之后的结果为与输出层上某神经元最近的输入向量就表达在该神经元上，形成固定的故障模式类别输出值；当所有的输入向量均在输出层上具有各自不同的故障模式类别输出值时，训练结束；此时输出层上的故障模式类别能够反应对应的故障种类分类情况；根据训练目标，网络输出层神经元对应的故障模式类别如表2所示：

[0036] 表2故障模式类别表

[0037]故障元编号 PNN输出神经元表达
无故障 1 10000000000
VT1 2 01000000000
VT1VT2 3 00100000000
VT1VT3 4 00010000000
VT1VT4 5 00001000000
VT1VT5 6 00000100000
VT1VT7 7 00000010000
VT1VT8 8 00000001000
VT1VT5VT3 9 00000000100
VT1VT5VT7 10 00000000010
VT1VT5VT11 11 00000000001

[0038] 本发明具有如下有益的技术效果：

[0039] 本发明提供的一种用于串联12脉波相控整流电路晶闸管故障诊断的方法，该方法将串联12脉波相控整流电路中周期性的故障信号中使用归一化值，使故障电压信号具有普适性，可用于该类电路的任意输入条件下的故障诊断，同时减少了故障数据的运算量，便于将故障诊断系统在实际工程中应用。鉴于串联12脉波相控整流电路数据故障输出波形复杂、故障种类较多，在信号处理环节采用对连续周期波形离散采样的方法来提取故障样本具有诊断精度高、诊断速度快、步骤简单的优点，尤其适用于故障种类较多的电路。概率神经网络PNN是比较适用于故障分类的神经网络之一。它通过直接计算每一故障样本向量的发生概率，并以其作为径向基层的神经元输出。经过训练之后能够在输出层不同的神经元上排列显示出输入样本向量的对应次序，以此反应输入层的各类故障模式的分类情况。本发明非常适用于变流电路的故障诊断，相比于BP神经网络具有收敛速度快、分类精度高的优点，仿真和测试实验证明了该方法对于大中规模电路的实用性。附图说明

[0040] 图1是故障诊断流程图；

[0041] 图2是串联12脉波相控整流电路原理图；

[0042] 图3是串联12脉波相控整流电路的仿真模型。

具体实施方式

[0043] 下面结合附图和实施例对本发明进行详细说明。

[0044] 第一部分：

[0045] 如图1所示，本发明提供的一种用于串联12脉波相控整流电路晶闸管故障诊断的方法，包括以下几个步骤：

[0046] 步骤一、确定串联12脉波相控整流电路中晶闸管故障类型状态数量：根据图2所示的串联12脉波相控整流电路原理图和整流电路的工作原理对实际运行的晶闸管断路进行故障分类，一类晶闸管故障时，VRi与VRj故障电压波形相同，只是时间轴发生平移，因此可将其归为一大类。两只晶闸管故障时，VRi、VRj故障电压波形与VRi+n、VRj+n故障电压波形形同，只是时间轴发生平移，按照不用的组合，将具有相同故障电压波形的不同故障状态归为一大类，这样两只晶闸管故障情况可分为6大类。同理，三只晶闸管故障情况下，VRi、VRj、VRk故障电压波形与VRi+n、VRj+n、VRk+n故障电压波形相同，按照不同的排列组合，将三只晶闸管桥内故障分为三大类。其中i、j、k、i+n、j+n、k+n∈[1，12]，其余晶闸管同时故障的概率很小且故障分析方法相同，在此不做讨论。

[0047] 第一类：晶闸管无故障归为一类。

[0048] 第二类：1只晶闸管故障，细分为12种状态，即VRi故障，i＝1,……，12。

[0049] 两只晶闸管故障分为6类，以下“mod”表示模运算或余运算。

[0050] 第三类：序号相差1的2只晶闸管故障，包括12种状态，VRi及VRj故障[i＝1,……，12,j＝(i+1)mod12]。

[0051] 第四类：序号相差2的2只晶闸管故障，包括12种状态，VRi及VRj故障[i＝1,……，12,j＝(i+2)mod12]。

[0052] 第五类：序号相差3的2只晶闸管故障，包括12种状态，VRi及VRj故障[i＝1,……，12,j＝(i+3)mod12]。

[0053] 第六类：序号相差4的2只晶闸管故障，包括12种状态，VRi及VRj故障[i＝1,……，12,j＝(i+4)mod12]。

[0054] 第七类：序号相差6的2只晶闸管故障，包括6种状态，VRi及VRj故障[i＝1,……，6,j＝(i+6)mod12]。

[0055] 第八类：序号相差7的2只晶闸管故障，包括12种状态，VRi及VRj故障[i＝1,……，12,j＝(i+7)mod12]。

[0056] 序号5、8、9、10和11的两只晶闸管故障已分别包括在上述序号相差2—4、6、7类中。

[0057] 桥内三只晶闸管故障分为三类。不包括同一半桥的三只晶闸管同时故障，因为此时有一组桥不能工作，只相当于单桥工作情况。其他故障情况都包含在其中。

[0058] 第九类：VRi、VRj及VRk故障，包括12种状态[i＝1,……，12,j＝(i+4)mod12，k＝(i+6)mod12]。

[0059] 第十类：VRi、VRj及VRk故障，包括12种状态[i＝1,……，12,j＝(i+2)mod12，k＝(i+4)mod12]。

[0060] 第十一类：VRi、VRj及VRk故障，包括12种状态[i＝1,……，12,j＝(i+4)mod12，k＝(i+10)mod12]。

[0061] 以上将串联12脉波相控整流故障分为11大类115小类。

[0062] 步骤二、提取故障特征：如图3所示，建立串联12脉波相控整流电路的仿真模型，选取直流侧输出电压为研究对象，得到各个故障状态下的直流侧输出电压波形。基于输出电压信号的周期性特点，在其一个周期(0.02s)内进行20个点的离散采样，将随时间变动的连续信号转化为一个固定维数的数据向量序列，这些数据的变化即为故障信息，然后对数据进行归一化处理，使故障电压信号具有普适性，其中归一化公式为y0＝(y-ymin)/(ymax-ymin)，y0为信号的归一化值，y为信号实时值，ymax和ymin分别为该信号段的最大值和最小值。

[0063] 步骤三、样本采集：取步骤一中11大类中的各自一种情况作为故障元的故障样本向量和故障模式作为故障数据样本，整理成表1。

[0064] 表1故障数据样本

[0065]

[0066] 步骤四、学习训练：将步骤三中11大类故障进行编号并录入至PNN网络进行训练分类，故障信息识别后的输出即可产生故障模式类别。在MATLAB软件中编写PNN程序，通过该程序建立相应的PNN网络用于故障样本数据的模式识别。该环节主要利用PNN网络的强大分类聚类功能，在网络中将输入的每一组样本数据向量进入径向基层进行学习训练，训练之后的结果为与输出层上某神经元最近的输入向量就表达在该神经元上，形成固定的故障模式类别输出值。当所有的输入向量均在输出层上具有各自不同的故障模式类别输出值时，训练结束。此时输出层上的故障模式类别即可反应对应的故障种类分类情况。根据训练目标，网络输出层神经元对应的故障模式类别如表2所示。

[0067] 表2故障模式类别表

[0068]故障元编号 PNN输出神经元表达
无故障 1 10000000000
VT1 2 01000000000
VT1VT2 3 00100000000
VT1VT3 4 00010000000
VT1VT4 5 00001000000
VT1VT5 6 00000100000
VT1VT7 7 00000010000
VT1VT8 8 00000001000
VT1VT5VT3 9 00000000100
VT1VT5VT7 10 00000000010
VT1VT5VT11 11 00000000001

[0069] 步骤五、故障分类：在Matlab软件中对编写的PNN分类函数程序进行仿真，PNN网络完成训练后输出一个故障类别模式组：yc＝{1 2 3 4 5 6 7 8 9 10 11}，表示已经完成对故障标准样本数据的分类训练。

[0070] 步骤六、故障识别：

[0071] 在实际电路中模拟发生步骤一的11大类中取做样本的任意一种故障情况，用示波器测量输出端电压波形，考虑带电阻负载，在示波器中设置采样时间为1e-3，即一周期采样故障波形20个点，把这些点导入Matlab窗口中进行归一化处理，然后输入PNN网络，这时通过编译程序就会输出该类故障对应的模式组别，在1-11大类之间，分别对应训练好的故障类别，通过查故障模式类别表就能够知道晶闸管发生断路的位置，从而完成故障识别的功能。

[0072] 步骤七、性能测试：把步骤四经过学习的网络作为实际应用的标准网络，用五组测试数据对其进行故障识别的性能测试，选取随机的带有少量误差的组数据作为测试数据。表3所示为所取的测试数据组。

[0073] 表3测试数据组

[0074]

[0075] 把表3中的5组数据输入已经训练好的PNN程序中进行验证，测试结果输出为yc＝{1 3 6 9 11}，分别对应无故障、VT1VT2、VT1VT5、VT1VT5VT3、VT1VT5VT11五种故障诊断模式，测试效果理想，有效地验证了PNN故障诊断的网络性能。

[0076] 第二部分：

[0077] 1、串联12脉波相控整流电路中周期性的故障信号中使用归一化值，使故障电压信号具有普适性，可用于该类电路的任意输入条件下的故障诊断，同时减少了故障数据的运算量，便于将故障诊断系统在实际工程中应用。

[0078] 2、鉴于串联12脉波相控整流电路数据故障输出波形复杂、故障种类较多，在信号处理环节采用对连续周期波形离散采样的方法来提取故障样本具有诊断精度高、诊断速度快、步骤简单的优点，尤其适用于故障种类较多的电路。概率神经网络PNN是比较适用于故障分类的神经网络之一，它通过直接计算每一故障样本向量的发生概率，并以其作为径向基层的神经元输出。经过训练之后能够在输出层不同的神经元上排列显示出输入样本向量的对应次序，以此反应输入层的各类故障模式的分类情况。该算法非常适用于变流电路的故障诊断，相比于BP神经网络具有收敛速度快、分类精度高的优点，仿真和测试实验证明了该方法对于大中规模电路的实用性。

标题	发布/更新时间	阅读量
一种Cu2ZnSnS4/石墨烯复合半导体薄膜的制备方法及其应用	2022-11-17	2
图像识别方法及装置	2020-09-27	1
基于跨语言词向量表示和分类器联合训练的跨语言文本分类方法	2021-10-02	2
导管偏振敏感光学相干层析成像优化平均偏振解调方法	2020-05-24	0
强疏水PDMS作为基片材质的亚型猪流感检测用芯片装置	2023-12-04	0
多通道蛋白纯化仪	2020-06-18	2
用于直接部件标记(DPM)扫描仪的照明组件和圆顶漫射器组件	2020-08-31	0
一种用于果汁榨取的筛选去杂设备	2020-11-25	1
一种倒锥提取罐	2022-04-29	2
一种小麦育种用药物浸泡搅拌装置	2021-06-28	0

一种用于串联12脉波相控整流电路晶闸管故障诊断的方法

一种用于串联12脉波相控整流电路晶闸管故障诊断的方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：