多源特征層融合故障診斷方法在電力電子電路中的應用

作者 / 張秀文，深圳國創名廚商用設備制造有限公司

?

多源特征層融合故障診斷方法在電力電子電路中的應用

作者 / 張秀文，深圳國創名廚商用設備制造有限公司

科學技術和社會的不斷發展和融合，帶來了人們對大型設備的多源化需求，隨著這些設備的使用和推廣，不僅為人們的生活和工作帶來了諸多便利，也為人們帶來了有關設備故障的安全隱患。為盡可能減少安全事故的發生，保障人們的生產和生活安全，人們在不斷研究和發展故障診斷技術。多源特征層融合故障診斷是相對較為智能和高效的故障診斷方法，隨著應用的不斷發展與推廣，在故障診斷領域占據著越來越重要的位置。本文通過對電力電子電路中運用多源特征層融合故障診斷方法的研究，希望能真正促進電力電子電路中安全系數的提升，為相關工作研究提供參考。

多源特征層融合；故障診斷；電力電子電路

前言

從診斷學而言，任何一種診斷都是模糊、不確定的信息反饋。對單一對象的某一方面信息的診斷，并不能反應對象整體狀態。在實際診斷過程中，設備運行環境的多樣性和自身機構的復雜程度等因素，使單一傳感器無法表現整個設備的運行狀態信息，因此應注重在設備的實時檢測和診斷上做好多個傳感器的組合運用。多源特征層融合故障診斷方法能解決傳感器組合而造成的數據量大、計算機系統處理過程復雜、效率低下、診療效果不準確等問題。

1. 多源特征層融合故障診斷法概述

現有文獻資源顯示，多源信息融合技術在故障診斷中的運用可追溯至20世紀80年代，到1995年，信息融合與故障診斷才真正的結合并運用起來；2001年，有學者在博士論文中首次提出基于信息融合技術的故障診斷；2007年，從信息融合算法層面對其進行的綜述問世。隨著相關學者對此技術的研究逐漸增多，人們對多源信息融合故障診斷的關注度也不斷提升。關于此類的研究主要在融合的算法與結構上，在融合結構上一般可分為多級信息、層次結構信息、組合神經網絡的融合故障診斷；從融合算法上來看，包括在貝葉斯理論、模糊集理論、DS證據理論、粗糙集理論的基礎上和人工神經網絡的融合故障診斷［1］。在旋轉機械結構、船舶推進系統和電力系統中，多源信息融合故障診斷法運用十分廣泛，例如發電機組、燃油發動機、液壓系統、電力系統故障診斷等。在實際操作中，具體有小波變換、故障主成分分析、集合具體情況的特征融合和運用神經網絡分類器等。多源信息融合故障診斷法的運用不僅為電力電子電路系統的優化提供了更多更佳選擇，也為人們的生產和生活帶來了跟高效、便捷、和安全的設備使用。

2. 多源特征層融合故障診斷法具體操作

■2.1 運用小波變換進行科學分層

在頻率上，小波變換與傅立葉變換不同，在時頻域的信息局部特征上具有表征能力。小波變換在低頻部分的頻率分辨率相對更高、實踐分辨率相對更低，而在高頻部分則實踐分辨率更高、頻率分辨率更低，另外，小波分解也能盡量減少特征矢量維數［2］。通過正交小波變換只能分解低頻部分，而小波包變換則能實現對高低頻部分同時分解，由此可見，每個小波包上所表現的信息都有相應的頻率帶與之一一對應。在提取故障特征的過程中，應盡量選擇相應適合的小波包進行層數上的分解，在分解層的數量上，層數較少則不能對故障表征進行有效的提取和反應，層數較多則特征向量維數較大，直接影響著故障診斷的總體速度。

■2.2 對故障主成分進行分析

故障主成分分析法又稱為PCA，是在統計學中經常使用的線性變換法，其基本設計理念是將原來眾多相關性指標數據進行整合，而組成新的相互并無關聯的綜合性指標，進而代替原來的相關性指標。通過PCA能對樣本集的主元進行提取，進而達到降低樣本維數的目的，甚至能對樣本進行最優壓縮。對主成分分析法中特征降維法的研究和優化，能真正提升分類器的測試和分類速度，同時并不改變所測試樣本的實際分布特點，即保持樣本的各項分類數據信息。通過小波變換而得到的特征向量具有較高的維數，而各分量之間相互關聯，其數據信息存在不必要的信息冗余，在對故障進行分類的角度來看十分不利。通過主成分分析法的運用，能真正消除冗余并降低信息中特征矢量的維數［3］。

■2.3 根據具體情況進行特征融合

經過主成分分析法而得到的電壓和電流的特征矢量，因為小波包換換分解電壓和電流信息，而小波包與頻率之間存在特定相關，為使相同小波包頻率帶內電壓與電流相互匹配，提升電壓與電流信息對故障特征的補充功能，因此通過間隔交叉對特征層進行融合。如圖1所示。

■2.4 神經網絡分類器的運用

在故障診斷的過程中，最常用的為以反響傳播算法為主的多層傳感器，即BP網絡。但標準的BP網絡不僅收

斂速度較慢，且容易限于局部極小值、難以確定隱層和隱形節點個數。因此在故障診斷過程的運用中，對BP網絡進行了優化和改良，形成改進型的BP神經網絡，即在神經網絡中，選取具有輸入層、隱層與輸出層的BP網絡拓撲結構進行神經網絡的構建。在函數的使用上，隱層的激勵函數一般運用tan-sigm oid函數，而在輸出層則選擇log-sigmoid函數。而函數trainbpx選取棟梁發與學習率自適用調整來優化學習速度，提升算法的準確性。在隱節點和隱層個數的確定過程中，以N來代表神經網絡輸入層節點個數與特征向量的對應維數，以M表示輸出層節點數與故障模式對應數目，因此隱層神經元數目預選取為 +a（a=1～10），通過調節隱層神經元的數目，能適應不同需求，從而確定隱層神經元數目。

圖1 特征關聯圖

3. 結束語

多源特征層融合故障診斷法在近年來的實際運用過程中獲得了優化與提升，但仍存在著數據采集、選擇與分布傳感器等方面的問題，而多源信息融合故障診斷法主要是以信息的融合為核心，因此，從這一角度來看，多源特征層融合故障診斷法主要發展趨向于更加智能化的數據信息融合技術、更加快捷的融合算法和更加精確的融合結果評價規則這三個方向。

＊ ［1］羅慧，王友仁，趙鵬.電力電子電路多源特征層融合故障診斷方法［J］.電機與控制學報，2013，04（02）：92-96.

＊ ［2］張成軍，陰妍，紀洋洋.多源信息融合故障診斷方法研究進展［J］.河北科技大學學報，2014，03（03）：213-221.

＊ ［3］楊亮.基于智能信息融合的模擬電路故障診斷技術研究［D］.西安：西安電子科技大學，2011.

＊ ［4］李浩銘.基于數據融合的模擬電路故障診斷［D］.湖南：湖南大學，2012.