多源特征层融合故障诊断方法在电力电子电路中的应用

作者 / 张秀文，深圳国创名厨商用设备制造有限公司



多源特征层融合故障诊断方法在电力电子电路中的应用

作者 / 张秀文，深圳国创名厨商用设备制造有限公司

科学技术和社会的不断发展和融合，带来了人们对大型设备的多源化需求，随着这些设备的使用和推广，不仅为人们的生活和工作带来了诸多便利，也为人们带来了有关设备故障的安全隐患。为尽可能减少安全事故的发生，保障人们的生产和生活安全，人们在不断研究和发展故障诊断技术。多源特征层融合故障诊断是相对较为智能和高效的故障诊断方法，随着应用的不断发展与推广，在故障诊断领域占据着越来越重要的位置。本文通过对电力电子电路中运用多源特征层融合故障诊断方法的研究，希望能真正促进电力电子电路中安全系数的提升，为相关工作研究提供参考。

多源特征层融合；故障诊断；电力电子电路

前言

从诊断学而言，任何一种诊断都是模糊、不确定的信息反馈。对单一对象的某一方面信息的诊断，并不能反应对象整体状态。在实际诊断过程中，设备运行环境的多样性和自身机构的复杂程度等因素，使单一传感器无法表现整个设备的运行状态信息，因此应注重在设备的实时检测和诊断上做好多个传感器的组合运用。多源特征层融合故障诊断方法能解决传感器组合而造成的数据量大、计算机系统处理过程复杂、效率低下、诊疗效果不准确等问题。

1. 多源特征层融合故障诊断法概述

现有文献资源显示，多源信息融合技术在故障诊断中的运用可追溯至20世纪80年代，到1995年，信息融合与故障诊断才真正的结合并运用起来；2001年，有学者在博士论文中首次提出基于信息融合技术的故障诊断；2007年，从信息融合算法层面对其进行的综述问世。随着相关学者对此技术的研究逐渐增多，人们对多源信息融合故障诊断的关注度也不断提升。关于此类的研究主要在融合的算法与结构上，在融合结构上一般可分为多级信息、层次结构信息、组合神经网络的融合故障诊断；从融合算法上来看，包括在贝叶斯理论、模糊集理论、DS证据理论、粗糙集理论的基础上和人工神经网络的融合故障诊断［1］。在旋转机械结构、船舶推进系统和电力系统中，多源信息融合故障诊断法运用十分广泛，例如发电机组、燃油发动机、液压系统、电力系统故障诊断等。在实际操作中，具体有小波变换、故障主成分分析、集合具体情况的特征融合和运用神经网络分类器等。多源信息融合故障诊断法的运用不仅为电力电子电路系统的优化提供了更多更佳选择，也为人们的生产和生活带来了跟高效、便捷、和安全的设备使用。

2. 多源特征层融合故障诊断法具体操作

■2.1 运用小波变换进行科学分层

在频率上，小波变换与傅立叶变换不同，在时频域的信息局部特征上具有表征能力。小波变换在低频部分的频率分辨率相对更高、实践分辨率相对更低，而在高频部分则实践分辨率更高、频率分辨率更低，另外，小波分解也能尽量减少特征矢量维数［2］。通过正交小波变换只能分解低频部分，而小波包变换则能实现对高低频部分同时分解，由此可见，每个小波包上所表现的信息都有相应的频率带与之一一对应。在提取故障特征的过程中，应尽量选择相应适合的小波包进行层数上的分解，在分解层的数量上，层数较少则不能对故障表征进行有效的提取和反应，层数较多则特征向量维数较大，直接影响着故障诊断的总体速度。

■2.2 对故障主成分进行分析

故障主成分分析法又称为PCA，是在统计学中经常使用的线性变换法，其基本设计理念是将原来众多相关性指标数据进行整合，而组成新的相互并无关联的综合性指标，进而代替原来的相关性指标。通过PCA能对样本集的主元进行提取，进而达到降低样本维数的目的，甚至能对样本进行最优压缩。对主成分分析法中特征降维法的研究和优化，能真正提升分类器的测试和分类速度，同时并不改变所测试样本的实际分布特点，即保持样本的各项分类数据信息。通过小波变换而得到的特征向量具有较高的维数，而各分量之间相互关联，其数据信息存在不必要的信息冗余，在对故障进行分类的角度来看十分不利。通过主成分分析法的运用，能真正消除冗余并降低信息中特征矢量的维数［3］。

■2.3 根据具体情况进行特征融合

经过主成分分析法而得到的电压和电流的特征矢量，因为小波包换换分解电压和电流信息，而小波包与频率之间存在特定相关，为使相同小波包频率带内电压与电流相互匹配，提升电压与电流信息对故障特征的补充功能，因此通过间隔交叉对特征层进行融合。如图1所示。

■2.4 神经网络分类器的运用

在故障诊断的过程中，最常用的为以反响传播算法为主的多层传感器，即BP网络。但标准的BP网络不仅收

敛速度较慢，且容易限于局部极小值、难以确定隐层和隐形节点个数。因此在故障诊断过程的运用中，对BP网络进行了优化和改良，形成改进型的BP神经网络，即在神经网络中，选取具有输入层、隐层与输出层的BP网络拓扑结构进行神经网络的构建。在函数的使用上，隐层的激励函数一般运用tan-sigm oid函数，而在输出层则选择log-sigmoid函数。而函数trainbpx选取栋梁发与学习率自适用调整来优化学习速度，提升算法的准确性。在隐节点和隐层个数的确定过程中，以N来代表神经网络输入层节点个数与特征向量的对应维数，以M表示输出层节点数与故障模式对应数目，因此隐层神经元数目预选取为 +a（a=1～10），通过调节隐层神经元的数目，能适应不同需求，从而确定隐层神经元数目。

图1 特征关联图

3. 结束语

多源特征层融合故障诊断法在近年来的实际运用过程中获得了优化与提升，但仍存在着数据采集、选择与分布传感器等方面的问题，而多源信息融合故障诊断法主要是以信息的融合为核心，因此，从这一角度来看，多源特征层融合故障诊断法主要发展趋向于更加智能化的数据信息融合技术、更加快捷的融合算法和更加精确的融合结果评价规则这三个方向。

＊ ［1］罗慧，王友仁，赵鹏.电力电子电路多源特征层融合故障诊断方法［J］.电机与控制学报，2013，04（02）：92-96.

＊ ［2］张成军，阴妍，纪洋洋.多源信息融合故障诊断方法研究进展［J］.河北科技大学学报，2014，03（03）：213-221.

＊ ［3］杨亮.基于智能信息融合的模拟电路故障诊断技术研究［D］.西安：西安电子科技大学，2011.

＊ ［4］李浩铭.基于数据融合的模拟电路故障诊断［D］.湖南：湖南大学，2012.