基于多源信号和RBF神经网络的ATRU系统故障分级诊断方法与流程

本发明涉及电力电子装置故障诊断技术领域，特别涉及atru故障诊断技术领域。

背景技术：

目前国内外对电力电子装置的故障诊断研究，趋向于针对某一具体系统选择多种方法进行有机结合，从故障信息监测、故障特征提取以及故障识别分类方法等方面进行分析。但不同诊断方法存在一定的缺陷，且对不同对象的诊断准确率、抗噪声干扰能力及诊断效率存在较大差异。如文献[1]利用四层误差反向传播算法(bp)网络对三相整流电路进行故障诊断，训练得到的网络诊断准确率达到100％，但由于网络隐层节点过多，算法计算复杂，导致故障诊断速度慢；文献[2]将粗糙集方法用于电力电子电路的故障诊断，取得了较好的诊断效果，但由于信息的不完整、不精确，粗糙集提取到的故障特征有可能存在失真；文献[3]提出结合小波变换(wpd)、主成分分析(pca)与人工神经网络(ann)方法，基于atru输出电压特征进行系统故障诊断的模型，但系统特征提取过程较为复杂，且当系统噪声信号超过5％，模型诊断准确率会急速下降。因此针对在复杂多变环境中工作的atru，建立更可靠的诊断模型，提高诊断准确率与诊断效率，增强抗噪声干扰能力，是atru故障诊断的一个重要问题。

本发明涉及以下技术术语：

atru：自耦变压器auto-transformerrectifierunit，初、次级无须绝缘的特种变压器。

rbf-nn：径向基函数神经网络radialbasisfunctionneuralnetwork，一种包括输入层、隐层和输出层，其中输入空间到隐层空间为非线性变换，隐层空间到输出空间为线性变换的三层神经网络。

技术实现要素：

本发明针对现有技术的不足，提出一种基于多源信号和rbf神经网络的atru系统故障分级诊断方法：

利用输入电流、输出电压、第二整流桥输入电流三个系统特征建立基于rbf神经网络和该三个系统特征的两级12脉atru故障诊断模型，开展两级故障诊断方法研究：

(1)输入电流特征定义为向量iin＝[ia-ave，ib-ave，ic-ave]，ia-ave，ib-ave，ic-ave表示变压器输入三相电流平均值，输出电压特征定义为向量uo＝[uo-ave]，uo-ave表示输出电压平均值，第二整流桥输入电流特征定义为向量is＝[imax-as，imax-bs，imax-cs]，imax-as，imax-bs，imax-cs表示第二整流桥输入三相电流峰值；

(2)第一级故障诊断以输入电流特征向量iin为诊断依据，将atru的97种故障分为3个故障子集，针对故障子集1，建立基于第二整流桥输入电流特征向量is的rbf神经网络net1进行故障定位，针对故障子集2，建立基于输入电流特征向量iin和输出电压特征向量uo的rbf神经网络net2进行故障定位，针对故障子集3，建立基于输入电流特征向量iin的rbf神经网络net3进行故障定位。

故障诊断程序包括以下步骤：

(1)对3个系统特征向量iin、is、uo进行[-1，1]归一化处理，得到sin、so、ss；并划分基于故障数据的训练集和测试集；sin、so、ss表达式为：

(2)根据输入电流特征向量iin在系统正常工作、开路或短路等不同故障时的特点，结合输入电流额定值、不同故障下的电流峰值，定义三个常数c1、c2、c3，训练集中|iin|＜c1的故障属于故障子集1，包括无故障、变压器绕组开路、同相上下两桥臂同时开路三类故障，|iin|＜c2的故障属于故障子集2，包括单桥臂开路、非同相双桥臂同时开路两类故障，|iin|＞c3的故障属于故障子集3，包括单桥臂短路一类故障；

(3)针对3个故障子集，构造对应的rbf神经网络net1～net3，各net输入向量为x1，x2和x3，其中x1＝ss，x2＝[sin，so]，x3＝sin，各net输出向量为布尔向量t1，t2和t3，进行故障定位；

(4)使用训练集训练并用测试集检验net1～net3的诊断准确率，定义为：i＝1，2，3，qi表示每个rbf神经网络测试集中诊断正确的故障数量，ni表示neti的测试集总故障数量，并进行rbf神经网络算法优化。

本发明的有益效果：

1、本发明充分挖掘系统特征和系统故障的映射关系，采用三个特征全面高效地反映系统故障信息，提高rbf神经网络输入故障数据的质量，与仅采用输入电流特征或输出电压特征相比，诊断准确率高，抗噪声干扰能力强；

2、本发明采用的分级诊断方法，充分结合atru系统电路结构，前级诊断利用iin划分故障子集，后级诊断结合uo、is实现系统故障准确定位，通过3个独立的rbf神经网络，有效降低算法复杂度，提高故障诊断效率。

附图说明

图1是本发明的电路应用实例图；

图2是基于多源信号和rbf神经网络的atru系统故障诊断程序图；

图3是按照图2(方法1)和基于输出电压特征(方法2)进行诊断的rbf神经网络计算量对比图；

图4是按照图2和基于输出电压特征进行诊断的atru系统故障诊断准确率对比图；

图5是在不同信噪比下按照图2、基于输出电压特征，以及采用文献[3]中诊断方法(方法3)进行诊断的atru系统故障诊断准确率对比图。

具体实施方式

下面结合附图对本发明进行详细说明。

以不对称式p型12脉atru系统为例，系统拓扑如图1所示，ia、ib、ic是系统输入三相电流，自耦变压器为六边形绕组结构，d1～d6共6个二极管并联构成rf1第一整流桥，与rf2第二整流桥并联共同构成atru整流桥，ia1、ib1、ic1是rf1第一整流桥输入电流，ia2、ib2、ic2是rf2第二整流桥输入电流，电容c用于滤除输出电压纹波，r为负载。

本系统应用基于多源信号和rbf神经网络的atru系统故障分级诊断方法的诊断流程如图2所示，具体实现步骤如下：

(1)采集atru系统输入电流ia，ib，ic，系统输出电压uo，以及第二整流桥输入电流ia2，ib2，ic2，提取系统特征iin＝[ia-ave，ib-ave，ic-ave]、is＝[imax-as，imax-bs，imax-cs]、uo＝[uo-ave]；

(2)对3个系统特征向量iin、is、uo进行[-1，1]归一化处理，得到sin、so、ss；并划分基于故障数据的训练集和测试集；sin、so、ss表达式为：

(3)根据输入电流特征向量iin在系统正常工作、开路或短路等不同故障时的特点，结合输入电流额定值、不同故障下的电流峰值，定义三个常数c1、c2、c3，通过iin与c1、c2、c3比较，训练集中|iin|＜c1的故障属于故障子集1，包括无故障、变压器绕组开路、同相上下两桥臂同时开路三类故障，|iin|＜c2的故障属于故障子集2，包括单桥臂开路、非同相双桥臂同时开路两类故障，|iin|＞c3的故障属于故障子集3，包括单桥臂短路一类故障；

(4)针对3个故障子集，构造对应的rbf神经网络net1～net3，各net输入向量为x1，x2和x3，其中x1＝ss，x2＝[sin，so]，x3＝sin，编码各net输出向量t1、t2、t3；

(5)使用训练集训练net1～net3，保存训练结果；

(6)使用测试集检验net1～net3的诊断准确率，调整rbf神经网络参数如算法学习率、误差目标与隐层节点数，优化rbf神经网络算法。

在matlab/simulink仿真平台建立如图1所示的不对称式p型12脉atru电路仿真模型，参数如下：输入电源为115v/400hz三相交流电，原边绕组268匝，副边绕组732匝，输出滤波电容c为10uf，负载r随输出功率调整，采样频率为200khz，仿真时间1～2个周期。结合matlab中的rbf工具搭建神经网络模型net1～net3，根据各网络输入向量和输出向量设置网络输入节点和输出节点数，同时调节各网络隐层节点数，误差期望goal设为0。

图3给出了按照方法1进行系统故障诊断的net1～net3计算量与计算时间，同时给出了按照方法2进行诊断的net0计算量与计算时间作为对比。定义运行一次诊断所需的乘除、向量内积和指数运算次数分别为：q1，q2和q3，对诊断效率进行评估，表达式为：q1＝n×m+m×k、q2＝n×m、q3＝m，n表示输入层节点，m表示隐层节点，k表示输出层节点。明显看出方法1的计算量显著下降，计算速度比方法2提高1倍左右。调整负载r大小，得到图4所示的net0～net3分类准确率，可见方法1的诊断准确率均高于方法2。对系统施加snr＜60db的随机噪声信号，得到图5所示的三种方法诊断准确率对比结果，显然在较大的信噪比范围内，方法1的诊断准确率整体优于其他两种方法，抗噪声干扰能力强。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

附件：(如专利/文章/标准)

文献[1]：马皓，徐德鸿，卞敬明.基于神经网络的电力电子电路故障诊断[j].电力电子技术，1997(4)：10-12

文献[2]刘庆珍，蔡金锭，王少芳.基于粗糙集神经网络的电力电子电路故障诊断[j]，电力自动化设备，2004，24(4)：45-48.

文献[3]：liw，liuw，wuw，etal.faultdiagnosisofstar-connectedauto-transformerbased24-pulserectifier[j].measurement，2016，91：360-370.paper24