一种基于KCSVDP和移除对比法的功率电子电路故障诊断方法与流程

本发明涉及一种基于KCSVDP和移除对比法的功率电子电路故障诊断方法，属于信号处理和功率转换电路故障诊断领域。

背景技术：

随着科学技术的不断发展，功率电子电路在工业中得到了广泛应用，如可再生能源转换系统、整流逆变系统以及航空电源系统等。由于电力半导体器件的广泛使用，因而功率电子电路故障的概率将增加，例如功率开关器件的开路故障或短路故障。一旦功率电子电路发生故障，则会影响后续用电设备的正常工作，进而影响整个工作环境，轻则导致设备故障停机，重则导致巨大的生命财产和安全损失，因而，对功率电子电路进行故障诊断研究具有重大意义。

特征提取和特征选择是故障诊断流程中重要组成部分，选择合适的特征提取方法，并与特征选择方法相结合，能够有效地提高故障诊断性能。K分量奇异值分解包是一种多分辨率奇异值分解技术，即利用奇异值分解来实现类似小波包的信号分解方式，通过构造合理的矩阵，同时采用恰当的信号构成方式，并与递推分解相结合，可用于信号的特征提取。香农熵旨在实现对信息的量化度量，可用于评估系统的混乱程度，若一个系统越是混乱，则其熵值越大。特征选择的目的是从原始特征中筛选出关键特征，并剔除冗余或不相关的特征，从而大大简化特征样本结构。利用筛选过后的特征样本构建分类器模型，能够简化分类器的设计并大幅提高分类器的分类性能。

技术实现要素：

为了解决上述问题，本发明提出基于KCSVDP和移除对比法的功率电子电路故障诊断方法。一方面，利用K分量奇异值分解包对故障信号进行分解，并依据香农熵定义计算特征参数，获取故障信息；另一方面，利用移除对比法筛选出关键特征量，精简特征样本并提高诊断正确率。

本发明为实现上述目的，实现技术方案如下：

首先采集功率电子电路在正常模式以及故障模式下的可测节点输出信号，并利用K分量奇异值分解包对采集信号进行分解，再依据香农熵定义计算特征参数量，从而构建特征样本集，然后利用移除对比法对特征量进行筛选，获取关键特征样本集，再将关键特征样本集分为训练样本集和测试样本集，分别用于支持向量机的训练和测试。

具体的操作步骤如下所示：

1)获取功率电子电路在正常模式以及故障模式下的可测节点输出信号。

2)利用K分量奇异值分解包对采集信号进行分解，获取分量信号，具体操作过程阐述如下：

奇异值分解(Singular Value Decomposition，简称SVD)是指：对于任意矩阵H∈R^m×n，总是存在正交矩阵U＝(u₁，u₂，...，u_m)∈R^m×m和正交矩阵V＝(v₁，v₂，...，v_n)∈R^n×n，使得H＝USV^T成立，式中m和n均为正整数，u∈R^m×1，v∈R^n×1，S＝(diag(σ₁，σ₂，...，σ_q)，O)或者其转置，这取决于m≤n还是m＞n，S∈R^m×n，diag(σ₁，σ₂，...，σ_q)代表元素为σ₁，σ₂，...，σ_q的对角矩阵，O代表零矩阵，q＝min(m，n)，即q取m和n中的较小者，且有σ₁≥σ₂≥…≥σ_q＞0，σ_i(i＝1，2，...，q)称为矩阵H的奇异值。

对于采集获取的信号X＝(x₁，x₂，...，x_N)，信号长度为N，N为正整数，构造行数为K的如下矩阵H，其中K＜＜N：

该矩阵经过SVD处理后，有且仅能得到K个奇异值并降序排列，针对每一个奇异值按照某种方式处理可以获得一个分量信号。对得到的每个分量信号再次分别构造行数为K的矩阵，并进行SVD处理，因此每个分量信号又可被分解为K个子分量信号，如此逐次进行，每分解一层，上一层的每个分量就会被进一步细分，从而将原始信号分解为一系列分量信号，其中，第一层得到K个信号，第二层得到K²个信号，第三层得到K³个信号，第j层得到K^j个信号，将此分解方法称之为K分量奇异值分解包法，下面进行详细阐述。

假设对原始信号X＝(x₁，x₂，...，x_N)进行了j-1层KCSVD分解，在第j-1层得到K^j-1个分量信号，将它们记为其中N为信号长度，i为分量信号的序列，i＝0，1，2，...，K^j-1-1，利用构造第j层中待分解的矩阵：

对矩阵进行SVD处理，得到其中，u∈R^K×1，v∈R^(N-K+1)×1，分别为在第j层对分量信号进行奇异值分解时获得的左、右正交矩阵，而对角阵且i＝0，1，2，...，K^j-1-1。

为了得到在第j层的分解结果，现将改写成用列向量和表示的形式：

式(3)中，且k＝1，2，...，K，i＝0，1，2，...，K^j-1-1。

由此可知，在第j层的分解结果为K个矩阵，分别为其中，i为0，1，2，...，K^j-1-1中的任意值。

将在第j层分解获取的K个矩阵进行相应处理便可得到K个分量信号，这K个分量信号在第j层中的序号是Ki，Ki+1，…，Ki+K-1，并用来表示，其中，i为0，1，2，...，K^j-1-1中的任意值，具体如下所示：

下面以矩阵为例，讲解如何求解得到分量信号

假设则将按顺序保存至即分别对应即可获取分量信号其中，i为0，1，2，...，K^j-1-1中的任意值。

其余矩阵操作类似，便可获取分量信号其中，i为0，1，2，...，K^j-1-1中的任意值，不再赘述。

3)利用香农熵定义对分量信号进行处理，从而获取特征参数并构建特征样本集，具体操作如下。

假设对原始信号X＝(x₁，x₂，...，x_N)进行了M层KCSVDP分解，则共获取(K+K²+…+K^M)个分量信号，即个分量信号，现计算各层各分量信号的能量值作为特征参数，以第M-1层信号为例，则第M-1层信号第i个分量信号计算公式如下：

依据该公式，第M-1层共可获取K^M-1个能量值，然后，计算第M-1层各个能量值的概率，具体如下：

再根据香农熵定义获取各层分解信号的熵值，具体如下：

所谓信息熵，是指系统有序化程度的一个度量，假设有一个变量Y，它的取值有L种可能，分别是y₁，y₂，...，y_L，每一种取值的概率分别是P₁，P₂，...，P_L，那么Y的熵就可利用如下公式计算：

因而，第M-1层信号的信息熵值计算如下：

对功率电子电路在正常模式以及故障模式下的可测节点输出信号，依据上述内容计算并获取信号能量值E(包含原始信号)和信息熵值H(不包含原始信号)共计个参数作为特征量，构成特征样本集A＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R^m，i＝1，...，l}，其中x为特征向量，y为样本标签，

4)利用移除对比法提取关键特征参数，从而获得关键特征样本集B＝{(x_i，y_i)|x_i∈R^n′，y_i∈R^m，i＝1，...，l}。

首先，设定阈值β，将上述特征参数记为F_i，其中

将特征样本集A＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R^m，i＝1，...，l}分为训练样本集和测试样本集两部分：训练样本集A₁＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R^m，i＝1，...，l₁}和测试样本集A₂＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R^m，i＝1，...，l₂}，训练样本集和测试样本集的样本个数分别为l₁个和l₂个，且l＝l₁+l₂。

编译支持向量机分类程序，利用训练样本集A₁对支持向量机进行训练，核函数选取线性核函数，惩罚系数C利用网格搜索法选取，待支持向量机训练完毕后，再利用测试样本集A₂对其进行测试和评估，记录此时的诊断正确率Accuracy_all。

然后，将特征参数F₁从训练样本集A₁和测试样本集A₂移除，再编译支持向量机分类程序，利用移除特征参数F₁后的训练样本集A_1，1对支持向量机进行训练，核函数选取线性核函数，惩罚系数C利用网格搜索法选取，待支持向量机训练完毕后，再利用移除特征参数F₁后的测试样本集A_2，1对其进行测试和评估，记录此时的诊断正确率

如此重复进行，直到所有特征参数操作完毕。

最后，依次计算其中若差值超过阈值β，则选中对应特征参数作为关键特征量，并将特征样本集A中非关键特征量移除，从而构成关键特征样本集B＝{(x_i，y_i)|x_i∈R^n′，y_i∈R^m，i＝1，...，l}。

5)将特征样本集B分为训练样本集和测试样本集两部分：训练样本集B₁＝{(x_i，y_i)|x_i∈R^n′，y_i∈R^m，i＝1，...，l₃}和测试样本集B₂＝{(x_i，y_i)|x_i∈R^n′，y_i∈R^m，i＝1，...，l₄}，训练样本集和测试样本集的样本个数分别为l₃个和l₄个，且l＝l₃+l₄。

编译支持向量机分类程序，利用训练样本集B₁对支持向量机进行训练，核函数选取线性核函数，惩罚系数C利用网格搜索法选取，待支持向量机训练完毕后，再利用测试样本集B₂对其进行测试和评估，分析讨论关键特征量的分类性能。

附图说明

图1支持向量机模型结构图

图2故障诊断流程图

具体实施方式

首先采集功率电子电路在正常模式以及故障模式下的可测节点输出信号，并利用K分量奇异值分解包对采集信号进行分解，再依据香农熵定义计算特征参数量，从而构建特征样本集，然后利用移除对比法对特征量进行筛选，获取关键特征样本集，再将关键特征样本集分为训练样本集和测试样本集，分别用于支持向量机的训练和测试。

具体的操作步骤如下所示：

1)获取功率电子电路在正常模式以及故障模式下的可测节点输出信号。

2)利用K分量奇异值分解包对采集信号进行分解，获取分量信号，具体操作过程阐述如下：

奇异值分解(Singular Value Decomposition，简称SVD)是指：对于任意矩阵H∈R^m×n，总是存在正交矩阵U＝(u₁，u₂，...，u_m)∈R^m×m和正交矩阵V＝(v₁，v₂，...，v_n)∈R^n×n，使得H＝USV^T成立，式中m和n均为正整数，u∈R^m×1，v∈R^n×1，S＝(diag(σ₁，σ₂，...，σ_q)，O)或者其转置，这取决于m≤n还是m＞n，S∈R^m×n，diag(σ₁，σ₂，...，σ_q)代表元素为σ₁，σ₂，...，σ_q的对角矩阵，O代表零矩阵，q＝min(m，n)，即q取m和n中的较小者，且有σ₁≥σ₂≥…≥σ_q＞0，σ_i(i＝1，2，...，q)称为矩阵H的奇异值。

对于采集获取的信号X＝(x₁，x₂，...，x_N)，信号长度为N，N为正整数，构造行数为K的如下矩阵H，其中K＜＜N：

该矩阵经过SVD处理后，有且仅能得到K个奇异值并降序排列，针对每一个奇异值按照某种方式处理可以获得一个分量信号。对得到的每个分量信号再次分别构造行数为K的矩阵，并进行SVD处理，因此每个分量信号又可被分解为K个子分量信号，如此逐次进行，每分解一层，上一层的每个分量就会被进一步细分，从而将原始信号分解为一系列分量信号，其中，第一层得到K个信号，第二层得到K²个信号，第三层得到K³个信号，第j层得到K^j个信号，将此分解方法称之为K分量奇异值分解包法，下面进行详细阐述。

假设对原始信号X＝(x₁，x₂，...，x_N)进行了j-1层KCSVD分解，在第j-1层得到K^j-1个分量信号，将它们记为其中N为信号长度，i为分量信号的序列，i＝0，1，2，...，K^j-1-1，利用构造第j层中待分解的矩阵：

对矩阵进行SVD处理，得到其中，u∈R^K×1，v∈R^(N-K+1)×1，分别为在第j层对分量信号进行奇异值分解时获得的左、右正交矩阵，而对角阵且i＝0，1，2，...，K^j-1-1。

为了得到在第j层的分解结果，现将改写成用列向量和表示的形式：

式(3)中，且k＝1，2，...，K，i＝0，1，2，...，K^j-1-1。

由此可知，在第j层的分解结果为K个矩阵，分别为其中，i为0，1，2，...，K^j-1-1中的任意值。

将在第j层分解获取的K个矩阵进行相应处理便可得到K个分量信号，这K个分量信号在第j层中的序号是Ki，Ki+1，…，Ki+K-1，并用来表示，其中，i为0，1，2，...，K^j-1-1中的任意值，具体如下所示：

下面以矩阵为例，讲解如何求解得到分量信号

假设则将按顺序保存至即分别对应即可获取分量信号其中，i为0，1，2，...，K^j-1-1中的任意值。

其余矩阵操作类似，便可获取分量信号其中，i为0，1，2，...，K^j-1-1中的任意值，不再赘述。

3)利用香农熵定义对分量信号进行处理，从而获取特征参数并构建特征样本集，具体操作如下。

假设对原始信号X＝(x₁，x₂，...，x_N)进行了M层KCSVDP分解，则共获取(K+K²+…+K^M)个分量信号，即个分量信号，现计算各层各分量信号的能量值作为特征参数，以第M-1层信号为例，则第M-1层信号第i个分量信号计算公式如下：

依据该公式，第M-1层共可获取K^M-1个能量值，然后，计算第M-1层各个能量值的概率，具体如下：

再根据香农熵定义获取各层分解信号的熵值，具体如下：

所谓信息熵，是指系统有序化程度的一个度量，假设有一个变量Y，它的取值有L种可能，分别是y₁，y₂，...，y_L，每一种取值的概率分别是P₁，P₂，...，P_L，那么Y的熵就可利用如下公式计算：

因而，第M-1层信号的信息熵值计算如下：

对功率电子电路在正常模式以及故障模式下的可测节点输出信号，依据上述内容计算并获取信号能量值E(包含原始信号)和信息熵值H(不包含原始信号)共计个参数作为特征量，构成特征样本集A＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R^m，i＝1，...，l}，其中x为特征向量，y为样本标签，

4)利用移除对比法提取关键特征参数，从而获得关键特征样本集B＝{(x_i，y_i)|x_i∈R^n′，y_i∈R^m，i＝1，...，l}。

首先，设定阈值β，将上述特征参数记为F_i，其中

将特征样本集A＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R^m，i＝1，...，l}分为训练样本集和测试样本集两部分：训练样本集A₁＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R^m，i＝1，...，l₁}和测试样本集A₂＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R^m，i＝1，...，l₂}，训练样本集和测试样本集的样本个数分别为l₁个和l₂个，且l＝l₁+l₂。

编译支持向量机分类程序，利用训练样本集A₁对支持向量机进行训练，核函数选取线性核函数，惩罚系数C利用网格搜索法选取，待支持向量机训练完毕后，再利用测试样本集A₂对其进行测试和评估，记录此时的诊断正确率Accuracy_all。

然后，将特征参数F₁从训练样本集A₁和测试样本集A₂移除，再编译支持向量机分类程序，利用移除特征参数F₁后的训练样本集A_1，1对支持向量机进行训练，核函数选取线性核函数，惩罚系数C利用网格搜索法选取，待支持向量机训练完毕后，再利用移除特征参数F₁后的测试样本集A_2，1对其进行测试和评估，记录此时的诊断正确率

如此重复进行，直到所有特征参数操作完毕。

最后，依次计算其中若差值超过阈值β，则选中对应特征参数作为关键特征量，并将特征样本集A中非关键特征量移除，从而构成关键特征样本集B＝{(x_i，y_i)|x_i∈R^n′，y_i∈R^m，i＝1，...，l}。

5)将特征样本集B分为训练样本集和测试样本集两部分：训练样本集B₁＝{(x_i，y_i)|x_i∈R^n′，y_i∈R^m，i＝1，...，l₃}和测试样本集B₂＝{(x_i，y_i)|x_i∈R^n′，y_i∈R^m，i＝1，...，l₄}，训练样本集和测试样本集的样本个数分别为l₃个和l₄个，且l＝l₃+l₄。

编译支持向量机分类程序，利用训练样本集B₁对支持向量机进行训练，核函数选取线性核函数，惩罚系数C利用网格搜索法选取，待支持向量机训练完毕后，再利用测试样本集B₂对其进行测试和评估，分析讨论关键特征量的分类性能。