一种元器件故障诊断方法、控制器及空调的制作方法
【技术领域】
[0001]本发明涉及元器件技术领域,尤其涉及一种元器件故障诊断方法、控制器及空调。
【背景技术】
[0002]元器件(Variable-frequency Drive,VFD)是应用变频技术与微电子技术,通过改变电机工作电源频率方式来控制交流电动机的电力控制设备。元器件主要由整流(交流变直流)、滤波、逆变(直流变交流)、制动单元、驱动单元、检测单元微处理单元等组成。
[0003]元器件靠内部IGBT的开断来调整输出电源的电压和频率,根据电机的实际需要来提供其所需要的电源电压,进而达到节能、调速的目的,另外,元器件还有很多的保护功能,如过流、过压、过载保护等等。
[0004]元器件与各类电机组成的变频调速系统可以精确的实现电机的转速控制或转矩控制,其控制方式与传统控制方式相比,可以减少能量消耗,因此广泛应用于各种电机控制领域。
[0005]元器件在发生故障时,元器件会停止工作并发出故障信息。但由于元器件整体结构的复杂性,多个部件的损坏都会产生相同的故障信息,或单一器件的损坏引起多个部件异常工作,从而产生多个故障信息,使人无法准备的判断具体的故障点。
【发明内容】
[0006]本发明的目的在于提出一种元器件故障诊断方法,能够克服现有诊断方法中存在的准确率低、速度慢、成本高的问题。
[0007]本发明的另一个目的在于提出一种控制器,能够克服现有控制器对元器件故障检测存在的准确率低、速度慢、成本高的问题。
[0008]本发明的再一个目的在于提出一种空调,能够克服对元器件故障检测存在的准确率低、速度慢、成本高的问题。
[0009]为达此目的,本发明采用以下技术方案:
[0010]一种元器件故障诊断方法,当元器件发生故障时,将故障数据发送至专家控制模块,专家控制模块根据故障数据得出故障类型,且根据故障类型对元器件进行维修后,元器件能够正常运转,否则,将故障数据发送至RBF神经网络模块,并由RBF神经网络模块计算后得出故障类型。
[0011]作为上述元器件故障诊断方法的一种优选方案,将故障数据发送至RBF神经网路模块包括的情况为:专家控制模块根据故障数据无法得出故障类型,或者根据所述专家控制模块得出的故障类型对元器件进行维修后,所述元器件不能正常运转。
[0012]作为上述元器件故障诊断方法的一种优选方案,根据RBF神经网络模块得出的故障类型进行维修,并得到元器件运行正常的反馈后,将此次故障数据,以及与其对应的故障类型存入专家控制模块。
[0013]作为上述元器件故障诊断方法的一种优选方案,根据RBF神经网络模块得出的故障类型进行维修,未得到元器件运行正常的反馈,退出系统。
[0014]作为上述元器件故障诊断方法的一种优选方案,未得到元器件运行正常的反馈,则向RBF神经网络模块输入此次故障信息,及其对应的故障类型。
[0015]作为上述元器件故障诊断方法的一种优选方案,所述专家控制模块通过预存的故障数据以及与故障数据一一对应的故障类型得出当前故障数据对应的故障类型。
[0016]一种控制器,该控制器采用如以上所述的元器件故障诊断方法判断元器件出现的故障。
[0017]作为上述控制器的一种优选方案,包括RBF神经网络模块,该RBF神经网络模块包括输入样本区、输出样本区和计算模块,所述输入样本区用于存储元器件的故障数据,所述输出样本区用于存储元器件的故障类型,所述计算模块根据接收到的故障数据、输入样本区内的故障数据和输出样本区内的故障类型得出当前故障数据对应的故障类类型;
[0018]所述输入样本区和输出样本区还具有接收外界输入的新数据功能。
[0019]作为上述控制器的一种优选方案,还包括专家控制模块,所述专家控制模块与所述RBF神经网络模块通讯连接,并用于接收由RBF神经网络模块输送的数据,以及根据故障数据判断故障类型。
[0020]一种空调,包括如以上所述的控制器。
[0021]本发明的有益效果是:通过专家控制模块,以及RBF神经网络模块配合使用来对元器件出现的故障进行诊断,提高了元器件故障诊断的速度、准确度,以及降低了元器件故障诊断成本。
【附图说明】
[0022]图1是本发明【具体实施方式】提供的元器件故障诊断方法的流程示意图;
[0023]图2是本发明【具体实施方式】提供的元器件故障诊断方法在具体实施过程中的流程不意图。
【具体实施方式】
[0024]下面结合附图并通过【具体实施方式】来进一步说明本发明的技术方案。
[0025]如图1所示,在本实施方式中,提供了一种元器件故障诊断方法,具体的为:当元器件发生故障时,将故障数据发送至专家控制模块,专家控制模块根据故障数据得出故障类型,且根据故障类型对元器件进行维修后,元器件能够正常运转,否则,将故障数据发送至RBF神经网络模块,并由RBF神经网络模块计算后得出故障类型。
[0026]作为优选的,将故障数据发送至RBF神经网路模块包括的情况为:专家控制模块根据故障数据无法得出故障类型,或者根据所述专家控制模块得出的故障类型对元器件进行维修后,所述元器件不能正常运转。
[0027]在本实施方式中,本发明以变频器为例对上述控制方法进行详细的说明:
[0028]在实际应用中,变频器的故障大部分都集中在主电路,其主要故障有开路、短路、过压、过流、欠压、过热及功率器件损坏等。具体表现为下述几方面:
[0029]变频器的过电压故障主要是由变频器负载突降而使中间直流回路能量增大,短时间的能量增大如果超过了直流回路的承受能力而造成了滤波电容损坏的故障;变频器的欠压故障输入电源的缺相所造成的;变频器的过热故障通常是由电气联模块的故障造成的,包括了散热片过热、快熔开路和冷却风扇损坏等。
[0030]过电流故障是由于变频器负载发生突变、负荷分配不均,输出短路等原因引起的过载过电流和短路过电流,从而引起了变频器中逆变器件的损坏,逆变器件共6组IGBT(Insulated Gate Bipolar Transistor)简称绝缘栅双极晶体管,因此故障诊断时需要确定是哪个或哪几个IGBT损坏。整流器件的故障诊断同样需要判断是哪几个器件的损坏。因此将欠压、过热、过压、开路等故障归纳为确定性故障,而将过流、整流器件的损坏等归纳为不确定性故障。
[0031]针对上述确定性故障和不确定性故障,本实施方式提供了一种变频器故障诊断方法,当变频器发生故障时,将故障数据发送至专家控制模块,专家控制模块根据故障数据得出故障类型,且根据故障类型对变频器进行维修后,变频器能够正常运转,否则,将故障数据发送至RBF神经网络模块,并由RBF神经网络模块计算后得出故障类型。
[0032]上述专家控制模块在故障诊断过程中,具有针对性强,诊断迅速的功能,但是其内置的数据量(故障数据,以及与该故障数据成一一对应关系的故障类型)有限,即存在专家控制模块根据得到的故障数据无法判断出相应的故障类型的问题。RBF (Radial BasisFunct1n Neural Network)神经网络模块为径向基函数神经网络。所述RBF神经网络模块通过相应的计算模型来判断故障数据对应的故障类型,具体的,RBF神经网络模块在接收到故障数据后会在其存储的故障数据内通过计算比较选取一个相同或相近的故障类型。由于,专家控制模块故障类型的输出采用的是选取的方式,而RBF神经网络模块的输出采用计算的方式,由此可见,专家控制模块具有较高的数据输出效率,RBF神经网络模块具有更广的适用性和准确性,两者配合使用可以提高对故障诊断的准确度、效率。
[0033]如图2所示,为了对变频器故障诊断方法进行详细的说明,本申请还提供了对变频器故障诊断的具体过程,具体的如下所述:
[0034]将故障数据输送至专家控制模块,若专家控制模块根据故障数据