一种基于小波包分解和LDA降维的整流器故障诊断方法与流程

一种基于小波包分解和lda降维的整流器故障诊断方法
技术领域
1.本发明涉及储能技术领域，特别是一种基于小波包分解和lda降维的整流器故障诊断方法。


背景技术：

2.随着工业科技的进步，电力电子作为一门使用电力电子器件对电能进行变换和控制的技术，在交流传动、直流输电、开关电源等领域有着极其广泛的应用。当电力电子电路发生故障时，故障的后果可能会导致相关设备的损坏，甚至会使电气设备崩溃危及周边工作人员的安全，所以进行电力电子电路的故障诊断十分必要。因此，进行电力电子智能故障诊断技术是技术工作者研究的重要课题，准确把握诊断技术的核心，及时地解决故障，才能确保相关的设施设备具有较高的可靠性、连续性和稳定性，促进相关产业的升级和进步。
3.目前，电力电子电路的故障诊断方法有基于数学模型的建模方法、基于知识诊断方法、基于信号处理的方法。其中基于数学建模的诊断方法在实际解决问题需要找到与物理模型对应的参数模型，但在实际场合很难找到与之相匹配的精确的数学模型，因此数学模型的应用和诊断受到了一定的限制。与上述不同，基于信号处理的故障诊断不需要具有十分准确的数学模型，它主要研究的是故障前后的信号的幅频特性关系以确定故障发生的类型和位置，主流的方式有频谱分析、信号融合、小波变换等，这种方式分析方便，诊断效率理想。


技术实现要素：

4.有鉴于此，本发明的目的是提出一种基于小波包分解和lda降维的整流器故障诊断方法，将采集信号利用小波包能量特征提取获得中间特征向量，之后采用有监督式学习的线性判别技术进行降维处理以及矩阵归一化处理获得最终的特征向量，利用样本特征向量进行支持向量机的内部参数寻优以完成最后的分类操作。
5.本发明采用以下方案实现：
6.一种基于小波包分解和lda降维的整流器故障诊断方法，包括以下步骤：
7.步骤(a)、建立三相全桥整流器电路，并在导通晶闸管处安置cb1至cb6开关用来模拟开关管断路的故障类型；
8.步骤(b)、通过电压信号采集模块采集三相全桥整流器电路的直流侧输出电压信号；
9.步骤(c)、采用小波包分解算法将采集到的直流侧输出电压信号进行小波分解得到小波系数ci，计算小波系数的能量值ti，i＝1，2
…
n；
10.步骤(d)、将ti使用线性判别分析，同时使用主成分分析作为对比，将ti进行降维处理，下降的维度为三维，得到三维特征向量；
11.步骤(e)、将三维特征向量送入灰狼算法，对支持向量机分类器c参数和g参数寻优；
12.步骤(f)、将得到的最佳c参数和g参数的支持向量机分类，得到主成分分析与线性判别分析降维后的分类效果，比较得出明显的分类差异，既而完成诊断。
13.前述的一种基于小波包分解和lda降维的整流器故障诊断方法，步骤(a)，建立三相全桥整流器电路，并在导通晶闸管处安置cb1至cb6开关用来模拟开关管断路的故障类型，所述故障类型包括六个晶闸管断路的六种故障、晶闸管两两之间同时断路的十五种故障和电路的正常工作状态。
14.前述的一种基于小波包分解和lda降维的整流器故障诊断方法，步骤(b)采集直流侧输出电压信号，所述直流侧电压信号的采集频率为10khz，采样时长为0.06s，采样点数为600个。
15.前述的一种基于小波包分解和lda降维的整流器故障诊断方法，步骤(c)采用小波包分解算法将采集到的直流侧输出电压信号进行小波分解得到小波系数ci，计算小波系数的能量值ti，i＝1，2
…
n，是采用小波包分解算法进行分解的。
16.前述的一种基于小波包分解和lda降维的整流器故障诊断方法，小波包分解算法中的小波包变换基于尺度函数和ψ(x)存在如下变换关系，如公式(1)和公式(2)所示：
[0017][0018][0019]
其中，hk和gk是进行多分辨分析滤波器的系数，t为小波分解层数，k为平移变量，l2为二维子空间；做进一步的递推，如公式(3)和公式(4)所示：
[0020][0021][0022]
其中，gk＝(-1)kh(1-k)，即两系数具有正交关系；当n＝0时，如公式(5)和公式(6)所示：
[0023][0024][0025]
公式(1)至公式(6)中小波包的集合由u0(t)＝φ(t)确定；使用小波包分解算法将特征向量分解，获取小波系数ci，ci行向量的能量计算如公式(7)所示：
[0026][0027]
继而获得对应ci的能量特征向量ti。
[0028]
前述的一种基于小波包分解和lda降维的整流器故障诊断方法，小波包分解算法中小波包的分解层数为7层，得到能够全面反映采集信号的频率特性的27个小波系数。
[0029]
本发明的有益效果是：对于电力电子装备而言(本发明以整流器而言)，装置发生
故障时挨个检查晶闸管会导致过度维护和浪费资源。因此本发明进行自动诊断的方法可以节省测量时间和人员，快速定位故障器件。
附图说明
[0030]
图1为本发明实施例的整流器电路的原理流程示意图；
[0031]
图2为模拟开关下的仿真搭建示意图；
[0032]
图3～8为示波器直流侧故障系列波形；
[0033]
图9为降维后的特征向量图；
[0034]
图10为支持向量机诊断策略流程图；
[0035]
图11为主成分分析降维后的诊断结果图；
[0036]
图12为线性判别分析降维后的诊断结果图。
具体实施方式
[0037]
下面结合附图及实施例对本发明做进一步说明。
[0038]
应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0039]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0040]
如图1和图2所示，本实施例提供了一种基于小波包分解和lda降维的整流器故障诊断方法，包括以下步骤：
[0041]
步骤(a)、建立三相全桥整流器电路，并在导通晶闸管处安置cb1至cb6开关用来模拟开关管断路的故障类型，所述故障类型包括六个晶闸管断路的六种故障、晶闸管两两之间同时断路的十五种故障和电路的正常工作状态；
[0042]
步骤(b)、通过simulink电压采集模块采集三相全桥整流器电路的直流侧输出电压信号，所述直流侧电压信号的采集频率为10khz，采样时长为0.06s，采样点数为600个；
[0043]
步骤(c)、采用小波包分解算法将采集到的直流侧输出电压信号进行小波分解得到小波系数ci，计算小波系数的能量值ti，i＝1，2
…
n，是采用小波包分解算法进行分解的；
[0044]
其中，步骤(c)、小波包分解算法中的小波包变换基于尺度函数和ψ(x)存在如下变换关系，如公式(1)和公式(2)所示：
[0045][0046][0047]
其中，hk和gk为进行多分辨分析滤波器的系数，t为小波分解层数，k为平移变量，l2为二维子空间；做进一步的递推，如公式(3)和公式(4)所示：
[0048][0049][0050]
其中，gk＝(-1)kh(1-k)，即两系数具有正交关系；当n＝0时，如公式(5)和公式(6)所示：
[0051][0052][0053]
公式(1)至公式(6)中小波包的集合由u0(t)＝φ(t)确定；使用小波包分解算法将特征向量分解，获取小波系数ci，ci行向量的能量计算如公式(7)所示：
[0054][0055]
继而获得对应ci的能量特征向量ti；
[0056]
其中，步骤(c)、小波包分解算法中小波包的分解层数为7层，得到能够全面反映采集信号的频率特性的27个小波系数；
[0057]
步骤(d)、将ti使用线性判别分析，同时使用主成分分析作为对比，将ti进行降维处理，下降的维度为三维，得到三维特征向量；
[0058]
步骤(e)、将三维特征向量送入灰狼算法，对支持向量机分类器c参数和g参数寻优，以达到最佳的分类效果；
[0059]
步骤(f)、将得到的最佳c参数和g参数的支持向量机分类，得到主成分分析与线性判别分析降维后的分类效果，比较得出明显的分类差异，既而完成诊断。
[0060]
如图2所示，在应用本实施例的方法之前，往往会用matlab进行仿真分析，采样频率设置为10khz，仿真时长为0.06s，采样点数为600个，通过控制cb1至cb6的开关管的阶跃信号下降沿的时间来间接控制开关管的通断，触发角分别设置为-5
°
、0
°
、5
°
、10
°
、30
°
、60
°
、90
°
度，其中将30
°
、60
°
、90
°
情况下的22种故障波形作为训练样本，将其余触发角的故障采样信号作为测试样本，控制cb1至cb6的阶跃信号的step time设置为k1至k6，k的取值分别为1或0，如图3～8所示，比如图2中的vt1管发生损坏，则k1为0，k2至k6为1；又比如发生复合故障，控制vt1和vt2发生损坏，则控制k1、k2为0，其余的k设置为1，以此类推，利用matlab编写脚本循环运行每一次故障下的模型，每一种故障类型下分别对应一组k值，并且将每一组k值下的输出电压数据保存下，得到全部故障类型下的采样点数，使用matlab编写小波包分解函数，小波基函数选取的是db4，将采集到的数据进行7层小波分解，并利用能量计算公式计算128个小波系数的能量值，经过计算能量值之后，可以得到每一种故障下的含有128个特征指标的中间特征向量。
[0061]
之后将中间特征向量进行线性判别分析(lda)和主成分分析的降维处理得到三维特征向量，特征向量的波形如图9所示；可以看到相同类型的故障样本点几乎攒聚在了一起，而不同类型的故障样本点之间有明显的空间间隔，至此可以说明在原始数据样本经过
小波包分解特征个数降至128维后仍然保持着原始样本的特征信息，但考虑到处理后的样本特征维数仍然对于分类器造成相当大的难度，并且容易造成分类结果过差(测试过分类准确率仅有45％)；因此，带有监督式学习的线性判别分析技术(lda)关键性地将特征维度再次下降，在此过程中，可能会考虑到特征信息丢失的问题，但图9中可以清晰地看到，仍然将各种特征故障类型可以达到明显地区分，再次验证了线性判别分析(lda)降维技术对于处理特征样本的强大特征信息压缩能力。
[0062]
在得到处理后的三维特征向量之后，为了得到更好的分类结果，需要对svm内部的c参数和g参数进行寻优以获得更好的分类结果，分类策略如图10所示。
[0063]
主成分分析和线性判别分析(lda)下的分类结果分别如图11和图12所示；可以看到结果准确率仅有58％，在本次测试中丢失了相当一部分的特征信息，红色样本有相当一部分脱离蓝色，分类不理想；之后采用有监督式的线性判别分析(lda)降维，分类效果如图12；可以看到，分类结果理想，红色的预测类型星形标记完全和蓝色实际类型的样本圈完全重合，分类准确率接近100％，可以说很好的完成了故障诊断分类的任务。
[0064]
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。