王荣杰



基于S变换的电力电子电路故障诊断技术

王荣杰1,2

1.集美大学轮机工程学院 2.中山大学信息科学与技术学院

提出一种基于S变换和支持向量机(SVM)相结合的电力电子电路故障诊断方法，首先对故障信号进行S变换时频分析并提取故障特征，然后构造支持向量机分类器实现对故障类型的识别。三相桥式可控整流电路晶闸管故障诊断仿真结果表明，该方法能准确对电力电子电路故障进行类型的识别和故障元的定位，对噪声具有鲁棒性，训练样本数少等优点，在解决电力电子电路故障问题上有着很好的实用价值和应用前景。

S变换 支持向量机 故障诊断 电力电子电路

1 前言

随着电力电子技术的发展，电力电子装置越来越复杂，其故障模型也越来越复杂，为使电力电子装置正常高效地工作，研究有效的故障诊断技术是很有必要的[1]。近几年，神经网络故障诊断技术被广泛应用于电力系统故障诊断中[2-6]，主要是由于基于神经网络故障诊断的方法不要求明确的故障模型，利用强大的自学习功能、并行处理能力和良好的容错能力，避免冗余实时建模的需求。但是通常采用的BP网络在结构设计上存在盲目性，且在训练过程中容易陷入局部极小点。文献[7-8]研究了采用小波变换方法进行故障特征提取的故障诊断方法。本文针对电力电子电路实现故障诊断，提出了一种基于S变换和支持向量机相结合的电力电子电路故障诊断方法，该方法首先对各种故障信号进行S变换时频分析，由变换结果选取合适的特征量，然后采用支持向量机作为故障模型分类的工具，建立故障诊断模型，用来识别各种不同类型的故障信号。

2 S变换基本原理

S变换可以看作是对连续小波的一种“相位修正”，并且可以从连续小波变换推导而来。若将母小波定义为一个高斯窗函数和一个复向量的乘积，代入到信号的连续小波定义式中即可得到S变换。

3 基于S变换—SVM的电力电子电路故障诊断方法

3.1 故障电路和故障模型分析

图1 三相桥式可控整流电路

3.2 基于S变换的故障特征提取

式中，为总采样点数；m为最高可分析频率成分，m=s*，s为采样频率。

3.3 SVM在故障类型识别中的应用

3.3.1 SVM的基本原理

支持向量机[10](Support Vector Machine，简称SVM)是由Vapnik和他的合作者提出的基于统计学习理论的通用机器学习方法，可在高维特征空使用线性函数假设空间进行学习。SVM能够用有限样本得到较好的模型泛化性能，同时使得模型的结构和参数易于优化。

3.3.2 SVM在电力电子电路故障诊断中的应用

应用SVM在电力电子电路故障诊断中进行故障类型的识别，其实现步骤如下：

Setp1:学习阶段

(1) 建立电力电子整流装置故障诊断的SVM模型，根据1-a-r的思路，为每一种故障类型构造一个SVM，故障类型的SVM模型如图3。

图3 故障诊断的模型

(2) 建立训练样本集(，)。根据步骤（1）所建立的故障诊断的SVM模型，为每个二类SVM建立训练样本，当输入训练样本属于第类SVM时设定标号为1，故障类型不属于该类标号为-1。

(3) 依据实际情况为SVM选择适当的核函数及有关参数，作为高维特征空间在低维输入空间的一个等效形式。选择的依据是Mercer定理，核函数的选择可参考文献[11]。

(4) 通过训练样本集，求解二次规划式，获得每一个SVM的支持向量及相应的Lagrange乘子。

Step2:故障分类决策阶段

(2) 输入未知故障样本，根据图4的多故障分类流程图和判别函数式(9)计算输入未知故障样本的决策输出值。

图4 多故障分类流程图

(3) 由步骤(2)判别函数的值，判断故障样本所属的故障类型。

3.4 仿真实验结果分析

为了全面检验本文提出电力电子整流装置故障诊断方法的有效性，我们选择整流角发生偏差-10~10等20个角度的故障样本，以及在这些整流角的故障样本中加入信噪比分别为20dB和10dB的高斯白噪声信号等作为测试样本（非训练样本）加以验证。训练样本选整流角为0度时共13个故障样本，测试样本共780个故障样本。

表1 不同训练样本数一次多项式核SVM训练结果的比较

表2 不同训练样本数一次多项式核SVM训练结果的比较

表3 不同故障诊断方法实验结果的比较

为了进一步验证应用S变换提取电力电子电路故障特征的有效性，本文还分别将基于统计特性的PCA和基于经典时频分析方法的小波变换与SVM相结合对上述实验的故障样本进行诊断。在PCA-SVM方法，根据文献[8]中主贡献的定义，我们选择它为85%来从64点时域采样值提取每个故障样本的14维故障特征向量；而在小波变换-SVM方法中[12]，利用小波变换提取每个故障样本在8个子频带中经归一化后的能量作为特征向量，在这两种方法也选择与上述的S变换-SVM方法相同的训练样本训练SVM的权值，然后分别对测试样本进行故障元的定位和故障类型的识别。仿真结果表明，这两种诊断方法均能正确诊断无噪声信号的故障样本，但它们的诊断正确率却会随所含噪声的SNR的下降而减小。PCA-SVM方法分别对含有SNR=20dB和SNR=10dB噪声故障样本的正确诊断个数分别为155和89；小波变换-SVM方法分别对含有SNR=20dB和SNR=10dB噪声故障样本的正确诊断个数分别为203和166。

由表3的第1行可知，基于S变换-SVM的电力电子电路故障诊断方法对噪声具有鲁棒性；与SVM和S变换-BP方法相比，该方法在故障诊断精度、训练所花费的时间和推广能力方面都表现得更出色。

4 结语

针对故障特征提取和故障诊断两个关键技术,本文结合S变换和支持向量机构造了电力电子电路故障诊断方法。仿真实验结果表明了该方法对噪声具有鲁棒性，并具有很好的范化能力和高诊断正确率等优越性，这都得益于S变换良好时频特性和支持向量机优秀的统计学习特性；同时，该诊断方法也可推广至其它形式可控整流电路中。

[1] Ho-In Son, Tac-Jin Kim and Dec-Wook Kang.Fault Diagnosis and Neural Point Voltage Control When The 3-Level Inverter Fault Occur[C].2004 35 Annual IEEE Power Electronics Specialists Conference. Aachen, Germany, 2004:4558-4563.

[2] Liu Aimin, Lin Xin, Liu Xiangdong. Fault Diagnosis Method of High Voltage Circuit Breaker Based on RBF[C]., Dalian, China, 2005:1-4.

[3] Fengxing Zhou, Gengguo Cheng, Jun Zhou. Fault Diagnosis Technology Based on Wavelet Analysis and Resonance Demodulation[C].Proceedings of the 5 World Congress on Intelligent Control and Automation.Dalian,2004:1746-17 50.

[4] Yang B S, Han T, An J L. Neural Network for fault diagnosis of Rotating Machinery [J]., 2004, 18(3):645-647.

[5] 毕天殊,杨奇逊.基于新型神经网络的电网故障诊断方法[J].中国电机工程学报,2002,22(2):73-78.

[6] 崔博文,任章.基于神经网络的电动机逆变驱动系统故障诊断[J].仪器仪表学报,2007,28(3):473-478.

[7] Zhi-Yong Luo, Zhong-Ke Shi. Wavelet Neural Network Method for Fault Diagnosis of Push-pull Circuits[C]. Procee- dings of the 4 International Conference on Machine Learning and Cybernetics. GuangZhou, 2005:3327-3332.

[8] 王荣杰,电力电子整流装置故障诊断方法的研究[D].广州: 广东工业大学硕士学位论文,2006.

[9] Stockwell R G, Mansina L, Lower R P. Localization of the complex spectrum: the S transform[J]., 1996,44:998-1001.

[10] Nell Cristianini and John Shawe-Taylor.[M].北京:电子工业出版社,2000.

[11] Wang Rong-jie, Zhou Hai-feng. Application of SVM in Fault Diagnosis of Power Electronics Rectifier[C].Proceeding of 7 World Congress on Intelligent, Chongqing, China, 2008:1256-1260.

[12] He Yigang, Tan Yanghong, Sun Yichung. Fault Diagnosis of Analog Circuits based on Wavelet Packet[C].,2004 :267-280.