随着电力电子技术的高速发展，新的电力电子器件的不断涌现，电力电子技术的应用日益深入到工业生产和社会生活的各个方面。电力电子设备的广泛应用使得对设备的可维护性要求越来越突出。高电压、大电流的电力电子装置，主回路中的功率器件较多，发生故障时用常规的检测方法费时费力，针对故障本身的特点，人工智能、神经网络、模糊数学、小波分析等新兴的学科已成功应用于电力电子设备的故障诊断。智能化的故障自动诊断方法，有利于快速分析确定故障的部位和性质，缩短电力电子电路的运行停机时间，提高效率，减少损失。 本文以电力电子电路故障时输出电压波形作为故障信息，利用小波分析的方法提取故障特征，形成特征向量，作为神经网络的输入，实现故障诊断。主要工作和结论如下： (1) 以三相SCR整流器开路故障为例，进行电力电子主回路的故障情况分析，在仿真分析故障波形时考虑了尽可能多的故障类型，以尽可能符合实际工作情况；对故障波形进行分析，获得能够进行故障分类的情况，作为小波故障特征提取的故障信息。故障情况分析表明： a) 可分类的故障类型主要包括两大类，一类是一个桥臂上的晶闸管故障，一类是两个桥臂上的晶闸管同时故障。 B) 在一定的导通角下，同一类型的故障，在不同的故障元情况下，故障电压波形只是在时间轴上平移，而波形形状不变； c) 故障电压波形随导通角变化而改变，会给故障特征的提取带来麻烦。因此，在进行故障诊断时就应该尽量减少导通角变化的影响。 (2) 故障信息获得以后，进行小波多尺度分析，取其中四个频带内的小波系数值的能量形成特征向量。 A) 小波分析在信号的特征提取方面具有传统Fourier分析无可比拟的优越性，小波分析在时频域都具有表征信号局部特征的能力, 能够聚焦到信号的细节。Fourier分析无法对故障发生时刻进行准确的“定位”，在故障诊断的“定位”中不适用。而利用小波系数的模极大值可以对故障进行“定位”分析。 B) 多尺度小波分析将信号划分成不同的频带，且各频带互不相交。在确定的小波母函数和采样频率下，每个频带范围由相应的尺度决定。 C) 采用能量分析技术处理各频带的小波系数，形成故障特征向量，作为神经网络的输入。 (3) 利用故障特征向量对设计的BP神经网络分类器进行训练，训练过程和结果表明输入数据少、网络训练快，故障诊断准确。
展开▼
