[发明专利]一种基于KCSVDP和移除对比法的功率电子电路故障诊断方法

说明书

技术领域

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。

发明内容

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：