[发明专利]基于小波包分解和CSA的开关电源电路故障诊断方法

说明书

本发明公开了一种基于小波包分解和CSA的开关电源电路故障诊断方法，获取开关电源电路在正常以及故障模式下的输出信号，构建故障样本集；对故障样本集进行小波包分解、重构和AR谱分析，提取故障样本特征；利用克隆选择算法对故障样本特征集进行学习，得出每个类别样本的最优聚类中心；获取待测电路的输出信号，进行小波包分解、重构和AR谱分析，提取待测样本特征；根据待测样本特征和训练的最优聚类中心的欧氏距离，确定待测样本是否发生故障，以及故障类型。本发明降低了故障诊断的复杂度、缩短了故障诊断的时间，提高了故障诊断的精度。

技术领域

本发明涉及故障预测技术，具体涉及一种基于小波包分解和CSA的开关电源电路故障诊断方法。

背景技术

开关电源电路提供变频器的整机控制用电，是变频器正常工作的先决条件，电路的任何一个小环节，比如震荡、稳压或保护等出现异常，都会使电路出现各种各样的故障现象，从而影响变频器以及电动机的正常运行，因此对开关电源电路的故障诊断有重要的意义。现有的开关电源电路多通过故障树、故障字典、K故障法进行故障诊断，都需要构造故障树，构造余量和难度都比较大。

发明内容

本发明的目的在于提供一种基于小波包分解和CSA的开关电源电路故障诊断方法，降低了故障诊断的复杂度、缩短了故障诊断的时间，提高了故障诊断的精度。

解决本发明目的的技术解决方案为：一种基于小波包分解和CSA的开关电源电路故障诊断方法，包括如下步骤：

步骤1、获取开关电源电路在正常以及故障模式下的输出信号，构建故障样本集；

步骤2、对故障样本集进行小波包分解、重构和AR谱分析，提取故障样本特征；

步骤3、利用克隆选择算法对故障样本特征集进行学习，得出每个类别样本的最优聚类中心；

步骤4、获取待测电路的输出信号，进行小波包分解、重构和AR谱分析，提取待测样本特征；

步骤5、根据待测样本特征和训练的最优聚类中心的欧氏距离，确定待测样本是否发生故障，以及故障类型。

本发明与现有技术相比，其显著优点为：1)本发明通过小波包分解提取故障特征，减少了信号间的干扰，提高了诊断率；2)本发明通过AR谱分析，可以有效分析短样本信号，减少诊断时间；3)本发明采用克隆选择算法进行故障诊断，诊断过程简单，收敛速度快。

附图说明

图1为本发明克隆选择算法的流程图。

图2为本发明实施例的变频器开关电源电路图。

具体实施方式

下面结合附图和具体实施例，进一步说明本发明方案。

一种基于小波包分解和CSA的开关电源电路故障诊断方法，包括如下步骤：

步骤1、获取开关电源电路在正常以及故障模式下的输出信号，构建故障样本集。

步骤2、对故障样本集进行小波包分解、重构和AR谱分析，提取故障样本特征，具体为：

步骤2.1、小波包分解：小波包分解将频带进行多层次划分，对分辨率分析没有细分的高频部分可以作进一步分解，根据分析信号的特征自适应的选择相应的频带，使之与信号频率相匹配。对信号进行小波包分解的层数视具体信号和对特征参数的要求而定，若分解层过多，计算工作量增大，若分解层数过少，很多有价值的细节信息就不能分辨出来。作为一种具体实施方式，本发明对采集信号进行三次小波包分解，得到第3层的8个小波包系数X_(3，i)(i＝0，1，…，7)。