[发明专利]一种基于极限学习机的SiC功率管在线故障诊断方法

权利要求书

1.一种基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法，其特征在于包括以下步骤：

步骤1：搭建基于SiC MOSFET的航空功率变换器整体仿真模型，确定SiC MOSFET的故障模式及SiC MOSFET在各种故障情况下变换器中故障可测点；

步骤2：利用故障可测点采集SiC MOSFET在各种故障模式下对应的电压信息，对采集的电压信息实施特征提取，然后进行归一化处理，将归一化处理后的数据信息按照一定比例随机分为训练样本集和测试样本集；

步骤3：对乌鸦搜索算法中的飞行步长和感知概率进行改进，使改进后的乌鸦搜索算法能够平衡乌鸦局部搜索能力与全局搜索能力，设置改进后的乌鸦搜索算法的相关参数，并设置极限学习机的各层节点数及激励函数，采用改进后的乌鸦搜索算法对极限学习机进行参数寻优，达到了最大迭代次数则优化结束，输出ELM模型的最优输入权值和隐含层阀值；

步骤4：建立优化后的ELM模型，并用测试样本集对优化后的ELM模型分类性能进行测试，得到模型的分类准确率，把优化后的ELM模型用于航空功率变换器中SiC MOSFET的在线故障诊断。

2.根据权利要求1所述的基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法，其特征在于改进后的飞行长度和感知概率更新公式如下：

其中，fl^i,t表示乌鸦i在t次迭代的飞行长度，t∈[1,t_max]，t_max为最大迭代次数，fl_max为设定的最大飞行步长，fl_min为设定的最小飞行步长，AP^j,t代表乌鸦j在t次迭代发现被乌鸦i跟踪的概率，AP_min为设定的最小感知概率，AP_max为设定的最大感知概率。

3.根据权利要求2所述的基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法，其特征在于采用改进后的乌鸦搜索算法对极限学习机进行参数寻优具体包括以下步骤：

步骤3.1：对改进乌鸦搜索算法中乌鸦的数量、最大迭代次数、飞行长度和感知概率进行初始化；

步骤3.2：对乌鸦的位置和藏食记忆进行初始化，设定乌鸦i的初始位置x^i,0＝(ω_i，0,b_i，0)和初始藏食记忆m^i,0＝(ω_i，0,b_i，0)，其中，(ω_i，0,b_i，0)表示ELM模型的初始输入权值和隐含层阈值参数组合；

步骤3.3：将乌鸦i的初始位置和初始藏食记忆用于训练ELM模型，并计算适应度值；

步骤3.4：如果适应度值没有达到全局最优，则产生新的位置，产生新位置的过程如下：在乌鸦的种群中，乌鸦i随机选择另一只乌鸦j跟随，如果乌鸦j不知道被跟踪，则乌鸦i就会偷走乌鸦j的食物，如果乌鸦j知道被跟踪，则乌鸦j将会到随机位置愚弄乌鸦i，乌鸦i的位置更新公式如下：

其中，x^i,t表示第i只乌鸦在t次迭代的位置，x^i,t+1表示乌鸦i的新位置，m^j,t表示第j只乌鸦在t次迭代的最优位置，r_i表示取0～1之间均匀分布的随机数，r_j表示取0～1之间均匀分布的随机数，AP^j,t为第t次迭代时乌鸦j知道乌鸦i跟踪它的概率；

步骤3.5：计算每只乌鸦新位置的适应度函数值；

步骤3.6：如果乌鸦新位置的适应度值比原始记忆位置的适应度值更好，乌鸦通过新位置更新自身的记忆值，否则，保持当前记忆值不变；

步骤3.7：重复步骤3.3-步骤3.6直至达到最大迭代次数，输出乌鸦的最优记忆，即ELM模型的最优输入权值和隐含层阈值参数组合(ω,b)。

4.根据权利要求1所述的基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法，其特征在于：步骤4中对SiC MOSFET进行在线故障诊断，故障信号的选取、特征提取和归一化处理方法与步骤2中保持一致。