[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

说明书

本发明公开一种基于极限学习机的SiC功率管在线故障诊断方法，属于航空电源状态监测与诊断领域。本发明利用改进的乌鸦搜索算法对极限学习机的输入权值和隐含层阈值进行优化，并将优化后的极限学习机模型用于SiC MOSFET故障诊断方面，既能够达到局部最优，又能够实现全局最优，解决了鸡群算法优化极限学习机时容易陷入局部最优、出现早熟收敛等缺点，与现有的SiC MOSFET故障诊断方法相比，此方法具有学习速度快、人为设置的参数少、网络结构简单等优点。

技术领域

本发明公开一种基于极限学习机的SiC功率管在线故障诊断方法，属于航空电源状态监测与故障诊断领域。

背景技术

随着电动汽车、多电飞机和新能源等电力电子新生领域的蓬勃发展，对电力电子器件的效率、耐高温、耐高压等性能指标提出了更高的要求。功率变换器中的开关管倾向选用具有耐高温、高频率和高阻断电压等优良性能的SiC MOSFET替代Si管器件，所以，SiC功率管在高频、高压、高效率等领域越来越被广泛使用。

由于SiC MOSFET长期工作于高温、高压、高频等恶劣环境中，人们对其安全性和可靠性提出了较高的要求。SiC MOSFET作为功率变换器中的主要器件，其健康状况直接影响着整个变换器能否正常工作，进而影响变换器所在电力系统的工作状态。SiC MOSFET发生重大故障时，会导致整个电力电子系统瘫痪，所有用电设备停止工作，甚至造成重大电力事故。SiC MOSFET的故障种类较多，其故障主要包括：栅漏极短路故障、栅源极短路故障、漏极开路故障和源极开路故障。本发明主要针对航空功率变换器中的开关管SiC MOSFET，提出一种在线故障诊断方法。

近年来，随着人工智能的发展，越来越多学者应用智能算法对MOSFET进行故障诊断。MOSFET的智能故障诊断方法主要有神经网络和支持向量机。神经网络诊断方法需要人为设置大量的参数，不能够保证收敛到全局最小点。研究人员已经将遗传算法优化BP神经网络和支持向量机用于MOSFET的故障诊断中，但是遗传算法优化BP神经网络存在训练速度慢，稳定性差等问题。支持向量机故障诊断方法的核函数及其参数选择较为困难，解决多分类问题较为困难，对大规模训练样本难以实施。目前，对SiC MOSFET的故障诊断主要依靠硬件电路来实现，比如SiC MOSFET发生短路故障时采用较多的是退饱和检测法，但是硬件检测电路存在抗干扰能力差、实时性差、诊断精度低等问题。

极限学习机(Extreme Learning Machine，简称ELM)是一种针对单隐层前馈神经网络的简易算法。相对于传统前馈神经网络训练速度慢、容易陷入局部极小值点，学习率的选择敏感等缺点，ELM算法随机产生输入层与隐含层的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元个数，即可获得唯一解。ELM算法具有比较简单的结构、较少的参数调整、更快的学习速度和泛化性能好等优点。但是ELM算法也存在一定的问题，ELM算法中的输入权值和隐含层阈值是随机给定的，通常需要设置较多的隐含层节点才能达到理想精度，但是较多的隐含层节点数会使网络变得更复杂。针对ELM算法存在的这个问题，尝试采用一些新的优化算法进行辅助改进，以促使其分类效率进一步提升。

发明内容

针对现有的SiC MOSFET故障诊断技术存在的不足之处，本发明提出一种基于改进乌鸦搜索算法优化极限学习机的SiC功率管的在线故障诊断方法，该方法采用改进的乌鸦搜索算法对极限学习机进行参数优化，然后将优化后的极限学习机模型用于SiC MOSFET的故障诊断中，该技术可应用于航空电源的状态监测与故障诊断系统中。

本发明的技术方案是：

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；