一种基于小波与神经网络的逆变器低频噪声故障诊断方法技术

本发明专利技术是一种基于小波与神经网络的逆变器低频噪声故障诊断方法，其特点是：包括以下步骤：分别对正常及故障逆变器进行无源测试数据输出，通过对输出的正常信号和故障信号分别进行小波变换并分解，将能量转换后得到的数值矩阵差值处理作为特征量，将特征量输入进神经网络进行训练，并对神经网络的输出做出判断实现故障等级的裁定。具有方法科学合理，适用，诊断准确且速度快等优点。

【技术实现步骤摘要】
一种基于小波与神经网络的逆变器低频噪声故障诊断方法
本专利技术涉及一种逆变器的故障诊断方法，特别涉及一种基于小波与神经网络的逆变器低频噪声故障诊断方法，属于模拟电路故障诊断检测

技术介绍
随着逆变器在人们生产生活中的广泛应用，人们对其有着越来越高的可靠性要求。传统的人工检测并判定故障状态的方法一方面由于维修人员的经验不足，一方面由于缺少详细的故障状态信息，使得快速准确的检测故障成为一大难题。近年来，研究学者们在逆变器的故障诊断方面已取得不少成就，例如键合图理论故障诊断法，开关函数模型故障诊断法，模糊理论，专家系统，粒子群，谱估计等各种故障诊断方法等，但这些方法大多由于实施过程复杂，故障诊断单一而使得应用受限，并且如何准确描述逆变器故障等级的过渡，目前为止还没有准确的诊断方法。并且未见基于小波与神经网络的逆变器低频噪声故障诊断方法的文献报道和实际应用。本专利技术基于以下考虑：噪声在有用信号中是一种必须消除的信号，却也因其携带的信息而在故障诊断中占有重要地位。器件中由于电子的运动及硬件构成随时存在着可显示其状态的噪声信号。噪声含量的变化不仅可以预示器件的潜在故障，还可以判断器件的状态水平。低频噪声是模拟电路中常见的噪声信号，最具代表性的噪声为1/f噪声及产生-复合(g-r)噪声。逆变器的不同故障状态所具有的能量水平不同，初步测定，g-r噪声的过激噪声-爆裂噪声的能量值比1/f噪声的能量值至少高一个数量级。各个故障状态的判定为一可波动阈值。当器件正常状态，会含有少量的1/f噪声；当器件亚健康状态时，其中的1/f噪声会出现过激现象，使得其含量大幅增加，并掺杂少量的g-r噪声；当器件出现软故障时，过激1/f噪声及大量g-r噪声大幅度出现；当器件处于硬故障状态即器件可放弃时，g-r的过激噪声-爆裂噪声会大量出现。为逆变器正常工作，通过对其低频噪声的检测来准确判定其工作状态，及时检测其可靠性，对逆变器的故障管理机制提供了有效的依据。
技术实现思路
本专利技术的目的在于提出一种科学合理，适用，诊断准确且速度快的基于小波与神经网络的逆变器低频噪声故障诊断方法。实现本专利技术目的采用的技术方案是：一种基于小波与神经网络的逆变器低频噪声故障诊断方法，其特征在于，步骤如下：1)分别对无故障状态、有故障状态的待测逆变器进行数据采集，提取信号并滤波；2)将滤波后的信号分别进行小波变换，利用阈值函数进行去噪，将数据中高频信号进行滤波处理，并将信号分解为尺度系数aj与小波系数dj，其中j＝1,2,…,J，J为分解的最高层数；3)分别将最高层数的尺度系数与各层次的小波系数进行能量转换并加和处理，得到得到分别代表正常值矩阵与故障值矩阵的En和Ef,i，其中，i为故障逆变器个数；4)将能量值矩阵进行差值处理得到特征量ΔEi＝Ef,i-En，i为故障逆变器个数；5)将4)中特征量ΔEi输入到神经网络进行训练得到故障识别能力，根据逻辑输出及故障对应状态进行故障诊断，输出的二进制数值分别代表故障类型：00-逆变器正常；01-逆变器亚健康状态；10-软故障预警状态；11-硬故障可排除状态。所述待测逆变器为无源检测。所用小波变换采用多分辨率分析方法。所述神经网络为三层前馈神经网络。本专利技术与现有技术相比所具有的有益效果是：无需外部信号激励，直接从装置中提取噪声信号；无需对待检测装置进行损坏检验；进行低频段的噪声能量级别的诊断，无需人工经验及参数不足的限制；形成一个智能化有效的评定系统，其方法科学合理，适用，诊断准确且速度快。附图说明图1是基于小波与神经网络的逆变器低频噪声故障诊断方法流程图；图2是小波变换流程图；图3是多分辨率分析框图；图4是三层前馈神经网络结构图。具体实施方式参见图1，本专利技术的一种基于小波与神经网络的逆变器低频噪声故障诊断方法，其步骤是：1)对正常状态下及故障状态下的逆变器进行无源数据采集，将采集到的数据输入进PC中，并进行低通滤波处理，截止频率为100KHz，确保获得低频噪声数据，从而获得正常状态数据xn及故障状态数据xf,i，i为故障逆变器个数；2)对数据分别进行小波变换，利用多分辨率分析进行分解，由于处理的为100KHz以下的低频噪声，分解层数不易过多,4-5层为宜，选取合适的阈值函数，处理高频小波系数以消去白噪声，最后得到尺度系数aj与小波系数dj，其中j＝1,2,…,J，j为小波分解层数，J为分解的最高层数；3)分别将最高层数的尺度系数与各层次的小波系数进行能量转换并加和处理，得到得到分别代表正常值矩阵与故障值矩阵的能量值En和Ef,i；4)差值处理ΔEi＝Ef,i-En，得到所需特征量ΔEi，1/f噪声与g-r噪声或爆裂噪声的能量等级相差很多，故ΔEi有一定的取值范围；5)将特征量ΔEi输入进神经网络，经过神经网络训练后得到故障识别能力，用二进制逻辑输出代表故障状态：00逆变器正常状态；01逆变器亚健康状态；10-软故障预警状态；11-硬故障可排除状态。如图2所示，本专利技术的一种基于小波与神经网络的逆变器低频噪声故障诊断方法中，小波变换过程为：(1)首先对信号进行小波变换多尺度分解，以得到小波系数与尺度系数；(2)选择一定的阈值，作为处理小波系数与尺度系数的标准；(3)选择判决用阈值函数，决定处理系数的判决方式；(4)利用阈值及阈值判决函数后，得到所需的尺度系数aj与小波系数dj。如图3所示，本专利技术的一种基于小波与神经网络的逆变器低频噪声故障诊断方法中，多分辨率分析过程为：(1)对原信号进行高通及低通滤波({hm}、{gm})处理；(2)对处理后的高通低通信号进行2抽取采样(↓2)，得到第一层分解后的尺度系数a1及小波系数d1；(3)对尺度系数a1重复步骤(1)(2)得到尺度系数a2和小波系数d2；(4)以此类推，得到所需要的分解层数及各系数可以看出，分解只针对低频信号进行分解，其中为高通、低通滤波器，m代表分解的层数，为2抽取采样。如图4所示，本专利技术的一种基于小波与神经网络的逆变器低频噪声故障诊断方法中，人工神经网络过程为：是在有监督的条件下进行学习，包括对输入的特征量进行学习，根据实际输入与目标值之间的误差实时调整权重，直至训练的平均误差达到期望值，就达到了训练目的。输出层为二进制逻辑输出，做出故障等级的判定。本文档来自技高网...

【技术保护点】
一种基于小波与神经网络的逆变器低频噪声故障诊断方法，其特征在于，步骤如下：1)分别对无故障状态、有故障状态的待测逆变器进行数据采集，提取信号并滤波；2)将滤波后的信号分别进行小波变换，利用阈值函数进行去噪，将数据中高频信号进行滤波处理，并将信号分解为尺度系数aj与小波系数dj，其中j＝1,2,…,J，J为分解的最高层数；3)分别将最高层数的尺度系数与各层次的小波系数进行能量转换并加和处理，得到j＝1,2,…,J，得到分别代表正常值矩阵与故障值矩阵的En和Ef,i，其中，i为故障逆变器个数；4)将能量值矩阵进行差值处理得到特征量ΔEi＝Ef,i‑En，i为逆变器个数；5)将4)中特征量ΔEi输入到神经网络进行训练得到故障识别能力，根据逻辑输出及故障对应状态进行故障诊断，输出的二进制数值分别代表故障类型：00‑逆变器正常；01‑逆变器亚健康状态；10‑软故障预警状态；11‑硬故障可排除状态。

【技术特征摘要】
1.一种基于小波与神经网络的逆变器低频噪声故障诊断方法，其特征在于，步骤如下：1)分别对无故障状态、有故障状态的待测逆变器进行数据采集，提取信号并滤波；2)将滤波后的信号分别进行小波变换，利用阈值函数进行去噪，将数据中高频信号进行滤波处理，并将信号分解为尺度系数aj与小波系数dj，其中j＝1,2,…,J，J为分解的最高层数；3)分别将最高层数的尺度系数与各层次的小波系数进行能量转换并加和处理，得到得到分别代表正常值矩阵与故障值矩阵的En和Ef,i，其中，i为故障逆变器个数；4)将能量值矩阵进行差值处理得到特征量ΔEi＝Ef,i-En，i为故障逆变器个数；5)将4)中特...

【专利技术属性】
技术研发人员：陈晓娟，申雅茹，陈东阳，吴洁，李建坡，李楠，姜万昌，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林;22