本文選題：電力電子電路 + 故障診斷��； 參考：《西華大學》2015年碩士論文

【摘要】：隨著電力電子技術(shù)的快速發(fā)展及其高性能器件的出現(xiàn),目前電力電子電路已廣泛應用于電氣工程領(lǐng)域的工業(yè)生產(chǎn)與國防軍事中,如高壓直流輸電、高性能電源等都涉及到電力電子電路。而這些設(shè)備中的電力電子電路是故障高發(fā)區(qū),一旦電力電子電路發(fā)生故障,將威脅到整個設(shè)備甚至造成人身安全。因此實現(xiàn)智能、快速、準確診斷電力電子電路裝置的故障具有重要意義,而對其相關(guān)理論和方法研究是實現(xiàn)智能故障診斷的前提。目前在電力電子電路故障診斷中通常用到的方法有:故障字典、故障樹、譜分析、直接檢測開關(guān)器件兩端電壓等方法,但這些方法各有一些不足。如故障樹法雖然直觀、通用,然而建樹工作量大,在實際應用中受到很大限制。近些年,神經(jīng)網(wǎng)絡(luò)、支持向量機等方法被廣泛應用在各種裝置的故障診斷中,重要的一個原因是他們無需建立模型、強大的自學習及并行計算的能力,但它們也存在訓練中不易找到最佳分類參數(shù)的缺點。文中針對現(xiàn)有電力電子故障診斷算法中存在的一些不足,對現(xiàn)有的診斷方法進行優(yōu)化,提出快捷、精度高的智能故障診斷方法,以提高故障診斷率。在神經(jīng)網(wǎng)絡(luò)及支持向量機等傳統(tǒng)模式識別方法基礎(chǔ)上,與其它群智能優(yōu)化方法相結(jié)合提出基于群智能的電力電子電路智能故障診斷方法并用仿真實例驗證方法的可行性與科學性。首先選取了電力電子電路中的典型電路——雙橋12相脈波整流電路,對其進行建模,并對各種故障進行仿真,提取到故障波形。然后運用主元分析信息處理方法對提取到的信息進行壓縮降維,得到適用于進行故障診斷的輸入信息。提出一種基于移民算子與遷徙算子的多種群遺傳算法優(yōu)化BP網(wǎng)絡(luò)的電力電子故障診斷方法。該方法把傳統(tǒng)遺傳算法使用的單個種群尋優(yōu)變?yōu)槎鄠�種群同時協(xié)同尋優(yōu),并引入移民算子與遷徙算子在各個種群之間進行信息交流,算法在實現(xiàn)過程中極大程度上避免了“早熟”問題。接著運用多種群遺傳算法優(yōu)化后的BP網(wǎng)絡(luò)建立故障模式識別器,用來診斷12相脈波整流電路的各種故障類型。最終結(jié)果表明,采用此方法能夠準確識別各故障類型,而且具備抗噪性好,診斷精確度高的特點。提出一種基于雙視野自適應人工魚群算法優(yōu)化支持向量機的故障診斷方法。該方法通過取得當前人工魚與最優(yōu)和最近人工魚的兩種距離進而形成人工魚的兩種視野。擁有兩種視野的人工魚在尋優(yōu)時既可以及時跳出局部最優(yōu)值,又可以在全局最優(yōu)值附近順利找到全局極值。最后用改進后的魚群算法優(yōu)化支持向量機對雙橋12相脈波整流電路進行故障診斷,結(jié)果表明,該算法具有收斂速度快,識別精度高的特點。
[Abstract]:With the rapid development of power electronics technology and the emergence of high-performance devices, power electronic circuits have been widely used in industrial production and national defense in the field of electrical engineering, such as HVDC transmission. The high performance power supply and so on are related to the power electronic circuit. But the power electronic circuit of these equipments is the high fault area, once the power electronic circuit malfunction, it will threaten the whole equipment and even cause the personal safety. Therefore, it is of great significance to realize intelligent, fast and accurate fault diagnosis of power electronic circuit devices, and the research of related theories and methods is the premise of intelligent fault diagnosis. At present, the common methods used in power electronic circuit fault diagnosis are: fault dictionary, fault tree, spectrum analysis, direct detection of the voltage at both ends of the switch, but these methods each have some shortcomings. Although the fault tree method is intuitionistic and universal, it is limited in practical application because of its heavy workload. In recent years, neural networks, support vector machines and other methods have been widely used in the fault diagnosis of various devices, an important reason is that they do not need to build models, strong self-learning and parallel computing capabilities. But they also have the disadvantage that it is difficult to find the best classification parameters in training. In order to improve the fault diagnosis rate, an intelligent fault diagnosis method with fast and high precision is proposed in this paper, aiming at some shortcomings in the existing power electronic fault diagnosis algorithms. Based on the traditional pattern recognition methods such as neural network and support vector machine, Combined with other swarm intelligence optimization methods, an intelligent fault diagnosis method for power electronic circuits based on swarm intelligence is proposed, and the feasibility and scientificity of the method are verified by simulation examples. Firstly, the typical circuit of power electronic circuit, double bridge 12 phase pulse wave rectifier, is selected and modeled, and various faults are simulated, and the fault waveforms are extracted. Then the principal component analysis information processing method is used to compress and reduce the dimension of the extracted information, and the input information suitable for fault diagnosis is obtained. A multi-population genetic algorithm based on migration operator and migration operator is proposed to optimize power electronic fault diagnosis based on BP neural network. In this method, the single population optimization used by traditional genetic algorithm is changed into multi-population simultaneous optimization, and immigration operator and migration operator are introduced to exchange information among different populations. The algorithm avoids the problem of precocity to a great extent in the process of implementation. Then BP neural network optimized by multi-population genetic algorithm is used to establish fault mode recognizer to diagnose various fault types of 12-phase pulse rectifier circuit. The final results show that this method can accurately identify each fault type and has the characteristics of good noise resistance and high diagnostic accuracy. A fault diagnosis method based on two-field adaptive artificial fish swarm algorithm for support vector machine (SVM) is proposed. In this method, two kinds of visual fields of artificial fish are obtained by obtaining the distance between the current artificial fish and the optimal fish and the nearest artificial fish. The artificial fish with two kinds of vision can not only jump out of the local optimal value in time, but also find the global extremum in the vicinity of the global optimal value. Finally, the improved fish swarm algorithm is used to optimize the support vector machine for fault diagnosis of double-bridge 12-phase pulse rectifier circuit. The results show that the algorithm has the characteristics of fast convergence and high recognition accuracy.
【學位授予單位】：西華大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN710

【相似文獻】

相關(guān)期刊論文 前10條

1 王金艷,馮建武,傅和平;關(guān)于智能故障診斷的研究[J];系統(tǒng)工程與電子技術(shù);2002年06期

2 王奉濤,馬孝江,鄒巖琨;智能故障診斷技術(shù)綜述[J];機床與液壓;2003年04期

3 王耀才;智能故障診斷技術(shù)的現(xiàn)狀與展望[J];徐州建筑職業(yè)技術(shù)學院學報;2003年01期

4 左萬里,武小悅;電子設(shè)備智能故障診斷技術(shù)發(fā)展綜述[J];系統(tǒng)工程與電子技術(shù);2003年12期

5 徐波,于勁松,李行善;復雜系統(tǒng)的智能故障診斷[J];信息與控制;2004年01期

6 李偉;復雜系統(tǒng)的智能故障診斷技術(shù)現(xiàn)狀及其發(fā)展趨勢[J];計算機仿真;2004年10期

7 王慶,巴德純,王曉冬;智能故障診斷的粗糙決策模型[J];東北大學學報;2005年01期

8 潘兵;熊靜琪;;多傳感器信息融合在液壓系統(tǒng)智能故障診斷中的應用[J];機床與液壓;2006年05期

9 楊榛;顧幸生;;智能故障診斷技術(shù)及應用的研究[J];貴州大學學報(自然科學版);2007年02期

10 曹守啟;韓彥嶺;;智能故障診斷決策模型與評價方法研究[J];機床與液壓;2008年08期

相關(guān)會議論文 前10條

1 李廣峰;張伏龍;;裝甲裝備智能故障診斷技術(shù)研究[A];2010中國儀器儀表與測控技術(shù)大會論文集[C];2010年

2 馬哲一;趙靜一;李鵬飛;王慶新;;高速鐵路運架提設(shè)備遠程智能故障診斷技術(shù)研究[A];第五屆全國流體傳動與控制學術(shù)會議暨2008年中國航空學會液壓與氣動學術(shù)會議論文集[C];2008年

3 趙榮珍;李超;張力;;知識技術(shù)向旋轉(zhuǎn)機械智能故障診斷研究提出的一項新任務[A];2008年全國振動工程及應用學術(shù)會議暨第十一屆全國設(shè)備故障診斷學術(shù)會議論文集[C];2008年

4 徐冬芳;鄧飛其;;基于多傳感器數(shù)據(jù)融合的智能故障診斷系統(tǒng)[A];第二屆全國信息獲取與處理學術(shù)會議論文集[C];2004年

5 羅賀;付超;季星;;基于DS證據(jù)理論的智能故障診斷方法[A];中國儀器儀表學會第九屆青年學術(shù)會議論文集[C];2007年

6 崔民;杜志江;路同浚;;機器人化遙控鏟掘機現(xiàn)場CAN總線智能故障診斷技術(shù)研究[A];2001系統(tǒng)仿真技術(shù)及其應用學術(shù)會議論文集[C];2001年

7 呂蓬;柳亦兵;馬強;魏于凡;;支持向量機在齒輪智能故障診斷中的應用研究[A];第二十六屆中國控制會議論文集[C];2007年

8 曹波偉;薛青;牛金濤;龔長虹;劉磊;;基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的裝備智能故障診斷的研究[A];中國自動化學會控制理論專業(yè)委員會C卷[C];2011年

9 張周鎖;侯照文;孫闖;何正嘉;;基于粒計算的混合智能故障診斷技術(shù)及應用[A];第十二屆全國設(shè)備故障診斷學術(shù)會議論文集[C];2010年

10 夏飛;權(quán)亞蕾;彭道剛;;基于數(shù)據(jù)融合的電廠凝汽器智能故障診斷研究[A];智能化電站技術(shù)發(fā)展研討暨電站自動化2013年會論文集[C];2013年

相關(guān)博士學位論文 前8條

1 劉曉穎;復雜過程的智能故障診斷技術(shù)及其在大型工業(yè)窯爐中的應用研究[D];中南大學;2003年

2 武和雷;集成智能故障診斷策略及其應用研究[D];浙江大學;2003年

3 馬笑瀟;智能故障診斷中的機器學習新理論及其應用研究[D];重慶大學;2002年

4 彭強;復雜系統(tǒng)遠程智能故障診斷技術(shù)研究[D];南京理工大學;2004年

5 熊偉;基于Petri網(wǎng)的遠程智能故障診斷方法研究[D];華北電力大學;2014年

6 張錚;不完備不協(xié)調(diào)信息條件下的設(shè)備智能故障診斷[D];華中科技大學;2007年

7 許瑞華;高功率激光裝置參數(shù)測量系統(tǒng)智能故障診斷技術(shù)研究[D];中國科學院研究生院（西安光學精密機械研究所）;2014年

8 秦大力;基于知識管理的設(shè)備故障智能診斷模型研究[D];湖南大學;2014年

相關(guān)碩士學位論文 前10條

1 宋勝博;基于敏感部件檢測的APU智能故障診斷方法研究[D];中國民航大學;2016年

2 王緯宇;基于CEEMD和紋理特征的旋轉(zhuǎn)機械智能故障診斷方法[D];哈爾濱理工大學;2016年

3 龍杰;電力電子智能故障診斷方法研究[D];西華大學;2015年

4 鄖剛;基于異常數(shù)據(jù)的智能故障診斷探究[D];廈門大學;2007年

5 花偉;鍋爐混合智能故障診斷技術(shù)的研究[D];南京工業(yè)大學;2006年

6 高洪波;智能故障診斷中綜合信號處理的研究[D];西北工業(yè)大學;2004年

7 夏博;選煤廠設(shè)備智能故障診斷方法的研究與應用[D];華中科技大學;2012年

8 沈維兵;遠程智能故障診斷技術(shù)與系統(tǒng)研究[D];南京理工大學;2003年

9 李中偉;智能故障診斷技術(shù)在遙測裝備中的應用研究[D];哈爾濱工程大學;2013年

10 陳勵華;智能故障診斷技術(shù)的應用與研究[D];西北工業(yè)大學;2005年

，

本文編號：2112653