基于小波变换和神网络的变频器故障诊断方法333.docVIP

基于小波变换和神经网络的变频器故障诊断方法 易 鸿 (四川文理学院 物理与工程技术系，四川 达州 635000) [摘 要关键词的积分变换： 称为小波变换，其中。是由经平移和缩放的结果。在小波变换的定义中，小波函数是窗函数，它的时—频窗表现了小波变换的时—频局部化能力。 2.2 变频器输出电流的小波分解 变频器逆变输出电流波形中通常含有非周期信号和畸变信号，采样传统的傅立叶变换已经不合时宜，而小波变换对信号的奇异点非常敏感，当信号在某一时刻发生突变时，该信号的小波变换在一定的尺度范围内均会在信号突变处出现峰值，并且呈现出与噪声截然不同的特征。利用这一特点，通过选择恰当的小波基和合适的尺度参数，可以在强噪声背景下，准确的检测到突变信号。有效值突变点所对应的小波变换模极大值具有沿尺度传递的特性；而随机噪声信号的小波变换模极大值将随着尺度的增加而迅速衰减，利用该性质可以提高变频器故障诊断系统抗噪声干扰能力。 傅立叶变换用到的基本函数只是，具有唯一性，而小波分析中所用到的小波函数具有不唯一性，对同一个工程问题应用不同的小波基进行分析会产生不同的结果。目前判定小波基的好坏主要是通过小波分解方法处理信号的结果和理论结果的误差来判断，并由此选定小波基。 选择和构造一个正交小波要求其具有一定的紧支集，平滑性和对称性。紧支集保证有优良的空间局部性质；对称性保证子波的滤波特性有线性相移，不会造成信号的失真；平滑性保证频率分辩率的高低。但是上述三点不可能得到同时满足，紧支撑性与平滑性二者不可兼得。 dbN小波具有正交性，N阶消失矩，光滑度随N的增加而增加。但它的有效支撑长度等于2N-1，并且不具备对称性(dbl除外)。可以看出，随着N的增大，光滑度和消失矩性能变好，但其支撑长度变大。根据变频输出电流信号的特点综合考虑，这里选择db3小波来基本满足紧支撑性与光滑性的要求。 3 变频器故障特征提取方法 3.1 基于小波分解的能量特征提取方法 小波分解实质上是对被检测信号的多带通滤波，通过对变频器输出电流的小波分解，可以捕捉其故障信息，从而达到故障特征提取的。从信号滤波的角度来看，正交小波分解是将待分解信号通过一个高通滤波器和一个低通滤波器进行滤波，得到一组低频信号和一组高频信号，并且对低频信号一直分解到第N层，每次分解得到的低频信号和高频信号长度都是原信号长度的一半，两者长度之和等于原信号的长度，可以看作是在滤波后进行了隔点采样，分解结果既不冗余，也不损失原信号的任何信息。 下面对电压型PWM逆变器输出A相电流信号采用db3小波基进行3层小波分解，提取一个低频系数和三个高频系数，然后对各个系数求出其能量值，按照顺序排成一列向量，该向量就是对应某一故障的特征向量。 设测试信号在在子空间内的小波能量为: 输出A相电流的具体提取方法如下： (1)对输出电流信号进行三层分解，得出4个频带的小波分解系数。重构各节点小波分解系数，则总信号S可表示为：S=A3+D3+D2+D1 (2)求各分解系数信号的总能量，设对应的能量为 则有： (3)构造特征向量。当逆变电路发生故障时，会对输出电流波形各频带内信号的能量有较大的影响，因此，以能量为元素可以构造一个特征向量。特征向量T构造如下： 当能量较大时，通常是一个较大的数值，在数据分析上会带来一些不方便的地方，由此，可以对特征向量T进行归一化处理，令 向量即为归一化后的向量。 上述方法用MATLAB语言实现，按照上面的方法对逆变器开路故障输出A相输出电流波形进行特征向量的提取，结果小波分解后高频能量值相对低频能量十分小，高频能量值无法表征故障特征。因此本文提取三相输出故障电流信号进行小波分解，剔除高频能量值，只提取其三相电流的各相低频能量值，经过归一化处理后得到三个特征向量 实际上，上述能量值的特征向量，它和故障之间的对应关系是一种复杂的非线性映射，用常规的方法不易实现。而人工神经网络在这方面具有得天独厚的条件，是一种理想的分类器，因此选用神经网络作为故障分类器。 4 用于诊断的神经网络模型 变频器逆变输出电流信号中，其波形的变化与元件的故障之间具有较强的非线性，如果能够利用神经网络的学习能力以及其输入与输出之间的非线性映射关系，使小波分析的结果与故障类型之间的关系通过神经网络的学习后保存在神经网络的结果和权值中，然后将学习好的神经网络用于故障诊断，当将某时刻的关键点波形的小波分析特征数据输入神经网络时，输出即为对应的故障类型。本文选用基于误差反向传播算法的前向神经网络，即BP神经网络。 4.2基于BP模型的神经网络结构 BP神经网络的工作过程通常由两个阶段组成。一个阶段是工作期，在这一阶段网络各节点的连接权值固定不变，网络的计算从输入层开始，逐层逐个节点地计算每个节点的输出，