基于核方法的ACS600變頻器IGBT故障診斷.pdf

1、隨著科學(xué)技術(shù)的發(fā)展以及人類的進(jìn)步，各種大型電氣設(shè)備正呈現(xiàn)出復(fù)雜化、智能化的趨勢。盡管人類依靠自動(dòng)化系統(tǒng)創(chuàng)造了無窮無盡的財(cái)富，但是，安全問題一直是這些系統(tǒng)不可避免的。一旦大型系統(tǒng)產(chǎn)生了事故，將會(huì)造成嚴(yán)重的人力、財(cái)力損失，甚至?xí)绊憞业姆€(wěn)定發(fā)展。因此，系統(tǒng)故障診斷一直被列為研究熱點(diǎn)與重點(diǎn)。
　　本文以ACS600變頻器中的IGBT器件為研究目標(biāo)，針對在軋鋼過程中的不同狀態(tài)下采集的數(shù)據(jù)，確定故障類型為兩種，一種為啟動(dòng)過電流導(dǎo)致IGBT

2、損壞;另一種為突加負(fù)載過電流導(dǎo)致IGBT損壞。選擇可行的IGBT故障診斷方法，具體如下:在故障檢測與特征提取方面，比較了主元分析（PCA，Principal Component Analysis）與核主元分析(KPCA，Kernel Principal Component Analysis)方法的優(yōu)劣，通過仿真分析表明了KPCA的優(yōu)勢;在故障識(shí)別方面，分別基于PCA與KPCA特征提取后得到的特征數(shù)據(jù)，訓(xùn)練了3個(gè)支持向量機(jī)，比較了“一對一

3、”與有向無環(huán)圖(DAG，Directed Acyclic Graph)支持向量機(jī)(SVM，Support Vector Machine)兩種多類分類方法的分類正確率，并通過仿真分析表明了基于KPCA特征數(shù)據(jù)的DAGSVM在分類性能上的優(yōu)勢。
　　在KPCA與DAGSVM方法的基礎(chǔ)上，著重研究了IGBT故障分類器分類性能的改進(jìn)方法。鑒于支持向量機(jī)中的核函數(shù)及其參數(shù)在影響分類器分類性能中舉足輕重的地位，首先在核函數(shù)參數(shù)的優(yōu)化方面，選擇

4、了量子粒子群優(yōu)化策略，并且對其中的收縮-擴(kuò)張因子在取不同值的情況下，做了大量的優(yōu)化仿真，表明當(dāng)該因子在[1.0，0.5]上線性減少時(shí)，算法收斂較快，并且分類正確率較高;其次，在核函數(shù)的選擇方面，對DAGSVM中的3個(gè)支持向量機(jī)分別選擇不同的核函數(shù)，通過仿真研究，選擇一組核函數(shù)使得分類正確率最高;最后針對由兩類故障數(shù)據(jù)訓(xùn)練的支持向量機(jī)，對其采用由多項(xiàng)式核函數(shù)與徑向基核函數(shù)組成的混合核函數(shù)進(jìn)行了仿真研究，結(jié)果表明，采用混合核函數(shù)使得分類效果