基于PCA和MPGA优化神经网络的整流器故障诊断（.doc

基于PCA和MPGA优化神经网络的整流器故障诊断( 龙杰，张彼德，张强，李明昆，赵丹，吴治均 （西华大学 电气信息学院，成都 610039） 摘要：针对电力电子整流电路故障识别方法中的信号提取与模式识别两个核心问题，提出一种基于主元分析（PCA）和改进多种群遗传算法（MPGA）优化BP神经网络的三相整流装置电路故障识别方法。首先采用主元分析提取故障信号中对应的故障特征向量，然后利用移民算子与迁徙算子结合的MPGA优化BP神经网络分类器进行故障类型的识别。仿真结果表明，该方法对三相桥式整流装置进行故障诊断能准确识别与定位各故障类型，而且具有鲁棒性更好，诊断正确率更高的特点。 关键词：主元分析；多种群遗传算法；移民算子；迁徙算子；故障诊断；三相整流装置 中图分类号：T 文献标识码： 文章编号：Three-phase rectifiers fault diagnosis based on PCA and MPGA optimized neural network Long Jie, Zhang Bide, Zhang Qiang, Li Mingkun, Zhao Dan, Wu Zhijun (School of Electrical and Information Engineering, Xihua University, Chengdu 610039, China) Abstract: For two core issues of fault feature extraction and model identification，a novel method based on principal component analysis (PCA) and improved multi-population genetic algorithm (MPGA) optimized BP neural network were presented for diagnosis of three-phase rectifiers. Firstly, principal component analysis is used to extract the fault features corresponding to various fault. Then,fault types are identified through multi-population genetic algorithm combination immigration operator and migration operator optimized neural network. Simulation results show that this method for three-phase full-bridge controlled rectifier fault diagnosis can identify and locate each fault type accurately, and has better robustness and better diagnostic accuracy rate characteristics. Keywords: principal component analysis, multi-population genetic algorithm, immigration operator, migration operator, fault diagnosis, three-phase rectifiers 0 引言 随着高性能电力电子器件的出现与电力电子技术的快速发展，电力电子整流装置的应用日益广泛，其故障问题也随之日益突出，因此实现快速、准确诊断电力电子整流装置的故障具有重要意义，而对其相关理论和方法研究是实现故障诊断的前提。 目前，国内外不少学者在电力电子设备故障识别方面已作了大量的探索，现有的故障识别方法主(要有：故障字典法、故障树、谱分析法、直接检测功率器件两端电压的方法等，但这些方法各有一些不足[1-3]。如故障字典法只能对单故障进行诊断；故障树法虽然直观、通用，然而建树工作量大，应用也受到很大限制[4]。文献[5~7]对故障特征的提取运用小波变换方法，尽管这种方法能成功获得故障信号进行故障识别，但其算法也相对较复杂。近二十年，神经网络方法被广泛应用于各种装置的故障识别中[8-11]，主要是由于神经网络无需建立模型、强大的自学习、自组织和并行处理的能力[12-13]，但它也存在训练过程中容易陷入局部极小点的缺点。 对此提出一种基于主