FCM-HMM-SVM混合故障诊断模型及其在电力电子电路故障诊断中的应用.pdf

《FCM-HMM-SVM混合故障诊断模型及其在电力电子电路故障诊断中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第25卷第2期电力科学与技术报VolI25NO．22010年6月JOURNALOFELECTRICPOWERSCIENCEANDTECHNOLOGYJun．2010FCM-HMM-SVM混合故障诊断模型及其在电力电子电路故障诊断中的应用鄢仁武，蔡金锭(福州大学电气工程及自动化学院，福建福州350108)摘要：提出一种基于模糊C均值聚类(FCM)、隐马尔可夫模型(HMM)和支持向量机(SVM)相结合的电力电子故障诊断方法．采用FCM方法对故障信号进行模糊聚类，提取故障特征；根据隐马尔可夫模型进行动态过程建模；根据支持向量机进行模式分类；基于HMM—SV

2、M混合的故障诊断模型实现了对机车变流器电路中晶闸管断路故障的诊断．实验结果分析表明，该方法能准确地对电力电子电路进行诊断和故障元定位，诊断精度高，具有很好的实用价值．关键词：故障诊断；电力电子电路；模糊c均值；隐马尔可夫模型；支持向量机中图分类号：TM461文献标识码：A文章编号：16739140(2010)02—0061—07FCM—HMM—SVMbasedmixeddiagnosticmodelanditsapplicationinthepowerelectroniccircuitYANRen—WU，CAIJin-ding(SchoolofEle

3、ctricalEngineeringandAutomation，FuzhouUniversity，Fuzhou350108，China)Abstract：BasedonFuzzyC-meanclustering(FCM)，HiddenMarkovModel(HMM)andSupportVectorMachine(SVM)，amixeddiagnosticmodelispresentedforpowerelectroniccircuitfaultsdiagnosisinthispaper．FCMisappliedtofuzzyclusterforfau

4、ltsignalsandtoextractthefaultfeatures，HMMisappliedtodealwithcontinuousdynamicsignalsandtocalculatethematchingdegree，andSVMisappliedtoclassifyfaultmodelsandtodiagnosefaults．ThepowerelectroniccircuitfaultsdiagnosisinlocomotiveconvertorsisimplementedwiththeFCM—HMM—SVMbasedmixeddia

5、gnosticmode1．Experimentalresultsshowthattheproposedmethodcandetectandlo—catefaultswithhighprecision．Keywords：faultdiagnosis；powerelectroniccircuit；fuzzyC-meanclustering；discretehiddenmarkovmodel；supportvectormachine收稿日期：201O—O4一O6基金项Ifl：福建省自然科学基金(A0710003)；福建省教育厅科学基金(JB06045)通讯

6、作者：鄢仁~(1981-)男，博士研究生，主要从事电力电子电路故障的智能诊断技术的研究；E-mail：mO7OllOOO7@fzu．edu．cn62电力科学与技术学报2010年6月随着电力电子技术的高速发展和广泛的应用，数据点属于某个聚类程度的一种聚类算法．假设样新型的电力电子产品不断涌现，电力电子电路的故本集x一(，。，⋯)，模糊聚类的目的就是将每障模式也越来越多，如大功率整流系统中使用的晶个样本向量以一定的概率划分到C个类中，定义样闸管多达几十乃至上百个，故障类型也多达上百种．本点隶属于第i类的程度为“，d=Il一lI为使电力电子装置正常高效地工

7、作，研究有效的故为第i个聚类中心与第J个数据点X』间的欧几里障诊断技术是很有必要的．近年来，神经网络故障诊德距离，其算法表述为]断技术被广泛应用于电力电子电路故障诊断1中L1]，主要是利用其强大的自学习功能、并行处理。喜(亳)八能力和良好的容错能力，避免冗余实时建模的需求．i一1，2，⋯，c；一1，2，⋯，．(1)但是通常采用的BP网络在结构设计上存在盲目性，且在训练过程中容易陷入局部极小点．弘Vf一}一．(2)支持向量机(supportvectormachine，SVM)孑是一种基于小样本的概率学习方法，它可以适用较少的训练样本对数据进行分类，并可

8、以转化为分类min(J(U，y))=∑∑“．(3)概率输出．SVM网络具有支持向量个数少、泛化能且满足约束条