逆變器的故障檢測(cè)方法和檢測(cè)裝置制造方法
【專利摘要】本發(fā)明提供一種逆變器的故障檢測(cè)方法，該故障檢測(cè)方法包括：S10、將逆變器的輸出電壓信號(hào)進(jìn)行傅里葉變換，以得到電壓諧波信號(hào)；S20、對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類；S30、確定各種類型的傅里葉變換后的電壓諧波信號(hào)所對(duì)應(yīng)的故障類型。相應(yīng)地，本發(fā)明還提供一種逆變器的故障檢測(cè)裝置。與現(xiàn)有技術(shù)相比，本發(fā)明能夠提高逆變器的故障檢測(cè)效率。
【專利說明】逆變器的故障檢測(cè)方法和檢測(cè)裝置

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及逆變器的故障檢測(cè)領(lǐng)域，尤其涉及一種逆變器的故障檢測(cè)方法和逆變器的故障檢測(cè)裝置。

【背景技術(shù)】
[0002]逆變器是一種把直流電轉(zhuǎn)變?yōu)榻涣麟姷淖儔浩?，廣泛適用于電動(dòng)工具、電腦、電視、洗衣機(jī)、風(fēng)扇等電器。級(jí)聯(lián)逆變器的輸出端可以有多個(gè)電平的輸出從而得到了廣泛應(yīng)用，隨著級(jí)聯(lián)逆變輸出電平數(shù)的增加，對(duì)應(yīng)的電路中的功率器件的數(shù)目也隨之增加，使得電路的結(jié)構(gòu)和控制方式更加復(fù)雜，同時(shí)使得設(shè)備的故障率增加，因而逆變器的故障檢測(cè)尤為重要?，F(xiàn)有的逆變器檢測(cè)方法主要有:基于知識(shí)和經(jīng)驗(yàn)的故障檢測(cè)和基于支持向量機(jī)的故障檢測(cè)方法等。
[0003]但是這些方法的檢測(cè)效率較低，需要檢測(cè)電路中多個(gè)位置，且應(yīng)用范圍較窄，不能適用于多種結(jié)構(gòu)不同的電路。


【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提供一種逆變器的故障檢測(cè)方法和檢測(cè)裝置，以提高逆變器的故障檢測(cè)效率。
[0005]為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種逆變器的故障檢測(cè)方法，該故障檢測(cè)方法包括:
[0006]S10、將逆變器的輸出電壓信號(hào)進(jìn)行傅里葉變換，以得到電壓諧波信號(hào)；
[0007]S20、對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類；
[0008]S30、確定各種類型的傅里葉變換后的電壓諧波信號(hào)所對(duì)應(yīng)的故障類型。
[0009]優(yōu)選地，在所述步驟S20中，利用神經(jīng)網(wǎng)絡(luò)模型對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類。
[0010]優(yōu)選地，所述逆變器的輸出電壓信號(hào)包括模擬電壓信號(hào)，所述步驟SlO包括:
[0011]SI 1、將所述逆變器的輸出的模擬電壓信號(hào)轉(zhuǎn)換為數(shù)字電壓信號(hào)；
[0012]S12、將轉(zhuǎn)換后的數(shù)字電壓信號(hào)進(jìn)行傅里葉變換。
[0013]優(yōu)選地，所述傅里葉變換包括快速傅里葉變換。
[0014]優(yōu)選地,所述步驟S20包括:
[0015]S21、將所述神經(jīng)網(wǎng)絡(luò)模型的輸入信號(hào)進(jìn)行歸一化；
[0016]S22、將所述歸一化后的值進(jìn)行降維。
[0017]優(yōu)選地，所述故障檢測(cè)方法還包括在所述步驟SlO之前執(zhí)行的至少一次神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，該訓(xùn)練過程包括:
[0018]S01、將逆變器的在預(yù)設(shè)故障狀態(tài)下的輸出信號(hào)進(jìn)行傅里葉變換，得到電壓諧波信號(hào);
[0019]S02、將所述步驟SOl中經(jīng)傅里葉變換后的諧波信號(hào)輸入神經(jīng)網(wǎng)絡(luò)模型的輸入層；
[0020]S03、根據(jù)所述神經(jīng)網(wǎng)絡(luò)模型的輸入信號(hào)和神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)輸出信號(hào)確定所述神經(jīng)網(wǎng)路模型的權(quán)值，以確定所述神經(jīng)網(wǎng)絡(luò)模型的分類機(jī)制，所述神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)輸出信號(hào)與所述預(yù)設(shè)故障狀態(tài)對(duì)應(yīng)。
[0021]優(yōu)選地，所述故障檢測(cè)方法包括多次神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，該多次神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程包括:調(diào)節(jié)逆變器的調(diào)制比，以獲得多個(gè)不同的調(diào)制比，每獲得一個(gè)調(diào)制比執(zhí)行一次所述神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程。
[0022]優(yōu)選地，所述故障檢測(cè)方法還包括在所述步驟SlO之前執(zhí)行的至少一次神經(jīng)網(wǎng)絡(luò)模型的測(cè)試過程，該測(cè)試過程包括:
[0023]S04、將逆變器的調(diào)制比的值調(diào)節(jié)為不同于所述訓(xùn)練過程中所對(duì)應(yīng)的調(diào)制比的值，并對(duì)逆變器在所述預(yù)設(shè)故障下的輸出信號(hào)進(jìn)行傅里葉變換；
[0024]S05、將傅里葉變換后的諧波信號(hào)輸入所述神經(jīng)網(wǎng)絡(luò)模型；
[0025]S06、比較所述神經(jīng)網(wǎng)絡(luò)模型的實(shí)際輸出信號(hào)和所述預(yù)設(shè)輸出信號(hào)是否一致，若是，則所述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成功；若否，則所述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練失敗。
[0026]優(yōu)選地，所述故障檢測(cè)方法包括多次執(zhí)行的神經(jīng)網(wǎng)絡(luò)模型的測(cè)試過程。
[0027]相應(yīng)地，本發(fā)明還提供一種逆變器的故障檢測(cè)裝置，所述故障檢測(cè)裝置包括:
[0028]信號(hào)變換單元，用于將逆變器的輸出電壓信號(hào)進(jìn)行傅里葉變換，以得到電壓諧波信號(hào);
[0029]分類單元，用于對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類；
[0030]故障確定單元，用于確定各種類型的傅里葉變換后的電壓諧波信號(hào)所對(duì)應(yīng)的故障類型。
[0031]優(yōu)選地，所述分類單元內(nèi)設(shè)置有神經(jīng)網(wǎng)絡(luò)模型，該神經(jīng)網(wǎng)絡(luò)模型用于對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類。
[0032]優(yōu)選地，所述逆變器的輸出電壓信號(hào)包括模擬電壓信號(hào)，所述故障檢測(cè)裝置還包括連接在所述逆變器與所述信號(hào)變換單元之間的模數(shù)轉(zhuǎn)換單元，該模數(shù)轉(zhuǎn)換單元能夠?qū)⑺瞿孀兤鬏敵龅哪M電壓信號(hào)轉(zhuǎn)換為數(shù)字電壓信號(hào)，且所述信號(hào)變換單元能夠?qū)⑥D(zhuǎn)換后的數(shù)字電壓信號(hào)進(jìn)行傅里葉變換。
[0033]優(yōu)選地，所述分類單元能夠?qū)⑺錾窠?jīng)網(wǎng)絡(luò)模型的輸入信號(hào)進(jìn)行歸一化并將所述歸一化后的信號(hào)進(jìn)行降維。
[0034]與現(xiàn)有技術(shù)中的檢測(cè)逆變器電路的多個(gè)位置相比，本發(fā)明通過對(duì)逆變器的輸出電壓信號(hào)進(jìn)行傅里葉變換，從而將難以處理的時(shí)域信號(hào)轉(zhuǎn)換為便于分析的頻域信號(hào)，由于傅里葉變換可以應(yīng)用于多種信號(hào)，因而檢測(cè)效率得到提高，適用范圍有所增大；且快速傅里葉變換進(jìn)一步提高了檢測(cè)效率；另一方面，利用神經(jīng)網(wǎng)絡(luò)模型對(duì)電壓諧波信號(hào)進(jìn)行分類以確定各類型電壓諧波信號(hào)所對(duì)應(yīng)的故障類型，進(jìn)而確定逆變器的輸出電壓信號(hào)所對(duì)應(yīng)的故障類型，提高了逆變器的故障檢測(cè)效率。同時(shí)，可以減少電壓檢測(cè)器件的使用，降低系統(tǒng)成本。

【專利附圖】

【附圖說明】
[0035]附圖是用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，并且構(gòu)成說明書的一部分，與下面的【具體實(shí)施方式】一起用于解釋本發(fā)明，但并不構(gòu)成對(duì)本發(fā)明的限制。在附圖中:
[0036]圖1所示的是本發(fā)明所提供的逆變器的故障檢測(cè)方法流程圖；
[0037]圖2所示的是本發(fā)明所提供的逆變器的故障檢測(cè)裝置結(jié)構(gòu)示意圖。
[0038]其中附圖標(biāo)記為:10、信號(hào)變換單元；20、分類單元；30、故障確定單元；40、模數(shù)轉(zhuǎn)換單元；41、采樣保持電路；42、A/D轉(zhuǎn)換電路。

【具體實(shí)施方式】
[0039]以下結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】進(jìn)行詳細(xì)說明。應(yīng)當(dāng)理解的是，此處所描述的【具體實(shí)施方式】?jī)H用于說明和解釋本發(fā)明，并不用于限制本發(fā)明。
[0040]本發(fā)明提供一種逆變器的故障檢測(cè)方法，如圖1所示，該故障檢測(cè)方法包括:
[0041]S10、將逆變器的輸出電壓信號(hào)進(jìn)行傅里葉變換，以得到電壓諧波信號(hào)；
[0042]S20、對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類；
[0043]S30、確定各種類型的傅里葉變換后的電壓諧波信號(hào)所對(duì)應(yīng)的故障類型。
[0044]傅里葉變換將原來(lái)難以處理的時(shí)域信號(hào)轉(zhuǎn)換為便于分析的頻域信號(hào)，通過對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類，從而確定各類型電壓諧波信號(hào)所對(duì)應(yīng)的故障類型，進(jìn)而確定逆變器的輸出電壓信號(hào)所對(duì)應(yīng)的故障類型。與現(xiàn)有技術(shù)中的檢測(cè)電路的多個(gè)位置相t匕，可以提高故障檢測(cè)效率，且傅里葉變換對(duì)各種不同電壓信號(hào)進(jìn)行變換，即對(duì)不同結(jié)構(gòu)的逆變器電路進(jìn)行檢測(cè)，提高了檢測(cè)方法的適用范圍；同時(shí)，避免了對(duì)電路中多個(gè)位置進(jìn)行檢測(cè)，降低了系統(tǒng)成本。
[0045]本發(fā)明可以采用多種方法對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類，為了提高分類的準(zhǔn)確度和分類速度，作為本發(fā)明的一種優(yōu)選實(shí)施方式，利用神經(jīng)網(wǎng)絡(luò)模型對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類。
[0046]具體地，所述神經(jīng)網(wǎng)絡(luò)模型的輸入層可以設(shè)置有20?50個(gè)輸入節(jié)點(diǎn)，將傅里葉變換后得到的各次諧波信號(hào)依次輸入各個(gè)輸入節(jié)點(diǎn)，例如，將基波信號(hào)輸入第一個(gè)輸入節(jié)點(diǎn)，一次諧波信號(hào)輸入第二個(gè)輸入節(jié)點(diǎn)，二次諧波信號(hào)輸入第三個(gè)輸入結(jié)點(diǎn)，以此類推。所述神經(jīng)網(wǎng)絡(luò)模型的輸出層的輸出節(jié)點(diǎn)的數(shù)量可以根據(jù)逆變器可能出現(xiàn)的故障的類別數(shù)而進(jìn)行設(shè)置。以所述逆變器包括10個(gè)功率器件為例，當(dāng)只考慮其中一個(gè)功率器件發(fā)生故障的情況時(shí)，所述逆變器的故障狀態(tài)有10種，分別為:第一個(gè)功率器件發(fā)生故障，第二個(gè)功率器件發(fā)生故障，第三個(gè)功率器件發(fā)生故障等等。這種情況下，所述神經(jīng)網(wǎng)絡(luò)模型的輸出節(jié)點(diǎn)的數(shù)量可以設(shè)置為4個(gè)，每個(gè)節(jié)點(diǎn)可以輸出0、1兩種信號(hào)，因而所述神經(jīng)網(wǎng)絡(luò)模型共可以輸出16種不同的信號(hào)，其中的10種不同的信號(hào)與10種故障類型相對(duì)應(yīng)。例如，當(dāng)所述神經(jīng)網(wǎng)絡(luò)模型的輸出為0001時(shí)，可以判斷逆變器的第一個(gè)功率器件發(fā)生故障；當(dāng)所述神經(jīng)網(wǎng)絡(luò)模型的輸出為0010時(shí)，可以判斷逆變器的第二個(gè)功率器件發(fā)生故障，以此類推。
[0047]所述神經(jīng)網(wǎng)絡(luò)模型可以有多種輸出形式，例如可以在輸出層設(shè)置多個(gè)節(jié)點(diǎn)，也可以設(shè)置多個(gè)子神經(jīng)網(wǎng)絡(luò)模型，每個(gè)子神經(jīng)網(wǎng)絡(luò)模型的輸出層設(shè)置一個(gè)輸出節(jié)點(diǎn)，只要可以輸出不同的信號(hào)以區(qū)別不同的故障狀態(tài)即可。
[0048]應(yīng)用神經(jīng)網(wǎng)絡(luò)模型的好處在于，可以提高分類效率，對(duì)于結(jié)構(gòu)復(fù)雜而可能發(fā)生多種故障的逆變器，應(yīng)用所述神經(jīng)網(wǎng)絡(luò)模型可以提高檢測(cè)效率，換言之，本發(fā)明尤其適用于級(jí)聯(lián)逆變器。
[0049]通常，所述逆變器的輸出電壓信號(hào)包括模擬電壓信號(hào)，所述步驟SlO可以包括:
[0050]SI 1、將所述逆變器的輸出的模擬電壓信號(hào)轉(zhuǎn)換為數(shù)字電壓信號(hào)；
[0051]S12、將轉(zhuǎn)換后的數(shù)字電壓信號(hào)進(jìn)行傅里葉變換。
[0052]本領(lǐng)域技術(shù)人員可以理解的是，所述步驟Sll中將模擬電壓信號(hào)轉(zhuǎn)換為數(shù)字電壓信號(hào)的過程可以包括:對(duì)所述逆變器的輸出的模擬電壓信號(hào)進(jìn)行采樣、保持、量化和編碼四個(gè)過程。為了保證轉(zhuǎn)換精度，可以在采樣過程之前對(duì)所述模擬電壓信號(hào)進(jìn)行濾波，以降低所述模擬電壓信號(hào)中的混疊成分。
[0053]為了提高傅里葉變換的效率，更進(jìn)一步地，所述傅里葉變換可以包括快速傅里葉變換，采用快速傅里葉變換的方法可以減少運(yùn)算量，節(jié)省運(yùn)算時(shí)間。
[0054]為了提高神經(jīng)網(wǎng)絡(luò)模型的分類速率，更進(jìn)一步，步驟S20包括:
[0055]S21、將所述神經(jīng)網(wǎng)絡(luò)模型的輸入信號(hào)進(jìn)行歸一化。本發(fā)明對(duì)所述歸一化的方法不作具體限制，例如，可以采用Z-scoring的方法進(jìn)行歸一化，即:對(duì)于待歸一化的數(shù)組X =[X1, X2,…Xn],該數(shù)組的均值為XM，標(biāo)準(zhǔn)差為Xs，則Xi (I≤i≤η)歸一化后的值為:(X1-Xil) /Xs;
[0056]S22、將所述歸一化后的輸入信號(hào)進(jìn)行降維。具體地，可以采用主成分分析的方法進(jìn)行降維，使得輸入的諧波信號(hào)的數(shù)量減少，以進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)模型的分類速率。例如，將神經(jīng)網(wǎng)絡(luò)模型輸入層的輸入信號(hào)的維度由20~50降低至5~8，即傅里葉變換后產(chǎn)生的20~50個(gè)諧波信號(hào)變換為5~8個(gè)諧波信號(hào)，且變換后的5~8個(gè)諧波信號(hào)包含原有的20~50個(gè)諧波信號(hào)中的主要信息。輸入信號(hào)的維度降低的有益效果在于能夠提高神經(jīng)網(wǎng)絡(luò)模型的分類效率，而對(duì)分類精度影響很小。
[0057]為了提高所述神經(jīng)網(wǎng)絡(luò)效率的分類效果，更進(jìn)一步地，所述故障檢測(cè)方法還包括在步驟SlO之前執(zhí)行的至少一次神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，該訓(xùn)練過程包括:
[0058]S01、將逆變器的在預(yù)設(shè)故障狀態(tài)下的輸出信號(hào)進(jìn)行傅里葉變換，得到諧波信號(hào)；
[0059]S02、將步驟SOl中經(jīng)傅里葉變換后的諧波信號(hào)輸入神經(jīng)網(wǎng)絡(luò)模型的輸入層；
[0060]S03、根據(jù)所述神經(jīng)網(wǎng)絡(luò)模型的輸入信號(hào)和神經(jīng)網(wǎng)絡(luò)模型預(yù)設(shè)輸出信號(hào)確定所述神經(jīng)網(wǎng)路模型的權(quán)值，以確定所述神經(jīng)網(wǎng)絡(luò)模型的分類機(jī)制，所述神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)輸出信號(hào)與所述預(yù)設(shè)故障狀態(tài)對(duì)應(yīng)。
[0061]例如，預(yù)設(shè)故障狀態(tài)可以為第一個(gè)功率器件發(fā)生故障，相應(yīng)的預(yù)設(shè)輸出信號(hào)為0001，將所述神經(jīng)網(wǎng)絡(luò)模型的權(quán)值初始化為初始值，此時(shí)，將逆變器的輸出信號(hào)進(jìn)行傅里葉變換，之后將傅里葉變換后得到的諧波信號(hào)輸入神經(jīng)網(wǎng)絡(luò)模型的輸入層，根據(jù)神經(jīng)網(wǎng)絡(luò)模型實(shí)際的輸出信號(hào)和預(yù)設(shè)輸出信號(hào)(0001)之間的差值調(diào)節(jié)所述神經(jīng)網(wǎng)絡(luò)的權(quán)值，直至神經(jīng)網(wǎng)絡(luò)模型實(shí)際的輸出信號(hào)與預(yù)設(shè)輸出信號(hào)之間的誤差在預(yù)設(shè)范圍內(nèi)或權(quán)值的調(diào)節(jié)次數(shù)達(dá)到預(yù)設(shè)次數(shù)為止，此時(shí)得到的權(quán)值作為神經(jīng)網(wǎng)絡(luò)模型的權(quán)值，從而確定所述神經(jīng)網(wǎng)絡(luò)模型的分類機(jī)制，即，當(dāng)對(duì)逆變器的故障狀態(tài)進(jìn)行檢測(cè)時(shí)，若神經(jīng)網(wǎng)絡(luò)模型的輸出信號(hào)為0001，則判斷逆變器的故障為第一個(gè)功率器件發(fā)生故障?？梢岳斫獾氖牵鰴?quán)值包括神經(jīng)網(wǎng)絡(luò)模型的輸入層與隱含層之間的權(quán)值以及神經(jīng)網(wǎng)絡(luò)模型的隱含層與輸出層之間的權(quán)值。
[0062]所述故障檢測(cè)方法可以包括一次神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，也可以包括多次神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程。為了提高訓(xùn)練得到的權(quán)值的準(zhǔn)確性，作為本發(fā)明的一種優(yōu)選實(shí)施方式，所述故障檢測(cè)方法包括多次神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程:調(diào)節(jié)逆變器的調(diào)制比，以獲得多個(gè)不同的調(diào)制比，每獲得一個(gè)調(diào)制比執(zhí)行一次所述神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程。例如，可以調(diào)節(jié)逆變器的調(diào)制比分別為0.6,0.7,0.8和0.9，將逆變器的第一個(gè)功率器件發(fā)生故障時(shí)所對(duì)應(yīng)的預(yù)設(shè)輸出信號(hào)設(shè)置為0001，第二個(gè)功率器件發(fā)生故障時(shí)所對(duì)應(yīng)的預(yù)設(shè)輸出信號(hào)設(shè)置為0010，第三個(gè)功率器件發(fā)生故障時(shí)所對(duì)應(yīng)的預(yù)設(shè)輸出信號(hào)設(shè)置為0011，依次類推。每得到一個(gè)調(diào)制比，將所有故障狀態(tài)所對(duì)應(yīng)的逆變器的輸出信號(hào)進(jìn)行傅里葉變換，并將多個(gè)輸出信號(hào)對(duì)應(yīng)的諧波信號(hào)形成的信號(hào)矩陣作為神經(jīng)網(wǎng)絡(luò)模型的輸入，多個(gè)輸出信號(hào)對(duì)應(yīng)的預(yù)設(shè)輸出信號(hào)所形成的信號(hào)矩陣作為神經(jīng)網(wǎng)絡(luò)模型的輸出，以確定神經(jīng)網(wǎng)絡(luò)模型的權(quán)值。應(yīng)當(dāng)理解的是，調(diào)制比為不同時(shí)訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型的權(quán)值是相同的。
[0063]為了對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，更進(jìn)一步地，所述故障檢測(cè)方法還包括在所述步驟SlO之前執(zhí)行的至少一次神經(jīng)網(wǎng)絡(luò)模型的測(cè)試過程，該測(cè)試過程包括:
[0064]S04、將逆變器的調(diào)制比的值調(diào)節(jié)為不同于所述訓(xùn)練過程中所對(duì)應(yīng)的調(diào)制比的值，并對(duì)逆變器在所述預(yù)設(shè)故障下的輸出信號(hào)進(jìn)行傅里葉變換；
[0065]S05、將傅里葉變換后的諧波信號(hào)輸入所述神經(jīng)網(wǎng)絡(luò)模型；
[0066]S06、比較所述神經(jīng)網(wǎng)絡(luò)模型的實(shí)際輸出信號(hào)和所述預(yù)設(shè)輸出信號(hào)是否一致，若是，則所述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成功；若否，則所述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練失敗。
[0067]如上文中所舉例說明的在逆變器的調(diào)制比分別為0.6,0.7,0.8和0.9的情況下執(zhí)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，則所述測(cè)試過程中逆變器的調(diào)制比可以調(diào)節(jié)不同于訓(xùn)練過程中的調(diào)制比(0.6,0.7,0.8和0.9)的其他任意值。以所述測(cè)試過程中的調(diào)制比為0.65為例，當(dāng)訓(xùn)練過程中第一個(gè)功率器件發(fā)生故障所對(duì)應(yīng)的預(yù)設(shè)輸出信號(hào)為0001時(shí)，將逆變器的在第一個(gè)功率器件發(fā)生故障時(shí)的輸出電壓信號(hào)進(jìn)行傅里葉變換后輸入至所述神經(jīng)網(wǎng)絡(luò)模型，若此時(shí)神經(jīng)網(wǎng)絡(luò)模型的實(shí)際輸出信號(hào)為0001，則神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成功?？梢岳斫獾氖?，所述訓(xùn)練過程是根據(jù)多種故障類型以及各故障類型所對(duì)應(yīng)的多個(gè)預(yù)設(shè)輸出信號(hào)來(lái)確定神經(jīng)網(wǎng)絡(luò)的權(quán)值的，相應(yīng)地，在測(cè)試過程中，需要對(duì)多種故障類型所對(duì)應(yīng)的實(shí)際輸出信號(hào)分別與多種故障類型所對(duì)應(yīng)的多個(gè)預(yù)設(shè)輸出信號(hào)進(jìn)行比較，當(dāng)多種故障類型所對(duì)應(yīng)的實(shí)際輸出信號(hào)與多種故障類型多對(duì)應(yīng)的多個(gè)預(yù)設(shè)輸出信號(hào)均相同時(shí)，則神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成功。即，當(dāng)?shù)诙€(gè)功率器件發(fā)生故障所對(duì)應(yīng)的預(yù)設(shè)輸出信號(hào)為0010時(shí)，所述神經(jīng)網(wǎng)絡(luò)模型的實(shí)際輸出信號(hào)為0010，當(dāng)?shù)谌齻€(gè)功率器件發(fā)生故障所對(duì)應(yīng)的預(yù)設(shè)輸出信號(hào)為0011時(shí)，所述神經(jīng)網(wǎng)絡(luò)模型的實(shí)際輸出信號(hào)為0011，以此類推。
[0068]為了提高所述神經(jīng)網(wǎng)絡(luò)模型的測(cè)試效果，更進(jìn)一步地，所述故障檢測(cè)方法可以包括多次執(zhí)行的神經(jīng)網(wǎng)絡(luò)模型的測(cè)試過程。每次測(cè)試過程的調(diào)制比均不同于所述訓(xùn)練過程的調(diào)制比。
[0069]上述為本發(fā)明所提供的逆變器的故障檢測(cè)方法的描述，可以看出，本發(fā)明通過對(duì)逆變器的輸出電壓信號(hào)進(jìn)行傅里葉變換，從而將難以處理的時(shí)域信號(hào)轉(zhuǎn)換為便于分析的頻域信號(hào)，與現(xiàn)有技術(shù)中的檢測(cè)電路的多個(gè)位置相比，由于傅里葉變換可以應(yīng)用于各種不同的信號(hào)，因而所述檢測(cè)方法的效率得到提高，適用范圍有所增大；且快速傅里葉變換進(jìn)一步提高了檢測(cè)效率；另一方面，利用神經(jīng)網(wǎng)絡(luò)模型對(duì)電壓諧波信號(hào)進(jìn)行分類以確定各類型電壓諧波信號(hào)所對(duì)應(yīng)的故障類型，進(jìn)而確定逆變器的輸出電壓信號(hào)所對(duì)應(yīng)的故障類型，提高了檢測(cè)效率。同時(shí)，避免了對(duì)電路中多個(gè)位置進(jìn)行檢測(cè)，減少了電壓檢測(cè)器件的使用，降低了系統(tǒng)成本。
[0070]作為本發(fā)明的另一方面，提供一種逆變器的故障檢測(cè)裝置，如圖2所示，所述故障檢測(cè)裝置可以包括:
[0071]信號(hào)變換單元10，用于將逆變器的輸出電壓信號(hào)進(jìn)行傅里葉變換，以得到電壓諧波信號(hào)；
[0072]分類單元20，用于對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類；
[0073]故障確定單元30，用于確定各種類型的傅里葉變換后的電壓諧波信號(hào)所對(duì)應(yīng)的故障類型。
[0074]分類單元20可以采用多種方式對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類，作為本發(fā)明的一種【具體實(shí)施方式】，分類單元20內(nèi)設(shè)置有神經(jīng)網(wǎng)絡(luò)模型，該神經(jīng)網(wǎng)絡(luò)模型用于對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類。
[0075]通常，所述逆變器的輸出電壓信號(hào)包括模擬電壓信號(hào)，為了對(duì)便于對(duì)所述逆變器的輸出電壓進(jìn)行處理，更進(jìn)一步地，所述故障檢測(cè)裝置還包括連接在所述逆變器與信號(hào)變換單元10之間的模數(shù)轉(zhuǎn)換單元40，該模數(shù)轉(zhuǎn)換單元40可以將所述逆變器輸出的模擬電壓信號(hào)轉(zhuǎn)換為數(shù)字電壓信號(hào)，且信號(hào)變換單元10可以將轉(zhuǎn)換后的數(shù)字電壓信號(hào)進(jìn)行傅里葉變換。
[0076]具體地，模數(shù)轉(zhuǎn)換單元40可以包括采樣保持電路41和A/D轉(zhuǎn)換電路42，為了降低模擬電壓信號(hào)中的混疊成分，模數(shù)轉(zhuǎn)換單元40還可以包括反混疊濾波器(未示出)。
[0077]為了提高檢測(cè)效率，更進(jìn)一步地，分類單元20可以將所述神經(jīng)網(wǎng)絡(luò)模型的輸入信號(hào)進(jìn)行歸一化并將所述歸一化后的信號(hào)進(jìn)行降維，以提高所述神經(jīng)網(wǎng)絡(luò)模型的分類效率。
[0078]可以理解的是，以上實(shí)施方式僅僅是為了說明本發(fā)明的原理而采用的示例性實(shí)施方式，然而本發(fā)明并不局限于此。對(duì)于本領(lǐng)域內(nèi)的普通技術(shù)人員而言，在不脫離本發(fā)明的精神和實(shí)質(zhì)的情況下，可以做出各種變型和改進(jìn)，這些變型和改進(jìn)也視為本發(fā)明的保護(hù)范圍。
【權(quán)利要求】
1.一種逆變器的故障檢測(cè)方法，其特征在于，該故障檢測(cè)方法包括: S10、將逆變器的輸出電壓信號(hào)進(jìn)行傅里葉變換，以得到電壓諧波信號(hào)； S20、對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類； S30、確定各種類型的傅里葉變換后的電壓諧波信號(hào)所對(duì)應(yīng)的故障類型。
2.根據(jù)權(quán)利要求1所述的逆變器的故障檢測(cè)方法，其特征在于，在所述步驟S20中，利用神經(jīng)網(wǎng)絡(luò)模型對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類。
3.根據(jù)權(quán)利要求1所述的逆變器的故障檢測(cè)方法，其特征在于，所述逆變器的輸出電壓信號(hào)包括模擬電壓信號(hào)，所述步驟S1包括: 511、將所述逆變器的輸出的模擬電壓信號(hào)轉(zhuǎn)換為數(shù)字電壓信號(hào)； 512、將轉(zhuǎn)換后的數(shù)字電壓信號(hào)進(jìn)行傅里葉變換。
4.根據(jù)權(quán)利要求3所述的逆變器的故障檢測(cè)方法，其特征在于，所述傅里葉變換包括快速傅里葉變換。
5.根據(jù)權(quán)利要求2所述的逆變器的故障檢測(cè)方法，其特征在于，所述步驟S20包括: S21、將所述神經(jīng)網(wǎng)絡(luò)模型的輸入信號(hào)進(jìn)行歸一化； S22、將所述歸一化后的值進(jìn)行降維。
6.根據(jù)權(quán)利要求2所述的逆變器的故障檢測(cè)方法，其特征在于，所述故障檢測(cè)方法還包括在所述步驟S1之前執(zhí)行的至少一次神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，該訓(xùn)練過程包括: S01、將逆變器的在預(yù)設(shè)故障狀態(tài)下的輸出信號(hào)進(jìn)行傅里葉變換，得到電壓諧波信號(hào)； S02、將所述步驟SOl中經(jīng)傅里葉變換后的諧波信號(hào)輸入神經(jīng)網(wǎng)絡(luò)模型的輸入層；S03、根據(jù)所述神經(jīng)網(wǎng)絡(luò)模型的輸入信號(hào)和神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)輸出信號(hào)確定所述神經(jīng)網(wǎng)路模型的權(quán)值，以確定所述神經(jīng)網(wǎng)絡(luò)模型的分類機(jī)制，所述神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)輸出信號(hào)與所述預(yù)設(shè)故障狀態(tài)對(duì)應(yīng)。
7.根據(jù)權(quán)利要求6所述的逆變器的故障檢測(cè)方法，其特征在于，所述故障檢測(cè)方法包括多次神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，該多次神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程包括:調(diào)節(jié)逆變器的調(diào)制比，以獲得多個(gè)不同的調(diào)制比，每獲得一個(gè)調(diào)制比執(zhí)行一次所述神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程。
8.根據(jù)權(quán)利要求7所述的逆變器的故障檢測(cè)方法，其特征在于，所述故障檢測(cè)方法還包括在所述步驟SlO之前執(zhí)行的至少一次神經(jīng)網(wǎng)絡(luò)模型的測(cè)試過程，該測(cè)試過程包括: S04、將逆變器的調(diào)制比的值調(diào)節(jié)為不同于所述訓(xùn)練過程中所對(duì)應(yīng)的調(diào)制比的值，并對(duì)逆變器在所述預(yù)設(shè)故障下的輸出信號(hào)進(jìn)行傅里葉變換； S05、將傅里葉變換后的諧波信號(hào)輸入所述神經(jīng)網(wǎng)絡(luò)模型； S06、比較所述神經(jīng)網(wǎng)絡(luò)模型的實(shí)際輸出信號(hào)和所述預(yù)設(shè)輸出信號(hào)是否一致，若是，則所述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成功；若否，則所述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練失敗。
9.根據(jù)權(quán)利要求7所述的逆變器的故障檢測(cè)方法，其特征在于，所述故障檢測(cè)方法包括多次執(zhí)行的神經(jīng)網(wǎng)絡(luò)模型的測(cè)試過程。
10.一種逆變器的故障檢測(cè)裝置，其特征在于，所述故障檢測(cè)裝置包括: 信號(hào)變換單元，用于將逆變器的輸出電壓信號(hào)進(jìn)行傅里葉變換，以得到電壓諧波信號(hào); 分類單元，用于對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類；故障確定單元，用于確定各種類型的傅里葉變換后的電壓諧波信號(hào)所對(duì)應(yīng)的故障類型。
11.根據(jù)權(quán)利要求10所述的逆變器的故障檢測(cè)裝置，其特征在于，所述分類單元內(nèi)設(shè)置有神經(jīng)網(wǎng)絡(luò)模型，該神經(jīng)網(wǎng)絡(luò)模型用于對(duì)傅里葉變換后的電壓諧波信號(hào)進(jìn)行分類。
12.根據(jù)權(quán)利要求10所述的逆變器的故障檢測(cè)裝置，其特征在于，所述逆變器的輸出電壓信號(hào)包括模擬電壓信號(hào)，所述故障檢測(cè)裝置還包括連接在所述逆變器與所述信號(hào)變換單元之間的模數(shù)轉(zhuǎn)換單元，該模數(shù)轉(zhuǎn)換單元能夠?qū)⑺瞿孀兤鬏敵龅哪M電壓信號(hào)轉(zhuǎn)換為數(shù)字電壓信號(hào)，且所述信號(hào)變換單元能夠?qū)⑥D(zhuǎn)換后的數(shù)字電壓信號(hào)進(jìn)行傅里葉變換。
13.根據(jù)權(quán)利要求11所述的逆變器的故障檢測(cè)裝置，其特征在于，所述分類單元能夠?qū)⑺錾?經(jīng)網(wǎng)絡(luò)模型的輸入信號(hào)進(jìn)行歸一化并將所述歸一化后的信號(hào)進(jìn)行降維。
【文檔編號(hào)】G01R31/00GK104049159SQ201410208186
【公開日】2014年9月17日 申請(qǐng)日期:2014年5月16日 優(yōu)先權(quán)日:2014年5月16日
【發(fā)明者】何佳, 韓曉艷, 鄭平, 李津 申請(qǐng)人:北京京東方能源科技有限公司, 京東方科技集團(tuán)股份有限公司