逆變器的故障檢測方法和檢測裝置制造方法
【專利摘要】本發(fā)明提供一種逆變器的故障檢測方法，該故障檢測方法包括：S10、將逆變器的輸出電壓信號進(jìn)行傅里葉變換，以得到電壓諧波信號；S20、對傅里葉變換后的電壓諧波信號進(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所對應(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效率。
【專利說明】逆變器的故障檢測方法和檢測裝置

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

【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?，廣泛適用于電動工具、電腦、電視、洗衣機、風(fēng)扇等電器。級聯(lián)逆變器的輸出端可以有多個電平的輸出從而得到了廣泛應(yīng)用，隨著級聯(lián)逆變輸出電平數(shù)的增加，對應(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，同時使得設(shè)備的故障率增加，因而逆變器的故障檢測尤為重要?，F(xiàn)有的逆變器檢測方法主要有:基于知識和經(jīng)驗的故障檢測和基于支持向量機的故障檢測方法等。
[0003]但是這些方法的檢測效率較低，需要檢測電路中多個位置，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方法和檢測裝置，以提高逆變器的故障檢測效率。
[0005]為了實現(xiàn)上述目的，本發(fā)明提供一種逆變器的故障檢測方法，該故障檢測方法包括:
[0006]S10、將逆變器的輸出電壓信號進(jìn)行傅里葉變換，以得到電壓諧波信號；
[0007]S20、對傅里葉變換后的電壓諧波信號進(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所對應(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)模型對傅里葉變換后的電壓諧波信號進(jìn)行分類。
[0010]優(yōu)選地，所述逆變器的輸出電壓信號包括模擬電壓信號，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轉(zhuǎn)換為數(shù)字電壓信號；
[0012]S12、將轉(zhuǎn)換后的數(shù)字電壓信號進(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)下的輸出信號進(jìn)行傅里葉變換，得到電壓諧波信號;
[0019]S02、將所述步驟SOl中經(jīng)傅里葉變換后的諧波信號輸入神經(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)模型的輸入信號和神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)輸出信號確定所述神經(jīng)網(wǎng)路模型的權(quán)值，以確定所述神經(jīng)網(wǎng)絡(luò)模型的分類機制，所述神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)輸出信號與所述預(yù)設(shè)故障狀態(tài)對應(yīng)。
[0021]優(yōu)選地，所述故障檢測方法包括多次神經(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，以獲得多個不同的調(diào)制比，每獲得一個調(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)模型的測試過程，該測試過程包括:
[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)練過程中所對應(yīng)的調(diào)制比的值，并對逆變器在所述預(yù)設(shè)故障下的輸出信號進(jìn)行傅里葉變換；
[0024]S05、將傅里葉變換后的諧波信號輸入所述神經(jīng)網(wǎng)絡(luò)模型；
[0025]S06、比較所述神經(jīng)網(wǎng)絡(luò)模型的實際輸出信號和所述預(yù)設(shè)輸出信號是否一致，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，所述故障檢測方法包括多次執(zhí)行的神經(jīng)網(wǎng)絡(luò)模型的測試過程。
[0027]相應(yīng)地，本發(fā)明還提供一種逆變器的故障檢測裝置，所述故障檢測裝置包括:
[0028]信號變換單元，用于將逆變器的輸出電壓信號進(jìn)行傅里葉變換，以得到電壓諧波信號;
[0029]分類單元，用于對傅里葉變換后的電壓諧波信號進(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所對應(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)模型用于對傅里葉變換后的電壓諧波信號進(jìn)行分類。
[0032]優(yōu)選地，所述逆變器的輸出電壓信號包括模擬電壓信號，所述故障檢測裝置還包括連接在所述逆變器與所述信號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電壓信號轉(zhuǎn)換為數(shù)字電壓信號，且所述信號變換單元能夠?qū)⑥D(zhuǎn)換后的數(shù)字電壓信號進(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)模型的輸入信號進(jìn)行歸一化并將所述歸一化后的信號進(jìn)行降維。
[0034]與現(xiàn)有技術(shù)中的檢測逆變器電路的多個位置相比，本發(fā)明通過對逆變器的輸出電壓信號進(jìn)行傅里葉變換，從而將難以處理的時域信號轉(zhuǎn)換為便于分析的頻域信號，由于傅里葉變換可以應(yīng)用于多種信號，因而檢測效率得到提高，適用范圍有所增大；且快速傅里葉變換進(jìn)一步提高了檢測效率；另一方面，利用神經(jīng)網(wǎng)絡(luò)模型對電壓諧波信號進(jìn)行分類以確定各類型電壓諧波信號所對應(yīng)的故障類型，進(jìn)而確定逆變器的輸出電壓信號所對應(yīng)的故障類型，提高了逆變器的故障檢測效率。同時，可以減少電壓檢測器件的使用，降低系統(tǒng)成本。

【專利附圖】

【附圖說明】
[0035]附圖是用來提供對本發(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【具體實施方式】一起用于解釋本發(fā)明，但并不構(gòu)成對本發(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裝置結(jié)構(gòu)示意圖。
[0038]其中附圖標(biāo)記為:10、信號變換單元；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。

【具體實施方式】
[0039]以下結(jié)合附圖對本發(fā)明的【具體實施方式】進(jìn)行詳細(xì)說明。應(yīng)當(dāng)理解的是，此處所描述的【具體實施方式】僅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方法，如圖1所示，該故障檢測方法包括:
[0041]S10、將逆變器的輸出電壓信號進(jìn)行傅里葉變換，以得到電壓諧波信號；
[0042]S20、對傅里葉變換后的電壓諧波信號進(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所對應(yīng)的故障類型。
[0044]傅里葉變換將原來難以處理的時域信號轉(zhuǎn)換為便于分析的頻域信號，通過對傅里葉變換后的電壓諧波信號進(jìn)行分類，從而確定各類型電壓諧波信號所對應(yīng)的故障類型，進(jìn)而確定逆變器的輸出電壓信號所對應(yīng)的故障類型。與現(xiàn)有技術(shù)中的檢測電路的多個位置相t匕，可以提高故障檢測效率，且傅里葉變換對各種不同電壓信號進(jìn)行變換，即對不同結(jié)構(gòu)的逆變器電路進(jìn)行檢測，提高了檢測方法的適用范圍；同時，避免了對電路中多個位置進(jìn)行檢測，降低了系統(tǒng)成本。
[0045]本發(fā)明可以采用多種方法對傅里葉變換后的電壓諧波信號進(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)選實施方式，利用神經(jīng)網(wǎng)絡(luò)模型對傅里葉變換后的電壓諧波信號進(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個輸入節(jié)點，將傅里葉變換后得到的各次諧波信號依次輸入各個輸入節(jié)點，例如，將基波信號輸入第一個輸入節(jié)點，一次諧波信號輸入第二個輸入節(jié)點，二次諧波信號輸入第三個輸入結(jié)點，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個功率器件為例，當(dāng)只考慮其中一個功率器件發(fā)生故障的情況時，所述逆變器的故障狀態(tài)有10種，分別為:第一個功率器件發(fā)生故障，第二個功率器件發(fā)生故障，第三個功率器件發(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)點的數(shù)量可以設(shè)置為4個，每個節(jié)點可以輸出0、1兩種信號，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，其中的10種不同的信號與10種故障類型相對應(yīng)。例如，當(dāng)所述神經(jīng)網(wǎng)絡(luò)模型的輸出為0001時，可以判斷逆變器的第一個功率器件發(fā)生故障；當(dāng)所述神經(jīng)網(wǎng)絡(luò)模型的輸出為0010時，可以判斷逆變器的第二個功率器件發(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)置多個節(jié)點，也可以設(shè)置多個子神經(jīng)網(wǎng)絡(luò)模型，每個子神經(jīng)網(wǎng)絡(luò)模型的輸出層設(shè)置一個輸出節(jié)點，只要可以輸出不同的信號以區(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)模型可以提高檢測效率，換言之，本發(fā)明尤其適用于級聯(lián)逆變器。
[0049]通常，所述逆變器的輸出電壓信號包括模擬電壓信號，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轉(zhuǎn)換為數(shù)字電壓信號；
[0051]S12、將轉(zhuǎn)換后的數(shù)字電壓信號進(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中將模擬電壓信號轉(zhuǎn)換為數(shù)字電壓信號的過程可以包括:對所述逆變器的輸出的模擬電壓信號進(jìn)行采樣、保持、量化和編碼四個過程。為了保證轉(zhuǎn)換精度，可以在采樣過程之前對所述模擬電壓信號進(jìn)行濾波，以降低所述模擬電壓信號中的混疊成分。
[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算量，節(jié)省運算時間。
[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)模型的輸入信號進(jìn)行歸一化。本發(fā)明對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個諧波信號變換為5~8個諧波信號，且變換后的5~8個諧波信號包含原有的20~50個諧波信號中的主要信息。輸入信號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)下的輸出信號進(jìn)行傅里葉變換，得到諧波信號；
[0059]S02、將步驟SOl中經(jīng)傅里葉變換后的諧波信號輸入神經(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)模型的輸入信號和神經(jīng)網(wǎng)絡(luò)模型預(yù)設(shè)輸出信號確定所述神經(jīng)網(wǎng)路模型的權(quán)值，以確定所述神經(jīng)網(wǎng)絡(luò)模型的分類機制，所述神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)輸出信號與所述預(yù)設(shè)故障狀態(tài)對應(yīng)。
[0061]例如，預(yù)設(shè)故障狀態(tài)可以為第一個功率器件發(fā)生故障，相應(yīng)的預(yù)設(shè)輸出信號為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，將逆變器的輸出信號進(jìn)行傅里葉變換，之后將傅里葉變換后得到的諧波信號輸入神經(jīng)網(wǎng)絡(luò)模型的輸入層，根據(jù)神經(jīng)網(wǎng)絡(luò)模型實際的輸出信號和預(yù)設(shè)輸出信號(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)模型實際的輸出信號與預(yù)設(shè)輸出信號之間的誤差在預(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)模型的分類機制，即，當(dāng)對逆變器的故障狀態(tài)進(jìn)行檢測時，若神經(jīng)網(wǎng)絡(luò)模型的輸出信號為0001，則判斷逆變器的故障為第一個功率器件發(fā)生故障?？梢岳斫獾氖?，所述權(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)選實施方式，所述故障檢測方法包括多次神經(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，以獲得多個不同的調(diào)制比，每獲得一個調(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，將逆變器的第一個功率器件發(fā)生故障時所對應(yīng)的預(yù)設(shè)輸出信號設(shè)置為0001，第二個功率器件發(fā)生故障時所對應(yīng)的預(yù)設(shè)輸出信號設(shè)置為0010，第三個功率器件發(fā)生故障時所對應(yīng)的預(yù)設(shè)輸出信號設(shè)置為0011，依次類推。每得到一個調(diào)制比，將所有故障狀態(tài)所對應(yīng)的逆變器的輸出信號進(jìn)行傅里葉變換，并將多個輸出信號對應(yīng)的諧波信號形成的信號矩陣作為神經(jīng)網(wǎng)絡(luò)模型的輸入，多個輸出信號對應(yīng)的預(yù)設(shè)輸出信號所形成的信號矩陣作為神經(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]為了對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試，更進(jìn)一步地，所述故障檢測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)模型的測試過程，該測試過程包括:
[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)練過程中所對應(yīng)的調(diào)制比的值，并對逆變器在所述預(yù)設(shè)故障下的輸出信號進(jìn)行傅里葉變換；
[0065]S05、將傅里葉變換后的諧波信號輸入所述神經(jīng)網(wǎng)絡(luò)模型；
[0066]S06、比較所述神經(jīng)網(wǎng)絡(luò)模型的實際輸出信號和所述預(yù)設(shè)輸出信號是否一致，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)練過程中第一個功率器件發(fā)生故障所對應(yīng)的預(yù)設(shè)輸出信號為0001時，將逆變器的在第一個功率器件發(fā)生故障時的輸出電壓信號進(jìn)行傅里葉變換后輸入至所述神經(jīng)網(wǎng)絡(luò)模型，若此時神經(jīng)網(wǎng)絡(luò)模型的實際輸出信號為0001，則神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成功。可以理解的是，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應(yīng)的多個預(yù)設(shè)輸出信號來確定神經(jīng)網(wǎng)絡(luò)的權(quán)值的，相應(yīng)地，在測試過程中，需要對多種故障類型所對應(yīng)的實際輸出信號分別與多種故障類型所對應(yīng)的多個預(yù)設(shè)輸出信號進(jìn)行比較，當(dāng)多種故障類型所對應(yīng)的實際輸出信號與多種故障類型多對應(yīng)的多個預(yù)設(shè)輸出信號均相同時，則神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成功。即，當(dāng)?shù)诙€功率器件發(fā)生故障所對應(yīng)的預(yù)設(shè)輸出信號為0010時，所述神經(jīng)網(wǎng)絡(luò)模型的實際輸出信號為0010，當(dāng)?shù)谌齻€功率器件發(fā)生故障所對應(yīng)的預(yù)設(shè)輸出信號為0011時，所述神經(jīng)網(wǎng)絡(luò)模型的實際輸出信號為0011，以此類推。
[0068]為了提高所述神經(jīng)網(wǎng)絡(luò)模型的測試效果，更進(jìn)一步地，所述故障檢測方法可以包括多次執(zhí)行的神經(jīng)網(wǎng)絡(luò)模型的測試過程。每次測試過程的調(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方法的描述，可以看出，本發(fā)明通過對逆變器的輸出電壓信號進(jìn)行傅里葉變換，從而將難以處理的時域信號轉(zhuǎn)換為便于分析的頻域信號，與現(xiàn)有技術(shù)中的檢測電路的多個位置相比，由于傅里葉變換可以應(yīng)用于各種不同的信號，因而所述檢測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)一步提高了檢測效率；另一方面，利用神經(jīng)網(wǎng)絡(luò)模型對電壓諧波信號進(jìn)行分類以確定各類型電壓諧波信號所對應(yīng)的故障類型，進(jìn)而確定逆變器的輸出電壓信號所對應(yīng)的故障類型，提高了檢測效率。同時，避免了對電路中多個位置進(jìn)行檢測，減少了電壓檢測器件的使用，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裝置，如圖2所示，所述故障檢測裝置可以包括:
[0071]信號變換單元10，用于將逆變器的輸出電壓信號進(jìn)行傅里葉變換，以得到電壓諧波信號；
[0072]分類單元20，用于對傅里葉變換后的電壓諧波信號進(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所對應(yīng)的故障類型。
[0074]分類單元20可以采用多種方式對傅里葉變換后的電壓諧波信號進(jìn)行分類，作為本發(fā)明的一種【具體實施方式】，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)模型用于對傅里葉變換后的電壓諧波信號進(jìn)行分類。
[0075]通常，所述逆變器的輸出電壓信號包括模擬電壓信號，為了對便于對所述逆變器的輸出電壓進(jìn)行處理，更進(jìn)一步地，所述故障檢測裝置還包括連接在所述逆變器與信號變換單元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轉(zhuǎn)換為數(shù)字電壓信號，且信號變換單元10可以將轉(zhuǎn)換后的數(shù)字電壓信號進(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)模型的輸入信號進(jìn)行歸一化并將所述歸一化后的信號進(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施方式，然而本發(fā)明并不局限于此。對于本領(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方法，其特征在于，該故障檢測方法包括: S10、將逆變器的輸出電壓信號進(jìn)行傅里葉變換，以得到電壓諧波信號； S20、對傅里葉變換后的電壓諧波信號進(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所對應(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)模型對傅里葉變換后的電壓諧波信號進(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方法，其特征在于，所述逆變器的輸出電壓信號包括模擬電壓信號，所述步驟S1包括: 511、將所述逆變器的輸出的模擬電壓信號轉(zhuǎn)換為數(shù)字電壓信號； 512、將轉(zhuǎn)換后的數(shù)字電壓信號進(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方法，其特征在于，所述故障檢測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)下的輸出信號進(jìn)行傅里葉變換，得到電壓諧波信號； S02、將所述步驟SOl中經(jīng)傅里葉變換后的諧波信號輸入神經(jīng)網(wǎng)絡(luò)模型的輸入層；S03、根據(jù)所述神經(jīng)網(wǎng)絡(luò)模型的輸入信號和神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)輸出信號確定所述神經(jīng)網(wǎng)路模型的權(quán)值，以確定所述神經(jīng)網(wǎng)絡(luò)模型的分類機制，所述神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)輸出信號與所述預(yù)設(shè)故障狀態(tài)對應(yīng)。
7.根據(jù)權(quán)利要求6所述的逆變器的故障檢測方法，其特征在于，所述故障檢測方法包括多次神經(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，以獲得多個不同的調(diào)制比，每獲得一個調(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方法，其特征在于，所述故障檢測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)模型的測試過程，該測試過程包括: S04、將逆變器的調(diào)制比的值調(diào)節(jié)為不同于所述訓(xùn)練過程中所對應(yīng)的調(diào)制比的值，并對逆變器在所述預(yù)設(shè)故障下的輸出信號進(jìn)行傅里葉變換； S05、將傅里葉變換后的諧波信號輸入所述神經(jīng)網(wǎng)絡(luò)模型； S06、比較所述神經(jīng)網(wǎng)絡(luò)模型的實際輸出信號和所述預(yù)設(shè)輸出信號是否一致，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方法，其特征在于，所述故障檢測方法包括多次執(zhí)行的神經(jīng)網(wǎng)絡(luò)模型的測試過程。
10.一種逆變器的故障檢測裝置，其特征在于，所述故障檢測裝置包括: 信號變換單元，用于將逆變器的輸出電壓信號進(jìn)行傅里葉變換，以得到電壓諧波信號; 分類單元，用于對傅里葉變換后的電壓諧波信號進(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所對應(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)模型用于對傅里葉變換后的電壓諧波信號進(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裝置，其特征在于，所述逆變器的輸出電壓信號包括模擬電壓信號，所述故障檢測裝置還包括連接在所述逆變器與所述信號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電壓信號轉(zhuǎn)換為數(shù)字電壓信號，且所述信號變換單元能夠?qū)⑥D(zhuǎn)換后的數(shù)字電壓信號進(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)模型的輸入信號進(jìn)行歸一化并將所述歸一化后的信號進(jìn)行降維。
【文檔編號】G01R31/00GK104049159SQ201410208186
【公開日】2014年9月17日 申請日期: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 申請人:北京京東方能源科技有限公司, 京東方科技集團股份有限公司