電力電子電路的實(shí)際運(yùn)行表明，大多數(shù)故障表現(xiàn)為功率開關(guān)器件的損壞，其中以功率開關(guān)器件的開路和直通常見。電力電子電路故障診斷與一般的模擬電路、數(shù)字電路的故障診斷存在較大差別，由于電力電子器件過載能力小，損壞速度快，其故障信息僅存在于發(fā)生故障到停電之前數(shù)十毫秒之內(nèi)，因此，需要實(shí)時(shí)監(jiān)視、在線診斷;另外電力電子電路的功率已達(dá)數(shù)千千瓦，模擬電路、數(shù)字電路診斷中采用的改變輸入看輸出的方法不再適用，只能以輸出波形來診斷電力電子電路是否有故障及有何種故障。

電力電子電路的實(shí)際運(yùn)行表明，大多數(shù)故障表現(xiàn)為功率開關(guān)器件的損壞，其中以功率開關(guān)器件的開路和直通常見。電力電子電路故障診斷與一般的模擬電路、數(shù)字電路的故障診斷存在較大差別，由于電力電子器件過載能力小，損壞速度快，其故障信息僅存在于發(fā)生故障到停電之前數(shù)十毫秒之內(nèi)，因此，需要實(shí)時(shí)監(jiān)視、在線診斷;另外電力電子電路的功率已達(dá)數(shù)千千瓦，模擬電路、數(shù)字電路診斷中采用的改變輸入看輸出的方法不再適用，只能以輸出波形來診斷電力電子電路是否有故障及有何種故障。

故障診斷的關(guān)鍵是提取故障的特征。故障特征是指反映故障征兆的信號經(jīng)過加工處理后所得的反映設(shè)備與系統(tǒng)的故障種類、部位與程度的綜合量。故障診斷方法按提取特征的方法的區(qū)別，可分為譜分析方法、基于動(dòng)態(tài)系統(tǒng)數(shù)學(xué)模型的方法、采用模式識別的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、專家系統(tǒng)的方法、小波變換的方法和利用遺傳算法等。這些方法將在下文具體介紹。

一、故障診斷中的譜分析方法

在故障診斷中比較常用的信號處理方法是譜分析。常用傅里葉譜、沃爾什譜，另外還有濾波、相關(guān)分析等。譜分析的目的：信號中包含噪聲，為了提取特征;故障信號的時(shí)域波形不能清楚地反映故障的特征。而電力電子電路中包含故障信息的關(guān)鍵點(diǎn)信號通常具有周期性，因此可以用傅里葉變換將時(shí)域中的故障波形變換到頻域，以突出故障特征，實(shí)現(xiàn)故障診斷。

傅里葉變換是將某一周期函數(shù)分解成各種頻率的正弦分量，類似地，沃爾什變換是將某一函數(shù)分解成一組沃爾什函數(shù)分量。自適應(yīng)濾波是一種數(shù)字信號的處理統(tǒng)計(jì)方法，它不需要知道信號一二階的先驗(yàn)統(tǒng)計(jì)知識，直接利用觀測資料，通過運(yùn)算改變?yōu)V波器的某些參數(shù)，而使自適應(yīng)濾波器的輸出能自動(dòng)跟蹤信號特性的變化。在電力電子系統(tǒng)故障診斷中，可以用自適應(yīng)處理來實(shí)現(xiàn)噪聲抵消，譜線增強(qiáng)等功能，從噪聲背景下提取故障特征，從而實(shí)現(xiàn)準(zhǔn)確的診斷。

二、參數(shù)模型與故障診斷

如果系統(tǒng)的數(shù)學(xué)模型是已知的，就可以通過測量，估計(jì)系統(tǒng)的狀態(tài)和參數(shù)，確定狀態(tài)變量和系統(tǒng)參量是否變化。采用基于系統(tǒng)數(shù)學(xué)模型的故障診斷方法，可以從較少的測量點(diǎn)去估計(jì)系統(tǒng)的多個(gè)狀態(tài)量或系統(tǒng)參數(shù)，從而實(shí)現(xiàn)故障診斷。

進(jìn)一步又可以分為檢測濾波器方法、狀態(tài)估計(jì)法和參數(shù)辨識方法三種。

1、檢測濾波器方法

它將部件、執(zhí)行機(jī)構(gòu)和傳感器的故障的輸出方向分別固定在特定的方向或平面上。

2、狀態(tài)估計(jì)法

通過監(jiān)測系統(tǒng)的狀態(tài)變化，也能反映由系統(tǒng)參數(shù)變化引起的故障，并對故障進(jìn)行診斷。與一般的狀態(tài)估計(jì)不同，在進(jìn)行故障診斷時(shí)，并不是去估計(jì)未知的狀態(tài)信息，而是借助觀測器或卡爾曼濾波器去重構(gòu)系統(tǒng)的輸出，以便取得系統(tǒng)輸出的估計(jì)值。這個(gè)估計(jì)值與實(shí)際輸出值之差就叫量測殘差。殘差中含有大量的系統(tǒng)內(nèi)部變化的信息，因此可以作為故障診斷的依據(jù)。狀態(tài)估計(jì)法的優(yōu)點(diǎn)是在線計(jì)算量小，診斷速度快。

3、參數(shù)辨識方法

實(shí)時(shí)辨識出系統(tǒng)模型的參數(shù)，與正常時(shí)模型的參數(shù)比較，確定故障。常用的有二乘法。

三、模式識別在故障診斷中的應(yīng)用

故障的模式識別就是從那些反映系統(tǒng)的信息中抽取出反映故障的特征，并根據(jù)這些特征的不同屬性，對故障進(jìn)行分類。用模式識別方法進(jìn)行故障診斷，是根據(jù)樣本的數(shù)學(xué)特征來進(jìn)行的，因此它不需要精確的數(shù)學(xué)模型。對于一些被診斷對象數(shù)學(xué)模型過于復(fù)雜、不易求解的問題，模式識別方法也是適用的。另外，在對工業(yè)系統(tǒng)的故障診斷中應(yīng)盡量利用非數(shù)學(xué)（包括物理和結(jié)構(gòu)）方面的特征，設(shè)計(jì)出各種各樣的特征提取器，這樣將有利于利用對已有系統(tǒng)的知識，有利于減少計(jì)算工作量。由于特征的選擇和提取與待識別的模式緊密相關(guān)，故很難有某種泛泛的規(guī)律可循。目前常用的方法有：距離分類法，Bayes分類法，F(xiàn)isher判別法，從參數(shù)模型求特征，用K-L變換提取特征等。

四、基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法

利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自歸納能力，經(jīng)過一定的訓(xùn)練，建立起故障信號與故障分類之間的映像關(guān)系。利用學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)故障診斷。神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元廣泛互連而成的網(wǎng)絡(luò)，這里以BP網(wǎng)絡(luò)為例加以介紹。BP網(wǎng)絡(luò)是單向傳播的多層前向網(wǎng)絡(luò)，它由輸入層、中間層和輸出層組成，中間層可有若干層，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出。BP網(wǎng)絡(luò)中沒有反饋，同一層的節(jié)點(diǎn)之間沒有耦合，每一層的節(jié)點(diǎn)只影響下一層節(jié)點(diǎn)的輸入。

BP網(wǎng)絡(luò)一般采取的學(xué)習(xí)算法是：網(wǎng)絡(luò)的輸出和希望的輸出進(jìn)行比較，然后根據(jù)兩者之間的差調(diào)整網(wǎng)絡(luò)的權(quán)值，使誤差變小。當(dāng)電力電子電路發(fā)生故障時(shí)，如果能夠利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，使故障波形與故障原因之間的關(guān)系通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后保存在其結(jié)構(gòu)和權(quán)中，然后將學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)用于故障診斷，神經(jīng)網(wǎng)絡(luò)就可以通過對當(dāng)前電壓或電流波形的分析，得出故障原因，從而實(shí)現(xiàn)故障的在線自動(dòng)診斷。

五、專家系統(tǒng)

由于故障診斷是從被監(jiān)測和診斷的對象表征去尋找故障的成因、部位，并確定故障的嚴(yán)重程度的，因此，如果把由已知故障去分析系統(tǒng)或設(shè)備的運(yùn)行特性與表征叫做正問題，那么故障診斷就是逆問題了。這種逆問題的求解明顯不同于正問題的求解，而人工智能AI（Artificial Intelligence）技術(shù)中的專家系統(tǒng)ES（Expert System）正是解這種逆問題的有利工具。專家系統(tǒng)是人工智能研究的一個(gè)分支，它是通過模擬專家的經(jīng)驗(yàn)，實(shí)現(xiàn)故障診斷。專家系統(tǒng)的結(jié)構(gòu)如下表所示：一個(gè)典型的診斷專家系統(tǒng)通過在線監(jiān)測并進(jìn)行數(shù)據(jù)采集、存貯，然后傳送到診斷運(yùn)行中心，在這里由專家系統(tǒng)進(jìn)行處理、分析和診斷，將診斷結(jié)果和處理建議自動(dòng)地反饋回運(yùn)行現(xiàn)場。因此，專家系統(tǒng)是診斷系統(tǒng)中核心的部分。本文后面將介紹作者在實(shí)際中應(yīng)用專家系統(tǒng)方法進(jìn)行故障診斷的實(shí)例。

六、小波變換的方法

在故障診斷中,突變信號往往對應(yīng)著設(shè)備的某種故障，分析和識別系統(tǒng)中產(chǎn)生的各種波形信號，并判別其狀態(tài)，是進(jìn)行電路故障診斷中的有效方法之一。設(shè)備正常運(yùn)行時(shí)發(fā)出的信號較平穩(wěn)，一旦設(shè)備出現(xiàn)故障，就將發(fā)出具有奇異性的動(dòng)態(tài)非平穩(wěn)信號。為了實(shí)現(xiàn)設(shè)備故障的快速、準(zhǔn)確檢測，必須有效地識別故障發(fā)生瞬間的非平穩(wěn)信號。信號的處理與分析是故障預(yù)測和診斷的基礎(chǔ)，提高診斷的準(zhǔn)確度需要信號處理和分析方法，小波變換以其對非平穩(wěn)信號局部化分析，及良好的時(shí)—頻定位功能的突出優(yōu)點(diǎn)，為故障診斷提供了新的、強(qiáng)有力的分析手段，彌補(bǔ)了傳統(tǒng)故障診斷中因?yàn)閷＜业慕?jīng)驗(yàn)知識很難精確描述，存在知識獲取的“瓶頸”問題。

七、遺傳算法

遺傳算法GA（Genetic Algorithm）是一種新發(fā)展起來的優(yōu)化算法，目前它已經(jīng)成為人們用來解決高度復(fù)雜問題的一個(gè)新思路和新方法。它依據(jù)適者生存、優(yōu)勝劣汰的進(jìn)化規(guī)則，對包含可能解的群體進(jìn)行基于遺傳學(xué)的操作，不斷生產(chǎn)新的群體并使群體不斷進(jìn)化，同時(shí)以全局并行搜索優(yōu)化群體中優(yōu)個(gè)體以求得滿足要求的優(yōu)解。GA以其能以較大概率求得全局優(yōu)解、計(jì)算時(shí)間較少、具有較強(qiáng)魯棒性等特點(diǎn)在電力電子故障診斷系統(tǒng)中也得到了應(yīng)用。合理利用采集信息（即把采集信息分為三層），運(yùn)用遺傳算法進(jìn)行分層信息故障診斷;將遺傳算法應(yīng)用在故障診斷專家系統(tǒng)的推理和自學(xué)習(xí)中，可以克服專家系統(tǒng)存在的推理速度慢和在先驗(yàn)知識很少的情況下知識獲取困難的障礙，提高了專家系統(tǒng)的適應(yīng)性。