论文部分内容阅读
开关电源作为各电力系统的核心,一旦发生故障,若不能及时定位故障并做出相应处理,轻则造成器件烧毁,重则导致整个电路系统崩溃,造成巨大经济损失,甚至威胁人身安全,因此快速且准确的定位开关电源故障成为一个日益重要的课题。目前开关电源故障诊断方法的研究主要从两方面进行:一是如何有效提取开关电源故障特征;二是如何建立高效的故障诊断模型。针对开关电源电路由于元件非线性、容差性等造成的故障特征提取困难的问题,本文采用小波包变换和主元分析相结合的方式提取故障有效信息。首先采用小波包变换对故障信号进行降噪处理;然后采用基于小波包的频带能量提取技术提取开关电源故障特征,解决了非线性、容差电路故障特征提取难的问题;最后采用主元分析对提取的故障特征进行去冗余,排除相关输入引起的多重共线性问题,有效提取开关电源故障特征。开关电源由于没有统一的故障诊断模型,常规的故障诊断方法如故障字典法等很难满足开关电源故障诊断需求,而神经网络的出现为开关电源故障诊断提供了思路,但是常规的单一神经网络又均有其自身局限性,因此本文提出了基于改进的万有引力搜索算法(Improved Gravitational Search Algorithm,IGSA)与神经网络相结合的开关电源故障诊断模型。首先针对标准GSA在求解函数优化问题时易陷入局部最优且优化精度不高的问题,提出基于时变权重和边界变异的IGSA算法,经仿真验证,IGSA具有更好的优化性能;然后以IGSA优化BP和RBF神经网络为例,给出IGSA-BPNN和IGSA-RBFNN具体操作流程;最后将IGSA-BPNN和IGSA-RBFNN分别用于开关电源故障诊断,实验表明,IGSA-神经网络模型较常规的神经网络具有更高的诊断速度和精度。在开关电源故障诊断理论与应用研究中,一个开放式的高性能开关电源故障诊断实验平台必不可少。本文将Lab VIEW(Laboratory Virtual Instrument)技术应用于开关电源故障诊断系统软件设计中,有效提高实验效率和数据可靠性。