[发明专利]一种IGBT驱动电路故障诊断方法

说明书

一种IGBT驱动电路故障诊断方法，其包括以下步骤：（1）运用PSpice软件对IGBT驱动电路进行蒙特卡洛分析，采集电路的时域响应信号，即采集驱动电路的输出电压信号；（2）对采集到的电压信号进行小波变换，计算小波系数的能量作为特征参量，所有特征参量的集合即为样本数据；（3）基于样本数据，建立卷积神经网络模型并对其进行训练；（4）以建立的卷积神经网络故障诊断模型作为分类器，对IGBT的驱动电路的故障进行诊断。该发明的提取故障信号特征方法优于其他方法，故障模式分类器具有更高的识别率与自适应性。

技术领域

本发明涉及机器学习以及电子电路工程领域，特别涉及一种IGBT驱动电路故障诊断方法。

背景技术

近年来，由于IGBT集功率MOSFET与双极型晶体管的优点于一身，不仅具有高速开关与电压驱动特性，还具有低饱和电压特性与容易实现较大电流的能力，使得IGBT成为电力电子领域中备受关注的一种器件并且发展迅速。随着其广泛使用，IGBT的驱动电路出现了各种故障，严重影响设备性能，甚至造成设备无法正常工作，因此为保证工作效率，必须加强对于IGBT驱动电路故障诊断的研究，这对于发展电力电子设备具有重要的工程与经济意义。

目前，对于IGBT驱动电路的故障诊断方法研究较少，而IGBT驱动电路属于模拟电路的一种，故可借鉴已有的模拟电路故障诊断方法。针对模拟电路的故障诊断，已有研究人员采用小波分解和模糊聚类提取故障特征的模拟电路故障诊断方法，然而，基于模糊聚类的故障诊断方法确定模糊隶属参数需要采用专家经验知识，且不具备学习能力。基于LS-SVM的预测方法，该法能够跟踪故障特征性能参数的变化趋势，实现故障预测，但是仅限于直流电路故障诊断，具有局限性。基于支持向量机的模拟电路故障诊断方法，故障辨识能力与系统故障诊断速度得到很大提高，但是诊断效果依赖于核函数和核函数参数的选择。因此，若要实现IGBT驱动电路的故障诊断，需要选择合适的特征提取方法和高效的分类方法。

发明内容

本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种IGBT驱动电路故障诊断方法，以利于提高故障模式分类器的学习能力，提高故障模式诊断的效率和精度。

该方法首先应用小波变换中的分解与重构算法提取故障特征数据，生成样本集，然后建立卷积神经网络分类模型，并将前一步获得的样本集分为训练和测试两部分，利用训练样本数据进行卷积神经网络训练学习，实现IGBT驱动电路故障模式分类器的构建。

本发明的目的是通过如下方案予以实现：

一种IGBT驱动电路故障诊断方法，包括以下步骤：

(1)运用PSpice软件对IGBT驱动电路进行蒙特卡洛分析，采集电路的时域响应信号，即采集驱动电路的输出电压信号；电路中故障元件即电阻和电容容差范围均为±5％；

(2)对采集到的电压信号进行小波变换，计算小波系数的能量作为特征参量，所有特征参量的集合即为样本数据；

(3)基于样本数据，建立卷积神经网络故障诊断模型并对其进行训练和诊断结果校验；

(4)以建立的卷积神经网络故障诊断模型作为分类器，对IGBT驱动电路的故障进行诊断。

进一步，所述步骤(1)中，被测的IGBT驱动电路只有一个输入端和一个输出端，输入端采用矩形脉冲激励，输出端采样电压信号。

进一步，所述步骤(2)中，对采集到的电压信号进行小波变换，步骤是：

步骤(2-a)先对电压信号进行小波分解，从分解获得的分量信号中得出高频和低频系数，高频系数对应细节信号，低频系数对应逼近信号。从高频系数中检测噪声，低频系数中识别各分量信号的不同频率。

步骤(2-b)用去噪的高频系数与逼近的低频系数重构目标信号。