電力電子系統(tǒng)故障診斷技術(shù)淺談-文庫(kù)吧資料
2025-08-06 00:35本頁(yè)面
【正文】 方法。 圖1 故障模式影響及危害性分析步驟 故障樹分析故障樹分析FTA（fault tree analysis）可以讓人們知道哪些事件的組合可以導(dǎo)致危及系統(tǒng)安全的故障，并計(jì)算它們的發(fā)生概率，然后通過設(shè)計(jì)改進(jìn)和有效的故障監(jiān)測(cè)、維修等措施，設(shè)法減小它們的發(fā)生概率。CA是對(duì)系統(tǒng)中每一產(chǎn)品（或功能、生產(chǎn)要素、工藝流程、生產(chǎn)設(shè)備等）按其故障的發(fā)生概率和嚴(yán)重程度進(jìn)行綜合評(píng)估。故障檢測(cè)方法分析是分析每一種故障模式是否存在特定的發(fā)現(xiàn)該故障模式的檢測(cè)方法，從而為系統(tǒng)的故障檢測(cè)與隔離設(shè)計(jì)提供依據(jù)。故障原因分析是找出每一個(gè)故障模式產(chǎn)生的原因。FMEA又包括故障模式分析、故障原因分析、故障影響分析、故障檢測(cè)方法分析與補(bǔ)償措施分析等步驟。 故障模式影響及危害性分析 故障模式影響分析FMEA（failure mode effect analysis），就是在產(chǎn)品設(shè)計(jì)過程中，通過對(duì)產(chǎn)品各組成單元潛在的各種故障模式及其對(duì)產(chǎn)品功能的影響進(jìn)行分析，并把每一個(gè)潛在故障模式按它的嚴(yán)酷程度予以分類，提出可以采取的預(yù)防改進(jìn)措施，以提高產(chǎn)品可靠性的一種設(shè)計(jì)分析方法。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(shí)很少的情況下知識(shí)獲取困難的障礙，提高了專家系統(tǒng)的適應(yīng)性。它依據(jù)適者生存、優(yōu)勝劣汰的進(jìn)化規(guī)則，對(duì)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)化群體中的最優(yōu)個(gè)體以求得滿足要求的最優(yōu)解。信號(hào)的處理與分析是故障預(yù)測(cè)和診斷的基礎(chǔ)，提高診斷的準(zhǔn)確度需要信號(hào)處理和分析方法，小波變換以其對(duì)非平穩(wěn)信號(hào)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(shí)很難精確描述，存在知識(shí)獲取的“瓶頸”問題。設(shè)備正常運(yùn)行時(shí)發(fā)出的信號(hào)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(hào)。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。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(cè)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，最后將診斷結(jié)果和處理建議自動(dòng)地反饋回運(yùn)行現(xiàn)場(chǎng)。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。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(duì)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。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。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。目前常用的方法有：最小距離分類法，Bayes分類法，F(xiàn)isher判別法，從參數(shù)模型求特征，用KL變換提取特征等 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(hào)與故障分類之間的映像關(guān)系。另外，在對(duì)工業(yè)系統(tǒng)的故障診斷中應(yīng)盡量利用非
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1