一种基于EMD-BLS的三相整流电路故障诊断方法

曾超俊，王荣杰,，王亦春,，郜怀通，林安辉,，韩 冉

(1.集美大学轮机工程学院，福建 厦门 361021；2.福建省船舶与海洋工程重点实验室，福建 厦门 361021)

0 引言

三相整流电路在实际运行中，开关器件通常会发生开路和短路两种常见故障。准确识别三相整流电路故障对于电力系统的安全运行和避免灾难性事故极其重要[1-3]。三相整流电路故障诊断的关键有二：一是提取反映整流电路状态的特征信息，二是对特征信息进行分类实现故障诊断[4]。

目前故障特征提取方法主要有[5-7]：小波变换(wavelet transform，WT)、主成分分析(principal component analysis，PCA)、奇异值分解(singular value decomposition，SVD)和经验模态分解(empirical mode decomposition，EMD)等。小波变换时频分析方法可处理时变的非平稳信号，但无法提取反映信号非线性的信息，分解的信号容易产生虚假频率[8]；主成分分析法提取特征完全无参数限制，但解释其自身含义总是具有一定的不确定模糊性，提取出来的特征不如原始样本完整，贡献率小的主成分可能是整体差异的重要信息；奇异值分解法能在特征提取时去除噪声，但是只适用于数值型，对非方阵数据分解出的数据具有高不确定性[9]；而EMD突破了传统时频分析的局限，并且在非平稳信号上表现良好，与传统的时频分析方法相比，EMD具有自适应性、正交性和完整性的典型特征。

应用于三相整流电路故障类型分类的方法主要有[10-13]：反向传播神经网络(backpropagation neural network，BP)、概率神经网络(probabilistic neural network，PNN)、支持向量机(support vector machines，SVM)、极限学习机(extreme learning machine，ELM)和宽度学习系统(broad learning system，BLS)等。反向传播网络因具有自学习能力被广泛推崇，但经常陷入局部最优和网络训练能力差且收敛速度慢等困境；……