申请/专利权人：安徽理工大学

申请日：2022-03-24

公开（公告）日：2024-05-07

公开（公告）号：CN114781435B

主分类号：G06F18/24

分类号：G06F18/24;G06F30/3308;G01R31/28;G06N3/006;G06N3/08;G06N3/047;G06F18/213

优先权：

专利状态码：有效-授权

法律状态：2024.05.07#授权;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本发明公开了一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，首先采集电解电容不同退化程度下的电压信号，最小化包络香农熵作为哈里斯鹰优化算法的适应度值，改进的哈里斯鹰优化算法同时优化变分模态分解的分解层数K和惩罚因子α。优化后的变分模态分解对电压信号进行分解，使用克莱姆相关系数选择有效模态分量实现重构信号，提取时域和频域的特征，构建概率神经网络作为分类器，用于电力电子电路的故障诊断。本发明解决了变分模态分解的分解层数K与惩罚因子α之间的相互作用对分解效果产生的影响，利用克莱姆相关系数选择有效模态分量重构信号，提取时域和频域特征，确保提取特征的全面性，提高故障的诊断率。

主权项：1.一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，包括以下步骤：步骤1：基于Matlab中的Simulink仿真平台，建立实际电子电子电路的仿真模型，并选取电解电容在不同退化程度下的输入电压和输出电压信号为数据集，对应的退化程度为故障类型进行分类；步骤2：对步骤1采集的电压信号，利用改进的哈里斯鹰优化算法同时优化变分模态分解的参数分解层数K和惩罚因子α，最小化包络香农熵为哈里斯鹰优化算法的适应度函数，其表达式为：Fitness＝MESE＝min{IMFESE1,…,IMFESEk}其中，bi为变分模态分解后的第i个模态信号的包络幅值，M为模态信号的长度，pi为归一化后模态信号的包络，IMFESEk为第k个模态信号的包络香农熵值；利用改进的哈里斯鹰优化算法同时优化变分模态分解的两个参数[K,α]，具体步骤为：步骤1.2.1：参数设置如下：初始化哈里斯鹰的种群位置向量为[K,α]，种群规模为N，最大迭代次数为T，上下边界分别为LB和UB，目标函数的维度为D；步骤1.2.2：引入Circle混沌映射，形成分布均匀的初始化种群，同时记录当前最优个体及位置；步骤1.2.3：对采集到的电压信号根据每个哈里斯鹰的位置使用变分模态分解进行处理，计算每个哈里斯鹰个体对应的包络香农熵；步骤1.2.4：更新逃逸能量E和跳跃强度J，根据逃逸能量E和逃脱概率r选择四种策略，更新最优个体及位置；步骤1.2.5：对当前个体、最优个体和随机选择的个体执行柯西差分变异操作，计算并更新当前最优个体及位置；步骤1.2.6：当满足最大迭代次数约束条件时，输出最优参数组合[K,α]，否则，返回步骤1.2.3；对于得到若干个本征模态函数，计算每个本征模态函数的包络香农熵值，最小的包络香农熵值对应的参数K和α即为变分模态分解的最优参数；步骤3：使用优化后的变分模态分解对电压信号进行处理，计算本征模态分量与原信号之间的克莱姆相关系数，选择大于阈值的本征模态分量，重构信号并提取其时域和频域10维特征构成特征向量；其中，10维特征分别为信号的最大值、最小值、均值、方根幅值、方差、标准差、重心频率、峭度、频率方差和均方频率；步骤4：构建概率神经网络诊断模型，将步骤3中的特征向量作为概率神经网络的输入，对应的故障类别作为概率神经网络的输出，进行概率神经网络的训练，训练后的模型作为电力电子电路故障诊断模型；步骤5：对于实际电力电子电路中采集的电压信号，按照步骤3中方法得到的特征向量输入步骤4训练好的概率神经网络模型，根据电力电子电路故障诊断模型的输出，可得到实际电力电子电路的故障类型。

全文数据：

权利要求：

百度查询： 安徽理工大学 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD