隨著新能源發(fā)電及其電能輸送、工業(yè)電動(dòng)機(jī)驅(qū)動(dòng)及其節(jié)能、電動(dòng)汽車、軌道交通等新興產(chǎn)業(yè)的迅速崛起，電力電子技術(shù)已經(jīng)成為能源變換的關(guān)鍵技術(shù)。從電動(dòng)汽車到軌道交通，從光伏并網(wǎng)、風(fēng)能并網(wǎng)到智能電網(wǎng)，從消費(fèi)電子、工業(yè)電機(jī)到現(xiàn)代國(guó)防，從工業(yè)電動(dòng)機(jī)驅(qū)動(dòng)到節(jié)能，電力電子技術(shù)都起著決定性的作用。

為了滿足這些領(lǐng)域用戶的需求，各式各樣的新型電力電子變流器產(chǎn)品不斷涌現(xiàn)，結(jié)構(gòu)也越發(fā)復(fù)雜，這勢(shì)必導(dǎo)致設(shè)備故障幾率大大增加。由于設(shè)備發(fā)生的故障將帶有很強(qiáng)的非線性、并發(fā)性和不確定性等，使得診斷難度增大。傳統(tǒng)基于模型的故障診斷方法已經(jīng)難以滿足復(fù)雜設(shè)備的故障診斷需求，診斷精確性也難以得到保證。近些年來(lái)，人工智能熱度空前，融合了智能技術(shù)的故障檢測(cè)方法也得到了不斷優(yōu)化，彌補(bǔ)了基于模型的診斷方法的不足。

本文在國(guó)內(nèi)外專家學(xué)者豐富的研究成果基礎(chǔ)上，綜述了當(dāng)前應(yīng)用較為廣泛的電力電子故障診斷的智能方法，其中包括故障樹分析、人工神經(jīng)網(wǎng)絡(luò)、模糊集理論、支持向量機(jī)、信息融合方法等，并相應(yīng)地進(jìn)行了簡(jiǎn)單的介紹，同時(shí)分析了各種方法的特點(diǎn)與不足。最后結(jié)合當(dāng)前電力電子電路故障診斷領(lǐng)域所面臨的瓶頸，探討了該領(lǐng)域未來(lái)研究的新思路。

1 電力電子故障診斷的智能方法研究現(xiàn)狀

1.1 基于故障樹的故障診斷方法

故障樹分析法（fault tree analysis, FTA）最早是在1962年由美國(guó)貝爾電報(bào)公司的電話實(shí)驗(yàn)室創(chuàng)建的，它采用一種倒立的邏輯因果關(guān)系圖表示出系統(tǒng)故障和系統(tǒng)部件之間存在的因果關(guān)系。從某一故障的發(fā)生開始，按整體到局部的方式，一步步尋找導(dǎo)致該故障發(fā)生的直接原因和間接原因，直到找出最基本的原因，并用有向邏輯關(guān)系圖表示出來(lái)。

將該方法用于電力電子故障診斷領(lǐng)域中，就是根據(jù)電路發(fā)生故障表現(xiàn)出來(lái)的形式，從而尋找導(dǎo)致該故障發(fā)生的具體元器件的過(guò)程。故障樹的診斷過(guò)程與人的大腦思維過(guò)程相似，直觀明了，容易理解，并且邏輯性較強(qiáng)。在實(shí)際使用中，常與其他方法結(jié)合使用。圖1為一個(gè)簡(jiǎn)單的故障樹。

圖1 故障樹

文獻(xiàn)[2]將故障樹理論與雙向聯(lián)想記憶（BAM）神經(jīng)網(wǎng)絡(luò)相結(jié)合，并運(yùn)用在光伏并網(wǎng)發(fā)電系統(tǒng)失效故障診斷。文中建立光伏發(fā)電系統(tǒng)的所有故障的故障樹，并利用這些故障模式以及工程師的維修經(jīng)驗(yàn)構(gòu)建出BAM的學(xué)習(xí)樣本。

當(dāng)某一故障發(fā)生時(shí)，先由故障樹進(jìn)行查找，若沒(méi)有尋找到與故障相匹配的故障源，則由訓(xùn)練好的BAM網(wǎng)絡(luò)得到故障診斷結(jié)果，并且將診斷出的結(jié)果直接加入故障樹中，下次同樣的故障再次發(fā)生，可直接由故障樹查詢知道故障源。神經(jīng)網(wǎng)絡(luò)對(duì)未知故障的準(zhǔn)確識(shí)別，打破了故障樹分析法在決策階段給出不確定故障源的“瓶頸”問(wèn)題，實(shí)現(xiàn)了快速精確的故障分析定位。

故障樹雖有邏輯性強(qiáng)、直觀明了的優(yōu)點(diǎn)，但是其不足也顯而易見(jiàn)。故障樹的建立需要對(duì)整體系統(tǒng)有全方位的理解，且工作量龐大，在構(gòu)建樹的過(guò)程中，可能會(huì)遺漏部分故障或重要故障。因此，將其他不同的故障診斷技術(shù)與故障樹方法相結(jié)合，實(shí)現(xiàn)故障樹的自動(dòng)建立、維護(hù)和快速準(zhǔn)確搜索故障源，是該方法未來(lái)需要重點(diǎn)解決的問(wèn)題。

1.2 基于類神經(jīng)網(wǎng)絡(luò)的故障診斷方法

類神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）又稱為人工神經(jīng)網(wǎng)絡(luò)，是指模仿生物神經(jīng)網(wǎng)絡(luò)的復(fù)雜信息處理系統(tǒng)。確切來(lái)說(shuō)它是一種計(jì)算結(jié)構(gòu)，采用龐大卻簡(jiǎn)單的人工神經(jīng)元相互聯(lián)結(jié)來(lái)模仿生物神經(jīng)網(wǎng)絡(luò)的信息處理能力。ANN能夠?qū)Υ罅康挠?xùn)練樣本進(jìn)行分析，通過(guò)神經(jīng)元及其相應(yīng)結(jié)構(gòu)（權(quán)值、偏差）的不斷修正，逼近任何連續(xù)非線性的函數(shù)，能夠?qū)ξ粗幕驘o(wú)法預(yù)測(cè)的故障信息進(jìn)行分析判斷，建立起輸入特征和輸出結(jié)果的映射關(guān)系，因此非常適合運(yùn)用在電路的故障診斷和定位中。

ANN在電路故障診斷中并不關(guān)注電路內(nèi)部運(yùn)行情況，無(wú)需定量的數(shù)學(xué)模型，診斷過(guò)程一般為：首先，故障特征作為網(wǎng)絡(luò)輸入，相應(yīng)故障源（故障標(biāo)簽）作為網(wǎng)絡(luò)的輸出；其次，使用一批已知故障源的訓(xùn)練樣本，采用有監(jiān)督式的參數(shù)更新算法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，用以確定網(wǎng)絡(luò)隱含層個(gè)數(shù)，節(jié)點(diǎn)數(shù)以及聯(lián)接權(quán)值、閾值等參數(shù)；最后，訓(xùn)練好網(wǎng)絡(luò)之后，故障識(shí)別過(guò)程就是通過(guò)給定的故障特征，實(shí)現(xiàn)故障特征輸入到故障標(biāo)簽輸出之間的非線性映射的一個(gè)過(guò)程，此時(shí)只進(jìn)行網(wǎng)絡(luò)的前向計(jì)算，網(wǎng)絡(luò)參數(shù)不再進(jìn)行更新。

目前，有監(jiān)督式學(xué)習(xí)（back propagation, BP）神經(jīng)網(wǎng)絡(luò)運(yùn)用最為普遍。圖2為常用神經(jīng)網(wǎng)路的故障診斷結(jié)構(gòu)。

圖2 基于神經(jīng)網(wǎng)絡(luò)的故障診斷

在對(duì)三電平逆變器的研究中，文獻(xiàn)[3]選取了逆變器的三相輸出電壓作為故障檢測(cè)信號(hào)，將d-q變換與頻域分析相結(jié)合，通過(guò)Matlab仿真軟件，得到逆變器在不同輸入電壓等級(jí)、負(fù)載功率狀態(tài)下的輸出電壓。同時(shí)提取故障特征，并構(gòu)建訓(xùn)練樣本，驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)對(duì)故障檢測(cè)的可行性，最后通過(guò)基于數(shù)字信號(hào)處理（digital signal processing, DSP）的實(shí)驗(yàn)平臺(tái)驗(yàn)證了該網(wǎng)絡(luò)在實(shí)際工作中的應(yīng)用價(jià)值。

文獻(xiàn)[4]分析了三相靜止變流器，采用離散小波和神經(jīng)網(wǎng)絡(luò)結(jié)合的算法，實(shí)現(xiàn)故障特征的提取和開關(guān)管開路故障的診斷。文獻(xiàn)[5]則引入一種多神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，故障特征被分別送到一個(gè)主神經(jīng)網(wǎng)絡(luò)和兩個(gè)輔助神經(jīng)網(wǎng)絡(luò)，通過(guò)Sigmoid傳遞函數(shù)和反向傳播Levenberg-Marquardt訓(xùn)練算法得到帶有最優(yōu)參數(shù)向量的分類器，實(shí)現(xiàn)了三電平逆變器開路元器件的識(shí)別和精準(zhǔn)定位。

針對(duì)現(xiàn)有故障特征提取的特征量精度低、分類差異性不顯著以及特征提取過(guò)程易受到噪聲的影響等不足，利用基于小波變換的信息處理方法優(yōu)化前期電路故障特征的提取。文獻(xiàn)[7]提出先采用交叉小波獲取可以有效區(qū)分故障信號(hào)和正常信號(hào)值間的頻率和相位的相關(guān)信息共12個(gè)特征量，再采用主元分析的方法降低特征量的矩陣維數(shù)，將特征向量中的冗余信息剔除，以此提高了BP分類器的分類效果。

文獻(xiàn)[8]對(duì)風(fēng)電變流器故障特征提取時(shí)，發(fā)揮多分辨率小波變換的優(yōu)勢(shì)，使提取到的特征更易區(qū)分，然后結(jié)合BP神經(jīng)網(wǎng)絡(luò)（back propagation neural network, BPNN）識(shí)別故障類型。

在簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)方面，文獻(xiàn)[9]考慮電磁法三電平變流器開關(guān)器件開路故障情況，提出了采用變采樣頻率的小波分析方法與核主成分分析相結(jié)合，對(duì)獲取的故障特征向量進(jìn)行降維處理，從而減小了神經(jīng)網(wǎng)絡(luò)輸入層維數(shù)。文獻(xiàn)[10]在分析處理瞬態(tài)信號(hào)時(shí)，引入離散時(shí)間采樣和小波分解方法，預(yù)先處理神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值，將冗余數(shù)據(jù)去除。

鑒于BP網(wǎng)絡(luò)是典型的全局逼近神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)過(guò)程收斂速度慢，容易陷入一個(gè)局部最小值的缺點(diǎn)。近年來(lái)，具有局部逼近能力的徑向基函數(shù)網(wǎng)絡(luò)（RBF）在電力電子故障診斷領(lǐng)域得到不少應(yīng)用，其在局部逼近、分類效果和收斂速率等多個(gè)方面要比傳統(tǒng)BP網(wǎng)絡(luò)更為合適。文獻(xiàn)[11]通過(guò)小波包分解技術(shù)，提取小波包系數(shù)能量作為故障特征向量。此方法使得網(wǎng)絡(luò)既具有RBF較強(qiáng)的自學(xué)習(xí)能力和快速收斂性優(yōu)點(diǎn)，又具有小波包在頻域良好的局部化特征。實(shí)現(xiàn)了對(duì)三相橋式逆變電路IGBT斷路情況共22種故障狀態(tài)的診斷。

基于ANN的電力電子故障診斷方法能夠?qū)⑤斎牍收咸卣髋c輸出故障標(biāo)簽建立起非線性的映射關(guān)系，其通過(guò)對(duì)大量樣本的訓(xùn)練、學(xué)習(xí)和分析推廣，得到一般的規(guī)律，此規(guī)律的自適應(yīng)能力很強(qiáng)，容錯(cuò)性、魯棒性好。

但是ANN也存在著一些不足：①需要大量的訓(xùn)練樣本供給學(xué)習(xí)，而在電力電子電路中，獲取具有代表性的優(yōu)質(zhì)樣本十分困難；②ANN網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)量的選取沒(méi)有一個(gè)明確的理論規(guī)定，具體設(shè)計(jì)使用時(shí)，通常只能采用試探的方法進(jìn)行比較，選取恰當(dāng)、適合的節(jié)點(diǎn)數(shù)；③ANN在做故障診斷時(shí)，處理方式類似于一個(gè)“黑箱”處理，對(duì)模型內(nèi)部行為缺少一種解釋能力。

1.3 基于優(yōu)化技術(shù)的故障診斷方法

優(yōu)化技術(shù)是指通過(guò)采用優(yōu)化算法改善神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式，使網(wǎng)絡(luò)內(nèi)部參數(shù)（權(quán)值、偏差）更快的朝著產(chǎn)生準(zhǔn)確結(jié)果的數(shù)值逼近。針對(duì)傳統(tǒng)BP算法存在的不足，已經(jīng)有很多優(yōu)化算法被國(guó)內(nèi)外的專家學(xué)者所提出，并應(yīng)用于電力電子故障診斷領(lǐng)域。常用的優(yōu)化算法包括粒子群算法和遺傳算法等。

優(yōu)化技術(shù)的應(yīng)用對(duì)于選取神經(jīng)網(wǎng)絡(luò)較優(yōu)初始參數(shù)具有很大改善。通常采用優(yōu)化算法的故障診斷流程圖如圖3所示。文獻(xiàn)[12]基于實(shí)驗(yàn)和類神經(jīng)網(wǎng)絡(luò)提出了開關(guān)特性預(yù)測(cè)模型，在研究環(huán)境對(duì)中高壓IGBT開關(guān)特性參數(shù)可靠性預(yù)測(cè)中，引入能夠全局尋優(yōu)的遺傳算法對(duì)初始參數(shù)進(jìn)行優(yōu)化，提高神經(jīng)網(wǎng)路的預(yù)測(cè)精度。文獻(xiàn)[13]結(jié)合了遺傳算法，粒子群算法和布谷鳥搜索算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

圖3 采用優(yōu)化算法的故障診斷流程圖

在提高網(wǎng)絡(luò)訓(xùn)練速度、準(zhǔn)確度的研究上，文獻(xiàn)[14]改進(jìn)了遺傳算法，使得交叉和變異概率動(dòng)態(tài)變化，并用此優(yōu)化ANN，在多級(jí)逆變器故障診斷中表現(xiàn)出更快的尋優(yōu)效果。文獻(xiàn)[15-16]通過(guò)粒子群算法（PSO）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，使神經(jīng)網(wǎng)絡(luò)能夠更快的找到全局最優(yōu)點(diǎn)，實(shí)現(xiàn)故障的快速診斷。

除了上述兩種算法能夠?qū)ι窠?jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，近些年來(lái)，還有不少專家把量子物理的知識(shí)應(yīng)用到電力電子的故障診斷領(lǐng)域中。文獻(xiàn)[17]把量子計(jì)算理論中量子態(tài)疊加原理應(yīng)用到神經(jīng)網(wǎng)絡(luò)，充分發(fā)揮量子計(jì)算的并行計(jì)算特性，利用幾個(gè)激活函數(shù)疊加形成新的隱含層激活方式，可在決策時(shí)把不確定性數(shù)據(jù)分配到各種故障模式之中，使得診斷結(jié)果的不確定度減小，提高故障診斷的總體準(zhǔn)確率，加強(qiáng)了網(wǎng)絡(luò)的數(shù)據(jù)處理能力。

優(yōu)化技術(shù)優(yōu)勢(shì)在于：具有嚴(yán)格、準(zhǔn)確的數(shù)學(xué)證明過(guò)程，其理論基礎(chǔ)明確。在故障特征信息不夠全面的情況中，優(yōu)化技術(shù)常常能給出多個(gè)診斷結(jié)果，其中包含局部最優(yōu)的結(jié)果和全局最優(yōu)的結(jié)果。但是此方法也存在一些問(wèn)題：①優(yōu)化算法在整個(gè)尋優(yōu)的過(guò)程中，引入許多參數(shù)的選取，會(huì)影響最終的最優(yōu)結(jié)果，而這些參數(shù)通常是由經(jīng)驗(yàn)法所得到的， 對(duì)于經(jīng)驗(yàn)不是很豐富的人來(lái)說(shuō)，這會(huì)使得最終結(jié)果不盡如人意；②采用優(yōu)化算法時(shí)，通常結(jié)構(gòu)較為復(fù)雜，編程實(shí)現(xiàn)也較為復(fù)雜，會(huì)導(dǎo)致尋找最優(yōu)解的過(guò)程耗費(fèi)較多的時(shí)間。

1.4 基于支持向量機(jī)的故障診斷方法

支持向量機(jī)（support vector machine, SVM）是基于Vapnik創(chuàng)建的統(tǒng)計(jì)學(xué)理論發(fā)展而來(lái)的一種機(jī)器學(xué)習(xí)方法。采用統(tǒng)計(jì)學(xué)理論中結(jié)構(gòu)風(fēng)險(xiǎn)最小化（structural risk minimization, SRM）準(zhǔn)則，在保證總體樣本點(diǎn)誤差最小的同時(shí)，使整體結(jié)構(gòu)風(fēng)險(xiǎn)最小化，提高模型的泛化能力。

它在進(jìn)行非線性分類時(shí)，通過(guò)高維空間轉(zhuǎn)換，將非線性分類變成高維空間上的線性分類問(wèn)題，進(jìn)而得到SVM一般結(jié)構(gòu)，再尋找最優(yōu)分類面，并將樣本分離，這使SVM在任何條件下都具有通用性。它在數(shù)字識(shí)別、故障診斷、文本分類等領(lǐng)域有著較多的應(yīng)用。

電力電子故障診斷問(wèn)題從本質(zhì)上來(lái)說(shuō)就是一種分類問(wèn)題，而SVM是特別針對(duì)小樣本問(wèn)題提出來(lái)的，可以在小樣本情況下獲得最優(yōu)解，這也正解決了電力電子中故障樣本較少的問(wèn)題。在電路軟故障的診斷中，文獻(xiàn)[20]采用一對(duì)一和一對(duì)多兩種算法對(duì)原始只能處理二分類問(wèn)題的SVM進(jìn)行改進(jìn)，構(gòu)造出多分類SVM結(jié)構(gòu)，對(duì)DC-DC轉(zhuǎn)換電路單一軟故障模態(tài)和多種軟故障同時(shí)發(fā)生模態(tài)進(jìn)行診斷分析。文獻(xiàn)[21]針對(duì)中性點(diǎn)鉗位三電平逆變器的特性，提出了經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蚐VM方法，對(duì)負(fù)載相電壓進(jìn)行故障檢測(cè)。

支持向量機(jī)學(xué)習(xí)算法在處理小樣本問(wèn)題時(shí)，能最大限度的挖掘隱含在數(shù)據(jù)中的分類信息，并且能夠?qū)⒎诸悊?wèn)題轉(zhuǎn)化為一個(gè)二次規(guī)劃問(wèn)題，從原理上確保獲得全局最優(yōu)的解，這使得SVM方法得到了學(xué)者的青睞。但是目前SVM訓(xùn)練算法較為復(fù)雜，計(jì)算時(shí)間較長(zhǎng)，在實(shí)時(shí)性要求較高的系統(tǒng)中，還需要對(duì)算法進(jìn)一步的改進(jìn)，同時(shí)目前模型參數(shù)的選取還大多是靠經(jīng)驗(yàn)法獲得，如何通過(guò)更為智能化的方法獲取最優(yōu)的模型參數(shù)使得模型性能達(dá)到最優(yōu)狀態(tài)，這將是未來(lái)需要重點(diǎn)研究的方面。

1.5 基于模糊集理論的故障診斷方法

模糊集理論（fuzzy set theory, FST）是L. A. zadeh在1965年提出的，通過(guò)建立適當(dāng)隸屬函數(shù)以及模糊集合的相關(guān)運(yùn)算和變換，對(duì)待考察的信息進(jìn)行模糊化處理和分析。在電力電子電路中信息的采集中常常伴有隨機(jī)噪聲的影響，而模糊集理論的應(yīng)用能有效地抵抗這種不確定信息的影響，優(yōu)化診斷結(jié)果。

文獻(xiàn)[22]充分考慮了每個(gè)功率器件的開路和短路故障，在故障診斷決策階段使用模糊邏輯能夠更快更準(zhǔn)確的給出決策值，從而診斷出具體故障位置。文獻(xiàn)[23]針對(duì)電力電子系統(tǒng)隨機(jī)噪聲對(duì)最后決策結(jié)果的影響給出解決方案。將模糊推理理論應(yīng)用在分類器輸出后端，通過(guò)設(shè)計(jì)的隸屬度函數(shù)得到各個(gè)分類器對(duì)應(yīng)的輸出隸屬度，根據(jù)隸屬度的值，判斷屬于哪種故障模式的可能性更大。這種處理方式提升了在隨機(jī)噪聲較大的惡劣環(huán)境下，采集得到的故障數(shù)據(jù)的辨識(shí)準(zhǔn)確度。文獻(xiàn)[24]提出一種自適應(yīng)神經(jīng)模糊推理系統(tǒng)，用于并網(wǎng)單相逆變器開路故障的在線監(jiān)測(cè)。

模糊集理論在處理信息不確定性問(wèn)題上具有很大的應(yīng)用價(jià)值，但采用模糊集理論的故障診斷方式還存在一些缺陷：①模糊規(guī)則及其隸屬度函數(shù)的獲取方式，仍然憑借經(jīng)驗(yàn)進(jìn)行；②在大規(guī)模集成電力電子電路的應(yīng)用中，器件多，故障類型多，使模糊診斷模型的建立十分困難；③通用性不好，不同的電路需要構(gòu)造不同的模糊規(guī)則、隸屬函數(shù)。目前，在實(shí)際操作應(yīng)用中，常將模糊集理論與其他智能方法相結(jié)合，如神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)等，用于分析各種不確定信息對(duì)診斷系統(tǒng)可靠性的影響，以及用于提高診斷系統(tǒng)的決策準(zhǔn)確性。

1.6 基于信息融合的故障診斷方法

信息融合（information fusion, IF）技術(shù)就像是人的大腦綜合處理復(fù)雜信息，將多種來(lái)源、多種類型的信息結(jié)合在一起，對(duì)其進(jìn)行分析、判斷，并從中提取出更多有價(jià)值的信息的技術(shù)。此項(xiàng)技術(shù)充分發(fā)揮多源數(shù)據(jù)互補(bǔ)性優(yōu)勢(shì)，能夠提取到比單一數(shù)據(jù)源更為準(zhǔn)確，特征更為明顯的信息。

基于信息融合技術(shù)的電力電子系統(tǒng)故障診斷方法，可以從多角度獲得表征故障的多維有效特征信息，充足的信息對(duì)于提高故障診斷分辨率有很大的幫助。根據(jù)信息抽象的3個(gè)層次，通?？梢园研畔⑷诤蟿澐譃椋簲?shù)據(jù)層融合、特征層融合和決策層融合[25]。其中，特征層融合架構(gòu)框圖如圖4所示。

圖4 特征層信息融合技術(shù)框圖

文獻(xiàn)[26]先用小波分析提取故障特征，BPNN和CRTC用于故障的分類，在故障決策階段，構(gòu)造基于神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的信息融合框架，進(jìn)而得到診斷結(jié)果。融合框架的建立充分發(fā)揮了故障信息的互補(bǔ)性質(zhì)，提高故障診斷的準(zhǔn)確性。文獻(xiàn)[27]對(duì)采集到的電路元器件溫度和電壓數(shù)據(jù)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行多傳感器信息融合，根據(jù)網(wǎng)絡(luò)輸出的故障隸屬度矢量，搜索判斷艦載導(dǎo)彈火控系統(tǒng)放大器電路的故障部件。

隨著電力電子電路越來(lái)越復(fù)雜，采用單一信息源對(duì)電路進(jìn)行故障診斷最后得到的診斷結(jié)果可能并不可靠，信息融合技術(shù)的引入，可同時(shí)對(duì)來(lái)自不同數(shù)據(jù)源的信息進(jìn)行綜合的利用，在數(shù)據(jù)層、特征層或者決策層提取出更具有價(jià)值的信息，可極大地提升診斷結(jié)果的可信度和精確度。

但是，在實(shí)際電路應(yīng)用中，多數(shù)據(jù)源的采集也意味著需要有更多的測(cè)量節(jié)點(diǎn)，如何在不影響整體電路穩(wěn)定性的前提下選取合適的測(cè)量點(diǎn)，選擇更為合適、有效的信息融合方法，將是今后研究中重點(diǎn)關(guān)注的問(wèn)題。

1.7 其他故障診斷方法

除了上述幾種較為常用的方法外，還有一些其他方法也被用在電力電子故障診斷與預(yù)測(cè)中。

文獻(xiàn)[28]在對(duì)CUK電路的電容進(jìn)行故障診斷與預(yù)測(cè)中，采用高階積量方法（high order cumulant, HOC）和主成分分析法相結(jié)合的方法提取輸出電壓信號(hào)中的故障特征，然后用Fisher判別分析法對(duì)故障特征進(jìn)行辨識(shí)，得到故障診斷結(jié)果，并且在電容發(fā)生退化后，用粒子濾波和故障閾值預(yù)估電路剩余壽命。

文獻(xiàn)[29-30]將鍵合圖理論引入電力電子電路故障診斷中，鍵合圖被認(rèn)為是最好的直接由物理系統(tǒng)得到狀態(tài)空間方程的建模方法。文獻(xiàn)[29]用鍵合圖理論構(gòu)建系統(tǒng)模型并結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)三相逆變器功率器件的開路、短路故障進(jìn)行了故障診斷。由于普通鍵合圖理論只適合用在連續(xù)系統(tǒng)建模，文獻(xiàn)[30]全面考慮非線性元件特性，采用混雜鍵合圖理論對(duì)DC-DC電路系統(tǒng)建模，最后結(jié)合遺傳算法對(duì)電路參數(shù)性故障做診斷與辨識(shí)。

文獻(xiàn)[31]將隨機(jī)森林算法用于變流器故障類型的診斷，同時(shí)結(jié)合小波分析對(duì)采集的數(shù)據(jù)進(jìn)行去噪處理。發(fā)揮了隨機(jī)森林算法的分類優(yōu)勢(shì)和小波分析去噪的優(yōu)勢(shì)，使得在三相六脈沖整流電路的故障診斷中具有較強(qiáng)的抗噪能力和較強(qiáng)的正確診斷率。

文獻(xiàn)[32]提出一種基于主成分分析和多類相關(guān)向量機(jī)（PCA-mRVM）的故障診斷策略，使用快速傅里葉變換和PCA對(duì)級(jí)聯(lián)H橋多電平逆變器系統(tǒng)（CHMLIS）輸出電壓提取故障特征并減少樣本維數(shù)，構(gòu)建多類相關(guān)向量機(jī)實(shí)現(xiàn)故障的分類與定位。該方法縮短故障診斷時(shí)間，提高了診斷正確率。

2 當(dāng)前面臨的主要問(wèn)題及未來(lái)發(fā)展趨勢(shì)

目前，電力電子故障診斷領(lǐng)域還存在許多值得關(guān)注的問(wèn)題：①如上文所介紹的智能方法自身還存在著一些不足；②隨著復(fù)雜系統(tǒng)的規(guī)模日趨龐雜，電路拓?fù)涞母淖儗?duì)故障診斷結(jié)果會(huì)有明顯的影響，目前的電路故障診斷大多針對(duì)特定、簡(jiǎn)單拓?fù)溥M(jìn)行研究，具有普遍適用性的診斷方法相對(duì)較少；③電力電子電路常選擇負(fù)載端輸出電壓、輸出電流作為測(cè)試節(jié)點(diǎn)，但如果只依靠輸出電壓、輸出電流，將無(wú)法獲取能表征全部電路故障的信息，導(dǎo)致故障源識(shí)別的準(zhǔn)確率低，僅能對(duì)單一故障進(jìn)行識(shí)別，甚至無(wú)法識(shí)別。增加信號(hào)檢測(cè)節(jié)點(diǎn)又必然導(dǎo)致電路復(fù)雜性提高，甚至對(duì)整體電路穩(wěn)定性造成影響；④電路故障診斷在實(shí)用化中，在線診斷技術(shù)對(duì)實(shí)時(shí)性問(wèn)題考慮不足。

從目前電力電子電路故障診斷領(lǐng)域所面臨的問(wèn)題出發(fā)，今后的研究重點(diǎn)可以分為以下幾個(gè)方面：

1）隨著大數(shù)據(jù)時(shí)代的到來(lái)，人工智能、深度學(xué)習(xí)的興起，適時(shí)的將新的理論與技術(shù)引入電力電子電路故障診斷領(lǐng)域中，形成性能更為優(yōu)越的故障診斷新技術(shù)，這將是未來(lái)該領(lǐng)域發(fā)展的重要趨勢(shì)。

2）將多種智能診斷技術(shù)相融合，取長(zhǎng)補(bǔ)短，進(jìn)一步對(duì)算法進(jìn)行優(yōu)化，這將在故障診斷的精確度、抗噪性以及容錯(cuò)性上會(huì)有較大的改善。

3）隨著系統(tǒng)復(fù)雜度越來(lái)越大，基于多種數(shù)據(jù)源信息相互融合的故障診斷技術(shù)（大數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)），也將得到更多的關(guān)注。使用多傳感器的融合方式，或者使用一種傳感器但用多種信息提取的融合方式，將不同數(shù)據(jù)源的信息進(jìn)行融合，綜合評(píng)判能夠反映各種故障的信息，可以大大提高故障覆蓋率以及最后診斷結(jié)果的精確率。

4）目前，在電力電子電路故障診斷實(shí)用化中，雖有專家學(xué)者已經(jīng)取得眾多成果，但是在在線診斷中實(shí)時(shí)性問(wèn)題的考慮上還有所欠缺。電路突發(fā)硬故障時(shí)，其故障信息通常只存在于發(fā)生故障后到斷電停機(jī)之前數(shù)10ms內(nèi)，如何在轉(zhuǎn)瞬即逝的時(shí)間內(nèi)準(zhǔn)確定位故障源，是需要解決的一個(gè)重要問(wèn)題。

結(jié)論

在電力電子電路故障診斷領(lǐng)域，采用智能方法進(jìn)行分析處理已經(jīng)成了主流的趨勢(shì)，并且目前已經(jīng)有了大量實(shí)質(zhì)性的研究成果。本文旨在對(duì)當(dāng)前應(yīng)用比較廣泛的基于智能方法的電力電子故障診斷方法進(jìn)行概括總結(jié)，包括故障樹分析、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊集理論、信息融合技術(shù)等。并對(duì)這些方法的研究現(xiàn)狀，特點(diǎn)以及不足進(jìn)行了相應(yīng)的闡述，最后談及當(dāng)前電力電子故障診斷領(lǐng)域的不足以及未來(lái)的發(fā)展方向。

這些智能方法都有了一定的發(fā)展基礎(chǔ)，隨著人工智能、深度學(xué)習(xí)和大數(shù)據(jù)時(shí)代的到來(lái)，智能方法將得到進(jìn)一步發(fā)展，也將給電力電子故障診斷領(lǐng)域帶來(lái)新思路。