电力电子电路故障评估新指标及基于LSSVM的预测新方法

当前电力电子电路故障预测多为元件级,且未考虑电源、负载波动等工作条件影响。针对此问题,提出了一种仅与电路本身故障相关的电路级故障评估新指标——故障特征参数相对变化量,并基于最小二乘支持向量机(LSSVM)算法实现电力电子电路级故障预测。首先,采用LSSVM算法对电路工作条件时间序列、电路参数时间序列预测;其次求解所预测电路未来工作条件下对应的健康电路参数;利用相同工作条件下,健康电路参数与预测的电路参数计算故障评估指标,最终判定未来某时刻电路是否发生故障。以Buck电路为例进行仿真实验验证了方法的可行性和有效性。

设备故障评估新指标及基于ARMA的预测系统

设备故障停机时间受生产调度的影响较大,不能真实反映设备的自身性能,且具有很强的随机性和波动性,不适于直接用来进行自回归移动平均(auto-regressive moving average,ARMA)建模。针对此问题,提出一种设备故障评估指标——设备不可用度,将设备故障停机时间转换为设备不可用度,通过异常点替代和数据平稳化等两种数据预处理,建立零均值平稳随机序列进行ARMA建模,并把预测结果转换为设备在一定时间内的故障发生概率。在某半导体芯片封装测试工厂的试验结果表明该方法能以70%的精度预测设备状态,在一个班(12 h)里设备不可用度平均降低2.62%,设备故障停机时间平均减少14.8 min。