马帅;姜媛媛;
为了解决电力电子电路软故障诊断准确性不佳等问题，采用一种结合变分模态分解(variational mode decomposition, VMD)与改进的麻雀搜索算法(improvement sparrow search algorithm, ISSA)优化极限学习机(extreme learning machine, ELM)的故障诊断策略。首先，对收集的故障信号实施VMD分解，得到本征模态分量(intrinsic mode function, IMF),从线性重构后的IMF中提取时域参数作为故障诊断的特征向量。其次，为提高ELM在故障诊断中的精度，提出ISSA对ELM的参数优化，建立ISSA-ELM模型。ISSA首先采用Circle混沌映射对种群初始化，然后在跟随者位置更新处引入收敛因子，最后引入反向学习和柯西变异对当前最优解进行扰动等3种方法改善麻雀搜索算法(sparrow search algorithm, SSA)。通过8类基准函数测试，ISSA相较于其他4种智能算法表现出更快的收敛速度和更高的寻优精度。结果表明，在功率为150 W的Boost电路软故障诊断中VMD联合ISSA-ELM模型平均准确率达到99.000 0%以上，高于其他模型准确率，证明提出的DC-DC电路软故障诊断方法的可行性。