DIGIFAS7202DIGIFAS7202DIGIFAS7202DIGIFAS72021.1基于统计分析的变换器故障诊断方法利用基于统计分析的方法提取了历史数据中普遍存在的特性，并设置了正常条件的置信区间，以此判断变换器当前所属的正常和故障状态。基于统计分析的方法主要分为单变量统计方法和多变量统计方法：①基于单变量的统计方法主要定义一个过程变量的门限值来实现故障的检测和诊断，其实现简单适用于数据维度较小的变换器，但忽略了变量之间的相关性；②基于多变量的统计方法能够充分刻画多个变量之间的相关性，适用于高维度变换器系统的故障检测和诊断。基于多变量的统计方法中主要包括主成分分析（principalcomponentanalysis,PCA），核主成分分析（kernelprincipalcomponentanalysis,KPCA），隐马尔科夫模型（hiddenmarkovmodel,HMM）。1）基于PCA的变换器故障诊断PCA技术应用多元投影方法将高维度的历史数据映射到一个能够充分显现原始数据特征的低维度空间，主要通过低维空间***明显的几个变量表征原始的历史数据，***终实现了降维的目的，极大地简化了数据。在变换器故障诊断中，PCA技术得到了广泛的应用。文献[14]主要提取永磁同步电动机中三相逆变器的两个输出线电压为特征向量，并采用PCA技术减小了故障特征向量的维度。文献[15]应用故障监控系统对三相逆变器的故障进行检测和隔离，并采用离散小波和PCA技术检测由故障引起的电流断续现象。文献[16]针对中点钳位逆变器的单个和组合开关管故障进行研究，采用上、中、下桥臂电压作为测试信号且应用PCA技术减少了***网络的输入量。文献[17]为了实现非线性地铁辅助信号诊断的***度，采用基于PCA的方法减小了初始特征向量的维度，消除了冗余的数据信息，实现了高精度的故障诊断。总体而言，PCA技术的本质是对历史数据集所构成的输入空间作线性变换，但其只对服从高斯分布的数据具有较好的提取能力，而对于非线性、非高斯分布的故障数据诊断效果并不理想ASEABROWNBOVERIXT4NU3250F664BCXXXASEABROWNBOVERIFPL7125436R2123ASEABROWNBOVERIT7SQ1200SLAS0ASEABROWNBOVERIXT4LU4060AFF000XXXASEABROWNBOVERIN1N1-ADJR8ASEABROWNBOVERIT5HQ400E0GASEABROWNBOVERIT4S150CWAU4ASEABROWNBOVERIN1N1-ADUASEABROWNBOVERIN1N1-GCUASEABROWNBOVERIN1N1-AFUASEABROWNBOVERIT4SQ100CWAS8ASEABROWNBOVERIXT4VU3175BFF000XXXASEABROWNBOVERIXT4VU3200BFF000XXXASEABROWNBOVERIXT4VU3250BFF000XXXASEABROWNBOVERIXT4NU3250BFF1CAXXXASEABROWNBOVERIT5HQ400CW-4ASEABROWNBOVERIT8VQD3GS00A0E0BCASEABROWNBOVERIT7MSBB3EX000000XXASEABROWNBOVERIXT4LE4100BFF000XXXASEABROWNBOVERIXT4LE4225BFF000XXXASEABROWNBOVERIXT4LE4250BFF000XXXASEABROWNBOVERIXT4LE4160BFF000XXXASEABROWNBOVERIXT2VE3160FFF000XXXASEABROWNBOVERIXT4NU3250B770GAXXXASEABROWNBOVERIAF752B2-BFAGASEABROWNBOVERI1SDA051620R1ASEABROWNBOVERIXT4LE3250EFFBC0XXXASEABROWNBOVERIT5H400BWAS4ASEABROWNBOVERIT5H400BWAS8ASEABROWNBOVERIT5HQ300E0GASEABROWNBOVERIXT4LE3250JFF000XXXASEABROWNBOVERIN1N1-ADUASEABROWNBOVERIXT4LQ3250EFF000XXX)