電力電子電路的實際運行表明，大多數故障表現為功率開關器件的損壞，其中以功率開關器件的開路和直通最為常見。電力電子電路故障診斷與一般的模擬電路、數字電路的故障診斷存在較大差別，由于電力電子器件過載能力小，損壞速度快，其故障信息僅存在于發生故障到停電之前數十毫秒之內，因此，需要實時監視、在線診斷;另外電力電子電路的功率已達數千千瓦，模擬電路、數字電路診斷中采用的改變輸入看輸出的方法不再適用，只能以輸出波形來診斷電力電子電路是否有故障及有何種故障。  

　　故障診斷的關鍵是提取故障的特征。故障特征是指反映故障征兆的信號經過加工處理后所得的反映設備與系統的故障種類、部位與程度的綜合量。故障診斷方法按提取特征的方法的區別，可分為譜分析方法、基于動態系統數學模型的方法、采用模式識別的方法、基于神經網絡的方法、專家系統的方法、小波變換的方法和利用遺傳算法等。這些方法將在下文具體介紹。  

　　一、故障診斷中的譜分析方法  

　　在故障診斷中比較常用的信號處理方法是譜分析。常用傅里葉譜、沃爾什譜，另外還有濾波、相關分析等。譜分析的目的：信號中包含噪聲，為了提取特征;故障信號的時域波形不能清楚地反映故障的特征。而電力電子電路中包含故障信息的關鍵點信號通常具有周期性，因此可以用傅里葉變換將時域中的故障波形變換到頻域，以突出故障特征，實現故障診斷。  

　　傅里葉變換是將某一周期函數分解成各種頻率的正弦分量，類似地，沃爾什變換是將某一函數分解成一組沃爾什函數分量。自適應濾波是一種數字信號的處理統計方法，它不需要知道信號一二階的先驗統計知識，直接利用觀測資料，通過運算改變濾波器的某些參數，而使自適應濾波器的輸出能自動跟蹤信號特性的變化。在電力電子系統故障診斷中，可以用自適應處理來實現噪聲抵消，譜線增強等功能，從噪聲背景下提取故障特征，從而實現準確的診斷。  

　　二、參數模型與故障診斷  

　　如果系統的數學模型是已知的，就可以通過測量，估計系統的狀態和參數，確定狀態變量和系統參量是否變化。采用基于系統數學模型的故障診斷方法，可以從較少的測量點去估計系統的多個狀態量或系統參數，從而實現故障診斷。  

　　進一步又可以分為檢測濾波器方法、狀態估計法和參數辨識方法三種。  

　　1、檢測濾波器方法  

　　它將部件、執行機構和傳感器的故障的輸出方向分別固定在特定的方向或平面上。  

　　2、狀態估計法  

　　通過監測系統的狀態變化，也能反映由系統參數變化引起的故障，并對故障進行診斷。與一般的狀態估計不同，在進行故障診斷時，并不是去估計未知的狀態信息，而是借助觀測器或卡爾曼濾波器去重構系統的輸出，以便取得系統輸出的估計值。這個估計值與實際輸出值之差就叫量測殘差。殘差中含有大量的系統內部變化的信息，因此可以作為故障診斷的依據。狀態估計法的優點是在線計算量小，診斷速度快。  

　　3、參數辨識方法  

　　實時辨識出系統模型的參數，與正常時模型的參數比較，確定故障。常用的有最小二乘法。  

　　三、模式識別在故障診斷中的應用  

　　故障的模式識別就是從那些反映系統的信息中抽取出反映故障的特征，并根據這些特征的不同屬性，對故障進行分類。用模式識別方法進行故障診斷，是根據樣本的數學特征來進行的，因此它不需要精確的數學模型。對于一些被診斷對象數學模型過于復雜、不易求解的問題，模式識別方法也是適用的。另外，在對工業系統的故障診斷中應盡量利用非數學（包括物理和結構）方面的特征，設計出各種各樣的特征提取器，這樣將有利于利用對已有系統的知識，有利于減少計算工作量。由于特征的選擇和提取與待識別的模式緊密相關，故很難有某種泛泛的規律可循。目前常用的方法有：最小距離分類法，Bayes分類法，Fisher判別法，從參數模型求特征，用K-L變換提取特征等。  

　　四、基于神經網絡的故障診斷方法  

　　利用神經網絡的自學習、自歸納能力，經過一定的訓練，建立起故障信號與故障分類之間的映像關系。利用學習后的神經網絡，實現故障診斷。神經網絡是由大量的神經元廣泛互連而成的網絡，這里以BP網絡為例加以介紹。BP網絡是單向傳播的多層前向網絡，它由輸入層、中間層和輸出層組成，中間層可有若干層，每一層的神經元只接受前一層神經元的輸出。BP網絡中沒有反饋，同一層的節點之間沒有耦合，每一層的節點只影響下一層節點的輸入。  

[$page]　　BP網絡一般采取的學習算法是：網絡的輸出和希望的輸出進行比較，然后根據兩者之間的差調整網絡的權值，最終使誤差變為最小。當電力電子電路發生故障時，如果能夠利用神經網絡的學習能力，使故障波形與故障原因之間的關系通過神經網絡的學習后保存在其結構和權中，然后將學習好的神經網絡用于故障診斷，神經網絡就可以通