随着科技的进步和生产应用的不断发展,谐振型逆变电源在民用电磁加热、航空电源、工业熔炼等领域中发挥着越来越重要的作用,逆变电源性能的改善不仅能提高感应加热的效率,而且对电力系统的稳定运行起着重要作用。对谐振型逆变电源中的主回路运行情况进行实时在线监测,不仅能够及时发现逆变电源运行过程中的问题,而且能够找出是逆变器中哪一个器件出现了问题,并进行相应的保护操作,避免因逆变器故障造成电网的波动以及对其他设备造成损坏。论文的主要内容是针对电压型逆变器来进行故障诊断研究的,在建立逆变器模型的基础上,对各种故障类型进行理论分析与实验验证,对比各种故障现象以及产生故障的原因,给出基于改进后的神经网络故障诊断方法。本课题首先通过对谐振型逆变电源正常工作和发生故障时的输出电压波形进行采样,然后通过MATLAB软件对其进行小波分解,提取出故障特征参数,并对其进行归一化处理后得到其特征向量以作为神经网络样本数据。在此基础上对逆变器的典型故障进行归类编码,然后以1种正常情况和10种故障情况下的编码作为神经网络的输出目标,结合样本数据对神经网络进行学习训练,训练完成后利用剩余的样本数据对其训练的结果进行检验校核。在以上理论基础上,以ARM的STM32CPU芯片为核心,设计了具有数据采集、信息传输、在线监测、故障诊断、数据存储等功能的逆变电源故障诊断系统。通过对谐振型逆变电源工作时的交流电压、交流电流等典型参量进行检测,经过数据处理后,应用BP(Back Propagation)神经网络算法,实现了对谐振型逆变电源在线监测、故障诊断、人机交互操作。经过实验验证结果证明,系统的在线诊断速度明显提高,诊断正确率达到90%以上,达到了课题预期的目标。