随着电力电子技术的发展，对电力电子装置在设备中的稳定性与可靠性要求越来越高。由于电力电子装置在设备中起到电能变换和控制的作用，所以一旦其产生故障将会造成整个设备无法运行。这就对电力电子故障诊断提出了严格要求，需要其具备快速判断故障和精确定位故障源的功能，并且尽可能为维修人员提供更多更有效的故障信息，把设备故障时间降到最低。　　针对电力电子装置故障诊断的需求特性，提出主成分分析(Principle Component Analysis, PCA)算法以缩短故障诊断的时间，提出υ-支持向量机(υ-Support Vector Machine,υ-SVM)算法以实现故障类型的诊断与故障源的定位，并提供诊断结果的确诊率参数作为参考。PCA算法是一种线性降维算法，实现了故障特征向量在几乎不损失原始信息的前提下，将故障特征向量的维度降低，以加快算法的运算速度。本文PCA算法中的降维参数为信息损失度，这样避免了故障特征向量降维造成的大量信息损失。υ-SVM算法是一种建立在统计学习理论基础之上的机器学习算法，以结构风险最小化为原则，以实现最大软间隔分类为目标，从而使其在小样本条件下具有很高的泛化能力。另外，υ-SVM算法的对偶问题实质上属于凸规划问题的范畴，因此υ-SVM算法的局部最优解就是全局最优解，提高了算法的精度。　　通过仿真υ-SVM算法在三相桥式全控整流电路故障诊断中的应用，以验证论文中故障诊断方法的可行性。首先分析电路的故障类型，再分析电路故障特征的提取方式，然后结合PCA算法与υ-SVM算法对故障特征向量进行学习与识别，并且对υ-SVM算法中重点的部分用伪代码展示。最后，总结了υ-SVM算法设置参数的方法，用于电力电子故障诊断的合理性以及确诊率计算的有效性。　　综上所述，用 PCA和υ-SVM算法实现电力电子装置故障诊断的方式是合理的，确诊率参数提供的信息是可靠的。