一种基于小脑模型神经网络的电力电子变换器故障诊断方法技术

本发明专利技术涉及一种基于小脑模型神经网络（Cerebellar Model Neural Network，CMNN）的电力电子变换器故障诊断方法，通过数据采集并降噪处理，得到带有故障信息的样本，再通过时、频域分析等方法提取少数故障特征，建立数据样本库；通过CMNN故障分类器，并采用Back‑Propagation算法，离线训练后将训练样本中包含的各类型故障及故障具体位置准确划分，提取故障分类器的最优参数，并将最优参数直接赋予分类器网络，进行分类器测试工作；将此带有最优参数的分类器网络植入DSP中，做实际电路的故障诊断与定位，实现变换器电路快速自检。本发明专利技术能更准确、更可靠的判断变换器的健康状况，也提高了变换器故障分析的效率。

A Fault Diagnosis Method of Power Electronic Converter Based on Cerebellum Model Neural Network

The present invention relates to a fault diagnosis method for power electronic converter based on Cerebellar Model Neural Network (CMNN). Samples with fault information are obtained by data acquisition and noise reduction, and a few fault features are extracted by time and frequency domain analysis to establish a data sample bank; CMNN fault classifier is adopted and Back Pro is adopted. Pagation algorithm, after off-line training, accurately classifies all types of faults and their specific locations in training samples, extracts the optimal parameters of the fault classifier, and directly assigns the optimal parameters to the classifier network for testing the classifier. The classifier network with the optimal parameters is embedded in the DSP for fault diagnosis and location of the actual circuit to realize the converter circuit. Quick self-test. The invention can judge the health condition of the converter more accurately and reliably, and also improves the efficiency of fault analysis of the converter.

【技术实现步骤摘要】
一种基于小脑模型神经网络的电力电子变换器故障诊断方法
本专利技术涉及电力电子
，特别是一种基于小脑模型神经网络的电力电子变换器故障诊断方法。
技术介绍
随着电力电子技术的发展，电力电子变换器作为电力电子交直流转换的装置，在智能电网、工业电机驱动及节能、电动汽车、轨道交通等现代领域都起着关键作用，而同时电力电子变换器的故障诊断问题也随之产生。传统电力电子变换器故障诊断方法有故障树分析法，信息融合方法等。故障树分析法的诊断过程直观易理解，但故障树的建立工作量庞大；信息融合方法是将多种来源、多种类型的讯息结合在一起，可以从多角度获得表征故障的多维有效特征信息，但越多的信息会使得故障诊断的网络变得相当庞大，大大影响诊断的快速性，而类神经网络方法(ArtificialNeuralNetwork，ANN)由于采用人工神经元相互联结来建立输入特征和输出结果的映射关系，通过神经元及其相应结构(权值、偏差)的不断修正，能够对未知的或无法预测的故障信息进行分析判断，因此非常适合用在电路的故障诊断和定位中。但传统的ANN是一种全局逼近神经网络，每次反向传递更新权值时，网络所有权值都需要更新，其收敛速度慢，并且训练过程中，在学习新样本时有遗忘旧样本的趋势，不利于对故障的精准分类。
技术实现思路
有鉴于此，本专利技术的目的是提出一种基于小脑模型神经网络的电力电子变换器故障诊断方法，能更准确、更可靠的判断变换器的健康状况，也提高了变换器故障分析的效率。本专利技术采用以下方案实现：一种基于小脑模型神经网络的电力电子变换器故障诊断方法，具体包括以下步骤：步骤S1：通过数据采集并降噪处理，得到带有故障信息的样本；步骤S2：采用时域、频域分析方法提取故障特征，建立故障特征与故障类型一一对应的变换器数据样本库，用于训练、测试网络性能；步骤S3：构建小脑模型神经网络(CMNN)故障分类器，并采用步骤S2的数据样本库训练故障分类器，采用Back-Propagation算法更新被激活的少数参数，离线训练后将训练样本中包含的各类型故障及故障具体位置准确划分，提取故障分类器的最优参数，并将最优参数直接赋予分类器网络，进行分类器测试工作；步骤S4：将被赋予最优参数的分类器网络植入DSP中，做实际电路的故障诊断与定位，实现变换器电路快速自检。进一步的，步骤S1具体包括以下步骤：步骤S11：采用PC仿真研究，通过元器件等效模型建立变换器仿真电路；步骤S12：根据各元器件失效原理，对相应的元器件施加故障；步骤S13：采集测量点电信号，并加以卡尔曼滤波算法去除噪声，获取原始样本数据，得到带有故障信息的样本。特别的步骤S13中，采用数据采集装置采集待测变换器电路测量点电信号。较佳的，在对实际运行电路进行诊断时，也将记录提取到的样本信息，当样本累计到一定的数量时，可参与构建新的样本数据库，丰富样本库的数据。进一步的，所述小脑模型神经网络(CMNN)故障分类器包括故障特征输入层、联想记忆层、接收域层、权重层和故障类型输出层；第一层为所述故障特征输入层：用以将故障特征向量引入CMNN网；第二层为所述联想记忆层：采用高斯型激发函数，对输入的特性向量进行量化处理；第三层为接收域层：用于计算输入对联想单元的触发强度；第四层为权重层：用以搭建接收域空间与输出层之间的激发强度；第五层为故障类型输出层：用以输出故障标签，通过输出标签直观明了的获取具体故障类型和故障位置。进一步的，步骤S3具体包括以下步骤：步骤S31：将步骤S2得到的数据样本库分为训练样本与测试样本；步骤S32：采用训练样本作为小脑模型神经网络(CMNN)故障分类器的输入对其进行训练；步骤S33：判断训练次数是否达到预设的最大训练次数，若是则进入步骤S34，否则采用Back-Propagation算法更新被激活的少数参数，并返回步骤S32；步骤S34：判断训练误差是否符合预设，若是则进入步骤S35，否则返回步骤S32；步骤S35：获取最优权值、阈值，并将其赋予小脑模型神经网络(CMNN)故障分类器，采用测试样本测试被赋予最优参数的小脑模型神经网络(CMNN)故障分类器；步骤S36：判断测试正确率是否符合预设要求，若符合，则结束当前步骤，否则返回步骤S32。即步骤S3根据输入故障特征向量沿神经网络信号传播方向计算出网络的输出值，与期望输出值比较，计算出目标函数，若目标函数值不满足误差精度，则采用梯度下降法对网络参数进行修正，修正方向沿神经网络传播的逆方向，并再次计算目标函数，循环进行，直到满足误差要求；若目标函数值满足误差，则完成训练，记录最优网络参数。本专利技术采用数据采集装置采集样本，速度快，准确率高，数据准确；作为一种具有联想功能的神经网络，CMNN的联想具有局部泛化能力，因此相似输入将产生相似输出，远离的输入将产生独立的输出，这对故障的分类具有很好的适应能力，同类故障特征将产生同类故障结果，不同故障之间能做出准确划分；小脑模型神经网络的每个神经元输入与输出是一种线性关系，但其总体上可看做一种表现非线性映射的表格系统，由于小脑模型神经网络的学习只在线性映射部分，每一次网络参数的修正更新，只有很少的神经元所对应的权值会被更新，其收敛速度比传统BP神经网络快；在程序编写上，采用定址程序设计，将使参数更新速度加快。所以采用CMNN作为故障分类器检测电力电子变换器健康状况具有明显的优势，能更准确、更可靠的判断变换器的健康状况，也提高了变换器故障分析的效率。与现有技术相比，本专利技术有以下有益效果：本专利技术采用了小脑模型神经网络(CMNN)对电力电子变换器作故障诊断分析，由于其特殊的数据存储和激发方式，使其网络结构优于传统ANN，计算速度快，并且常用于控制系统中，本专利技术用其作为故障分类器，不仅发挥CMNN网络计算速度快的优势，更有在训练中学习新样本有记忆旧样本的趋势，增强了电力电子变换器故障诊断非线性分类的能力，弥补了传统神经网络的不足；同时采用时域、频域分析相结合的方法提取故障特征，可以简化分类器网络结构，用较少的故障特征值便能够对变换器故障进行准确识别定位。附图说明图1为本专利技术实施例的步骤S1流程示意图。图2为本专利技术实施例的方法流程示意图。图3为本专利技术实施例的CMNN网络结构示意图。图4为本专利技术实施例的CMNN输入变量量化机制图(二维)。图5为本专利技术实施例的CMNN神经网络局部泛化示意图。图6为本专利技术实施例的梯度下降Back-Propagation算法的流程图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。如图2所示，本实施例提供了一种基于小脑模型神经网络的电力电子变换器故障诊断方法，具体包括以下步骤：步骤S1：通过数据采集并降噪处理，得到带有故障信息的样本；本文档来自技高网...

【技术保护点】
1.一种基于小脑模型神经网络的电力电子变换器故障诊断方法，其特征在于：包括以下步骤：步骤S1：通过数据采集并降噪处理，得到带有故障信息的样本；步骤S2：采用时域、频域分析方法提取故障特征，建立故障特征与故障类型一一对应的变换器数据样本库，用于训练、测试网络性能；步骤S3：构建小脑模型神经网络故障分类器，并采用步骤S2的数据样本库训练故障分类器，采用Back‑Propagation算法更新被激活的少数参数，离线训练后将训练样本中包含的各类型故障及故障具体位置准确划分，提取故障分类器的最优参数，并将最优参数直接赋予分类器网络，进行分类器测试工作；步骤S4：将被赋予最优参数的分类器网络植入DSP中，做实际电路的故障诊断与定位，实现变换器电路快速自检。

【技术特征摘要】
1.一种基于小脑模型神经网络的电力电子变换器故障诊断方法，其特征在于：包括以下步骤：步骤S1：通过数据采集并降噪处理，得到带有故障信息的样本；步骤S2：采用时域、频域分析方法提取故障特征，建立故障特征与故障类型一一对应的变换器数据样本库，用于训练、测试网络性能；步骤S3：构建小脑模型神经网络故障分类器，并采用步骤S2的数据样本库训练故障分类器，采用Back-Propagation算法更新被激活的少数参数，离线训练后将训练样本中包含的各类型故障及故障具体位置准确划分，提取故障分类器的最优参数，并将最优参数直接赋予分类器网络，进行分类器测试工作；步骤S4：将被赋予最优参数的分类器网络植入DSP中，做实际电路的故障诊断与定位，实现变换器电路快速自检。2.根据权利要求1所述的一种基于小脑模型神经网络的电力电子变换器故障诊断方法，其特征在于：步骤S1具体包括以下步骤：步骤S11：采用PC仿真研究，通过元器件等效模型建立变换器仿真电路；步骤S12：根据各元器件失效原理，对相应的元器件施加故障；步骤S13：采集测量点电信号，并加以卡尔曼滤波算法去除噪声，获取原始样本数据，得到带有故障信息的样本。3.根据权利要求1所述的一种基于小脑模型神经网络的电力电子变换器故障诊断方法，其特征在于：所述小脑模型神经网络故障分类...

【专利技术属性】
技术研发人员：林琼斌，陈诗灿，万志松，王武，蔡逢煌，柴琴琴，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35