【技术实现步骤摘要】
一种基于优化深度信念网络的电力电子电路故障诊断方法
本专利技术属于电力电子电路故障诊断领域,具体涉及一种基于优化深度信念网络的电力电子电路故障诊断方法。
技术介绍
电力电子变流变换系统的可靠性在能源、交通、通讯、工业制造、航空航天、环境保护和国防军事应用中具有极其重要的意义。电力电子变流变换系统的故障诊断主要是针对其主电路中的电力电子器件进行监测与诊断。目前,电力电子故障诊断方法主要分为三大类:解析模型故障诊断法、信号识别法和基于知识融合的故障诊断法。解析模型故障诊断法需要精确地建立待诊断电路的故障模型;信号识别法常用的处理方法包括傅里叶变换法、Park变换法和小波变换法,但是这些方法进行信号处理过程中可能会导致有效故障信息的丢失,在故障类型比较多时变换后选取的故障特征量无法有效区别不同的故障类型;基于知识融合的故障诊断法比如人工神经网络法,但是采用通常的BP神经网络识别法在训练时容易陷入局部最优解,且在初始连接权值和阈值的选择上具有很大的盲目性,在参数调整及故障特征向量的选择方面难度较大。因此,针对上述现有的三大类电力电子电路故障诊断方法的缺点,提出能新的改进方法至关重要。
技术实现思路
本专利技术要解决的技术问题是,针对现有电力电子故障诊断方法存在的上述不足,提供一种基于优化深度信念网络的电力电子电路故障诊断方法,避免神经网络过学习和陷入局部最小值的缺点,提高了神经网络的分类精度,提高了电力电子电路故障特征数据量和故障模式识别准确率。本专利技术为解决上述技术问题所采用的技术方案是,一种基于优化深度信念网络的电力电子电路故障诊断方法,包括以下步骤:(1)利用 ...
【技术保护点】
1.一种基于优化深度信念网络的电力电子电路故障诊断方法,其特征在于,包括以下步骤:(1)利用MATLAB/Simulink建立整个电路拓扑结构和控制器仿真模型,再通过RT‑LAB将仿真模型实时化运行,完成系统设计,利用RT‑LAB半实物仿真平台设置故障实验,采集电力电子电路在不同故障模式下的直流侧母线输出电压信号作为原始数据集,根据发生故障的电力电子开关器件个数及其位置,对故障类型进行标签分类得到原始故障特征量;(2)对每一个原始故障特征量进行经验模态分解,获取信号有效的本征模态函数分量及其包络谱,并计算统计特征,构造原始故障特征集;(3)基于极限学习机的特征选择方法,去除原始故障特征集中的冗余和干扰特征,并进行归一化处理,选取出故障敏感特征集;(4)将故障敏感特征集划分为训练样本和测试样本,初步确定深度信念网络的结构;(5)使用乌鸦搜索算法优化深度信念网络DBN的网络结构,确定训练样本上第一和第二隐层的神经元数目,设定网络的输入层、隐藏层和输出层的节点个数;(6)采用CSA‑DBN故障诊断分类器对电力电子电路的故障模式的测试样本进行故障分类识别,计算分类精度,给出故障诊断结果。
【技术特征摘要】
1.一种基于优化深度信念网络的电力电子电路故障诊断方法,其特征在于,包括以下步骤:(1)利用MATLAB/Simulink建立整个电路拓扑结构和控制器仿真模型,再通过RT-LAB将仿真模型实时化运行,完成系统设计,利用RT-LAB半实物仿真平台设置故障实验,采集电力电子电路在不同故障模式下的直流侧母线输出电压信号作为原始数据集,根据发生故障的电力电子开关器件个数及其位置,对故障类型进行标签分类得到原始故障特征量;(2)对每一个原始故障特征量进行经验模态分解,获取信号有效的本征模态函数分量及其包络谱,并计算统计特征,构造原始故障特征集;(3)基于极限学习机的特征选择方法,去除原始故障特征集中的冗余和干扰特征,并进行归一化处理,选取出故障敏感特征集;(4)将故障敏感特征集划分为训练样本和测试样本,初步确定深度信念网络的结构;(5)使用乌鸦搜索算法优化深度信念网络DBN的网络结构,确定训练样本上第一和第二隐层的神经元数目,设定网络的输入层、隐藏层和输出层的节点个数;(6)采用CSA-DBN故障诊断分类器对电力电子电路的故障模式的测试样本进行故障分类识别,计算分类精度,给出故障诊断结果。2.根据权利要求1所述的基于优化深度信念网络的电力电子电路故障诊断方法,其特征在于,所述步骤(1)中利用RT-LAB半实物仿真平台设置故障实验的具体方法如下:首先,利用RT-LAB半实物仿真平台连接真实的DSP控制平台,完成控制策略的开发;其次,利用RT-LAB平台,设置不同的故障实验;构建包含开关管老化或者开路短路故障的多种故障模式的故障特征库,记录故障元件、故障种类、故障原因、故障影响、系统输出;最后,采集电力电子电路的输出信号数据,设定不同的故障注入模式,基于输出信号数据,开展故障特征提取、故障特征优选和故障诊断算法的研究。3.根据权利要求1所述的一种基于优化深度信念网络的电力电子电路故障诊断方法,其特征在于,所述步骤(2)中经验模态分解得到原始故障特征量的具体方法如下:对每一类故障的输出电压信号进行经验模态分解,获取信号有效的前7阶本征模态函数分量,每一阶计算10种统计特征的信号序列,包括:IMF分量、IMF分量能量熵、均值、标准差、偏度、峰度、波性指标、裕度指标、峰值指标、幅度;每一种故障模式下,对应的前7阶本征模态函数分量共70种统计特征参数,作为原始故障特征集。4.根据权利要求1或3所述的一种基于优化深度信念网络的电力电子电路故障诊断方法,其特征在于,所述步骤(3)的具体方法如下:基于极限学习机的特征选择方法对原始故障特征集的数据进行筛选,降低特征数据的维度,取所有故障特征信号序列中权重和敏感度靠前的30个,作为故障敏感特征集。5.根据权利要求1所述的一种基于优化深度信念网络的电力电子电路故障诊断方法,其特征在于,所述步骤(4)的具体方法如下:将故障敏感特征集划分为训练样本和测试样本,初步提出一种包含输入层和输出层的4层DBN体系结构,DBN体系结构由3个深度玻尔兹曼机组成,DBN的第一层和第二层分别是第一层RBM1的可见层和隐藏层;DBN的第一层是数据输入层,第二层和第三层分别形成第二层RBM2的可见层和隐藏层,第三层和第四层分别构成第三层RBM3的可见层和隐藏层。6.根据权利要求5所述的一种基于优化深度信念网络的电力电子电路故障诊断方法,其特征在于,所述步骤(5)的具体方...
【专利技术属性】
技术研发人员:何怡刚,杜博伦,张亚茹,段嘉珺,何鎏璐,刘开培,
申请(专利权)人:武汉大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。