一种三相桥式整流器故障诊断方法、终端设备及存储介质技术

本发明专利技术涉及一种三相桥式整流器故障诊断方法、终端设备及存储介质，该方法中包括：采集所有故障类型对应的三相整流电路的输出电压数据作为训练数据集；构建稀疏自编码器模型，通过训练数据集和人工蜂群算法对稀疏自编码器模型的模型参数进行优化训练；通过训练后的稀疏自编码器模型对训练数据集中的所有数据进行特征提取，通过特征提取后的数据对支持向量机模型进行训练；通过训练后的稀疏自编码器模型和支持向量机模型对三相整流电路电压数据的故障类型进行判断。本发明专利技术具有诊断准确高、鲁棒性好的有益效果。

A fault diagnosis method, terminal equipment and storage medium of three-phase bridge rectifier

The invention relates to a three-phase bridge rectifier fault diagnosis method, terminal equipment and storage medium. The method includes: collecting output voltage data of three-phase rectifier circuit corresponding to all fault types as training data set; constructing sparse self encoder model, optimizing the model parameters of sparse self encoder model through training data set and artificial bee colony algorithm; All the data in the training data set are extracted by the sparse self encoder model after training, and the SVM model is trained by the extracted data; the fault types of the three-phase rectifier circuit voltage data are judged by the sparse self encoder model and the SVM model after training. The invention has the advantages of high diagnosis accuracy and good robustness.

【技术实现步骤摘要】
一种三相桥式整流器故障诊断方法、终端设备及存储介质
本专利技术涉及整流器
，尤其涉及一种三相桥式整流器故障诊断的方法、终端设备及存储介质。
技术介绍
三相桥式整流器是重要的电力电子变换器之一，可以直接用于将交流电转换为直流电，更可以作为整流和逆变系统的初始电路，但由于工作环境恶劣，整流设备老化、电力过载、工作失误等自然及非自然因素的影响，会发生不同程度的故障。故障诊断包含特征提取和类型识别两个关键技术。目前，特征提取代表性的方法有：主成分分析法、离散小波变化法、小波阈值去噪法、小波包分解等，这些方法已经广泛应用于电力系统故障诊断中的特征提取。然而现有的特征提取方法过分依赖于先验知识，先验知识直接决定着故障诊断的质量。
技术实现思路
为了解决上述问题，本专利技术提出了一种三相桥式整流器故障诊断方法、终端设备及存储介质。具体方案如下：一种三相桥式整流器故障诊断方法，包括以下步骤：S1：设定三相整流电路的故障类型，采集所有故障类型对应的三相整流电路的输出电压数据作为训练数据集；S2：构建稀疏自编码器模型，通过训练数据集和人工蜂群算法对稀疏自编码器模型的模型参数进行优化训练，使得训练后的稀疏自编码器模型对应的误差函数的值最小；S3：通过训练后的稀疏自编码器模型对训练数据集中的所有数据进行特征提取，并构建支持向量机模型，通过特征提取后的数据对支持向量机模型进行训练，使得训练后的支持向量机模型输出的故障类型与数据原始的故障类型相一致；S4：通过训练后的稀疏自编码器模型和支持向量机模型对三相整流电路电压数据的故障类型进行判断。进一步的，稀疏自编码器模型的模型参数包括输入层和中间层之间的连接权重和偏置，中间层和重构层之间的连接权重和偏置。进一步的，步骤S2中对模型参数的优化训练包括四个阶段：初始化阶段、工蜂优化阶段、观察蜂优化阶段和侦查蜂优化阶段；在初始化阶段，随机生成NP个待优化解θl,d作为模型参数的初始值：θl,d＝θd,min+rand·[θd,max-θd,min]其中，θd,max和θd,min分别表示待优化解的最大值和最小值，rand表示0～1的随机数，d表示待优化解的维度，l表示待优化解的序号；在工蜂优化阶段和观察蜂优化阶段，更新稀疏自编码器模型的模型参数，其更新解ηl,d的计算公式为：ηl,d＝θl,d+rand'·[θl,d-θr,d]其中：rand'表示-1～1的随机数，r表示1～NP之间一个不等于l的随机整数；观察蜂优化阶段是对工蜂优化阶段得出的优化解进行评估，避免目标函数值陷入局部最优，评估所需的概率pl的计算公式为：其中：F(l)表示目标函数值，即稀疏自编码器模型的误差函数的值；侦查蜂优化阶段是对工蜂优化阶段和观察蜂优化阶段进行评估，如果待优化解长时间没有更新，则返回初始化阶段重新求得待优化解，避免目标函数值陷入局部最优；经过四个阶段的多次迭代训练后，得到一组最优解，使得其对应的稀疏自编码器模型的误差函数的值最小，将该最优解作为稀疏自编码器模型的模型参数得到训练后的模型。一种三相桥式整流器故障诊断终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。本专利技术采用如上技术方案，提出一种基于人工蜂群算法优化的稀疏自编码器对三相桥式整流器进行特征提取，然后构造基于支持向量机的故障分类器。利用人工蜂群算法优化稀疏自编码器的连接权重和偏置来提取故障特征，再利用训练好的支持向量机对故障特征进行类型识别。具有诊断准确高、鲁棒性好的有益效果。附图说明图1所示为本专利技术实施例一中三相桥式整流器的电路图。图2所示为该实施例中三相桥式整流电路的输出电压波形图。图3所示为该实施例中晶闸管T1开路时的输出电压波形图。图4所示为该实施例中晶闸管T2开路时的输出电压波形图。图5所示为该实施例中晶闸管T3开路时的输出电压波形图。图6所示为该实施例中稀疏自编码器神经网络结构图。图7所示为该实施例中人工蜂群算法优化稀疏自编码器的流程图。图8所示为该实施例中支持向量机的故障类型识别流程图。图9所示为该实施例中利用支持向量机对故障样本进行分类的流程图。图10所示为该实施例中特征提取前的故障特征原始数据。图11所示为该实施例中特征提取后的故障特征数据。图12所示为该实施例中误差函数经过人工蜂群算法优化后的收敛曲线。具体实施方式为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。现结合附图和具体实施方式对本专利技术进一步说明。实施例一：本专利技术实施例提供了一种三相桥式整流器故障诊断方法。稀疏自编码器是深度学习方法的一种，可以进行无监督学习。故障类型识别的方法主要有支持向量机、径向基神经网络和BP神经网络等；基于神经网络类的故障诊断方法虽然都能在无扰动情况下对故障特征进行分类，但在电力系统扰动较大的工作状态时，故障误诊率高；而支持向量机具有在数据空间易构造不存在分类重叠区以及自学习功能等优点。因此，该实施例中首先利用人工蜂群算法优化稀疏自编码器的连接权重和偏置来获得三相桥式整流电路故障样本的特征，然后再利用支持向量机进行故障诊断。1.三相整流电路的故障模型三相桥式全控整流电路如图1所示。正常工作状态下，晶闸管的导通顺序为T1-T2–T3–T4–T5–T6，整流输出电压一个周期将会脉动六次，且每次脉动的波形都一样，如图2所示。晶闸管T1、T2、T3发生开路故障时，其输出电压的波形分别如图3-图5所示。由图3、图4和图5的波形可知：不同故障类型输出电压的波形很相似；T2开路故障波形相当于T1滞后1/6个周期，T3开路故障波形相当于T2滞后1/6个周期，其余晶闸管开路故障的特点也是如此。不同晶闸管发生短路故障时输出电压的特点与开路故障相似。现有的故障诊断方法很难将其有效的区分开。该实施例中将三相整流电路的故障类型分为13种，其中1种为无故障(即正常工作状态)，6种晶闸管断路故障，6中晶闸管短路故障。2.稀疏自编码器自编码器是一种无监督学习的神经网络，其神经网络结构如图6所示。将稀疏正则化引入到自编码器中，过滤掉大部分单元的输出，其余少部分单元完成压缩和重构过程，解决了自编码器输出单元冗余且压缩率低的问题，形成了稀疏自编码器。该实施例中首先对三相桥式整流电路不同故障进行特征提取(即采集每个故本文档来自技高网...

【技术保护点】
1.一种三相桥式整流器故障诊断方法，其特征在于，包括以下步骤：/nS1：设定三相整流电路的故障类型，采集所有故障类型对应的三相整流电路的输出电压数据作为训练数据集；/nS2：构建稀疏自编码器模型，通过训练数据集和人工蜂群算法对稀疏自编码器模型的模型参数进行优化训练，使得训练后的稀疏自编码器模型对应的误差函数的值最小；/nS3：通过训练后的稀疏自编码器模型对训练数据集中的所有数据进行特征提取，并构建支持向量机模型，通过特征提取后的数据对支持向量机模型进行训练，使得训练后的支持向量机模型输出的故障类型与数据原始的故障类型相一致；/nS4：通过训练后的稀疏自编码器模型和支持向量机模型对三相整流电路电压数据的故障类型进行判断。/n

【技术特征摘要】
1.一种三相桥式整流器故障诊断方法，其特征在于，包括以下步骤：
S1：设定三相整流电路的故障类型，采集所有故障类型对应的三相整流电路的输出电压数据作为训练数据集；
S2：构建稀疏自编码器模型，通过训练数据集和人工蜂群算法对稀疏自编码器模型的模型参数进行优化训练，使得训练后的稀疏自编码器模型对应的误差函数的值最小；
S3：通过训练后的稀疏自编码器模型对训练数据集中的所有数据进行特征提取，并构建支持向量机模型，通过特征提取后的数据对支持向量机模型进行训练，使得训练后的支持向量机模型输出的故障类型与数据原始的故障类型相一致；
S4：通过训练后的稀疏自编码器模型和支持向量机模型对三相整流电路电压数据的故障类型进行判断。


2.根据权利要求1所述的三相桥式整流器故障诊断方法，其特征在于：稀疏自编码器模型的模型参数包括输入层和中间层之间的连接权重和偏置，中间层和重构层之间的连接权重和偏置。


3.根据权利要求1所述的三相桥式整流器故障诊断方法，其特征在于：步骤S2中对模型参数的优化训练包括四个阶段：初始化阶段、工蜂优化阶段、观察蜂优化阶段和侦查蜂优化阶段；
在初始化阶段，随机生成NP个待优化解θl,d作为模型参数的初始值：
θl,d＝θd,min+rand·[θd,max-θd,min]
其中，θd,max和θd,min分别表示待优化解的最大值和最小值，ra...

【专利技术属性】
技术研发人员：王荣杰，曾广淼，韩冉，周海峰，
申请(专利权)人：集美大学，
类型：发明
国别省市：福建;35