一种三相电压逆变器在线故障诊断方法、装置及电子设备制造方法及图纸

本说明书一个或多个实施例提供一种三相电压逆变器在线故障诊断方法、装置及电子设备，能够即时高效对逆变器故障类型进行准确诊断。所述方法包括：构建并设置逆变器训练电路分别处于不同故障类型的不同电路情况，采集母线电压值与负载三相电流值确定模型训练数据；利用模型训练数据对所述初始神经网络模型进行训练优化得到故障诊断模型；利用所述故障诊断模型确定所述待诊断逆变器的故障类型。所述装置包括训练数据采集模块、模型训练模块与故障诊断模块。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行以实现所述故障诊断方法的计算机程序。

【技术实现步骤摘要】
一种三相电压逆变器在线故障诊断方法、装置及电子设备
本说明书一个或多个实施例涉及电路诊断分析
，尤其涉及一种三相电压逆变器在线故障诊断方法、装置及电子设备。
技术介绍
变流系统在机车中承担着能量转换、传递等核心功能，其作为机车牵引传动系统的电能控制核心所在，是机车必不可少的关键设备，但对其诊断领域的研究却相对开始较晚，其同传统的工业变流系统相比，应用于铁路运输领域的牵引变流系统所需应对的功率密度更高，也承受着更为恶劣的工作环境。机车交流系统故障中一个主要的故障原因在于三相电压逆变器故障。现有的针对三相电压逆变器故障诊断的方法主要包括三类：基于信号采样（电压信号与电流信号）的数据处理方法、基于人工智能算法故障诊断方法、基于解析模型的故障诊断方法。其中，基于采集电压信号故障诊断方法中,其通过提取相电压信号用于构建故障特征,并通过对故障特征的处理直接或间接的反应出系统故障状况，这种方式在某些复杂故障情况下的适用性较差；基于采样电流信号的数据处理方法中，通常采集负载侧相电流信号来分析信号畸变程度从而实现故障诊断，这种方式往往需要在采集得到电流信号的基础上进行较为复杂的特征提取、重构或分析变换等操作；基于人工智能算法的故障诊断方法，往往需要对电压、电流值进行特征提取得到故障特征量作为故障诊断依据，这种方式中故障诊断依据可能出现信息遗漏的情况；基于解析模型的故障诊断方法，主要通过对系统建模，分析各模型各种可能的状态，并与实际工作状态进行比对，从而实现系统的故障诊断，这种方式在系统控制信号的获取及算法复杂性方面存在劣势。
技术实现思路
有鉴于此，本说明书一个或多个实施例的目的在于提出一种三相电压逆变器在线故障诊断方法，能够即时高效对逆变器故障进行诊断且适用性强、诊断结果准确。基于上述目的，本说明书一个或多个实施例提供了一种三相电压逆变器在线故障诊断方法，包括：构建逆变器训练电路，对所述逆变器训练电路中功率管的故障状态进行设置使所述逆变器训练电路分别处于不同故障类型的不同电路情况，采集不同所述电路情况下的母线电压值与负载三相电流值作为训练输入数据，记录与所述电路情况相对应的所述故障类型作为训练输出数据，所述训练输入数据与所述训练输出数据构成模型训练数据；构建初始神经网络模型，利用所述模型训练数据对所述初始神经网络模型进行训练，通过调整所述初始神经网络模型的网络参数进行优化调整使所述初始神经网络模型输入输出相对应，得到故障诊断模型；在线采集待诊断逆变器的母线电压与负载三相电流作为输入数据，利用所述故障诊断模型对所述输入数据进行处理，根据所述故障诊断模型输出数据确定所述待诊断逆变器的故障类型。可选的，所述故障类型包括：单功率管故障类型，对应包括电路情况：功率管T1故障、功率管T2故障、功率管T3故障、功率管T4故障、功率管T5故障与功率管T6故障；单桥臂双管故障类型，对应包括电路情况：功率管T1&T2故障、功率管T3&T4故障与功率管T5&T6故障；异桥臂同侧双管故障类型，对应包括电路情况：功率管T1&T3故障、功率管T1&T5故障、功率管T3&T5故障、功率管T2&T4故障、功率管T2&T6故障与功率管T4&T6故障；以及，异桥臂异侧双管故障类型，对应包括电路情况：功率管T1&T4故障、功率管T1&T6故障、功率管T3&T2故障、功率管T3&T6故障、功率管T5&T2故障与功率管T5&T4故障。可选的，所述采集不同所述电路情况下的母线电压值与负载三相电流值作为训练输入数据，包括：在不同所述电路情况下，分别随机设置多个所述母线电压值并采集与所述母线电压值相对应的负载三相电流值,所述母线电压值与相对应的所述负载三相电流值构成输入向量；所述训练输入数据包括多个所述输入向量。可选的，在利用所述模型训练数据对所述初始神经网络模型进行训练之前，还对所述训练输入数据进行归一化处理：其中，其中表示所述输入向量中的第维数据；与分别表示多个所述输入向量的第维数据的最大值与最小值，表示归一化子数据；所述归一化子数据构成归一化输入向量。可选的，所述构建初始神经网络模型，包括：所述初始神经网络模型采用反向传播神经网络结构，包括输入层、隐含层与输出层；所述输入层的输入网络节点分别与所述训练输入数据中的所述母线电压值以及负载三相电流值相对应；所述输出层的输出网络节点与所述故障类型数量相同且分别与所述不同故障类型相对应。可选的，所述隐含层的激活函数为：其中，表示第一输入信息参数；所述第一输入信息参数的计算公式为：其中，表示从第个所述输入网络节点指向第个隐含网络节点的输入传递权重，表示所述输入网络节点的个数，表示所述隐含网络节点的个数，表示第个所述输入网络节点对应的输入值；所述输出网络节点的输出值为：其中，表示第个所述输出网络节点对应的输出值，表示所述输出网络节点的个数，表示第二输入信息参数，表示第个所述输出网络节点的阈值；所述第二输入信息参数的计算公式为：其中，表示从第个所述隐含网络节点指向第个所述输出网络节点的输出传递权重，表示第个所述隐含网络节点的传递输出值；第个所述隐含网络节点的所述传递输出值计算公式为：其中，表示第个所述隐含网络节点的阈值。可选的，所述通过调整所述初始神经网络模型的网络参数进行优化调整使所述初始神经网络模型输入输出相对应，得到故障诊断模型，包括：将所述模型训练数据划分为训练数据及与验证数据集；利用所述训练数据集中的所述训练输入数据与所述训练输出数据对所述初始神经网络模型进行训练；利用所述验证数据集中的所述训练输入数据与所述训练输出数据对训练后的所述初始神经网络模型进行验证：对所述隐含层的网络层数与网络节点个数进行调整设置；对所述初始神经网络模型的传递权重与网络节点阈值进行调整，使所述初始神经网络模型输出数据与所述训练输出数据之间的平均误差小于目标误差阈值。基于上述目的，本说明书一个或多个实施例提供了一种三相电压逆变器在线故障诊断装置，包括：训练数据采集模块，被配置为构建逆变器训练电路，对所述逆变器训练电路中功率管的故障状态进行设置使所述逆变器训练电路分别处于不同故障类型的不同电路情况，采集不同所述电路情况下的母线电压值与负载三相电流值作为训练输入数据，记录与所述电路情况相对应的所述故障类型作为训练输出数据，所述训练输入数据与所述训练输出数据构成模型训练数据；模型训练模块，被配置为构建初始神经网络模型，利用所述模型训练数据对所述初始神经网络模型进行训练，通过调整所述初始神经网络模型的网络参数进行优化调整使所述初始神经网络模型输入输出相对应，得到故障诊断模型；故障诊本文档来自技高网...

【技术保护点】
1.一种三相电压逆变器在线故障诊断方法，其特征在于，包括：/n构建逆变器训练电路，对所述逆变器训练电路中功率管的故障状态进行设置使所述逆变器训练电路分别处于不同故障类型的不同电路情况，采集不同所述电路情况下的母线电压值与负载三相电流值作为训练输入数据，记录与所述电路情况相对应的所述故障类型作为训练输出数据，所述训练输入数据与所述训练输出数据构成模型训练数据；/n构建初始神经网络模型，利用所述模型训练数据对所述初始神经网络模型进行训练，通过调整所述初始神经网络模型的网络参数进行优化调整使所述初始神经网络模型输入输出相对应，得到故障诊断模型；/n在线采集待诊断逆变器的母线电压与负载三相电流作为输入数据，利用所述故障诊断模型对所述输入数据进行处理，根据所述故障诊断模型输出数据确定所述待诊断逆变器的故障类型。/n

【技术特征摘要】
1.一种三相电压逆变器在线故障诊断方法，其特征在于，包括：
构建逆变器训练电路，对所述逆变器训练电路中功率管的故障状态进行设置使所述逆变器训练电路分别处于不同故障类型的不同电路情况，采集不同所述电路情况下的母线电压值与负载三相电流值作为训练输入数据，记录与所述电路情况相对应的所述故障类型作为训练输出数据，所述训练输入数据与所述训练输出数据构成模型训练数据；
构建初始神经网络模型，利用所述模型训练数据对所述初始神经网络模型进行训练，通过调整所述初始神经网络模型的网络参数进行优化调整使所述初始神经网络模型输入输出相对应，得到故障诊断模型；
在线采集待诊断逆变器的母线电压与负载三相电流作为输入数据，利用所述故障诊断模型对所述输入数据进行处理，根据所述故障诊断模型输出数据确定所述待诊断逆变器的故障类型。


2.根据权利要求1所述的方法，其特征在于，所述故障类型包括：
单功率管故障类型，对应包括电路情况：功率管T1故障、功率管T2故障、功率管T3故障、功率管T4故障、功率管T5故障与功率管T6故障；
单桥臂双管故障类型，对应包括电路情况：功率管T1&T2故障、功率管T3&T4故障与功率管T5&T6故障；
异桥臂同侧双管故障类型，对应包括电路情况：功率管T1&T3故障、功率管T1&T5故障、功率管T3&T5故障、功率管T2&T4故障、功率管T2&T6故障与功率管T4&T6故障；
以及，异桥臂异侧双管故障类型，对应包括电路情况：功率管T1&T4故障、功率管T1&T6故障、功率管T3&T2故障、功率管T3&T6故障、功率管T5&T2故障与功率管T5&T4故障。


3.根据权利要求1所述的方法，其特征在于，所述采集不同所述电路情况下的母线电压值与负载三相电流值作为训练输入数据，包括：
在不同所述电路情况下，分别随机设置多个所述母线电压值并采集与所述母线电压值相对应的负载三相电流值,所述母线电压值与相对应的所述负载三相电流值构成输入向量；
所述训练输入数据包括多个所述输入向量。


4.根据权利要求3所述的方法，其特征在于，在利用所述模型训练数据对所述初始神经网络模型进行训练之前，还对所述训练输入数据进行归一化处理：



其中，其中表示所述输入向量中的第维数据；

与分别表示多个所述输入向量的第维数据的最大值与最小值，表示归一化子数据；
所述归一化子数据构成归一化输入向量。


5.根据权利要求1所述的方法，其特征在于，所述构建初始神经网络模型，包括：
所述初始神经网络模型采用反向传播神经网络结构，包括输入层、隐含层与输出层；
所述输入层的输入网络节点分别与所述训练输入数据中的所述母线电压值以及负载三相电流值相对应；
所述输出层的输出网络节点与所...

【专利技术属性】
技术研发人员：石英春，陈春阳，成庶，于天剑，罗屿，赵俊栋，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43