一种单相半桥五电平逆变器开关管开路故障诊断方法技术

本发明专利技术公开了一种单相半桥五电平逆变器开关管开路故障诊断方法，属于电力电子电路故障诊断领域，搭建以DSP控制器和RT

【技术实现步骤摘要】
一种单相半桥五电平逆变器开关管开路故障诊断方法


[0001]本专利技术属于电力电子电路故障诊断领域，更具体地，涉及一种单相半桥五电平逆变器开关管开路故障诊断方法。

技术介绍

[0002]目前，随着电力电子开关器件数量和电路复杂度的增加，在长期的监测过程中获得的信号数据一般都是大量数据，而当前传统的基于信号的特征提取方法在处理大量信号数据时，一般通过采样从而压缩数据量，或者直接舍弃部分信号细节的方法生成小规模的数据集，再用于后续训练学习并建立故障诊断模型。此外，基于信号的故障诊断方法在处理大量信号数据时，速度极慢，并且诊断方法在对大量特征数据进行训练学习时，往往会产生无效学习及弱泛化问题，从而无法有效识别故障。

技术实现思路

[0003]针对现有技术的以上缺陷或改进需求，本专利技术提出了一种单相半桥五电平逆变器开关管开路故障诊断方法，结合特征提取算法、图像融合算法、深度卷积神经网络分类算法，改变了传统的基于波形信号的故障诊断方法，转换成对时频图的分类识别来判断电力电子电路的故障，增加了故障诊断的数据量，提高了故障诊断的准确率。
[0004]为实现上述目的，按照本专利技术的一个方面，提供了一种单相半桥五电平逆变器开关管开路故障诊断方法，包括：
[0005](1)建立待诊断电路的仿真模型，根据发生开路故障的开关管个数及其位置，对故障类型进行标签分类，采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量；
[0006](2)对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量，采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图；
[0007](3)将同一种开路故障类型对应的HHT时频图模糊集进行图像融合，得到包含更多的故障特征信息的融合图像；
[0008](4)利用深度卷积神经网络对融合后的图像进行分类识别，实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
[0009]在一些可选的实施方案中，步骤(2)包括：
[0010](2.1)对故障信号变量进行EMD分解，直接根据电压信号本身的时间尺度特征进行分解，将复杂的电压信号分解成若干完整的、几乎是正交的IMF分量；
[0011](2.2)将各IMF分量平均分为多个节段，并对每个节段分别转换成 HHT时频图，得到不同的开路故障类型对应的不同的HHT图；将同一种开路故障类型的多张HHT时频图，记为其对应的HHT时频图模糊集。
[0012]在一些可选的实施方案中，步骤(3)包括：
[0013](3.1)利用K
‑
SVD算法对待融合图像的所有子区域进行字典学习，得到过完备字典
D；
[0014](3.2)使用正交匹配追踪算法和过完备字典D计算稀疏向量；
[0015](3.3)基于稀疏向量最大元素绝对值的融合规则，完成同一种开路故障类型对应的HHT时频图模糊集的稀疏向量融合，获得融合图像。
[0016]在一些可选的实施方案中，步骤(3.1)包括：
[0017]将每个故障信号对应的n张HHT时频图作为输入，并采用滑动窗口技术将各时频图像分割成N块分别表示为
[0018]利用字典排序将每个向量转化为列向量然后将每个向量的均值归一化为零，得到其中，1表示n
×
1向量，表示中所有元素的平均值；
[0019]将作为训练样本集，采用K
‑
SVD算法将选取的样本训练为过完备字典D。
[0020]在一些可选的实施方案中，步骤(3.2)包括：
[0021]使用正交匹配追踪算法和过完备字典D计算对应的稀疏系数其中，ε为预设阈值。
[0022]在一些可选的实施方案中，步骤(3.3)包括：
[0023]由规则得到融合的稀疏向量其中，表示随机的一个稀疏系数；
[0024]由得到融合图像的融合稀疏系数表示中所有元素的平均值；
[0025]对所有的图像块重复上述步骤以获得所有融合稀疏系数利用过完备字典D和融合稀疏系数重构得到新的图像块由所有新的图像块替换所有的原始图像块即得到融合图像S
F
。
[0026]在一些可选的实施方案中，步骤(4)包括：
[0027](4.1)将融合图像进行标签后的数据集作为深度卷积神经网络的输入，将融合图像进行标签后的数据集分为训练集和测试集；
[0028](4.2)采用深度卷积神经网络对不同故障类型的融合图像进行分类，其中，深度卷
积神经网络由输入层、若干个卷积层、激活层、池化层及全连接层组成；
[0029](4.3)选择非线性的激活函数及损失函数，深度卷积神经网络采用基于动态生长的结构，利用增加卷积层/池化层数和弃权技术的网络结构优化方法，确定适合的卷积层参数、池化层参数和全连接数，学习相同故障类型的融合图像的卷积特征，归纳出关键共性特征；
[0030](4.4)选取卷积核，最后比较不同的深度卷积神经网络的故障诊断结果。
[0031]按照本专利技术的另一方面，提供了一种单相半桥五电平逆变器开关管开路故障诊断系统，包括：
[0032]数据采样模块，用于建立待诊断电路的仿真模型，根据发生开路故障的开关管个数及其位置，对故障类型进行标签分类，采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量；
[0033]数据处理模块，用于对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量，采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图；
[0034]特征融合模块，用于将同一种开路故障类型对应的HHT时频图模糊集进行图像融合，得到包含更多的故障特征信息的融合图像；
[0035]训练测试模块，用于利用深度卷积神经网络对融合后的图像进行分类识别，实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
[0036]按照本专利技术的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
[0037]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0038]本专利技术创新性的将单相半桥五电平逆变器各个关键器件发生故障时的电信号参量数据通过时频分析方法转换成时频图，用于表征不同的故障类别并提供信号参量的时域和频域局部信息。然后结合融合图像将同一故障类别下的不同时频图的互补信息进行融合，使得融合图像中包含更多故障特征。随着深度学习的迅速发展，深度卷积神经网络作为最有效的深度学习算法之一，可以自动学习原始数据的抽象表示特征，可以克服浅层网络在故障诊断应用中的无效学习及弱泛化问题。因此，本专利技术采用基于深度卷积神经网络的方法对单相半桥五电平逆变器进行故障识别，将各个关键器件故障对应的时频图模糊集作为网络的输入，通过若干个卷积层、池化层、激活层及全连接层进行关键共性特征的对比学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种单相半桥五电平逆变器开关管开路故障诊断方法，其特征在于，包括：(1)建立建立待诊断电路的仿真模型，根据发生开路故障的开关管个数及其位置，对故障类型进行标签分类，采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量；(2)对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量，采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图；(3)将同一种开路故障类型对应的HHT时频图模糊集进行图像融合，得到包含更多的故障特征信息的融合图像；(4)利用深度卷积神经网络对融合后的图像进行分类识别，实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：(2.1)对故障信号变量进行EMD分解，直接根据电压信号本身的时间尺度特征进行分解，将复杂的电压信号分解成若干完整的、几乎是正交的IMF分量；(2.2)将各IMF分量平均分为多个节段，并对每个节段分别转换成HHT时频图，得到不同的开路故障类型对应的不同的HHT图；将同一种开路故障类型的多张HHT时频图，记为其对应的HHT时频图模糊集。3.根据权利要求2所述的方法，其特征在于，步骤(3)包括：(3.1)利用K
‑
SVD算法对待融合图像的所有子区域进行字典学习，得到过完备字典D；(3.2)使用正交匹配追踪算法和过完备字典D计算稀疏向量；(3.3)基于稀疏向量最大元素绝对值的融合规则，完成同一种开路故障类型对应的HHT时频图模糊集的稀疏向量融合，获得融合图像。4.根据权利要求3所述的方法，其特征在于，步骤(3.1)包括：将每个故障信号对应的n张HHT时频图作为输入，并采用滑动窗口技术将各时频图像分割成N块分别表示为利用字典排序将每个向量转化为列向量然后将每个向量的均值归一化为零，得到其中，1表示n
×
1向量，表示中所有元素的平均值；将作为训练样本集，采用K
‑
SVD算法将选取的样本训练为过完备字典D。5.根据权利要求4所述的方法，其特征在于，步骤(3.2)包括：使用正交匹配追踪算法和过完备字典D计算对应的稀疏系数...

【专利技术属性】
技术研发人员：何怡刚，杜博伦，段嘉珺，汪磊，刑致恺，何鎏璐，
申请(专利权)人：武汉大学，
类型：发明
国别省市：