一种基于混合卷积神经网络的三相逆变器故障识别方法技术

本发明专利技术公开了一种基于混合卷积神经网络的三相逆变器故障识别方法，包括以下步骤：S1、采集故障数据，对数据预处理；S2、建立并训练融合卷积神经网络HCNN模型；模型包括1D‑CNN和2D‑CNN两个网络；两个网络通过两个卷积层和汇聚层交替连接，实现故障样本数据的特征提取；从两个网络中提取的故障特征向量在全连接层进行融合，生成HCNN的故障特征向量；S3、基于HCNN进行故障诊断：将预处理后的数据分别以一维和二维形式同时输入1D‑CNN和2D‑CNN中，在全连接层融合两个网络提取的特征样本，最后利用softmax分类器完成故障模式识别。本发明专利技术避免了出现过拟合的问题，且具有较强的泛化能力。

【技术实现步骤摘要】
一种基于混合卷积神经网络的三相逆变器故障识别方法
本专利技术属于神经网络
，具体地涉及一种基于混合卷积神经网络的三相逆变器故障识别方法。
技术介绍
随着新能源汽车的发展，无刷直流电机(BLDCM)系统的可靠性直接关乎整车性能与安全，为此受到越来越多领域关注与重视。BLDCM驱动系统作为一种典型的电力电子变换装置，其故障主要来自典型部件，如功率MOSFET、电容器、连接器等易损元件。功率MOSFET作为驱动系统的核心部件，由于其频繁开关动作以及热应力与电应力的综合影响，致使其更容易发生故障。因此，若功率MOSFET故障不能被有效地及时检测出来，将会对电机驱动系统产生不利影响，造成不可估量的经济损失。功率MOSFET的故障类型可分为开路故障(OCF)和短路故障(SCF)。通常情况下，SCF发生的速度很快，硬件电路配备了相应的保护措施，如在驱动电路中串联一个快速熔断器，将SCF转化为OCF。然而，当发生开路故障时，由于电路在一段时间内仍可继续工作，导致逆变器OCF不易检测。若无法及时修复OCF故障，将导致功率MOSFET甚至整个电力电子本文档来自技高网...

【技术保护点】
1.一种基于混合卷积神经网络的三相逆变器故障识别方法，其特征在于，包括以下步骤：/nS1、采集故障数据，对数据预处理；/nS2、建立并训练融合卷积神经网络HCNN模型；/n模型包括1D-CNN和2D-CNN两个网络；两个网络通过两个卷积层和汇聚层交替连接，实现故障样本数据的特征提取；从两个网络中提取的故障特征向量在全连接层进行融合，生成HCNN的故障特征向量；/nS3、基于HCNN进行故障诊断：将预处理后的数据分别以一维和二维形式同时输入1D-CNN和2D-CNN中，在全连接层融合两个网络提取的特征样本，最后利用softmax分类器完成故障模式识别。/n

【技术特征摘要】
1.一种基于混合卷积神经网络的三相逆变器故障识别方法，其特征在于，包括以下步骤：
S1、采集故障数据，对数据预处理；
S2、建立并训练融合卷积神经网络HCNN模型；
模型包括1D-CNN和2D-CNN两个网络；两个网络通过两个卷积层和汇聚层交替连接，实现故障样本数据的特征提取；从两个网络中提取的故障特征向量在全连接层进行融合，生成HCNN的故障特征向量；
S3、基于HCNN进行故障诊断：将预处理后的数据分别以一维和二维形式同时输入1D-CNN和2D-CNN中，在全连接层融合两个网络提取的特征样本，最后利用softmax分类器完成故障模式识别。


2.根据权利要求1所述的三相逆变器故障识别方法，其特征在于，1D-CNN和2D-CNN都由两个卷积层、两个池层和一个完全连接层组成。


3.根据权利要求1所述的三相逆变器故障识别方法，其特征在于，步骤S3中，基于HCNN的故障诊断流程如下：
1)采集直流-交流驱动电路A、B、C三相电流信号ia、ib、ic作为故障信号；
2)利用快速傅里叶变换将采集电流信号转换成故障信号的频域信号；将合适的频域信号截取为故障特征向量，对故障特征向量进行归一化，得到故障数据样本，将其分为训练集和测试集；
3)HCNN训练阶段：首先，分别将相同的训练参数分别分配给1D-CNN和2D-CNN；将故障数据样本训练集输入到HCNN中，通过逐层训练和反向传播，不断调整网络参数和权值偏差，最后一层采用softmax分类器进行故障诊断；
4)HCNN测试阶段：将故障数据样本集输入训练后的HCNN中，计算不同情况下的故障诊断准确率，并与SDAE、1D-CNN和2D-CNN进行比较，验证该模型的有效性。


4.根据权利要求1所述的三相逆变器故障识别方法，其特征在于，步骤S1...

【专利技术属性】
技术研发人员：孙权，于翔海，李宏胜，高芳征，黄家才，彭飞，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32