一种基于卷积神经网络的电压源逆变器故障诊断方法及系统技术方案

本发明专利技术涉及一种基于卷积神经网络的电压源逆变器故障诊断方法及系统，通过获取待诊断电压源逆变器的故障电流数据，并将所述故障电流数据进行预处理，得到故障电流数据集；将故障电流数据集输入训练好的改进卷积神经网络模型中来对每个故障案例的特征进行分类。简化了模型，降低算法的复杂度，提升了卷积神经网络的性能，可以更加快速地对电压源逆变器的故障类型进行诊断，对电压源逆变器的故障及时预警，用户可以根据故障类型第一时间进行故障排除，避免重大损失，实现了电压源逆变器的智能化故障诊断。化故障诊断。化故障诊断。

【技术实现步骤摘要】
一种基于卷积神经网络的电压源逆变器故障诊断方法及系统


[0001]本专利技术涉及计算机神经网络领域，尤其涉及一种基于卷积神经网络的电压源逆变器故障诊断方法及系统。

技术介绍

[0002]近年来，电气系统在朝着大型化、精密化、系统化、自动化和智能化的方向发展。而电压源逆变器作为电气系统中应用非常广泛电力电子装置，是工业生产中的主要应用设备。开关管是电气设备中最为脆弱的部件，一旦发生故障，将带来重大损失，甚至带来巨大影响或灾难。
[0003]随着工业大数据的兴起，基于数据驱动的故障诊断方法广泛应用于电力电子领域，直接对电力电子器件状态监测得到的数据分析处理即可得到诊断结果。由于智能故障诊断算法的自适应学习机制、较强的容错能力和较高的非线性回归能力被广泛应用于解决复杂的诊断问题，机器学习成为了基于数据驱动的故障诊断方法中的研究热点，传统的机器学习算法由于其网络结构较浅，特征提取能力较差，导致隐藏在监测数据中的特征难以深入挖掘，很难再进一步提高这些方法的性能。由于广泛的领域专业知识和先验知识的要求，很难选择合适的特征提取方法。同时，人工特征提取仍需依赖于现有特征或评价标准，这使得挖掘新而有用的特征变得困难。此外，存在许多反映故障前期故障的敏感特征易被作为噪声被忽略、特征提取方法需要根据诊断对象的变动而变动等问题，在智能故障诊断中，设计一种合适的特征提取方法繁重且复杂。因此，探索一种能够直接从原始信号中学习敏感特征并能适应系统变化的端到端自动特征提取方法是非常迫切而有意义的。
[0004]随着机器学习的迅速发展，深度学习在电气系统故障诊断中有着巨大的潜力和迫切的需求。深度学习采用多层神经层的结构，通过逐层传递从输入层原始数据中提取信息，自动挖掘大型数据集中复杂的复杂表示特征，避免了人工特征工程。深度信念网络、堆叠去噪自动编码器和长短时记忆网络已得到了应用，较于传统的机器学习方法有良好动态学习效果。卷积神经网络作为一种分布式并行深度网络模型，也在故障诊断中得到了广泛的应用。与其他深度学习方法相比，CNN具有更强大的特征提取能力。Sun等人用FFT提取负载输出电流特征，用一种结合了一维和二维CNN网络模型对电压源逆变器进行了故障诊断，提高了不同工况下的诊断精度。虽然上述研究采用了CNN算法，但仍需人工特征提取的方法。Gong等人提出了一种用全局平均池化改进的二维卷积神经网络用于电力电子DC
‑
DC逆变器的故障诊断，用全局平均池化来代替全连接层，大大减少了模型参数量，较于传统CNN的性能有一定的提升。该方法虽然改进了传统CNN算法，但为了适应二维CNN的特征提取能力把原始一维时间序列数据转化为二维图片的形式，在原始数据的基础上增加了不必要的数据，提升了算法的复杂度。

技术实现思路

[0005]为解决上述现有算法复杂的问题，本专利技术提出了一种基于卷积神经网络的电压源
逆变器故障诊断方法，其技术方案如下：包括以下步骤，
[0006]S1、获取待诊断电压源逆变器的故障电流数据，并将所述故障电流数据进行预处理，得到故障电流数据集；
[0007]S2、将所述故障电流数据集输入至预先训练好的卷积神经网络模型中，得到所述待诊断电压源逆变器在多个故障类型分类下的故障诊断概率；其中，所述电压源逆变器故障诊断模型包括：输入层、特征提取层以及输出层，所述输入层将所述待诊断电压源逆变器的时域电流信号进行处理和数据增强处理后得到所述故障电流数据集后，通过所述特征提取层对所述故障电流数据集进行特征提取得到多个特征矢量；
[0008]所述特征提取层包括卷积层和全局最大池化层，所述故障电流数据集通过卷积层卷积核的卷积运算进行特征提取，提取得到的特征利用所述全局最大池化层进行特征降维和数据压缩处理后得到所述特征矢量；
[0009]所述输出层包括softmax层，多个所述特征矢量通过所述softmax层对所述待诊断电压源逆变器的时域电流信号根据预设的多个故障类型得到所述待诊断电压源逆变器的故障诊断概率；
[0010]S3、根据多个所述故障诊断概率对所述待诊断电压源逆变器进行故障诊断。
[0011]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0012]进一步，所述卷积层包括首层宽卷积核卷积层和多层连续卷积层，所述首层宽卷积核卷积层的卷积核至少为30
×
1，多层所述连续卷积层的卷积核为3
×
1；
[0013]进一步，所述卷积层还包括批规范化操作，所述故障电流数据集利用所述超宽卷积核层中进行随机失活过滤后，通过所述常规卷积层和所述宽卷积核层的卷积运算进行特征提取，所述宽卷积核层和所述常规卷积层的净输入都进行了批量规范化。
[0014]进一步，所述S1具体为，获取所述待诊断电压源逆变器的时域电流信号，将所述时域电流信号进行标准化处理的预处理后得到所述故障电流数据集。
[0015]进一步，所述S2中的所述预先训练好的电压源逆变器故障诊断模型是通过以下步骤获得：
[0016]采集电压源逆变器的时域电流信号，并进行数据增强处理和标准化处理后，得到故障电流训练数据集，且按照预设的比例将所述故障电流数据集分为训练集、验证集以及测试集；
[0017]基于卷积神经网络模型构建电压源逆变器故障诊断模型；
[0018]利用所述训练集对所述电压源逆变器故障诊断模型进行多次迭代训练，利用所述验证集对每次训练后的电压源逆变器故障诊断模型进行验证，选取收敛的卷积神经网络模型作为初步训练完成的电压源逆变器故障诊断模型；利用所述测试集对初步训练的电压源逆变器故障诊断模型进行测试，根据测试集的精确度判断所述初步训练的电压源逆变器故障诊断模型是否收敛，来得到训练好的电压源逆变器故障诊断模型。
[0019]进一步，所述数据增强处理具体为：通过随机重叠采样法对所述时域电流信号样本进行数据增强处理。
[0020]进一步，所述标准化处理的具体步骤为，对所述时域电流信号按照以下公式进行标准差标准化处理：
[0021][0022]其中，X为所述时域电流信号，μX为所述时域电流信号X的所有数据的均值，σX为所述时域电流信号X的所有数据的标准差。
[0023]本专利技术的另一个目的在于，基于上述一种基于卷积神经网络的电压源逆变器故障诊断踪方法，本专利技术还提供一种电压源逆变器故障诊断装置，其特征在于，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如权利要求上述的基于卷积神经网络电压源逆变器故障诊断检测方法。
[0024]本专利技术的再一个目的在于，基于上述一种基于卷积神经网络的电压源逆变器故障诊断方法，本专利技术还提供一种计算机可读存储介质：包括存储器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求上述的基于卷积神经网络的电压源逆变器故障诊断方法。
[0025]本专利技术的有益效果是：通过训练好的电压源逆变器故障诊断模型对故障电流数据进行故障诊断，可以更加准确智能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：包括以下步骤，S1、获取待诊断电压源逆变器的故障电流数据，并将所述故障电流数据进行预处理，得到故障电流数据集；S2、将所述故障电流数据集输入至预先训练好的电压源逆变器故障诊断模型中，得到所述待诊断电压源逆变器在多个故障类型分类下的故障诊断概率；其中，所述电压源逆变器故障诊断模型包括：输入层、特征提取层以及输出层，所述输入层将所述待诊断电压源逆变器的时域电流信号进行标准化处理和数据增强处理后得到所述故障电流数据集后，通过所述特征提取层对所述故障电流数据集进行特征提取得到多个特征矢量；所述特征提取层包括卷积层和全局最大池化层，所述故障电流数据集通过卷积层的卷积核卷积运算进行特征提取，提取得到的特征利用所述全局最大池化层进行特征降维和数据压缩处理后得到所述特征矢量；所述输出层包括softmax层，多个所述特征矢量通过所述softmax层对所述待诊断电压源逆变器的时域电流信号根据预设的多个故障类型得到所述待诊断电压源逆变器的故障诊断概率；S3、根据多个所述故障诊断概率对所述待诊断电压源逆变器进行故障诊断。2.根据权利要求1所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于，所述卷积层包括首层宽卷积核卷积层和多层连续卷积层，所述首层宽卷积核卷积层的卷积核至少为30
×
1，多层所述连续卷积层的卷积核为3
×
1。3.根据权利要求2所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述卷积层还包括批规范化操作，所述故障电流数据集利用所述宽卷积核层中进行随机失活后，通过所述常规卷积层和所述款卷积层的卷积运算进行特征提取，所述宽卷积核层和所述常规卷积层的净输入都进行了批量规范化。4.根据权利要求1所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述S1具体为，获取所述待诊断电压源逆变器的时域电流信号，将所述时域电...

【专利技术属性】
技术研发人员：王荣杰，张世奇，林安辉，王亦春，司玉鹏，王礼宝，
申请(专利权)人：集美大学，
类型：发明
国别省市：