一种三电平逆变器故障诊断方法及装置制造方法及图纸

本发明专利技术提供了一种三电平逆变器故障诊断方法及装置，属于逆变器故障识别领域，包括以下步骤：获取三电平逆变器的故障数据；对三电平逆变器的故障数据进行预处理，得到故障灰度图；对三电平逆变器的故障数据进行样本划分；通过卷积神经网络对故障灰度图中的故障特征进行提取；将提取得到的灰度图像特征作为输入，构建基于支持向量机的三电平逆变器故障识别模型；利用三电平逆变器故障识别模型进行故障诊断。本发明专利技术采用CNN

A fault diagnosis method and device for three-level inverter

【技术实现步骤摘要】
一种三电平逆变器故障诊断方法及装置


[0001]本专利技术属于三电平逆变器开关管开路故障的识别与定位领域，具体涉及一种三电平逆变器故障诊断方法及装置。

技术介绍

[0002]近年来，电力电子变换器已广泛应用于新能源汽车、工业机器人、高压直流输电、大功率电解和电机驱动系统。然而，由于暴露在恶劣的工作环境中，逆变器容易因设备老化、过载、意外操作而遭受严重故障。据报道，电力电子系统约38％的故障是由电力电子开关的故障引起的。因此，电力电子变换器开关管的故障诊断研究对提高系统稳定性和保证系统安全高效运行起着至关重要的作用。
[0003]通过建立电路的故障模型来分析详细的故障方程。然而，这种方法对参数敏感，并且非常容易受到外部干扰，因此精确的故障数学模型难以建立。与基于模型的方法相比，机器学习方法，对电路模型的依赖更少，效率更高。通过卷积和池化操作，CNN可以自动地从训练数据中提取更多有区别的特征。此外，由于使用卷积核、共享权重和池化操作，CNN模型的复杂性和参数大大降低。尽管CNN相对于传统神经网络有很多优势，但CNN训练算法与基于经验风险最小化原则的BPNN相似，而且需要大样本数据，存在过拟合问题。

技术实现思路

[0004]为了克服上述现有技术存在的不足，本专利技术提供了一种三电平逆变器故障诊断方法及装置。
[0005]为了实现上述目的，本专利技术提供如下技术方案：
[0006]一种三电平逆变器故障诊断方法，包括以下步骤:
[0007]获取三电平逆变器的故障数据；
[0008]对故障数据进行预处理，得到故障灰度图；
[0009]通过卷积神经网络(Convolutional neural network,CNN)对故障灰度图中的故障特征进行提取；
[0010]将CNN提取得到的灰度图像特征作为输入，构建基于支持向量机(Support vector machine,SVM)的三电平逆变器故障识别模型；
[0011]利用三电平逆变器故障识别模型进行故障诊断。
[0012]优选地，利用示波器周期性的对三电平逆变器的故障波形进行采样，得到各种故障的三相相电压的原始故障数据。
[0013]优选地，所述对故障数据进行预处理，得到故障灰度图，具体步骤为：
[0014]以A相在前、B相在中、C相在后的原则，对所述原始故障数据中的样本进行组合；
[0015]对组合后的样本进行归一化，归一化的公式如下：
[0016][0017]公式(1)中X∈[0,1]，为归一化后的样本值；X
i
为样本数据；X
min
为最小样本值；X
max
为最大样本值；
[0018]对归一化后的样本值进行线性灰度图转换，得到故障灰度图。
[0019]优选地，所述卷积神经网络CNN包含卷积层、池化层和全平均池化层；
[0020]卷积层使用Keras中的2D卷积层Conv2D，卷积核尺寸为3*3，卷积核数量为64；
[0021]池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为2*2；
[0022]灰度图像特征提取采用卷积、池化交替布局，经过提取出多维特征向量；
[0023]进行全平均池化操作，将多特征向量转换为多个特征值作为输出。
[0024]优选地，所述将多特征向量转换为多个特征值作为输出，具体包括以下步骤：
[0025]做一次过度卷积，将多特征向量转换成多个特征向量；
[0026]进行全局平均操作，其计算公式为：
[0027][0028]公式(2)中x
ij
为上一层输出，y
ij
为全平均层核的值，f(x)为输出值。
[0029]优选地，卷积层的padding方式为same。
[0030]优选地，所述通过卷积神经网络CNN对故障灰度图中的故障特征进行提取，还包括采用随机抽样法将预处理后的故障灰度图数据按照比例划分独立的训练集和测试集。
[0031]优选地，利用CNN提取的图像特征在训练集上构建基于SVM的三电平逆变器故障识别模型，确定SVM三电平逆变器故障识别模型的参数；利用所述测试集来测试三电平逆变器故障识别模型识别的效果。
[0032]本专利技术的另一目的在于提供一种三电平逆变器故障诊断装置，包括：
[0033]数据采集模块，用于获取三电平逆变器的故障数据；
[0034]预处理模块，用于对故障数据进行预处理，得到故障灰度图；
[0035]特征提取模块，用于通过卷积神经网络CNN对故障灰度图中的故障特征进行提取；
[0036]故障识别模块，用于将CNN提取得到的灰度图像特征作为输入，构建基于支持向量机SVM的三电平逆变器故障识别模型；利用三电平逆变器故障识别模型进行故障诊断。
[0037]本专利技术提供的三电平逆变器故障诊断方法及装置具有以下有益效果：
[0038]该方法利用数据转换的思想，将故障数据转换成灰度图，规避了一维数据的缺点，提供了一种基于CNN
‑
SVM模型的三电平逆变器的故障诊断技术，提出的模型结合了卷积神经网络的特征提取能力和SVM的泛化能力，能够处理小样本的故障分类；针对三电平逆变器的故障具有较高的识别率，以及不需要繁琐的建模过程。
附图说明
[0039]为了更清楚地说明本专利技术实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本专利技术的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为本专利技术实施例1的三电平逆变器故障诊断方法的流程图；
[0041]图2是本专利技术中的数据转换流程图；
[0042]图3是本专利技术中的CNN
‑
SVM网络结构图；
[0043]图4是本专利技术中的SVM算法最优平面；
[0044]图5为一个周期内样本数据的灰度图转换图。
具体实施方式
[0045]为了使本领域技术人员更好的理解本专利技术的技术方案并能予以实施，下面结合附图和具体实施例对本专利技术进行详细说明。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0046]实施例1
[0047]本专利技术的实施例提供了一种三电平逆变器故障诊断方法，该实施例是在windows10系统下，采用Keras(V2.2.4)进行分析，并将tensorflow1.14作为其后端，采用CUDA(Compute Unified Device Architecture)加速模型训练过程，硬件使用AMD Ryzen7
‑
4800H CPU和NVIDIA RTX2060型号的GPU。
[0048]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，结合附图，对本专利技术实例三电平逆变器故障诊断方法作详细说明，如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三电平逆变器故障诊断方法，其特征在于，包括以下步骤:获取三电平逆变器的故障数据；对故障数据进行预处理，得到故障灰度图；通过卷积神经网络CNN对故障灰度图中的故障特征进行提取；将CNN提取得到的灰度图像特征作为输入，构建基于支持向量机SVM的三电平逆变器故障识别模型；利用三电平逆变器故障识别模型进行故障诊断。2.根据权利要求1所述的三电平逆变器故障诊断方法，其特征在于，利用示波器周期性的对三电平逆变器的故障波形进行采样，得到各种故障的三相相电压的原始故障数据。3.根据权利要求2所述的三电平逆变器故障诊断方法，其特征在于，所述对故障数据进行预处理，得到故障灰度图，具体步骤为：以A相在前、B相在中、C相在后的原则，对所述原始故障数据中的样本进行组合；对组合后的样本进行归一化，归一化的公式如下：公式(1)中X∈[0,1]，为归一化后的样本值；X
i
为样本数据；X
min
为最小样本值；X
max
为最大样本值；对归一化后的样本值进行线性灰度图转换，得到故障灰度图。4.根据权利要求1所述的三电平逆变器故障诊断方法，其特征在于，所述卷积神经网络CNN包含卷积层、池化层和全平均池化层；卷积层使用Keras中的2D卷积层Conv2D，卷积核尺寸为3*3，卷积核数量为64；池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为2*2；灰度图像特征提取采用卷积、池化交替布局，经过提取出多维特征向量；进行全平均池化操作...

【专利技术属性】
技术研发人员：田里思，杨涛，张鸿伟，宋建雄，刘立伟，尚剑，潘大海，庄虎，史猛猛，
申请(专利权)人：徐州宏远通信科技有限公司，
类型：发明
国别省市：