一种卷积神经网络的UPS系统整流器故障诊断方法技术方案

本发明专利技术公开了一种基于卷积神经网络的UPS系统整流器故障诊断方法。其中包括：收集正常以及不同故障状态下整流器瞬时输出电压信号，然后引入数据预处理方式，将输出电压信号数据转换成二维灰度图像来提取转换后的图像特征，消除手工特征的影响；将灰度图作为特征量，打上相应的标签制作成数据集，并分为训练集与测试集后，将训练集灰度图送入搭建好的卷积神经网络中进行训练；利用训练好的神经网络对测试集灰度图进行分类与识别。本发明专利技术能够有效实现UPS系统整流器故障识别与分类，通过利用整流器输出电压和卷积神经网络解决UPS系统整流器故障诊断的问题。故障诊断的问题。故障诊断的问题。

【技术实现步骤摘要】
一种卷积神经网络的UPS系统整流器故障诊断方法


[0001]本申请涉及故障诊断
，特别涉及一种基于卷积神经网络的UPS系统整流器故障诊断方法。

技术介绍

[0002]UPS广泛应用于日常生活中的各个领域，可以在市电异常或者断电的情况下，还能维持一段时间的供电，为负载不间断的提供电能并保证供电质量，在许多中大型企业更是发挥着不可替代的作用。UPS的健康状况直接关乎到UPS能否继续提供优质电流和企业的数据安全。因此国内外对UPS健康状况的研究逐渐变得重视起来。UPS在慢慢的发展过程中，其主要组成部分演变成电力电子电路，由整流器、电池组及逆变器构成主要组成部分，因此关注UPS的健康状况即为关注UPS系统中电力电子电路的健康状况。因此，本专利技术主要针对UPS系统整流器故障诊断提出了基于卷积神经网络的UPS系统整流器故障诊断方法。

技术实现思路

[0003]本专利技术采用的技术方案为：一种基于卷积神经网络的UPS系统整流器故障诊断方法，包括以下步骤：
[0004]收集UPS系统在正常以及不同故障运行状态下UPS系统整流器输出电压信号，并引入数据预处理方式；所述数据预处理方式用于对所述电压信号进行数据预处理；
[0005]将预处理后的电压信号数据转换成二维灰度图像，并提取所述二维灰度图像的图像特征和消除所述二维灰度图像的手工特征；
[0006]将所述二维灰度图像作为特征量，并对所述特征量标记预设标签获取数据集，所述数据集包括训练集和测试集；
[0007]通过将所述训练集输入初始卷积神经网络中进行训练来确定预设卷积神经网络；
[0008]将所述测试集输入所述预设卷积神经网络获取测试集的分类与识别。
[0009]可选的，所述二维灰度图像包括所述UPS系统在正常运行状态和不同故障运行状态下的整流器输出的灰度图像。
[0010]可选的，所述通过将所述训练集输入初始卷积神经网络中进行训练来确定预设卷积神经网络之前，所述方法还包括：
[0011]根据所述数据集确定初始卷积神经网络的卷积层中卷积核大小数目、扫描步长、非线性函数，子采样层中的池化方法，隐层数的初始值，并对所述初始卷积神经网络中的网络参数进行初始化。
[0012]本专利技术通过利用整流器输出电压和卷积神经网络解决UPS系统整流器故障诊断的问题。首先，收集正常以及不同故障状态下整流器瞬时输出电压信号，然后引入数据预处理方式，将输出电压信号数据转换成二维灰度图像来提取转换后的图像特征，消除手工特征的影响，最后将灰度图作为特征量，打上相应的标签制作成数据集，并分为训练集与测试集后，将训练集灰度图送入搭建好的卷积神经网络中进行训练，利用训练好的神经网络对测
试集灰度图进行分类与识别。本专利技术能够有效实现UPS系统整流器故障识别与分类。
附图说明
[0013]图1为本专利技术的基于卷积神经网络的UPS系统整流器故障诊断方法的一个实施例流程示意图；
[0014]图2为本专利技术的故障诊断框架图；
[0015]图3为UPS系统整流器工作等效电路图。
具体实施方式
[0016]本申请实施例提供了一种基于卷积神经网络的UPS系统整流器故障诊断方法，由于数据预处理方法可以在没有任何预定义参数的情况下进行计算，且尽可能减少依赖技术人员的经验。卷积神经网络(CNN)是一种典型的深度学习模型，具有局部感知、共享权重、空间上或时间上的降采样等特点，减少参数的同时充分利用了数据本身包含的局部性特征。相比传统的机器学习故障诊断方法，深度学习通过所建立的深层次模型能够以原始信号作为输入，实现端到端的故障诊断。
[0017]请参阅图1至图3，本申请实施例中基于卷积神经网络的UPS系统整流器故障诊断方法一个实施例包括：
[0018]101、收集UPS系统在正常以及不同故障运行状态下UPS系统整流器输出电压信号，并引入数据预处理方式；数据预处理方式用于对电压信号进行数据预处理；
[0019]当UPS整流器故障时，收集UPS系统运行时的整流器输出电压信号，在本申请实施例中，UPS系统整流器故障模式列表如表1所示：
[0020]表1
[0021][0022]102、将预处理后的电压信号数据转换成二维灰度图像，并提取二维灰度图像的图像特征和消除二维灰度图像的手工特征，二维灰度图像包括UPS系统在正常运行状态和不同故障运行状态下的整流器输出的灰度图像；
[0023]当收集UPS系统运行时的整流器输出电压信号且引入了数据预处理方式之后，对
电压信号进行归一化处理，电压信号经过离散化处理、取整并转换为灰度值(灰度图像的每个像素点包含[0，255]整数值，表示为图像每个像素点的灰度值)的信号为pm(i)，其中函数f是将归一化的离散信号进行取整。
[0024][0025]由于构建UPS系统在正常运行和不同故障运行下的整流器输出电压信号并将其转换为灰度图，并将其作为步骤105卷积神经网络输入层，所以根据卷积神经网络的输入要求，需要将转换为灰度值的离散信号进行长度截取，信号截取长度为N，截取后的长度为N2，通常N的取值为32、64和128等。截取后n个离散信号为pn(i)，n的范围为f为取整函数，其中：
[0026]P
n
(i)＝p
m
(i,i+N2‑
1)
[0027]经过截取后的离散信号仍为1
×
N2的一维矩阵，此时需要将其转换为N
×
N的二维矩阵，最终经过转换的离散信号，即表示灰度图像的矩阵为：
[0028][0029]103、将二维灰度图像作为特征量，并对特征量标记预设标签获取数据集，数据集包括训练集和测试集；
[0030]根据步骤101中的表1对二维灰度图像的特征标记预设标签来确定二维灰度图像的故障类型，从而形成完整的数据集，然后将数据集分成训练集和测试集。
[0031]在本实施例中，测试集可以为任一需要做诊断的数据集，具体此处不做具体限定。
[0032]104、根据数据集确定初始卷积神经网络的卷积层中卷积核大小数目、扫描步长、非线性函数，子采样层中的池化方法，隐层数的初始值，并对初始卷积神经网络中的网络参数进行初始化；
[0033]105、通过将训练集输入初始卷积神经网络中进行训练来确定预设卷积神经网络；
[0034]当对初始化卷积神经网络进行初始化之后，将训练集输入初始化卷积神经网络进行训练，以确定趋于平稳的预设卷积神经网络，即构建预设卷积神经网络(CNN网络)，详细的：
[0035]CNN网络包括输入层、多个隐层、全连接层和输出层，隐层主要由卷积层和子采样层组成，输入可以是图像或是向量形式的数据。
[0036]卷积层用来进行数据特征提取，卷积层的数学模型为：
[0037][0038]其中，M
j
为输入特征，l表示第l层网络，K表示卷积核，b为偏置，为第l层输出，为第l
‑<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UPS系统整流器故障诊断方法，其特征在于，包括：收集UPS系统在正常以及不同故障运行状态下UPS系统整流器输出电压信号，并引入数据预处理方式；所述数据预处理方式用于对所述电压信号进行数据预处理；将预处理后的电压信号数据转换成二维灰度图像，并提取所述二维灰度图像的图像特征和消除所述二维灰度图像的手工特征；将所述二维灰度图像作为特征量，并对所述特征量标记预设标签获取数据集，所述数据集包括训练集和测试集；通过将所述训练集输入初始卷积神经网络中进行训练来确定预设卷积神经网络；将所述测试集输入所述预设卷积神经网络获取...

【专利技术属性】
技术研发人员：李绍坚，王愚，邓高峰，聂雷刚，韦捷，王益成，黄增柯，许鹏飞，韦宗春，褚健，欧阳丹，向颖，李佩，黄勇，江雄勇，国家栋，黄宇楠，赵璨，姜宇，余瑜，
申请(专利权)人：广西电网有限责任公司南宁供电局，
类型：发明
国别省市：