基于增量学习的电力变换器故障诊断方法技术

本发明专利技术涉及一种基于增量学习的电力变换器故障诊断方法。首先，应用残差网络得到的原始数据的深层特征表示，然后将得到的特征和对应标签对宽度学习系统进行更新。对于新收集的数据，通过残差网络的自动特征提取，再对BLS进行节点扩展来识别新的故障模式，实现故障模式的增量学习，通过电机驱动的变换器故障诊断验证了所提方法的有效性。实验结果表明，该方法能有效地更新诊断模型来增量学习新的故障类别和新的故障模式。别和新的故障模式。别和新的故障模式。

【技术实现步骤摘要】
基于增量学习的电力变换器故障诊断方法


[0001]本专利技术涉及一种基于增量学习的电力变换器故障诊断方法。

技术介绍

[0002]电力电子变换器作为电机驱动和电能变换系统的核心部件，其健康状态对于电力系统安全稳定运行具有重要的影响。由于频繁的开关动作以及热应力和电应力的影响，电力电子变换器是电气设备中最为脆弱的部件，比一般的电气设备更容易损坏。其常见故障以短路和断路的形式出现，短路故障发生速度极快，会导致过电流或过温，可通过保护措施将其转化为断路故障处理[1]，而断路故障通常不足以激活保护系统，通常不易检测到，使得电路仍然可以在故障模式下运行，往往会造成二次故障，导致系统瘫痪停机，甚至带来巨大的事故和损失。因此，需要采取快速智能的故障诊断方法，做到预测性维护，提高诊断可靠性。
[0003]故障诊断问题本质上就是一个模式识别问题[2]，将具有相同特征的异常样本被划分为一种故障类别，分类出相似的数据，从而有效的定位故障所在位置。近年来，基于深度学习的智能故障诊断方法获得了巨大的成功，通过构建一个端到端的深度网络模型，自动地提取数据代表性特征，直接从数据中识别出故障信号，无需额外的数据处理方法，避免手动提取和选择特征的过程[3
‑
5]。一般而言，深度模型通过深层特征提取，可以从输入中提取更具代表性的特征，并挖掘故障特征与对应标签之间的潜在性质，利用深度模型生成的特征作为预测因子，建立非线性模型来区分各个故障模式。文献[6]提出一种深度堆叠自动编码器对故障特征进行学习，能够自动学习输入数据的高级非线性表示，拥有稳定的诊断性能。文献[7]采用长短期记忆(LSTM)网络和卷积神经网络(CNN)结合的自编码器对故障信号进行特征学习和特征选择，能够从复杂的信号中学习有效的特征。文献[8]采用一维残差自编码器，成功地应用于机械系统故障诊断之中。文献[9]在基于LeNet
‑
5卷积神经网络下，将时域信号数据转换为图像，实现了在线的故障诊断。
[0004]尽管基于深度学习的故障诊断方法在电气设备的诊断中备受关注，但仍有一些缺陷限制了其在实际中的应用：故障分类前提为所有可能的故障状态数据可用[10]，而许多实际应用场景中，一旦检测到故障，为避免严重损失，将及时停机，一般难以收集到充足的故障样本。且随着时间的推移，会不断的出现新的故障样本，新类型的异常数据也时有发生，即监测到的故障状态数据是增量累积的[11]。然而，大多数故障诊断方法是基于历史数据构建的，当数据库出现了额外的数据(新的样本或新类别数据)，所训练的模型无法动态学习更新，对新的数据进行识别，缺乏增量学习能力，这在实际应用中是不可行的。若希望模型学习新收集的数据的有效信息，则需要使用历史数据和新收集的数据对整个模型进行再训练过程，这将耗费大量的时间和资源，非常低效[12
‑
14]。此外，实际故障分类过程中，往往我们采集到的样本不仅仅是历史类别的样本，还可能存在不属于初始模型建模时的任何故障类型的未知故障样本和与已知样本类别相同但处于不同的分布的样本，这些样本未参加模型的训练过程，很容易被误诊。虽然理论上可以通过使用大量的数据训练模型来解
决这个问题，但实际上我们不可能保证能够收集所有可能发生故障的数据。因此，诊断模型的设计应具有增量能力[15
‑
17]，除了对已知故障进行分类外，还应能够持续识别新出现的故障模式，而无需进行完整的模型再训练过程，并且能够用新采集的样本集成于模型之中来提升诊断模型性能。
[0005]目前，[18]通过在模型中设定阈值来区分新的故障模式，仅仅是将除已知之外的故障类别数据识别出来，所有未知的类别作为一类，而未知类别间的信息忽略，分类器缺乏区分未知故障类型间的不同故障类型的诊断能力，且阈值的设定完全凭人为经验，当数据变动时，容易误诊。同样的，[19]在基于1D CNN上采用一对所有分类器，仅仅判别是否属于已有的故障类别，将所有的未知故障类别归为一类。而往往将未知的多类故障分离出来有利于后续的智能维护。
[0006]针对以上问题，本文提出了具有增量学习能力的BRES模型，根据有限样本构建诊断模型，然后自我更新以包含新收集的样本，在增量的同时，不会降低历史数据的诊断能力，能够对历史数据和新出现的故障模式数据进行识别。所提出的模型建立于深度残差网络(ResNet)的自动特征提取和宽度学习系统[20
‑
22](Broad Learning System，BLS)的增量学习能力的基础上。

技术实现思路

[0007]本专利技术的目的在于提供一种基于增量学习的电力变换器故障诊断方法，首先从历史数据训练一个最佳一维残差网络，从监测信号中提取有意义的特征，然后将这些信息输入具有增量学习能力的BLS分类器之中，而新增的数据通过参数保存的最佳一维残差网络进行深度特征的学习，再将特征输入至BLS之中进行节点的增量与学习，而无需深度神经网络的重新训练过程，从而识别出历史故障状态和新的故障状态。该方法在原始模型的基础上，充分利用原始信息，对新增数据进行增量学习，以包含新的内容，而不会完全舍弃原来学习到的信息。
[0008]为实现上述目的，本专利技术的技术方案是：一种基于增量学习的电力变换器故障诊断方法，首先从历史数据训练一个最佳一维残差网络，从监测信号中提取代表性特征；然后将代表性特征输入具有增量学习能力的BLS分类器之中，新增的数据通过参数保存的最佳一维残差网络进行深度特征的学习；再将经深度特征的学习后的特征输入至BLS分类器之中进行节点的增量与学习，而无需深度神经网络的重新训练过程，从而识别出历史故障状态和新的故障状态；该方法具体实现步骤如下：
[0009]1)主干网络预训练：
[0010]从目标系统采集故障信号作为输入，对预处理的历史数据进行深度残差网络预训练，将最佳一维残差网络保存，作为第一阶段的特征提取基；
[0011]2)BLS增量模型：
[0012]基于保存的最佳一维残差网络所提取的特征，利用BLS算法得到初始故障分类器，输出历史数据的分类结果；当出现其他新数据时，扩展BLS层的增强节点和特征节点，学习额外的信息，更新模型参数，这样BLS增量模型能够自我更新学习新的内容。
[0013]在本专利技术一实施例中，主干网络采用残差网络作为特征提取基以获得代表性特征。
[0014]在本专利技术一实施例中，主干网络结构由卷积层、激活层、残差块、辅助层BN层及Dropout层的级联组成。
[0015]在本专利技术一实施例中，BLS增量模型，即将主干网络提取的特征及对应标签输入BLS分类器，设n为特征节点数，m为增强节点数，将提取的特征进行线性映射和激活函数的激活，所得到的结果输入到BLS网络的特征映射层Z，并由映射层的特征经过线性映射和激活函数的变换得到增强层H：
[0016]Z
i
＝Φ
i
(XW
ei
+β
ei
),i＝1,...,n
[0017本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增量学习的电力变换器故障诊断方法，其特征在于，首先从历史数据训练一个最佳一维残差网络，从监测信号中提取代表性特征；然后将代表性特征输入具有增量学习能力的BLS分类器之中，新增的数据通过参数保存的最佳一维残差网络进行深度特征的学习；再将经深度特征的学习后的特征输入至BLS分类器之中进行节点的增量与学习，而无需深度神经网络的重新训练过程，从而识别出历史故障状态和新的故障状态。2.根据权利要求1所述的基于增量学习的电力变换器故障诊断方法，其特征在于，该方法具体实现步骤如下：1)主干网络预训练：从目标系统采集故障信号作为输入，对预处理的历史数据进行深度残差网络预训练，将最佳一维残差网络保存，作为第一阶段的特征提取基；2)BLS增量模型：基于保存的最佳一维残差网络所提取的特征，利用BLS算法得到初始故障分类器，输出历史数据的分类结果；当出现其他新数据时，扩展BLS层的增强节点和特征节点，学习额外的信息，更新模型参数，这样BLS增量模型能够自我更新学习新的内容。3.根据权利要求2所述的基于增量学习的电力变换器故障诊断方法，其特征在于，主干网络采用残差网络作为特征提取基以获得代表性特征。4.根据权利要求3所述的基于增量学习的电力变换器故障诊断方法，其特征在于，主干网络结构由卷积层、激活层、残差块、辅助层BN层及Dropout层的级联组成。5.根据权利要求2所述的基于增量学习的电力变换器故障诊断方法，其特征在于，BLS增量模型，即将主干网络提取的特征及对应标签输入BLS分类器，设n为特征节点数，m为增强节点数，将提取的特征进行线性映射和激活函数的激活，所得到的结果输入到BLS网络的特征映射层Z，并由映射层的特征经过线性映射和激活函数的变换得到增强层H：Z
i
＝Φ
i
(XW
ei
+β
ei
),i＝1,...,nH
j
＝ξ
j
(Z
n
W
hj
+β
hj
),j＝1,...,m式中Z
i
表示第i个特征节点，W
ei
、β
ei
为连接于特征映射层随机生成的权重和偏置，H
j
表示第j个增强节点，W
hj
、β
hj
为连接于增强层随机生成的权重和偏置；将所有的映射节点集合Z
n
＝[Z1,Z2,
…
,Z
n
]和增强节点集合H
m
＝[H1,H2,
…
,H
m
]输出至输出层Y，所有权重的集合定义为W：Y＝[Z
n
|H
m
]W
ꢀꢀꢀꢀ
(...

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