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：