基于电流信号像素化的逆变器开路及传感器故障诊断方法技术

本发明专利技术公开了一种基于电流信号像素化的逆变器开路及传感器故障诊断方法，属于计算机视觉领域，该识别方法通过信号像素化方法对电流信号进行处理，将处理后的故障图片对主干网络优化得到故障诊断网络，并利用故障诊断网络对故障进行诊断。本发明专利技术诊断方法采用基于电流信号像素化的图像处理方法，相比于传统的图像处理方法，能放大故障特征，更好的提高网络的识别率。本发明专利技术的方法在测试集上有着很好的诊断正确率，适应实际的应用。适应实际的应用。适应实际的应用。

【技术实现步骤摘要】
基于电流信号像素化的逆变器开路及传感器故障诊断方法


[0001]本专利技术涉及计算机视觉领域，尤其涉及一种基于电流信号像素化的逆变器开路及传感器故障诊断方法。

技术介绍

[0002]风力发电作为当今世界最具潜力、发展最快的可再生能源之一，为解决世界能源危机问题做出了极大贡献。作为风力发电系统实现由风能转化为电能的关键器件，逆变器故障和传感器故障会导致设备故障、停工甚至对作业人员造成安全威胁，因此逆变器故障和传感器故障是当前研究的热点。
[0003]马铭遥，凌峰，孙雅蓉，李飞，张兴等发表的《三相电压型逆变器智能化故障诊断方法综述[J]》(中国电机工程学报，2020，40(23)：7683
‑
7699.DOI：10.13334/j.0258
‑
8013.pcsee.201235)的论文指出逆变器的开路故障诊断方法主要由三类组成：基于信号的处理方法，基于模型的处理方法，基于数据驱动的方法。基于信号的处理方法，主要根据电流、电压的信号来分析幅值、频率、电流平均值、电压比值等属性，但这些方法容易受外界因数干扰或系统内部扰动影响，误诊率高。基于模型的处理方法，主要根据逆变器的数学模型，一般用电压残差模型、电流观测器等模型，通过这些模型的残差信号来进行故障诊断，这种方法有一定的系统参数，且对系统建模有一定的精度要求。基于数据驱动的方法，主要有神经网络、专家系统和支持向量机等，这些方法不需要复杂的建模，但对数据的依赖性较强。
[0004]马立群，孙晓哲，杨士斌等发表的《民用飞机飞控系统传感器故障诊断研究综述[J]》(电光与控制，2022，29(01)：56
‑
60)论文中，传感器的故障诊断方法也可分为基于信号、基于模型、基于数据驱动这三种方法。基于信号的方法可以采用计算电流平均值、建立扩展卡尔曼滤波模型等方法来识别传感器故障，但抗干扰性不强。基于模型的故障诊断一般采用观测器来实现故障识别，如电流观测器、电压观测器和若干个观测器组成的观测器组，但对建模精度有要求，计算量大。基于数据驱动的方法可以通过贝叶斯网络、极限学习机等方法来实现传感器故障的诊断，但依赖数据。综上所述，现有的逆变器开路及传感器故障诊断方法有以下问题：
[0005]1.基于信号的故障诊断方法易受外界影响，抗干扰性不强。
[0006]2.基于模型的故障诊断方法对系统建模要求高，难以实现。
[0007]3.现有的图像处理方法无法保证多种故障的识别率。

技术实现思路

[0008]本专利技术的是解决上述现有技术中存在的问题。具体的，首先通过信号像素化方法对电流信号进行处理，将处理得到的像素化图片送入残差网络ResNet50进行训练，训练得到性能最好的ResNet50作为逆变器开路及传感器故障诊断网络，完成故障诊断任务。与传统方法相比，本专利技术方法在信号处理时使用本文提出的信号像素化方法，放大了信号特征，
方便网络进行特征提取，从而提高多种故障识别时的正确率。
[0009]为了实现上述目的，本专利技术提供了一种基于电流信号像素化的逆变器开路及传感器故障诊断方法，包括将像素化的图片训练残差网络得到具有最有识别性能的故障诊断模型，并将该模型对逆变器开路及传感器故障进行识别，具体包括以下步骤：
[0010]1.一种基于电流信号像素化的逆变器开路及传感器故障诊断方法，其特征在于，将采集的电流信号通过信号像素化方法转化成故障图像，再通过训练残差网络结构得到具有最佳识别效果的故障识别网络，并使用该网络对故障图像进行识别，具体包括以下步骤：
[0011]步骤1，故障图像的采集和处理
[0012]步骤1.1，将逆变器开路及传感器故障分成U类，通过simulink仿真平台搭建U类故障模型，并将每类故障模型输出的故障信号按时间序列区分截取得到V个故障信号矩阵，即共采集得到U
×
V个故障信号矩阵，其中，U为故障种类数，V为时间序列数；
[0013]步骤1.2，将收集到的U
×
V个故障信号矩阵通过信号像素化方法进行处理，并将处理后得到的电流信号图像记为故障图像，共得到U
×
V张故障图像，此时，时间序列数V即为每类故障所包含的故障图像张数；
[0014]从U类故障图像的每类中选取J张故障图像作为训练样本，即得到一个由U
×
J张故障图像构成的训练样本集；然后再将U
×
V张故障图像中剩下的故障图像作为验证样本，即得到一个由U
×
K张故障图像构成的验证样本集，J＞K，且J+K＝V；
[0015]步骤2，通过对残差网络结构进行训练，得到具有最佳识别效果的网络，并记为故障识别网络，具体步骤如下：
[0016]步骤2.1，选取ResNet50残差网络作为主干网络，所述ResNet50残差网络包括依次串联的以下结构：卷积核为7
×
7通道数为64且步距为2的卷积层α，卷积核为3
×
3且步距为2的最大池化下采样层β，由3个相同的残差结构1沿网络输入
‑
输出方向串联组成的第一残差结构组δ1，由4个相同的残差结构2沿网络输入
‑
输出方向串联组成的第二残差结构组δ2，由6个相同的残差结构3沿网络输入
‑
输出方向串联组成的第三残差结构组δ3，由3个相同的残差结构4沿网络输入
‑
输出方向串联组成的第四残差结构组δ4，1个平均池化层ε，1个全连接层φ；
[0017]所述ResNet50残差网络的输入为卷积层α，输出为全连接层φ；
[0018]步骤2.2，利用训练样本集对步骤2.1所述的ResNet50残差网络进行迭代优化
[0019]步骤2.2.1，参数的定义
[0020]令迭代次数为I，并将其中任意一次迭代记为第G次迭代，第G次迭代优化得到的网络记为当前优化网络H
G
，当前优化网络H
G
的前一次优化得到的网络记为前一优化网络H
G
‑1，当G＝2时，前一优化网络H
G
‑1为步骤2.1中定义的ResNet50残差网络，G＝2，3，...，I；
[0021]其中，第G次迭代优化的过程见步骤2.2.2
‑
步骤2.2.5：
[0022]步骤2.2.2，通过图像预处理操作将训练样本集中的故障图像的像素统一调整为A
×
A；
[0023]随机选取训练样本集中的B张故障图像，并将其中任意一张故障图像的序号记为c，c＝1，2，...，B，计算第c张故障图像的真实概率序列D
c
，且其中，k为真实概率序列D
c
中每个真实概率值的序号，k＝1，2，...，Z，表示第c张故障图像在真实概率序列D
c
中第k个真实概率值；
[0024]所述真实概率序列Dc的定义如下：令则真实概率序列中其它的真实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电流信号像素化的逆变器开路及传感器故障诊断方法，其特征在于，将采集的电流信号通过信号像素化方法转化成故障图像，再通过训练残差网络结构得到具有最佳识别效果的故障识别网络，并使用该网络对故障图像进行识别，具体包括以下步骤：步骤1，故障图像的采集和处理步骤1.1，将逆变器开路及传感器故障分成U类，通过simulink仿真平台搭建U类故障模型，并将每类故障模型输出的故障信号按时间序列区分截取得到V个故障信号矩阵，即共采集得到U
×
V个故障信号矩阵，其中，U为故障种类数，V为时间序列数；步骤1.2，将收集到的U
×
V个故障信号矩阵通过信号像素化方法进行处理，并将处理后得到的电流信号图像记为故障图像，共得到U
×
V张故障图像，此时，时间序列数V即为每类故障所包含的故障图像张数；从U类故障图像的每类中选取J张故障图像作为训练样本，即得到一个由U
×
J张故障图像构成的训练样本集；然后再将U
×
V张故障图像中剩下的故障图像作为验证样本，即得到一个由U
×
K张故障图像构成的验证样本集，J＞K，且J+K＝V；步骤2，通过对残差网络结构进行训练，得到具有最佳识别效果的网络，并记为故障识别网络，具体步骤如下：步骤2.1，选取ResNet50残差网络作为主干网络，所述ResNet50残差网络包括依次串联的以下结构：卷积核为7
×
7通道数为64且步距为2的卷积层α，卷积核为3
×
3且步距为2的最大池化下采样层β，由3个相同的残差结构1沿网络输入
‑
输出方向串联组成的第一残差结构组δ1，由4个相同的残差结构2沿网络输入
‑
输出方向串联组成的第二残差结构组δ2，由6个相同的残差结构3沿网络输入
‑
输出方向串联组成的第三残差结构组δ3，由3个相同的残差结构4沿网络输入
‑
输出方向串联组成的第四残差结构组δ4，1个平均池化层ε，1个全连接层φ；所述ResNet50残差网络的输入为卷积层α，输出为全连接层φ；步骤2.2，利用训练样本集对步骤2.1所述的ResNet50残差网络进行迭代优化步骤2.2.1，参数的定义令迭代次数为I，并将其中任意一次迭代记为第G次迭代，第G次迭代优化得到的网络记为当前优化网络H
G
，当前优化网络H
G
的前一次优化得到的网络记为前一优化网络H
G
‑1，当G＝2时，前一优化网络H
G
‑1为步骤2.1中定义的ResNet50残差网络，G＝2，3，...，I；其中，第G次迭代优化的过程见步骤2.2.2
‑
步骤2.2.5：步骤2.2.2，通过图像预处理操作将训练样本集中的故障图像的像素统一调整为A
×
A；随机选取训练样本集中的B张故障图像，并将其中任意一张故障图像的序号记为c，c＝1，2，...，B，计算第c张故障图像的真实概率序列D
c
，且其中，k为真实概率序列D
c
中每个真实概率值的序号，k＝1，2，...，Z，表示第c张故障图像在真实概率序列D
c
中第k个真实概率值；所述真实概率序列D
c
的定义如下：令则真实概率序列中其它的真实概率值均为0；步骤2.2.3，将步骤2.2.2选取的B张故障图像输入到前一优化网络H
G
‑1中，输出为每张
故障图像的预测概率序列E
c
，其中，j表示在预测概率序列E
c
中每个预测概率值的序号，j＝1，2，...，Z，表示第c张故障图像在预测概率序列E
c
中第j个预测概率值；步骤2.2.4，使用真实概率序列D
c
和预测概率序列E
c
通过反向传播操作对前一优化网络H
G
‑1生成的权重进行参数更新；步骤2.2.5，重复执行步骤2.2.2到步骤2.2.4这一过程，直到训练集样本中的所有故障图像都被输入过前一优化网络H
G
‑1进行概率预测，其中，若最后一次读取的故障图像不足B张，则从已经读取过的故障图像中随机抽取进行补充；通过步骤2.2.2
‑
步骤2.2.5完成了第G次迭代优化，即得到当前优化网络H
G
；步骤2.3，利用验证样本集计算当前优化网络H
G
对验证样本集中故障图像的分类准确率m
G
，m
G
＝τ/U
...

【专利技术属性】
技术研发人员：许水清，章文焘，易文淏，陶松兵，都海波，陈立平，柴毅，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：