一种基于机器学习的三相逆变器设备故障诊断方法技术

本发明专利技术涉及机器学习技术领域，尤其涉及一种基于机器学习的三相逆变器设备故障诊断方法，包括采集三相逆变器的电流信号特征值，并标记故障类型，构建不同故障下的数据集；对采集的电流信号特征值进行预处理；采用改进SMOTE方法对样本数据集进行扩充；对扩充后的数据进行平滑处理，再通过SBC算法对平滑后的数据进行特征提取；利用改进PCNN网络模型对数据进行训练，得到三相逆变器的故障分类结果。本发明专利技术解决设备故障诊断数据的特征提取不够精细化，导致特征提取不足而影响故障诊断时对故障的分类精度不足；以及特征提取模型的激活函数、分类器设计难以与设备故障数据进行匹配，进而容易对设备故障诊断的检测精度造成影响的问题。响的问题。响的问题。

【技术实现步骤摘要】
一种基于机器学习的三相逆变器设备故障诊断方法


[0001]本专利技术涉及机器学习
，尤其涉及一种基于机器学习的三相逆变器设备故障诊断方法。

技术介绍

[0002]三相逆变器是一种电力电子装置，用于将直流电转换成交流电。它通常由三个单相逆变器组成，每个单相逆变器将直流电转换成一个交流电信号。通过对这三个交流电信号进行控制，可以得到一个三相交流电输出。三相逆变器在工业控制、可再生能源等领域得到了广泛的应用。在实际应用中，三相逆变器的故障诊断变得非常重要，因为故障会影响设备的正常运行，并可能导致设备损坏。
[0003]设备故障诊断通常采集数十种信号或参数进行数据分析，现有的方法在设备故障诊断算法模型的设计上，通常对设备故障诊断数据的特征提取不够精细化，导致特征提取不足而影响故障诊断时对故障的分类精度不足。
[0004]另外，在设备故障诊断的模型使用中，现有的方法在特征提取模型的激活函数、分类函数的核函数设计通常难以与设备故障数据进行匹配，进而容易对设备故障诊断的检测精度造成影响。

技术实现思路

[0005]针对现有方法的不足，本专利技术解决设备故障诊断数据的特征提取不够精细化，导致特征提取不足而影响故障诊断时对故障的分类精度不足；以及特征提取模型的激活函数、分类器设计难以与设备故障数据进行匹配，进而容易对设备故障诊断的检测精度造成影响的问题。
[0006]本专利技术所采用的技术方案是：一种基于机器学习的三相逆变器设备故障诊断方法包括以下步骤：
[0007]步骤一、采集三相逆变器的电流信号特征值，并标记故障类型，构建不同故障下的数据集；
[0008]步骤二、对采集的电流信号特征值进行预处理；
[0009]进一步的，预处理包括：采用均值补齐缺失值；采取非参数验证的卡方检验对错误值进行检测。
[0010]步骤三、采用改进SMOTE方法对样本数据集进行扩充；
[0011]进一步的，改进SMOTE方法包括：
[0012]步骤31、通过均值滤波法对数据样本进行去噪；
[0013]步骤32、通过测量每个实例的k近邻随k的增加而产生的中心偏移量，计算出聚集度的值，通过聚集度值大于阈值进行筛选，构建出待合成的少数类样本数据集；
[0014]进一步的，聚集度值的公式为：
[0015][0016]其中，C
cow
(X
d
)表示少数类样本的聚集度值，σ
i+1
(X
d
)为k近邻算法的近邻距离值为i+1时对应的迁移量衡量系数，σ
i
(X
d
)k近邻算法的近邻距离值为i时对应的迁移量衡量系数。
[0017]步骤33、使用公式X
new
＝X
m
+λ(X
n
‑
X
m
)对构建出待合成的少数类样本数据集进行合成，生成新的样本；其中，X
new
为新生成的样本，X
m
为少数类样本实例，X
n
为距离X
m
最近的k近邻样本实例，λ∈[0,1]表示一个随机数。
[0018]步骤四、对扩充后的数据进行平滑处理，再通过SBC算法对平滑后的数据进行特征提取；
[0019]进一步的，SBC算法包括：对数据矩阵进行奇异值分解，得到矩阵U中的前r列作为数据的主要特征向量；然后，将主要特征向量按照奇异值的大小进行排序，将具有相似奇异值的特征向量聚类到一起。
[0020]步骤五、利用改进PCNN网络模型对数据进行训练，得到三相逆变器的故障分类结果；
[0021]进一步的，改进PCNN网络模型采用DEAF激活函数，公式为：
[0022][0023]其中，a1和a2是双重指数函数的控制参数。
[0024]进一步的，改进PCNN网络模型采用改进加权平均交叉熵损失函数，公式为：
[0025][0026]其中，K表示故障类别的数量，N表示样本数量，w
k
表示第k个故障类别的权重，y
ik
表示样本i属于第k个故障类别的真实标签，表示模型对样本i属于第k个故障类别的预测概率。
[0027]进一步的，改进PCNN网络模型采用改进随机森林分类器，改进随机森林分类器的构建包括：
[0028]步骤1、从训练集中随机选择K个样本，并随机选择M个特征；
[0029]步骤2、采用余弦相似度计算每个样本与K
‑
1个样本之间的相似度值，并对相似度值进行降序；
[0030]步骤3、采用基尼系数计算每个特征与K
‑
1个特征之间的相对重要性值，并对相对重要性值进行降序；
[0031]步骤4、选取相似度值最大的样本和相对重要性值最大的特征作为决策树的根节点；
[0032]步骤5、对于每个非叶子节点，重复步骤4，从剩余相似度值最高的样本和相对重要性值最高的特征中选取一个样本和一个特征作为子节点；
[0033]步骤6、直到决策树达到设定的深度或者节点中的样本数小于某个阈值结束。
[0034]本专利技术的有益效果：
[0035]1、本专利技术的样本扩充方法，有效解决了传统方法三相逆变器设备故障诊断任务中，样本类别不平衡导致的诊断误差变大的现象；
[0036]2、基于奇异值的聚类法减少特征维度，提高特征的表达能力；
[0037]3、改进PCNN网络模型的DEAF激活函数，更好的处理非线性关系，提高分类准确性；
[0038]4、改进加权平均交叉熵损失函数处理不平衡类别，使得模型在各个类别上的预测更加均衡；
[0039]5、改进特征提取和改进分类器用于三相逆变器设备故障诊断，有效提高了特征自适应细化的能力，进而提高分类器对设备故障诊断的精度。
附图说明
[0040]图1是本专利技术的基于机器学习的三相逆变器设备故障诊断方法流程图；
[0041]图2是三相逆变器的故障样本示例；
[0042]图3是改进PCNN网络模型结构示意图。
具体实施方式
[0043]下面结合附图和实施例对本专利技术作进一步说明，此图为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0044]如图1所示，一种基于机器学习的三相逆变器设备故障诊断方法包括以下步骤：
[0045]步骤一、采集三相逆变器的电流信号，并标记故障类型，构建不同故障下的数据集；
[0046]在不同的故障工况和正常工况的情况下，通过传感器采集三相逆变器的电流值；例如1条电流数据的采样周期为1秒，按照10ms间隔对1秒电流信号进行特征抽取，1条电流数据共采样100个特征值；按照3秒间隔共采集1000条电流数据。
[0047]步骤二、对采集的电流信号特征值进行预处理；
[0048]实际设备故障诊断应用中的数据大多数都是存在冗余、缺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的三相逆变器设备故障诊断方法，其特征在于，包括以下步骤：步骤一、采集三相逆变器的电流信号特征值，并标记故障类型，构建不同故障下的数据集；步骤二、对采集的电流信号特征值进行预处理；步骤三、采用改进SMOTE方法对样本数据集进行扩充；步骤四、对扩充后的数据进行平滑处理，再通过SBC算法对平滑后的数据进行特征提取；步骤五、利用改进PCNN网络模型对数据进行训练，得到三相逆变器的故障分类结果。2.根据权利要求1所述的基于机器学习的三相逆变器设备故障诊断方法，其特征在于，预处理包括：采用均值补齐缺失值；采取卡方检验法对错误值进行检测。3.根据权利要求1所述的基于机器学习的三相逆变器设备故障诊断方法，其特征在于，改进SMOTE方法包括：步骤31、通过均值滤波法对数据样本进行去噪；步骤32、通过测量每个实例的k近邻随k的增加而产生的中心偏移量，计算出聚集度的值，通过聚集度值大于阈值进行筛选，构建出待合成的少数类样本数据集；步骤33、使用公式X
new
＝X
m
+λ(X
n
‑
X
m
)对构建出待合成的少数类样本数据集进行合成，生成新的样本；其中，X
new
为新生成的样本，X
m
为少数类样本实例，X
n
为距离X
m
最近的k近邻样本实例，λ∈[0,1]表示一个随机数。4.根据权利要求3所述的基于机器学习的三相逆变器设备故障诊断方法，其特征在于，聚集度值的公式为：其中，C
cow
(X
d
)表示少数类样本的聚集度值，σ
i+1
(X
d
)为k近邻算法的近邻距离值为i+1时对应的迁移量衡量系数，σ<...

【专利技术属性】
技术研发人员：佘世刚，陈磊，李玉博，马涛，施克健，刘通，李明亮，
申请(专利权)人：常州大学，
类型：发明
国别省市：