一种基于改进CNN实现三相整流器件故障诊断的方法技术

本发明专利技术公开了一种基于改进CNN实现三相整流器件故障诊断的方法，所述方法包括：构建出三相整流器件故障诊断总体框架，对三相整流器件故障进行诊断；对包含不同三相整流器件的故障，获得每种故障的数据，处理每种故障的数据以生成三相整流器件故障特征；通过一维卷积神经网络设计出对应的三相整流器件故障诊断的多尺度一维卷积神经网络模块，生成故障特征；构建Res2Net模块，将一维卷积神经网络模块生成的故障特征进行训练，得到不同种类的故障数据特征；构建改进的卷积神经网络模型；根据故障数据特征来确定每种故障的不同类型。本发明专利技术提供的方法能够有效提高三相整流器件的故障分类性能，使故障分类更准确。使故障分类更准确。使故障分类更准确。

【技术实现步骤摘要】
一种基于改进CNN实现三相整流器件故障诊断的方法
[0001]本专利技术涉及故障诊断领域，具体涉及基于改进CNN实现三相整流器件故障诊断的方法。

技术介绍

[0002]随着电力电子技术的不断发展，三相整流器的应用越来越广泛，功率水平也在不断提高，工作性能也得到大幅度地改善。由于三相整流器的工作环境通常比较复杂，长时间的运转，加上温度、磨损等各种因素的影响，从而导致三相整流器的故障也越来越频繁。一旦发生故障，将会带来巨大损失，甚至发生重大的灾难，因此快速、准确的对三相整流器中的故障位置进行定位变得尤为重要。
[0003]整流器装置的故障可分为结构性故障和参数性故障。结构性故障主要表现为功率器件损坏造成的主电路结构改变；参数性故障主要表现为元件参数的偏移，造成装置特性严重偏离正常特性。在故障类型中，最常见的就是短路故障(Short Circuit，SC)和开路故障(Open Circuit，OC)。其中，短路故障发生的时间很短，一般在十几微秒到几十微秒之间，可以通过额外的硬件电路转化为开路故障。开路故障不会使整流器立刻损坏，但如果继续使用运行就会对整流器进行二次损坏。

技术实现思路

[0004]本专利技术所解决的技术问题是提出了一种基于改进CNN实现三相整流器件故障诊断的方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：基于改进CNN实现三相整流器件故障诊断的方法。包含如下步骤：1)构建出三相整流器件故障诊断总体框架；2)对包含不同三相整流器件的故障，获得每种故障的数据，处理每种故障的数据以生成三相整流器件故障特征；3)通过一维卷积神经网络设计出对应的三相整流器件故障诊断的多尺度一维卷积神经网络模块，生成故障特征；4)构建Res2Net模块，将一维卷积神经网络模块生成的故障特征进行训练，得到不同种类的故障数据特征；5)构建改进的卷积神经网络模型；6)根据故障数据特征来确定每种故障的不同类型，最终确定三相整流器件的故障类型；7)在故障数据中加入不同强度的噪声，最终来验证构建的改进的卷积神经网络模型在实际环境中对于故障种类的分类是否准确。
[0006]根据本专利技术提供一种基于改进CNN实现三相整流器件故障诊断的方法，还可以具有这样的技术特征，其中，步骤1)中构建出三相整流器件故障诊断总体框架包括以下步骤：三相整流器件故障诊断总体框架的搭建是对整流器件晶体管故障开路框架的搭建。
[0007]根据本专利技术提供一种基于改进CNN实现三相整流器件故障诊断的方法，还可以具有这样的技术特征，其中，步骤2)中对包含不同三相整流器件的故障，获得每种故障的数据，处理每种故障的数据以生成三相整流器件故障特征包括以下步骤：在Matlab中的simulink下搭建三相整流器件故障诊断平台，根据电路原理分析得出三类故障类型，其中有单臂故障、双臂故障和多臂故障，每种故障波形包含3
×
5000个数据点，在输入网络模型
的时候使用3
×
5000形式的矩阵输入。
[0008]根据本专利技术提供一种基于改进CNN实现三相整流器件故障诊断的方法，还可以具有这样的技术特征，其中，步骤3)中通过一维卷积神经网络设计出对应的三相整流器件故障诊断的多尺度一维卷积神经网络模块，生成故障特征包括以下步骤：搭建多尺度一维卷积神经网络模块是搭建故障诊断网络的第二步，它是故障数据输入的第一个网络模型块，使用3
×
1、4
×
1和6
×
1的不同尺度卷积核对故障数据进行特征提取，将提取的故障特征作为下一个模块的输入特征。
[0009]根据本专利技术提供一种基于改进CNN实现三相整流器件故障诊断的方法，还可以具有这样的技术特征，其中，步骤4)中构建Res2Net模块，将一维卷积神经网络模块生成的故障特征进行训练，得到不同种类的故障数据特征包括以下步骤：在获取多尺度一维卷积神经网络模块的故障数据特征之后，将故障特征输入到Res2Net模块中再对故障数据进行特征提取，该模块由大小为1、3的卷积层和BN层构成。通过3
×
3卷积层的残差连接，进一步提取故障数据的特征信息。
[0010]根据本专利技术提供一种基于改进CNN实现三相整流器件故障诊断的方法，还可以具有这样的技术特征，其中，步骤5)中构建改进的卷积神经网络模型包括以下步骤：改进的卷积神经网络由三部分组成：多尺度一维卷积模块、Res2Net模块和多注意力机制。将多尺度卷积神经网络视为第一个卷积块，Res2Net视为第二个卷积块。首先故障数据以3
×
5000的矩阵形式输入到多尺度特征提取模块，该模块通过3种不同尺度的卷积核提取更有效的故障特征。其次故障数据进入Res2Net卷积块，进一步提取故障数据的特征信息。在多尺度特征提取模块和Res2Net模块后加入注意力机制实现对故障数据特征的优化加权，最后，通过全连接层把两个卷积块提取的故障信息进行分类、输出。
[0011]根据本专利技术提供一种基于改进CNN实现三相整流器件故障诊断的方法，还可以具有这样的技术特征，其中，步骤6)中根据故障数据特征来确定每种故障的不同类型，最终确定三相整流器件的故障类型包括以下步骤：利用改进的卷积神经网络对每种故障进行分类，最终确定每种故障的种类。
[0012]根据本专利技术提供一种基于改进CNN实现三相整流器件故障诊断的方法，还可以具有这样的技术特征，其中，步骤7)中在故障数据中加入不同强度的噪声，最终来验证构建的改进的卷积神经网络模型在实际环境中对于故障种类的分类是否准确包括以下步骤：将加入噪声后的故障数据输入到改进的卷积神经网络模型中，来验证模型在实际工况下对故障数据分类的准确性。
[0013]本专利技术的有益效果是：构建出一种基于改进CNN实现三相整流器件故障诊断，从而基于一种改进的CNN模型设计出对应的三相整流器件故障诊断的方法，根据故障数据特征来确定每种故障的不同类型，并且将加入噪声后的故障数据再次输入到改进的卷积神经网络模型中，来验证模型在实际情况下对故障数据分类的准确性。
[0014]本专利技术的特征及优点将通过实施例结合附图进行详细说明。
附图说明
[0015]图1是三相整流器件故障诊断框架图。
[0016]图2是三相整流电路原理图。
[0017]图3是三相整流器件故障部分波形图。
[0018]图4是多尺度一维卷积神经网络结构图。
[0019]图5是Res2Net结构图。
[0020]图6是CBAM结构图。
[0021]图7是改进的CNN模型结构图。
具体实施方式
[0022]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0023]本实施例中一种基于改进CNN实现三相整流器件故障诊断方法具体实现平台：操作系统为Windows11，编程语言为Python。
[0024]实施例1：
[0025]如图1所示，本专利技术提供了一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进CNN实现三相整流器件故障诊断的方法，其特征在于，包括以下步骤：步骤1、构建出三相整流器件故障诊断总体框架；步骤2、处理每种故障的数据以生成三相整流器件故障特征；步骤3、设计出多尺度一维卷积神经网络模块，生成故障特征；步骤4、构建Res2Net模块；步骤5、构建改进的卷积神经网络模型；步骤6、确定三相整流器件的故障类型；步骤7、验证构建的模型在实际环境中对于故障种类的分类是否准确。2.根据权利要求1所述的基于改进CNN实现三相整流器件故障诊断的方法，其特征在于：所述的步骤1中构建出三相整流器件故障诊断总体框架，三相整流器件故障诊断是对各个晶体管进行故障情况的核算。3.根据权利要求1所述的基于改进CNN实现三相整流器件故障诊断的方法，其特征在于：所述的步骤2中对包含不同种类的故障，通过分析不同故障状态下的电流信号波形的特点，在搭建的故障诊断平台上获得每种故障的数据，处理每种故障的数据以生成三相整流器件故障特征。4.根据权利要求1所述的基于改进CNN实现三相整流器件故障诊断的方法，其特征在于：所述的步骤3中利用不同尺度的卷积核构建多尺度融合框架，可以实现对数据不同特征信息尺度的互补，通过一维卷积神经网络设计出对应的三相整流器件故障诊断的多尺度一维卷积神经网络模块，生成故障特征。5.根据权利要求1所述的基于改...

【专利技术属性】
技术研发人员：刘金凤，孙晨，张玉龙，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：