【技术实现步骤摘要】
本专利技术涉及系统故障诊断，特别涉及一种晶闸管变流器故障诊断方法和系统。
技术介绍
1、晶闸管变流器具有输出高电流，大电压的特点，电源系统由变流器、控制模块、无功补偿、失超保护子系统组成，负责提供超导聚变装置试验所需要的高功率电压和电流。
2、由于高功率电源需维持长脉冲高功率运行或未及时维护检修，使得其在运行过程中存在一定的安全隐患，可能出现的故障有晶闸管开短路、直流电抗器短路、降压变压器短路和整流变压器短路等。严重的会导致磁体能量泄漏、设备停机损坏或自燃等安全事故，造成经济损失甚至生命威胁。
3、为了保障电源的安全运行，实现对电源多工况下的故障实时监测、诊断、定位。首先需要对电源的运行状态进行监测，合理布置电流电压监测点，包括选取监测位置和数目；其次通过处理、分析优化后的采集到的数据，有效、全面、精准地反映故障状态。
4、但是目前的故障诊断技术主要基于模型的方式，或是基于信号处理，这些方法的特点都是根据整流器的参数变化超过设定的限值来诊断故障，存在诊断效率低、准确性不高、无法精确定位的问题，缺乏不同工况下的确定故障点位置的手段，导致成本增加，诊断速度慢，诊断效果不理想等情况。
5、因此，如何提高晶闸管变流器故障的诊断效率和准确率，成为了亟待解决的技术难题。
技术实现思路
1、本专利技术的主要目的是提供一种晶闸管变流器故障诊断方法和系统，旨在提高晶闸管变流器故障的诊断效率和准确率。
2、为了实现上述目的，本专利技术提出一种
3、获取超导聚变装置在预定工况下的正常运行参数和异常运行参数，构成原始数据集；
4、对所述原始数据集进行预处理，生成训练数据集；
5、根据所述训练参数，构建超导聚变装置诊断网络模型并对其进行训练；
6、实时获取超导聚变装置的运行参数，通过所述超导聚变装置诊断网络模型预测所述超导聚变装置是否会发生故障。
7、在本申请的一实施例中，所述预定工况包括：整流工况、稳态工况、以及逆变工况中的至少一种。
8、在本申请的一实施例中，所述原始数据集表示为：
9、phase ii＝{ii{j}，i∈[a,b,c],j∈[m,n]}；
10、其中，a、b、c分别表示三相电流中的一相，对每相获取m*n/f个时刻的所有监测点的电流数据，其中f为监测点的电流数据采样频率，m，n分别为电流数据的行列数。
11、在本申请的一实施例中，对所述原始数据集进行预处理之前还包括：
12、对原始数据集进行打包封装形成数据包，以构成训练数据集；
13、其中，每个数据包为单个工业频率周期的数据集，数据包的数据数量为f*t,数据包数目为3*m*n/f*t,其中t为单个工频周期的时间。
14、在本申请的一实施例中，对所述原始数据集进行预处理包括：
15、对数据包进行标注，生成带有序列号的序列数据包；
16、生成与所述序列数据包纬度一致的白躁声数据添加至序列数据包集合内，以形成扩容训练数据集；
17、对所述扩容训练集进行归一化处理并进行混排，生成收敛训练数据集。
18、在本申请的一实施例中，生成与所述序列数据包纬度一致的白躁声数据添加至序列数据包集合内，以形成扩容训练数据集包括：
19、通过循环遍历序列数据包集合中的每个数据包，将生成的与数据包维度一致的高斯白噪声添加到序列数据包集合中，形成扩容训练数据集，循环遍历的次数即为扩充数据集的倍数，其数学表达式为：
20、w(t)＝arandn(m,n)
21、signalaug{i,1}＝dataset+w(t)，i∈{3*m*n/f*t}
22、其中，w(t)是高斯白噪声信号，a是信号的幅度，randn(m,n)是生成服从标准正态分布的m*n维随机矩阵的函数，其用于生成一个大小为m*n的高斯白噪声矩阵，dataset为原始数据集，signalaug为扩容训练数据集。
23、在本申请的一实施例中，对所述扩容训练集进行归一化处理并进行混排，生成收敛训练数据集包括：
24、对signalaug中的每个元素进行归一化处理，将元素的值映射至[0,1]的区间内，其函数表达如下：
25、signalaug’＝(signalaug{i,1}-min(signalaug{i,1}))/(max(signalaug{i,1})-min(signalaug{i,1}))；i∈{3*m·n/f·t}；
26、其中，signalaug’为归一化后的输入数据，min(signalaug{i,1})为每个数据包的参数最小值，max(signalaug{i,1})为每个数据包的参数最大值。
27、在本申请的一实施例中，所述超导聚变装置诊断网络模型采用inception和lstm算法共同构建。
28、在本申请的一实施例中，生成超导聚变装置诊断网络模型具体包括：
29、定义inception模块有n个并行的分支；第i个分支的数学表达式可以表示为：
30、convi＝conv(x,wi)；
31、其中，conv(x,wi)表示对输入x进行卷积，使用卷积核为wi，将所有分支的输出进行连接，得到inception模块的输出：
32、y＝concatenate([pool1,pool2,...,pooln])；
33、其中，concatenate表示将多个特征图连接在一起，y表示输出。
34、本申请还公开了一种晶闸管变流器故障诊断系统，包括：晶闸管变流器；
35、数据采集单元，用于采集晶闸管变流器的正常运行参数和异常运行参数；以及
36、控制单元，获取数据采集单元采集的正常运行参数和异常运行参数，并根据如上所述的晶闸管变流器故障诊断方法预测所述超导聚变装置是否会发生故障。
37、采用上述技术方案，通过构建超导聚变装置诊断网络模型，可以实时预测装置是否会发生故障，提前采取相应的维护和修复措施，从而减少停机时间和维修成本。有效提高装置运行的稳定性和效率。同时，利用机器学习和深度学习算法构建的诊断网络模型可以自动分析大量的运行参数数据，实现对超导聚变装置的自动化诊断，减少人工干预和主观判断的影响，提高诊断的准确性和一致性。
本文档来自技高网...【技术保护点】
1.一种晶闸管变流器故障诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的晶闸管变流器故障诊断方法，其特征在于，所述预定工况包括：整流工况、稳态工况、以及逆变工况中的至少一种。
3.如权利要求1所述的晶闸管变流器故障诊断方法，其特征在于，所述原始数据集表示为：
4.如权利要求3所述的晶闸管变流器故障诊断方法，其特征在于，对所述原始数据集进行预处理之前还包括：
5.如权利要求1所述的晶闸管变流器故障诊断方法，其特征在于，对所述原始数据集进行预处理包括：
6.如权利要求5所述的晶闸管变流器故障诊断方法，其特征在于，生成与所述序列数据包纬度一致的白躁声数据添加至序列数据包集合内，以形成扩容训练数据集包括：
7.如权利要求6所述的晶闸管变流器故障诊断方法，其特征在于，对所述扩容训练集进行归一化处理并进行混排，生成收敛训练数据集包括：
8.如权利要求1所述的晶闸管变流器故障诊断方法，其特征在于，所述超导聚变装置诊断网络模型采用Inception和LSTM算法共同构建。
9.如权利要求8
10.一种晶闸管变流器故障诊断系统，其特征在于，包括：
...【技术特征摘要】
1.一种晶闸管变流器故障诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的晶闸管变流器故障诊断方法，其特征在于，所述预定工况包括：整流工况、稳态工况、以及逆变工况中的至少一种。
3.如权利要求1所述的晶闸管变流器故障诊断方法，其特征在于，所述原始数据集表示为：
4.如权利要求3所述的晶闸管变流器故障诊断方法，其特征在于，对所述原始数据集进行预处理之前还包括：
5.如权利要求1所述的晶闸管变流器故障诊断方法，其特征在于，对所述原始数据集进行预处理包括：
6.如权利要求5所述的晶闸管变流器故障诊断方法...
【专利技术属性】
技术研发人员：高格，张玲，蒋力，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。