CN109884452B - 一种基于高阶神经网络的Buck变换器的故障诊断方法 - Google Patents

Abstract

本发明公开了基于高阶神经网络的Buck变换器的故障诊断方法，属于电力变换器故障诊断领域。该方法包括采集Buck变换器的运行数据；根据运行数据获取高阶神经网络的训练样本；建立Buck变换器的工作模式与高阶神经网络的输出数据的映射关系；利用训练样本训练高阶神经网络；将待检测时刻Buck变换器的电感电流和输出电压输入训练后的高阶神经网络得到待检测时刻的输出数据；根据Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系，获取待检测时刻的Buck的变换器工作模式；解决了BP神经网络进行故障诊断时网络层数难以确定、网络训练速度慢的问题；达到了提高Buck变换器故障诊断的实时性和实用性的效果。

Description

一种基于高阶神经网络的Buck变换器的故障诊断方法

技术领域

本发明实施例涉及电力变换器故障诊断领域，特别涉及一种基于高阶神经网络的Buck变换器的故障诊断方法。

背景技术

Buck变换器是一种常用的电力变换器，因其具有高效率、低噪声等一系列优点，在工业、新能源、农业等领域都有着重要的应用。为了保证Buck变换器所在系统能够正常工作，需要对Buck变换器进行故障故障诊断。

电力变换器的故障诊断方法主要包括基于解析模型的故障诊断方法、基于知识的故障诊断方法、基于信号处理的故障诊断方法。基于神经网络的故障诊断方法是一种基于知识的故障诊断方法。基于神经网络的故障诊断方法无需建立精确的数学模型，克服了电力变换器建模困难的问题，在电力变换器故障诊断领域有着广泛的应用。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络，具有非线性映射和良好的容错能力，但是基于BP神经网络的故障诊断方法存在容易陷入局部最小值、网络层数难以确定、网络训练速度慢等问题。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种基于高阶神经网络的Buck变换器的故障诊断方法。该技术方案如下：

第一方面，提供了一种基于高阶神经网络的Buck变换器的故障诊断方法，该方法包括：

采集Buck变换器在6种工作模式下的运行数据；运行数据包括Buck变换器运行时的电感电流、输出电压；

根据运行数据获取高阶神经网络的训练样本，训练样本包括工作模式及工作模式对应的电感电流、输出电压；

建立Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系；

利用训练样本训练高阶神经网络，高阶神经网络的输入数据为Buck变换器运行时的电感电流、输出电压；

将待检测时刻Buck变换器的电感电流和输出电压输入经过训练后的高阶神经网络，得到待检测时刻的高阶神经网络的输出数据；

根据Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系，获取待检测时刻的高阶神经网络的输出数据对应的Buck的变换器工作模式，Buck变换器的工作模式用于指示Buck变换器是否出现故障；

其中，高阶神经网络的输出数据为：

y_M(t)表示t时刻高阶神经网络输出层的第M个节点的输出数据，g(·)表示求积层神经元的活化函数，f(·)表示求和层神经元的活化函数，x_i(t)表示t时刻高阶神经网络的第i个输入数据，

表示求和层与输出层的连接权值，

表示输入层与求和层的连接权值，M＝1，2，3。

可选的，利用训练样本训练高阶神经网络，包括：

初始化设置高阶神经网络，高阶神经网络包括2个求和神经元、3个求积神经元；

在第k次训练中，将第k次训练的输入数据输入高阶神经网络，得到高阶神经网络的实际输出数据；

根据第k次训练的输入数据对应的期望输出数据与高阶神经网络的实际输出数据，计算出高阶神经网络的诊断误差；

检测高阶神经网络的诊断误差是否不大于预定误差；

若检测到高阶神经网络的诊断误差大于预定误差，则更新高阶神经网络中的求和层与输出层的连接权值以及输入层与求和层的连接权值；

若检测到高阶神经网络的诊断误差不大于预定误差，则将第k次训练时的求和层与输出层的连接权值以及输入层与求和层的连接权值作为经过训练后的高阶神经网络中的求和层与输出层的连接权值以及输入层与求和层的连接权值；

其中，将第k次训练的输入数据输入高阶神经网络，按如下公式得到高阶神经网络的实际输出数据：

按如下公式更新高阶神经网络中的求和层与输出层的连接权值以及输入层与求和层的连接权值：

ξ_Mj(k)表示k时刻求和层与输出层的连接权值，w_ji(k)表示k时刻输入层与求和层的连接权值，y_M(k)表示k时刻高阶神经网络输出层的第M个节点的实际输出数据，

表示第k次训练的输入数据对应的期望输出数据，η表示学习率。

可选的，Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系为：

在第1工作模式中，Buck变换器无故障，高阶神经网络的输出数据为：y₁＝0，y₂＝0，y₃＝0；

在第2工作模式中，Buck变换器中晶体管发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝0，y₃＝1；

在第3工作模式中，Buck变换器中电感发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝1，y₃＝0；

在第4工作模式中，Buck变换器中电容发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝1，y₃＝1；

在第5工作模式中，Buck变换器中电阻发生故障，高阶神经网络的输出数据为：y₁＝1，y₂＝0，y₃＝0；

在第6工作模式中，Buck变换器中二极管发生故障，高阶神经网络的输出数据为：y₁＝1，y₂＝0，y₃＝1。

本发明实施例提供的技术方案带来的有益效果是：

通过采集Buck变换器在6种工作模式下的运行数据，从运行数据中获取高阶神经网络的训练样本，建立Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系，利用训练样本训练高阶神经网络，将待检测时刻的Buck变换器的输出电压、电感电流输入训练后的高阶神经网络，得到对应的Buck变换器的工作模式，根据Buck变换器的工作模式确定Buck变换器是否发生故障；解决了BP神经网络在进行故障诊断时网络层数难以确定、网络训练速度慢的问题；达到了简化神经网络的结构，提高Buck变换器故障诊断的实时性和实用性的效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种基于高阶神经网络的Buck变换器的故障诊断方法的流程图；

图2是一种Buck变换器的拓扑原理图；

图3是根据一示例性实施例示出的一种高阶神经网络的连接结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例提供的基于高阶神经网络的Buck变换器的故障诊断方法，是基于Buck变换器在同一时刻只有单个元件发生故障的情况下进行的；此外，本发明实施例中在进行工作模式分类时，只考虑发生硬故障的情况。

请参考图1，其示出了本发明一个实施例提供的基于高阶神经网络的Buck变换器的故障诊断方法的流程图。如图1所示，该基于高阶神经网络的Buck变化器的故障诊断方法可以包括以下步骤：

步骤101，采集Buck变换器在6种工作模式下的运行数据。

运行数据包括Buck变换器正常运行的运行数据，也包括Buck变换器故障时的运行数据。

Buck变换器的拓扑原理图如图2所示。

Buck变换器的运行数据包括Buck变换器运行时的输入电压U、电感电流i_L、输出电压u_o、二极管D和晶体管VT的导通状态、电阻R的值、电容C的值和电感L的值。

根据Buck变换器的拓扑原理图和Buck变换器中元件的工作特点，可以确定出Buck变换器具有6种工作模式，6中工作模式包括1种正常工作模式和5中故障工作模式，具体如下：

第1工作模式：Buck变换器无故障，即Buck变换器中各元件均无故障；

第2工作模式：Buck变换器中晶体管VT发生故障；

第3工作模式：Buck变换器中电感L发生故障；

第4工作模式：Buck变换器中电容C发生故障；

第5工作模式：Buck变换器中电阻R发生故障；

第6工作模式：Buck变换器中二极管D发生故障。

人为地设置Buck变换器中二极管D和晶体管VT的导通状态，以及电阻R的值、电容C的值和电感L的值，令Buck变换器发生上述6种工作模式，每种工作模式分别采集h次Buck变换器的运行数据，比如，每种工作模式分别采集10次Buck变换器的运行数据。

在一个例子中，对于第1工作模式，设置二极管D和晶体管VT正常导通，设置电阻R＝10Ω，电容C＝144μF，电感L＝292mH；对于第2工作模式，设置二极管D正常导通，设置晶体管VT短路或断路，设置电阻R＝10Ω，电容C＝144μF，电感L＝292mH；对于第3工作模式，设置二极管D和晶体管VT正常导通，设置电阻R＝10Ω，电容C＝144μF，电感短路或断路；其他工作模式的设置方式类似，这里不再赘述。

步骤102，根据运行数据获取高阶神经网络的训练样本。

训练样本包括Buck变换器的工作模式、以及工作模式对应的电感电流i_L、输出电压u_o。

从图2所示的Buck变换器的拓扑原理图和Buck变换器的工作原理可知，Buck变换器的电感电流i_L、输出电压u_o与Buck变换器的6种工作模式有着明显的对应关系，且易于测量，因此将Buck变换器的电感电流i_L、输出电压u_o作为特征参数。

为了保证高阶神经网络训练的准确性和高效性，需要对步骤101中采集到的电感电流i_L、输出电压u_o进行消噪处理，将消噪处理后的电感电流i_L、输出电压u_o按工作模式进行分类，得到不同的工作模式及工作模式对应的电感电流i_L、输出电压u_o，也即训练样本。

需要说明的是，用于训练高阶神经网络的训练样本的数量根据实际需要确定。

步骤103，建立Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系。

Buck变换器工作模式用于指示Buck变换器是否出现故障。

高阶神经网络的输出数据有三个，建立Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系，如表一：

表一

从表一可以看出，在第1工作模式中，Buck变换器无故障，高阶神经网络的输出数据为：y₁＝0，y₂＝0，y₃＝0；

在第2工作模式中，Buck变换器中晶体管VT发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝0，y₃＝1；

在第3工作模式中，Buck变换器中电感L发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝1，y₃＝0；

在第4工作模式中，Buck变换器中电容C发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝1，y₃＝1；

在第5工作模式中，Buck变换器中电阻R发生故障，高阶神经网络的输出数据为：y₁＝1，y₂＝0，y₃＝0；

在第6工作模式中，Buck变换器中二极管D发生故障，高阶神经网络的输出数据为：y₁＝1，y₂＝0，y₃＝1。

需要说明的是，步骤102还可以在步骤103之后执行，或者，步骤102与步骤103同时执行，本发明实施例对此不作限定。

步骤104，利用训练样本训练高阶神经网络。

高阶神经网络的输入数据为Buck变换器运行时的电感电流i_L、输出电压u_o。

训练样本中Buck变换器运行时的电感电流i_L、输出电压u_o对应的工作模式是期望输出数据，记为

也即电感电流i_L、输出电压u_o以及对应的期望输出数据可以从训练样本中得到。表二示例性地示出了一种样本数据与高阶神经网络的输入数据的对应关系。

表二

将训练样本中的Buck变换器运行时的电感电流、输出电压输入高阶神经网络后得到的是高阶神经网络的实际输出数据。

初始化设置高阶神经网络，高阶神经网络中包括2个求和神经元、2个求积神经元。高阶神经网络的输入数据有2个，输出数据有3个。高阶神经网络的连接结构如图3所示。

随机设置初始的输入层与求和层的连接权值w_ji(1)、求和层与输出层的连接权值ξ_Mj(1)为任意较小的值；j＝1,2；i＝1,2；M＝1，2，3。

设置高阶神经网络的学习率η为预定值；可选的，预定值是预先确定的，比如：设置高阶神经网络的学习率η＝0.01。

不断利用训练样本训练高阶神经网络，直到高阶神经网络能够最大化地对训练样本实现有效的逼近。

在第k次训练中，将第k次训练的输入数据输入高阶神经网络，得到高阶神经网络的实际输出数据。

需要说明的是，第k次训练的时刻为k时刻。k的初始值为1。

将高阶神经网络的2个输入数据记为x₁和x₂，即x₁为电感电流i_L，x₂为输出电压u_o。

根据式1可以计算得到k时刻求和层第j个节点的输出h_j(k)：

其中，输入层节点数为2，求和层节点数为2；f(·)表示求和层神经元的活化函数，

x_i(k)表示k时刻的第i个输入数据，w_ji(k)表示k时刻输入层与求和层的连接权值。

根据式2可以计算得到k时刻输出层的第M个节点的输出y_M(k)：

其中，输出层节点数为3；g(·)表示求积层神经元的活化函数，

ξ_Mj(k)表示k时刻求和层与输出层的连接权值；M＝1，2，3。

根据式1和式2可以得到k时刻高阶神经网络的输出数据y_M(k)：

在高阶神经网络的训练过程中，将高阶神经网络的输出数据记为实际输出数据y_M(k)。

根据第k次训练的输入数据对应的期望输出数据

与高阶神经网络的实际输出数据y_M(k)，计算出高阶神经网络的诊断误差e_M(k)，

检测高阶神经网络的诊断误差是否不大于预定误差。

可选的，预定误差是预先设置的。将预定误差记为

将预定误差

设置为大于0的数。

若检测到高阶神经网络的诊断误差大于预定误差，即

则更新高阶神经网络中的求和层与输出层之间的连接权值ξ_Mj(k)、以及输入层与求和层之间的连接权值w_ji(k)。

若检测到高阶神经网络的诊断误差不大于预定误差，即

则将第k次训练时的求和层与输出层之间的连接权值ξ_Mj(k)作为经过训练后的高阶神经网络中的求和层与输出层之间的连接权值

将第k次训练时的输入层与求和层之间的连接权值w_ji(k)作为经过训练后的高阶神经网络中的输入层与求和层之间的连接权值

也即高阶神经网络的训练完成。

其中，更新高阶神经网络中的求和层与输出层之间的连接权值ξ_Mj(k)、输入层与求和层之间的连接权值w_ji(k)，通过如下公式实现：

步骤105，将待检测时刻Buck变换器的电感电流和输出电压输入经过训练后的高阶神经网络，得到待检测时刻的高阶神经网络的输出数据。

比如待检测时刻为t时刻，将t时刻Buck变换器的电感电流i_L(t)和输出电压u_o(t)输入经过训练后的高阶神经网络，得到待检测时刻的高阶神经网络的输出数据y_M(t)：

步骤106，根据Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系，获取待检测时刻的高阶神经网络的输出数据对应的Buck变换器的工作模式。

根据Buck变换器的工作模式判断Buck变换器是否出现故障，以及当Buck变化器出现故障时发生故障的元件。

在一个例子中，得到的待检测时刻t的高阶神经网络的输出数据为y₁＝0，y₂＝1，y₃＝1，则根据表一，可以确定在待检测时刻t，Buck变换器的工作模式为第4工作模式，表明Buck变换器出现故障，具体地，Buck变换器的电容C发生故障。在另一个例子中，得到的待检测时刻t的高阶神经网络的输出数据为y₁＝0，y₂＝0，y₃＝0，则根据表一，可以确定在待检测时刻t，Buck变换器的工作模式为第1工作模式，表明Buck变换器未出现故障。

综上所述，本发明实施例提供的基于高阶神经网络的Buck变换器的故障诊断方法，通过采集Buck变换器在6种工作模式下的运行数据，从运行数据中获取高阶神经网络的训练样本，建立Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系，利用训练样本训练高阶神经网络，将待检测时刻的Buck变换器的输出电压、电感电流输入训练后的高阶神经网络，得到对应的Buck变换器的工作模式，根据Buck变换器的工作模式确定Buck变换器是否发生故障；解决了BP神经网络在进行故障诊断时网络层数难以确定、网络训练速度慢的问题；达到了简化神经网络的结构，提高Buck变换器故障诊断的实时性和实用性的效果。

需要说明的是：上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于高阶神经网络的Buck变换器的故障诊断方法，其特征在于，所述方法包括：

采集Buck变换器在6种工作模式下的运行数据；所述运行数据包括Buck变换器运行时的电感电流、输出电压；

根据所述运行数据获取高阶神经网络的训练样本，所述训练样本包括工作模式及所述工作模式对应的电感电流、输出电压；

建立Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系，包括：

在第1工作模式中，Buck变换器无故障，高阶神经网络的输出数据为：y₁＝0，y₂＝0，y₃＝0；

在第2工作模式中，Buck变换器中晶体管发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝0，y₃＝1；

在第3工作模式中，Buck变换器中电感发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝1，y₃＝0；

在第4工作模式中，Buck变换器中电容发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝1，y₃＝1；

在第5工作模式中，Buck变换器中电阻发生故障，高阶神经网络的输出数据为：y₁＝1，y₂＝0，y₃＝0；

在第6工作模式中，Buck变换器中二极管发生故障，高阶神经网络的输出数据为：y₁＝1，y₂＝0，y₃＝1；

利用所述训练样本训练高阶神经网络，所述高阶神经网络的输入数据为Buck变换器运行时的电感电流、输出电压；

将待检测时刻Buck变换器的电感电流和输出电压输入经过训练后的高阶神经网络，得到待检测时刻的高阶神经网络的输出数据；

根据所述Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系，获取待检测时刻的高阶神经网络的输出数据对应的Buck的变换器工作模式；所述Buck变换器的工作模式用于指示Buck变换器是否出现故障；

其中，高阶神经网络的输出数据为：

y_M(t)表示t时刻高阶神经网络输出层的第M个节点的输出数据，g(·)表示求积层神经元的活化函数，f(·)表示求和层神经元的活化函数，x_i(t)表示t时刻高阶神经网络的第i个输入数据，

表示求和层与输出层的连接权值，

表示输入层与求和层的连接权值，M＝1，2，3。

2.根据权利要求1所述的方法，其特征在于，所述利用所述训练样本训练高阶神经网络，包括：

初始化设置高阶神经网络，所述高阶神经网络包括2个求和神经元、3个求积神经元；

在第k次训练中，将第k次训练的输入数据输入高阶神经网络，得到高阶神经网络的实际输出数据；

根据所述第k次训练的输入数据对应的期望输出数据与所述高阶神经网络的实际输出数据，计算出高阶神经网络的诊断误差；

检测高阶神经网络的诊断误差是否不大于预定误差；

若检测到所述高阶神经网络的诊断误差大于所述预定误差，则更新所述高阶神经网络中的求和层与输出层的连接权值以及输入层与求和层的连接权值；

若检测到所述高阶神经网络的诊断误差不大于所述预定误差，则将第k次训练时的求和层与输出层的连接权值以及输入层与求和层的连接权值作为经过训练后的高阶神经网络中的求和层与输出层的连接权值以及输入层与求和层的连接权值；

其中，将第k次训练的输入数据输入高阶神经网络，按如下公式得到高阶神经网络的实际输出数据：

按如下公式更新所述高阶神经网络中的求和层与输出层的连接权值以及输入层与求和层的连接权值：

ξ_Mj(k)表示k时刻求和层与输出层的连接权值，w_ji(k)表示k时刻输入层与求和层的连接权值，y_M(k)表示k时刻高阶神经网络输出层的第M个节点的实际输出数据，

表示第k次训练的输入数据对应的期望输出数据，η表示学习率。

Images