CN112710969B - 一种单相半桥五电平逆变器开关管开路故障诊断方法 - Google Patents

一种单相半桥五电平逆变器开关管开路故障诊断方法 Download PDF

Info

Publication number
CN112710969B
CN112710969B CN202011508386.9A CN202011508386A CN112710969B CN 112710969 B CN112710969 B CN 112710969B CN 202011508386 A CN202011508386 A CN 202011508386A CN 112710969 B CN112710969 B CN 112710969B
Authority
CN
China
Prior art keywords
fault
fusion
open
circuit
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011508386.9A
Other languages
English (en)
Other versions
CN112710969A (zh
Inventor
何怡刚
杜博伦
段嘉珺
汪磊
刑致恺
何鎏璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202011508386.9A priority Critical patent/CN112710969B/zh
Publication of CN112710969A publication Critical patent/CN112710969A/zh
Priority to US17/503,354 priority patent/US20220198244A1/en
Application granted granted Critical
Publication of CN112710969B publication Critical patent/CN112710969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/54—Testing for continuity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G06F30/33—Design verification, e.g. functional simulation or model checking
    • G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2601—Apparatus or methods therefor
    • G01R31/2603—Apparatus or methods therefor for curve tracing of semiconductor characteristics, e.g. on oscilloscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/40—Testing power supplies
    • G01R31/42—AC power supplies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Tests Of Electronic Circuits (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种单相半桥五电平逆变器开关管开路故障诊断方法，属于电力电子电路故障诊断领域，搭建以DSP控制器和RT‑LAB实时仿真器为核心的半实物实验平台，并选取输出侧电压为故障信号变量；利用经验模态分解提取故障特征向量，再提取故障特征向量的希尔伯特黄变换时频图，将电压信号转换成图谱数据，得到不同故障类型对应的时频图模糊集；将相同故障类型的时频图模糊集进行融合，得到保留更多故障特征的融合图像；将所有故障类型对应的融合图像输入深度卷积神经网络进行训练和测试，得到故障诊断结果。本发明可提高单相半桥五电平逆变器故障诊断的准确性和稳定性，并可扩展应用到其他电力电子设备故障诊断上。

Description

一种单相半桥五电平逆变器开关管开路故障诊断方法
技术领域
本发明属于电力电子电路故障诊断领域，更具体地，涉及一种单相半桥五电平逆变器开关管开路故障诊断方法。
背景技术
目前，随着电力电子开关器件数量和电路复杂度的增加，在长期的监测过程中获得的信号数据一般都是大量数据，而当前传统的基于信号的特征提取方法在处理大量信号数据时，一般通过采样从而压缩数据量，或者直接舍弃部分信号细节的方法生成小规模的数据集，再用于后续训练学习并建立故障诊断模型。此外，基于信号的故障诊断方法在处理大量信号数据时，速度极慢，并且诊断方法在对大量特征数据进行训练学习时，往往会产生无效学习及弱泛化问题，从而无法有效识别故障。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种单相半桥五电平逆变器开关管开路故障诊断方法，结合特征提取算法、图像融合算法、深度卷积神经网络分类算法，改变了传统的基于波形信号的故障诊断方法，转换成对时频图的分类识别来判断电力电子电路的故障，增加了故障诊断的数据量，提高了故障诊断的准确率。
为实现上述目的，按照本发明的一个方面，提供了一种单相半桥五电平逆变器开关管开路故障诊断方法，包括：
(1)建立待诊断电路的仿真模型，根据发生开路故障的开关管个数及其位置，对故障类型进行标签分类，采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量；
(2)对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量，采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图；
(3)将同一种开路故障类型对应的HHT时频图模糊集进行图像融合，得到包含更多的故障特征信息的融合图像；
(4)利用深度卷积神经网络对融合后的图像进行分类识别，实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
在一些可选的实施方案中，步骤(2)包括：
(2.1)对故障信号变量进行EMD分解，直接根据电压信号本身的时间尺度特征进行分解，将复杂的电压信号分解成若干完整的、几乎是正交的IMF分量；
(2.2)将各IMF分量平均分为多个节段，并对每个节段分别转换成 HHT时频图，得到不同的开路故障类型对应的不同的HHT图；将同一种开路故障类型的多张HHT时频图，记为其对应的HHT时频图模糊集。
在一些可选的实施方案中，步骤(3)包括：
(3.1)利用K-SVD算法对待融合图像的所有子区域进行字典学习，得到过完备字典D；
(3.2)使用正交匹配追踪算法和过完备字典D计算稀疏向量；
(3.3)基于稀疏向量最大元素绝对值的融合规则，完成同一种开路故障类型对应的HHT时频图模糊集的稀疏向量融合，获得融合图像。
在一些可选的实施方案中，步骤(3.1)包括：
将每个故障信号对应的n张HHT时频图作为输入，并采用滑动窗口技术将各时频图像分割成N块
Figure BDA0002845588720000021
分别表示为
Figure BDA0002845588720000022
利用字典排序将
Figure BDA0002845588720000031
每个向量转化为列向量
Figure BDA0002845588720000032
然后将每个向量的均值归一化为零，得到
Figure BDA0002845588720000033
其中，
Figure BDA0002845588720000034
1表示n×1向量，
Figure BDA0002845588720000035
表示
Figure BDA0002845588720000036
中所有元素的平均值；
将
Figure BDA0002845588720000037
作为训练样本集，采用K-SVD算法将选取的样本训练为过完备字典D。
在一些可选的实施方案中，步骤(3.2)包括：
使用正交匹配追踪算法和过完备字典D计算
Figure BDA0002845588720000038
对应的稀疏系数
Figure BDA0002845588720000039
其中，
Figure BDA00028455887200000310
ε为预设阈值。
在一些可选的实施方案中，步骤(3.3)包括：
由
Figure BDA00028455887200000311
规则得到融合的稀疏向量
Figure BDA00028455887200000312
其中，
Figure BDA00028455887200000313
表示随机的一个稀疏系数；
由
Figure BDA00028455887200000314
得到融合图像的融合稀疏系数
Figure BDA00028455887200000315
表示
Figure BDA00028455887200000316
中所有元素的平均值；
对所有的图像块
Figure BDA00028455887200000317
重复上述步骤以获得所有融合稀疏系数
Figure BDA00028455887200000318
利用过完备字典D和融合稀疏系数
Figure BDA00028455887200000319
重构得到新的图像块
Figure BDA00028455887200000320
由所有新的图像块
Figure BDA00028455887200000321
替换所有的原始图像块
Figure BDA00028455887200000322
即得到融合图像SF。
在一些可选的实施方案中，步骤(4)包括：
(4.1)将融合图像进行标签后的数据集作为深度卷积神经网络的输入，将融合图像进行标签后的数据集分为训练集和测试集；
(4.2)采用深度卷积神经网络对不同故障类型的融合图像进行分类，其中，深度卷积神经网络由输入层、若干个卷积层、激活层、池化层及全连接层组成；
(4.3)选择非线性的激活函数及损失函数，深度卷积神经网络采用基于动态生长的结构，利用增加卷积层/池化层数和弃权技术的网络结构优化方法，确定适合的卷积层参数、池化层参数和全连接数，学习相同故障类型的融合图像的卷积特征，归纳出关键共性特征；
(4.4)选取卷积核，最后比较不同的深度卷积神经网络的故障诊断结果。
按照本发明的另一方面，提供了一种单相半桥五电平逆变器开关管开路故障诊断系统，包括：
数据采样模块，用于建立待诊断电路的仿真模型，根据发生开路故障的开关管个数及其位置，对故障类型进行标签分类，采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量；
数据处理模块，用于对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量，采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图；
特征融合模块，用于将同一种开路故障类型对应的HHT时频图模糊集进行图像融合，得到包含更多的故障特征信息的融合图像；
训练测试模块，用于利用深度卷积神经网络对融合后的图像进行分类识别，实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明创新性的将单相半桥五电平逆变器各个关键器件发生故障时的电信号参量数据通过时频分析方法转换成时频图，用于表征不同的故障类别并提供信号参量的时域和频域局部信息。然后结合融合图像将同一故障类别下的不同时频图的互补信息进行融合，使得融合图像中包含更多故障特征。随着深度学习的迅速发展，深度卷积神经网络作为最有效的深度学习算法之一，可以自动学习原始数据的抽象表示特征，可以克服浅层网络在故障诊断应用中的无效学习及弱泛化问题。因此，本发明采用基于深度卷积神经网络的方法对单相半桥五电平逆变器进行故障识别，将各个关键器件故障对应的时频图模糊集作为网络的输入，通过若干个卷积层、池化层、激活层及全连接层进行关键共性特征的对比学习来识别不同的故障类别，可以大大提高故障诊断的准确率。
附图说明
图1是本发明实施例提供的一种方法流程示意图；
图2是本发明实施例提供的一种单相半桥五电平逆变器的拓扑图；
图3是本发明实施例提供的一种故障特征提取方法的示意图，其中，正常运行情况下的输出侧电压信号的(a)EMD分解过程,(b)HHT时频图；
图4是本发明实施例提供的一种故障特征融合方法的示意图；
图5是本发明实施例提供的一种各类深度卷积神经网络(LeNet-5, AlexNet,VGG-16,VGG-19,GoogLeNet,ResNet-18,ResNet-50,ResNet-152) 诊断结果的对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
以下以单相半桥五电平逆变器开关管开路故障诊断为例对本发明进行详细说明，但是本发明方法不局限于单相半桥五电平逆变器，还可以用于其他电路的故障诊断。
如图1所示是本发明实施例提供的一种单相半桥五电平逆变器开关管开路故障诊断方法的流程示意图，包含以下步骤：
(1)建立单相半桥五电平逆变器的仿真模型，并选取输出侧电压为故障特征变量，根据发生开路故障的电力电子开关器件个数及其位置，对故障类型进行标签分类，具体如下：
(1.1)现有的常用的非实时的离线仿真方法的缺点是从离线仿真直接到实际的原型过程中，会出现很大的跳跃，不确定因素很多。因此，本发明实施例中搭建以数字信号处理(Digital Signal Process,DSP)控制器和 RT-LAB实时仿真器为核心的半实物实验平台，在接近真实实验的前提下，更具有可控性和可重复性，且不具备破坏性。
首先，利用MATLAB/Simulink建立了整个电路拓扑和控制器等模型，再通过RT-LAB将其实时化运行，完成系统设计；在真实控制器硬件设计阶段，利用RT-LAB半实物仿真平台连接真实的DSP控制平台，完成控制策略的开发。
其次，真实控制器开发完成后，利用RT-LAB平台，设置单相半桥五电平逆变器不同的故障试验。构建覆盖不同开关器件、多种开路故障的故障特征库，记录故障元件、故障种类、采集输出信号数据等。
最后，基于输出信号数据，在MATLAB/Simulink的仿真环境和 DSP+RT-LAB的半实物实验环境下开展故障特征提取、故障特征融合、故障诊断方法的验证。
(1.2)单相半桥五电平逆变器电路仿真拓扑图如图2所示，它由上下两个桥臂组成一个相单元，每个桥臂包含2个子模块以及一个桥臂电感，并以上桥臂电感L1和下桥臂电感L2之间作为交流输出端。上桥臂2个子模块串联的入端形成正母线端P，下桥臂2个子模块串联的出端形成负母线端 N，从而形成直流母线侧，该侧可以连接直流电压源或者直流负载等。直流母线的电压中点O需要与桥臂的交流输出端形成回路，从而进行交直流侧功率交换。每一个子模块是由两个反并联二极管的开关管串联而构成的，直流电容C1并联在两个开关管上。在子模块的构造之中，电容C1相当于电压源，通过不断的进行充放电，来存储和释放电能。图2中Usm为子模块的输出电压，Ism为子模块输入电流，而Uo为子模块的电容电压。两组桥臂有 8种开路故障，包含正常运行状态则分为9类，单相半桥五电平逆变器开关状态与故障种类的关系表如表1所示，其中V11 OC和V12 OC分别表示功率管V11和V12开路故障。并选取输出侧电压为故障信号变量。
表1故障类别和标签
Figure BDA0002845588720000071
(2)对故障信号变量进行经验模态分解(Empirical Mode Decomposition, EMD)得到本征模函数分量(Intrinsic Mode Function,IMF)，作为故障特征向量，采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换 (Hilbert-Huang Transform,HHT)时频图；
在步骤(2)中，基于时频图分析的单相半桥五电平逆变器故障特征提取方法，能够提取精确表征各类故障的时频图模糊集。具体如下：
(2.1)对输出侧电压进行EMD分解，EMD不需要指定基函数，而是直接根据信号本身的时间尺度特征进行分解，将输出侧电压信号分解成若干完整的、几乎是正交的IMF分量和残余分量之和，每阶IMF分量对应于一个离散频率的特定信号的振动模式。EMD方法将输出侧电压信号分解如下：
Figure BDA0002845588720000081
其中，每阶IMF分量ci(t)包含输出侧电压信号的不同时间特征尺度，残差分量r(t)代表输出侧电压信号的平均趋势。因此，可以从电路输出信号的IMF分量中提取出电力电子电路故障的特征信息。
(2.2)如图3(a)所示，是单相半桥五电平逆变器在正常运行情况下的输出侧电压信号的EMD分解过程。将每阶IMF分量分解成多段，其次采用希尔伯特黄变换算法提取每一段的HHT时频图，将波形信号转换成图谱数据，不同的故障类型会对应不同的HHT图。对于同一种故障类型获得多张HHT时频图，记为某一类故障对应的时频图模糊集。如图3(b)所示，为正常运行情况下的HHT时频图。
(3)将同一种开路故障类型对应的HHT时频图模糊集进行图像融合，得到包含更多的故障特征信息的融合图像；
时频图模糊集中的多个HHT时频图像通常包含一些互补信息，通过融合可以得到包含更多的故障特征信息的融合图像。图4给出了融合过程的原理图，具体包括以下步骤：
(3.1)将每个故障信号对应的n张HHT时频图作为输入，并采用滑动窗口技术将各时频图像分割成N块
Figure BDA0002845588720000082
分别表示为
Figure BDA0002845588720000083
(3.2)利用字典排序将
Figure BDA0002845588720000084
每个向量转化为列向量
Figure BDA0002845588720000091
然后将每个向量的均值归一化为零，得到
Figure BDA0002845588720000092
Figure BDA0002845588720000093
其中，1表示n×1向量，
Figure BDA0002845588720000094
表示
Figure BDA0002845588720000095
中所有元素的平均值。
(3.3)将
Figure BDA0002845588720000096
作为训练样本集，采用K-SVD算法将选取的样本训练为过完备字典D；使用正交匹配追踪算法和过完备字典D计算
Figure BDA0002845588720000097
对应的稀疏系数
Figure BDA0002845588720000098
Figure BDA0002845588720000099
其中，ε为预设阈值。
(3.4)用“max-L1”规则对
Figure BDA00028455887200000910
进行融合，得到融合的稀疏向量
Figure BDA00028455887200000911
Figure BDA00028455887200000912
其中，
Figure BDA00028455887200000913
表示随机的一个稀疏系数。
随后，得到融合图像的融合稀疏系数
Figure BDA00028455887200000914
表示
Figure BDA00028455887200000915
中所有元素的平均值：
Figure BDA00028455887200000916
(3.5)对所有的图像块
Figure BDA00028455887200000917
重复上述步骤以获得所有融合稀疏系数
Figure BDA00028455887200000918
利用过完备字典D和融合稀疏系数
Figure BDA00028455887200000919
重构得到新的图像块
Figure BDA00028455887200000920
最后，所有新的图像块
Figure BDA00028455887200000921
替换所有的原始图像块
Figure BDA00028455887200000922
即得到融合图像SF。
(4)利用深度卷积神经网络对融合图像SF进行分类识别，实现对单相半桥五电平逆变器不同故障的准确诊断。
本发明实施例中，采用LeNet，AlexNet，ResNet，VGGNet，GoogLeNet 等深度卷积神经网络进行故障分类，具体包括以下步骤：
(4.1)深度卷积神经网络的网络框架是Caffe中开源的LeNet，AlexNet， ResNet，VGGNet和GoogLeNet框架。在实验中，CPU是Inter(R)Core(TM) i7-4790 CPU@3.60GHz，GPU是NVIDIA GeForce GTX 750Ti。本发明实施例中，在可用于表征不同故障类型的融合图像的基础上，将融合图像进行标签后的数据集作为深度卷积神经网络的输入，分为训练集和测试集；
(4.2)深度卷积神经网络由输入层、若干个卷积层、激活层、池化层及全连接层组成。确定适合故障分类的卷积层、池化层和全连接数。全连接层的神经元数可以修改，因为本发明实施例中有9类故障类别，所以将最终全连接层的神经元数修改为9个。为了防止过拟合，减小误差，增强特征，加快收敛速度，在故障诊断测试中选择合适的非线性的激活函数，如Sigmoid函数、ReLU函数、ELU函数和tanh函数等。在故障诊断测试中选择合适的损失函数，如0-1损失函数、绝对值损失函数、平方损失函数、方差损失函数、交叉熵损失函数等。
(4.3)深度卷积神经网络采用基于动态生长的结构，利用增加卷积层/ 池化层数和弃权技术等网络结构优化方法，确定适合的卷积层参数、池化层参数和全连接数，训练学习相同故障类型的融合图像的卷积特征，归纳出关键共性特征。在故障诊断测试中选取合适的卷积核，如同一化核、边缘检测核、图像锐化核以及高斯模糊核等。图5展示了本发明案例采用LeNet， AlexNet，ResNet，VGGNet，GoogLeNet等深度卷积神经网络得到的故障诊断结果，都达到了较高的精度值。
本申请还提供一种单相半桥五电平逆变器开关管开路故障诊断系统，包括：
数据采样模块，用于建立单相半桥五电平逆变器的仿真模型，根据发生开路故障的开关管个数及其位置，对故障类型进行标签分类，采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量；
数据处理模块，用于对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量，采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图；
特征融合模块，用于将同一种开路故障类型对应的HHT时频图模糊集进行图像融合，得到包含更多的故障特征信息的融合图像；
训练测试模块，用于利用深度卷积神经网络对融合后的图像进行分类识别，实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
其中，各模块的具体实施方式可以参考上述方法实施例的描述，本发明实施例将不再复述。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现方法实施例中的单相半桥五电平逆变器开关管开路故障诊断方法。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种单相半桥五电平逆变器开关管开路故障诊断方法，其特征在于，包括：
(1)建立待诊断电路的仿真模型，根据发生开路故障的开关管个数及其位置，对故障类型进行标签分类，采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量；
(2)对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量，采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图；
(3)将同一种开路故障类型对应的HHT时频图模糊集进行图像融合，得到包含更多的故障特征信息的融合图像；
其中，步骤(3)包括：
(3.1)利用K-SVD算法对待融合图像的所有子区域进行字典学习，得到过完备字典D；
(3.2)使用正交匹配追踪算法和过完备字典D计算稀疏向量；
(3.3)基于稀疏向量最大元素绝对值的融合规则，完成同一种开路故障类型对应的HHT时频图模糊集的稀疏向量融合，获得融合图像；
(4)利用深度卷积神经网络对融合后的图像进行分类识别，实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：
(2.1)对故障信号变量进行EMD分解，直接根据电压信号本身的时间尺度特征进行分解，将复杂的电压信号分解成若干完整的、几乎是正交的IMF分量；
(2.2)将各IMF分量平均分为多个节段，并对每个节段分别转换成HHT时频图，得到不同的开路故障类型对应的不同的HHT图；将同一种开路故障类型的多张HHT时频图，记为其对应的HHT时频图模糊集。
3.根据权利要求2所述的方法，其特征在于，步骤(3.1)包括：
将每个故障信号对应的n张HHT时频图作为输入，并采用滑动窗口技术将各时频图像分割成N块
Figure FDA0003259511210000021
分别表示为
Figure FDA0003259511210000022
利用字典排序将
Figure FDA0003259511210000023
每个向量转化为列向量
Figure FDA0003259511210000024
然后将每个向量的均值归一化为零，得到
Figure FDA0003259511210000025
其中，
Figure FDA0003259511210000026
1表示n×1向量，
Figure FDA0003259511210000027
表示
Figure FDA0003259511210000028
中所有元素的平均值；
将
Figure FDA0003259511210000029
作为训练样本集，采用K-SVD算法将选取的样本训练为过完备字典D。
4.根据权利要求3所述的方法，其特征在于，步骤(3.2)包括：
使用正交匹配追踪算法和过完备字典D计算
Figure FDA00032595112100000210
对应的稀疏系数
Figure FDA00032595112100000211
其中，
Figure FDA00032595112100000212
s.t.
Figure FDA00032595112100000213
ε为预设阈值。
5.根据权利要求4所述的方法，其特征在于，步骤(3.3)包括：
由
Figure FDA00032595112100000214
规则得到融合的稀疏向量
Figure FDA00032595112100000215
其中，
Figure FDA00032595112100000216
表示随机的一个稀疏系数；
由
Figure FDA00032595112100000217
得到融合图像的融合稀疏系数
Figure FDA00032595112100000218
Figure FDA00032595112100000219
表示
Figure FDA00032595112100000220
中所有元素的平均值；
对所有的图像块
Figure FDA00032595112100000221
重复上述步骤以获得所有融合稀疏系数
Figure FDA00032595112100000222
利用过完备字典D和融合稀疏系数
Figure FDA0003259511210000031
重构得到新的图像块
Figure FDA0003259511210000032
由所有新的图像块
Figure FDA0003259511210000033
替换所有的原始图像块
Figure FDA0003259511210000034
得到融合图像SF。
6.根据权利要求1至5任意一项所述的方法，其特征在于，步骤(4)包括：
(4.1)将融合图像进行标签后的数据集作为深度卷积神经网络的输入，将融合图像进行标签后的数据集分为训练集和测试集；
(4.2)采用深度卷积神经网络对不同故障类型的融合图像进行分类，其中，深度卷积神经网络由输入层、若干个卷积层、激活层、池化层及全连接层组成；
(4.3)选择非线性的激活函数及损失函数，深度卷积神经网络采用基于动态生长的结构，利用增加卷积层/池化层数和弃权技术的网络结构优化方法，确定适合的卷积层参数、池化层参数和全连接数，学习相同故障类型的融合图像的卷积特征，归纳出关键共性特征；
(4.4)选取卷积核，最后比较不同的深度卷积神经网络的故障诊断结果。
7.一种单相半桥五电平逆变器开关管开路故障诊断系统，其特征在于，包括：
数据采样模块，用于建立待诊断电路的仿真模型，根据发生开路故障的开关管个数及其位置，对故障类型进行标签分类，采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量；
数据处理模块，用于对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量，采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图；
特征融合模块，用于将同一种开路故障类型对应的HHT时频图模糊集进行图像融合，得到包含更多的故障特征信息的融合图像；
其中，所述特征融合模块，具体用于利用K-SVD算法对待融合图像的所有子区域进行字典学习，得到过完备字典D；使用正交匹配追踪算法和过完备字典D计算稀疏向量；基于稀疏向量最大元素绝对值的融合规则，完成同一种开路故障类型对应的HHT时频图模糊集的稀疏向量融合，获得融合图像；
训练测试模块，用于利用深度卷积神经网络对融合后的图像进行分类识别，实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述单相半桥五电平逆变器开关管开路故障诊断方法的步骤。
CN202011508386.9A 2020-12-18 2020-12-18 一种单相半桥五电平逆变器开关管开路故障诊断方法 Active CN112710969B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011508386.9A CN112710969B (zh) 2020-12-18 2020-12-18 一种单相半桥五电平逆变器开关管开路故障诊断方法
US17/503,354 US20220198244A1 (en) 2020-12-18 2021-10-17 Method for diagnosing open-circuit fault of switching transistor of single-phase half-bridge five-level inverter

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011508386.9A CN112710969B (zh) 2020-12-18 2020-12-18 一种单相半桥五电平逆变器开关管开路故障诊断方法

Publications (2)

Publication Number Publication Date
CN112710969A CN112710969A (zh) 2021-04-27
CN112710969B true CN112710969B (zh) 2021-11-09

Family

ID=75544586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011508386.9A Active CN112710969B (zh) 2020-12-18 2020-12-18 一种单相半桥五电平逆变器开关管开路故障诊断方法

Country Status (2)

Country Link
US (1) US20220198244A1 (zh)
CN (1) CN112710969B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159226B (zh) * 2021-05-18 2021-11-16 中国矿业大学 一种深度特征和统计特征融合的逆变器故障诊断方法
CN113159077B (zh) * 2021-05-24 2023-10-27 南京工程学院 一种基于混合卷积神经网络的三相逆变器故障识别方法
CN113689308A (zh) * 2021-08-05 2021-11-23 北京航空航天大学 基于动态模糊网络和多源信息融合的供电系统级故障诊断
CN113866675B (zh) * 2021-09-26 2023-05-26 河南理工大学 一种h桥逆变器短路故障推理方法
CN114252725A (zh) * 2021-11-05 2022-03-29 国网河南省电力公司电力科学研究院 基于HHT和ResNet18的单相接地故障类型综合辨识方法
CN114943259B (zh) * 2022-07-22 2022-10-21 深圳市世坤科技实业有限公司 利用激光加工电动元件的设备故障诊断系统及方法
CN116541772B (zh) * 2023-05-05 2023-10-10 兰州理工大学 基于多源融合残差网络的级联h桥逆变器故障诊断方法
CN116311595A (zh) * 2023-05-16 2023-06-23 江西五十铃汽车有限公司 车辆mos管监管方法、设备、介质和程序产品
CN116610916B (zh) * 2023-05-18 2023-11-21 兰州理工大学 多信号源自适应融合级联h桥逆变器故障诊断方法
CN116434777B (zh) * 2023-06-09 2023-10-20 国网山东省电力公司济南供电公司 基于多级注意力和特征融合的变压器故障诊断方法及系统
CN116400264B (zh) * 2023-06-09 2023-08-18 广东工业大学 一种逆变器开路故障诊断方法和系统
CN117092554B (zh) * 2023-10-17 2024-01-02 中南大学 逆变器耦合故障分析方法、装置、电子设备及存储介质
CN117169657B (zh) * 2023-11-03 2024-01-12 山东和兑智能科技有限公司 一种基于人工智能的高压电缆状态监测方法及系统
CN117874665B (zh) * 2024-03-13 2024-05-10 西北工业大学宁波研究院 一种sofc系统多故障的诊断方法及系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7139668B2 (en) * 2003-05-12 2006-11-21 Simmonds Precision Products, Inc. Wire event detection
GB201201230D0 (en) * 2012-01-25 2012-03-07 Univ Delft Tech Adaptive multi-dimensional data decomposition
US9013490B2 (en) * 2012-05-17 2015-04-21 The United States Of America As Represented By The Administrator Of The National Aeronautics Space Administration Hilbert-huang transform data processing real-time system with 2-D capabilities
GB2555675B (en) * 2016-08-05 2019-05-08 Secr Defence Method and apparatus for generating an enhanced digital image of a physical object or environment
CN107543722A (zh) * 2017-08-18 2018-01-05 西安交通大学 基于深度堆叠字典学习的滚动轴承故障特征提取方法
CN107666322B (zh) * 2017-09-08 2020-11-10 山东科技大学 一种基于字典学习的自适应微震数据压缩感知方法
CN108106830B (zh) * 2017-12-13 2019-10-29 武汉科技大学 一种基于时频谱分割的变速旋转机械故障诊断方法
CN108983749B (zh) * 2018-07-10 2021-03-30 福州大学 基于k-svd训练稀疏字典的光伏阵列故障诊断方法
CN111815511A (zh) * 2019-04-11 2020-10-23 上海集森电器有限公司 一种全景图像拼接方法
CN110780271B (zh) * 2019-10-18 2023-03-24 西安电子科技大学 基于卷积神经网络的空间目标多模式雷达分类方法
CN111160171B (zh) * 2019-12-19 2022-04-12 哈尔滨工程大学 一种联合两域多特征的辐射源信号识别方法
CN111126493B (zh) * 2019-12-25 2023-08-01 东软睿驰汽车技术（沈阳）有限公司 深度学习模型的训练方法、装置、电子设备及存储介质
CN111523509B (zh) * 2020-05-08 2023-08-29 江苏迪赛司自动化工程有限公司 融合物理和深度表达特征的设备故障诊断及健康监测方法
CN111508518B (zh) * 2020-05-18 2022-05-13 中国科学技术大学 一种基于联合字典学习和稀疏表示的单通道语音增强方法

Also Published As

Publication number Publication date
CN112710969A (zh) 2021-04-27
US20220198244A1 (en) 2022-06-23

Similar Documents

Publication Publication Date Title
CN112710969B (zh) 一种单相半桥五电平逆变器开关管开路故障诊断方法
CN110728360B (zh) 一种基于bp神经网络的微能源器件能量识别方法
Han et al. Short-time wavelet entropy integrating improved LSTM for fault diagnosis of modular multilevel converter
CN103761372B (zh) 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略
CN110456217B (zh) 一种基于wpd-foa-lssvm双模型的mmc故障定位方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN112488011B (zh) 一种模块化多电平换流器故障分类方法
CN111160241B (zh) 一种基于深度学习的配电网故障分类方法、系统和介质
CN114355240A (zh) 配电网接地故障诊断方法及装置
CN113093058A (zh) 一种npc三电平逆变器开路故障诊断方法
CN115618195A (zh) 传感器电路故障诊断方法、系统、介质及装置
Cui et al. T-type inverter fault diagnosis based on GASF and improved AlexNet
Zhu et al. Fault location in AC transmission lines with back‐to‐back MMC‐HVDC using ConvNets
Zhang et al. Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet
Harish et al. Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine
CN113537080A (zh) 一种级联h桥多电平逆变器的故障诊断方法
CN113112039A (zh) 基于时频记忆递归神经网络的主动配电系统初期故障识别方法
CN117669656A (zh) 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置
CN115019129B (zh) 基于时序成像与图像融合的双有源桥变换器故障诊断方法及系统
Xu et al. Loop optimization noise-reduced LSTM based classifier for PD detection
Wu et al. Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning
Katyara et al. Signal parameter estimation and classification using mixed supervised and unsupervised machine learning approaches
CN109782156B (zh) 基于人工免疫诊断网络的模拟电路故障诊断方法
Ganesan et al. A deep learning approach to fault detection in a satellite power system using Gramian angular field
Chao et al. An Intelligent Fault Diagnosis Method Based on Extension Theory for DC–AC Converters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant