CN113159077A - 一种基于混合卷积神经网络的三相逆变器故障识别方法 - Google Patents

Abstract

本发明公开了一种基于混合卷积神经网络的三相逆变器故障识别方法，包括以下步骤：S1、采集故障数据，对数据预处理；S2、建立并训练融合卷积神经网络HCNN模型；模型包括1D‑CNN和2D‑CNN两个网络；两个网络通过两个卷积层和汇聚层交替连接，实现故障样本数据的特征提取；从两个网络中提取的故障特征向量在全连接层进行融合，生成HCNN的故障特征向量；S3、基于HCNN进行故障诊断：将预处理后的数据分别以一维和二维形式同时输入1D‑CNN和2D‑CNN中，在全连接层融合两个网络提取的特征样本，最后利用softmax分类器完成故障模式识别。本发明避免了出现过拟合的问题，且具有较强的泛化能力。

Description

一种基于混合卷积神经网络的三相逆变器故障识别方法

技术领域

本发明属于神经网络技术领域，具体地涉及一种基于混合卷积神经网络的三相逆变器故障识别方法。

背景技术

随着新能源汽车的发展，无刷直流电机(BLDCM)系统的可靠性直接关乎整车性能与安全，为此受到越来越多领域关注与重视。BLDCM驱动系统作为一种典型的电力电子变换装置，其故障主要来自典型部件，如功率MOSFET、电容器、连接器等易损元件。功率MOSFET作为驱动系统的核心部件，由于其频繁开关动作以及热应力与电应力的综合影响，致使其更容易发生故障。因此，若功率MOSFET故障不能被有效地及时检测出来，将会对电机驱动系统产生不利影响，造成不可估量的经济损失。

功率MOSFET的故障类型可分为开路故障(OCF)和短路故障(SCF)。通常情况下，SCF发生的速度很快，硬件电路配备了相应的保护措施，如在驱动电路中串联一个快速熔断器，将SCF转化为OCF。然而，当发生开路故障时，由于电路在一段时间内仍可继续工作，导致逆变器OCF不易检测。若无法及时修复OCF故障，将导致功率MOSFET甚至整个电力电子电路发生二次故障，其主要原因为通过其它功率MOSFET和器件的电流会大大增加电应力。同时，谐波干扰还会对故障工作模式下的器件造成损坏。因此，电力电子系统故障诊断技术可以保证电力电子系统的可靠性和可用性，使电力电子系统更加智能化和安全化。

随着人工智能的不断发展，越来越多的机器学习方法被应用到故障诊断领域。CNN以其强大的特征提取能力被广泛应用于语音识别、图像处理和图像识别等领域。CNN无需明确输入的具体特征，可通过网络训练学习从而实现特征提取。然而，在实际电力电子系统复杂变化的工况下，单一神经网络存在故障诊断精度低、泛化能力差等问题。为此，本发明提出一种基于混合卷积神经网络的三相逆变器故障识别方法，将一维CNN以及二维CNN所提特征进行融合，以挖掘更深层次故障信息，并实现不同故障模式识别与定位，以解决故障特征难以有效提取、识别率低等难题。

发明内容

本发明针对现有技术中的不足，提供一种基于混合卷积神经网络的三相逆变器故障识别方法。

为实现上述目的，本发明采用以下技术方案：一种基于混合卷积神经网络的三相逆变器故障识别方法，包括以下步骤：

S1、采集故障数据，对数据预处理；

S2、建立并训练融合卷积神经网络HCNN模型；

模型包括1D-CNN和2D-CNN两个网络；两个网络通过两个卷积层和汇聚层交替连接，实现故障样本数据的特征提取；从两个网络中提取的故障特征向量在全连接层进行融合，生成HCNN的故障特征向量；

S3、基于HCNN进行故障诊断：将预处理后的数据分别以一维和二维形式同时输入1D-CNN和2D-CNN中，在全连接层融合两个网络提取的特征样本，最后利用softmax分类器完成故障模式识别。

为优化上述技术方案，采取的具体措施还包括：

进一步地，1D-CNN和2D-CNN都由两个卷积层、两个池层和一个完全连接层组成。

进一步地，步骤S3中，基于HCNN的故障诊断流程如下：

1)采集直流-交流驱动电路A、B、C三相电流信号ia、ib、ic作为故障信号；

2)利用快速傅里叶变换将采集电流信号转换成故障信号的频域信号；将合适的频域信号截取为故障特征向量，对故障特征向量进行归一化，得到故障数据样本，将其分为训练集和测试集；

3)HCNN训练阶段：首先，分别将相同的训练参数分别分配给1D-CNN和2D-CNN；将故障数据样本训练集输入到HCNN中，通过逐层训练和反向传播，不断调整网络参数和权值偏差，最后一层采用softmax分类器进行故障诊断；

4)HCNN测试阶段：将故障数据样本集输入训练后的HCNN中，计算不同情况下的故障诊断准确率，并与SDAE、1D-CNN和2D-CNN进行比较，验证该模型的有效性。

进一步地，步骤S1中，数据采集过程包括：采集三相全桥式无刷直流电机驱动电路电流信号，每种负载条件下对每种故障模式分别采样100次相电流i_a、i_b、i_c。

进一步地，数据预处理过程包括：将原始电流信号进行FFT获得其频域信号，将频率范围为[0，f_N]的频域信号截取为故障特征向量，对故障特征向量进行归一化，得到故障数据样本，将其分为训练集和测试集。

进一步地，HCNN模型中包括四个卷积核，卷积公式为：

式中M_j表示输入数据的维度；

表示输入数据待卷积的部分；

为权重矩阵；b_j为偏置系数；f(·)为激活函数。

进一步地，选择的激活函数为ReLu函数，其数学表达式为：

进一步地，池化层卷积核的尺寸分别为1*2与2*2；HCNN模型选择的是最大池化函数，其表达式为:

其中，

为权重矩阵；

为偏置矩阵；down(·)为降采样函数。

进一步地，全连接层与最后一个池化层两两相连，全连接层的表达式为：

y^k＝f(w^k·x^k-1+b^k) (4)

其中，k为网络层序号；y^k为全连接层的输出；w^k为权重矩阵；x^k-1为一维特征向量；b^k为偏置矩阵；f(·)选用softmax激活函数。

进一步地，f(·)选用softmax激活函数其数学模型为：

其中，

表示第i个样本属于j类故障模式的概率。

本发明的有益效果是：本发明提出的HCNN网络模型能避免手工提取特征的复杂性；本模型同时将故障样本分别输入到一维卷积神经网络与二维卷积神经网络中，在全连接层融合两个网络提取的特征样本，不仅可以避免一维卷积神经网络感受野不足导致训练过程中容易出现过拟合的问题，还可以防止二维卷积神经网络破坏原始序列中的空间相关性导致故障信息丢失的问题。可以挖掘原始故障样本中更深层的故障信息。本发明能有效、准确地诊断出各TFI开关的开路故障且具有较强的泛化能力。

附图说明

图1为本发明的HCNN模型结构示意图。

图2为本发明的卷积层过程示意图。

图3为本发明的池化层过程示意图。

图4为本发明的全连接层过程示意图。

图5为本发明通过HCNN模型故障诊断过程流程图。

图6为本发明实施例的负载Cload2情形下时域信号图，其中(a)为T1管开路；(b)为T4管开路。

图7为本发明实施例的负载Cload2情形下频域信号图，其中(a)为T1管开路；(b)为T4管开路。

图8为本发明实施例的HCNN模型训练曲线图，其中(a)为损失函数变化曲线，(b)为准确率变化曲线。

图9为本发明的故障诊断框架示意图。

图10为本发明HCNN模型的故障诊断混淆矩阵示意图，其中(a)为Cload1下的故障诊断结果，(b)为Cload2下的故障诊断结果，(c)为Cload3下的故障诊断结果，(d)为混合负载Cload下的故障诊断结果。

图11为本发明基在不同工况下故障诊断结果示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

目前逆变器的故障诊断主要分为基于模型的方法和数据驱动的方法。基于解析模型的方法通常需要了解系统的动态特性和运行机理，然后建立精确的数学模型。然而，基于解析模型的方法过于依赖精确的数学模型，需要手动提取故障特征。一旦研究对象的结构发生变化，就需要对其进行改造。

基于数据驱动的方法不需要知道系统的精确分析模型，直接对测量数据进行分析和处理。然而，数据驱动的方法特征提取的效果并不理想，需要对特定的故障信号进行核主成分分析，导致工作量过大。

本发明提出了一种基于混合卷积神经网络的三相逆变器故障识别方法，利用改进的CNN强大的特征提取能力，将其应用于三相全桥无刷直流电机故障诊断。由于故障信号是一维频谱信号，网络结构可以选择1D-CNN。然而，在相同的卷积核下，1D-CNN会获得较少的感受野，具有数据不足和训练过程中容易出现过拟合的缺点。故障数据信号也可以转换成矩阵形式作为2D-CNN的输入。然而，这种方法可能会破坏原始序列中的空间相关性，导致故障信息的丢失，不能最大限度地发挥深度学习的优势，自动学习原始信号的特征。因此，提出了融合卷积神经网络(Hybrid Convolutional Neural Network，HCNN)，其网络结构如图1所示。

从图1可以看出，经过FFT处理的数据分别以一维和二维形式作为1D-CNN和2D-CNN的输入。两个网络通过两个卷积层和汇聚层交替连接，实现故障样本数据的特征提取，从两个网络中提取的故障特征向量在全连接层进行融合，生成HCNN的故障特征向量。最后利用softmax分类器完成故障模式识别。

卷积层的作用是自适应提取输入数据的故障特征，如图2所示，同时还可以消除噪声。选择合适的卷积核对输入数据依次进行卷积处理，一个卷积核即为一个权重矩阵。不同的卷积核代表不同的特征，通常卷积神经网络通常通过增加不同的卷积核以提高模型的特征提取能力，随后获得带有故障特征的多层矩阵数据。程序中设计卷积核的尺寸大小分别为1*3和3*3，数量为4个。具体的卷积公式为：

式中M_j表示输入数据的维度；

表示输入数据待卷积的部分；

为权重矩阵；b_j为偏置系数；f(·)为激活函数，本模型选择的激活函数为ReLu函数，其数学表达式为：

池化层与卷积层类似，也称降采样层，池化层常用的有最大池化和均值池化，即卷积核依次滑过目标数据并提取相应区域的最大值或平均值，如图3所示。所以池化层的作用是提取从卷积层输出的数据的主要特征，同时降低其维度。程序中设计池化层卷积核的尺寸分别为1*2与2*2。本模型选择的是最大池化函数。其表达式为：

其中，

为权重矩阵；

为偏置矩阵；down(·)为降采样函数。

全连接层即结合卷积层与池化层提取的故障特征并进行分类，全连接层与最后一个池化层两两相连，最终经过softmax分类器得出预测结果，如图4所示。全连接层的表达式为：

y^k＝f(w^k·x^k-1+b^k) (4)

其中，k为网络层序号；y^k为全连接层的输出；w^k为权重矩阵；x^k-1为一维特征向量；b^k为偏置矩阵；f(·)选用softmax激活函数，其数学模型为:

其中

表示第i个样本属于j类故障模式的概率。

在HCNN的学习过程中，选择交叉熵损失函数作为融合故障特征的训练目标损失函数，其数学表达式如下：

其中

指示函数,(x_i,y_i)是模型的训练样本,m是训练样本的数量,n是故障种类数量.通过计算公式(6)的偏导数，可以逐层更新CNN的权重参数w和b。

其中w′和b′更新后的权重参数,w和b是原始的权重参数.η∈(0,1)是学习率。训练的目标就是最小化J(w)。

基于HCNN的故障诊断流程图如图5示。具体步骤如下：

(1)采集直流-交流驱动电路A、B、C三相电流信号i_a、i_b、i_c作为故障信号。

(2)利用快速傅里叶变换(Fast Fourier Transform，FFT)将采集电流信号转换成故障信号的频域信号。将合适的频域信号截取为故障特征向量，对故障特征向量进行归一化，得到故障数据样本，将其分为训练集和测试集。

(3)HCNN训练阶段：首先，分别将相同的训练参数(如隐藏层节点数、激活函数等)分别分配给1D-CNN和2D-CNN。将故障数据样本训练集输入到HCNN中，通过逐层训练和反向传播，不断调整网络参数和权值偏差，最后一层采用softmax分类器进行故障诊断。

(4)HCNN测试阶段：将故障数据样本集输入训练后的HCNN中，计算不同情况下的故障诊断准确率，并与SDAE、1D-CNN和2D-CNN进行比较，验证了该模型的有效性。

本发明的一个实施例：在利用HCNN模型识别故障之前要进行故障数据的采集，无刷直流电机DC-AC驱动电路故障诊断实验平台包含直流电源、DC-AC驱动电流、无刷直流电机以及四通道同步数据采集器等。其中，风扇负载固定于BLDCM电机轴，额定转速约为800rad/min。实验中通过软件控制驱动信号以模拟不同功率开关管的开路故障，同样，通过软件控制风扇转速以使得无刷直流电机工作于不同负载条件，实验中风扇负载设置为三种情形，即转速分别大约为550rad/min，650rad/min以及750rad/min，并分别记为负载情形Cload1、Cload2与Cload3。每种负载条件下对每种故障模式(包含正常工作状态)分别采样100次相电流i_a、i_b、i_c，其中，电流信号采样采用芯片ACS712将其转换为电压信号，数据采集器采样频率设置为200KHz，每次数据采样长度为100k采样点。

将采集的故障数据需进行预处理。由于故障的发生、发展往往引起信号频率结构的变化，在时域分析中很难区分，但这些故障在电流信号中就会有对应的频率成分出现。因此，为了通过所测故障信号了解、观测对象的动态行为，需要分析频域信号。所以将原始电流信号进行FFT获得其频域信号进行后续的故障特征提取与故障模式识别。

当无刷直流电机在Cload2负载情形时，功率开关管T1与T4发生开路故障时，相电流ia、ib、ic波形分别如图6中(a)、(b)所示。采用FFT对该负载情形下T1与T4开关管开路故障时的相电流进行频域分析，得到幅值谱图分别如图7中的(a)、(b)所示。由此可以看出，当不同开关管发生故障时，所得相电流频域信号有所差别，在不同频率点信号幅值存在差异，因此，将相电流幅值谱图中前500个频率点对应的幅值作为故障特征向量。从而，DC-AC驱动电路的故障特征向量维数为1500，每种负载条件下共有700个故障样本数据。

HCNN模型创建与训练：HCNN涉及的主要参数是结构参数和训练参数。结构参数直接影响HCNN的自适应特征提取能力，包括卷积核的大小和数目等，HCNN的结构参数如表1所示。训练参数的好坏直接影响网络模型的质量，直接影响故障诊断的准确性。参数通常包括优化器、优化器学习率、批数、迭代次数等，HCNN的训练参数如表2所示。原始数据的样本维数为1296，一维CNN的输入信号为1×1296，二维CNN的输入信号为36×36。1D-CNN和2D-CNN都由两个卷积层、两个池层和一个完全连接层组成。卷积层和池化层交替连接。卷积层采用常用的3×1和3×3卷积kernels，步长设为1。池层使用较小的2×1和2×2卷积核，步长设置为2。本文网络模型结构参数的选取，不仅扩大了模型输入的感受域，增加了信息输入量，而且加深了网络结构，提高了网络的特征提取能力。

表1HCNN结构参数表

表2训练参数表

网络模型选用Adam优化器，实验得知，学习率为0.001时可达到最佳的分类结果,并在图8(a)中得以验证。迭代次数如图8(b)中所示，在400次往后基本没有波动，保持稳定，为避免微小波动，本实施例选择迭代次数为500次。

本发明实施例采用SDAE、1D-CNN、2D-CNN和HCNN对不同工况条件下失效样本的失效模式进行分类，结果如图11所示。基于HCNN的故障诊断结果如图10所示。

由图10和图11可知，SDAE的故障分类精度约为90％，一维CNN的故障分类精度约为93％，二维CNN的故障分类精度约为95％。SDAE的分类精度总体上低于CNN。结果表明，普通卷积神经网络本身具有较好的故障特征提取能力。HCNN的故障诊断准确率在98.57％以上。该方法明显优于比较网络，表明HCNN能从原始故障数据样本中提取更深层的故障特征信息，能有效、准确地诊断出各TFI开关的开路故障。图11中，Cload3的故障诊断准确率略低于Cload1和Cload2，说明Cload3情况下的故障样本数据含有大量噪声，会影响网络的分类准确率。在混合Cload情况下，SDAE的准确率为84.29％，HCNN的准确率为98.57％，说明HCNN具有较强的泛化能力。

本发明提出了一种自适应特征提取的融合卷积神经网络，避免手工提取特征的复杂性，自主提取故障样本中的特征信息。本模型同时将故障样本分别输入到一维卷积神经网络与二维卷积神经网络中，在全连接层融合两个网络提取的特征样本。不仅可以避免一维卷积神经网络感受野不足导致训练过程中容易出现过拟合的问题，还可以防止二维卷积神经网络破坏原始序列中的空间相关性导致故障信息丢失的问题。可以挖掘原始故障样本中更深层的故障信息。

将融合卷积神经网络应用在三相全桥逆变器不同工况下，本模型可以提取原始故障数据中更深层的故障信息，在不同工况下均取得良好的故障诊断准确率，具有更好的泛化能力。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种基于混合卷积神经网络的三相逆变器故障识别方法，其特征在于，包括以下步骤：

S1、采集故障数据，对数据预处理；

S2、建立并训练融合卷积神经网络HCNN模型；

模型包括1D-CNN和2D-CNN两个网络；两个网络通过两个卷积层和汇聚层交替连接，实现故障样本数据的特征提取；从两个网络中提取的故障特征向量在全连接层进行融合，生成HCNN的故障特征向量；

S3、基于HCNN进行故障诊断：将预处理后的数据分别以一维和二维形式同时输入1D-CNN和2D-CNN中，在全连接层融合两个网络提取的特征样本，最后利用softmax分类器完成故障模式识别。

2.根据权利要求1所述的三相逆变器故障识别方法，其特征在于，1D-CNN和2D-CNN都由两个卷积层、两个池层和一个完全连接层组成。

3.根据权利要求1所述的三相逆变器故障识别方法，其特征在于，步骤S3中，基于HCNN的故障诊断流程如下：

1)采集直流-交流驱动电路A、B、C三相电流信号i_a、i_b、i_c作为故障信号；

2)利用快速傅里叶变换将采集电流信号转换成故障信号的频域信号；将合适的频域信号截取为故障特征向量，对故障特征向量进行归一化，得到故障数据样本，将其分为训练集和测试集；

3)HCNN训练阶段：首先，分别将相同的训练参数分别分配给1D-CNN和2D-CNN；将故障数据样本训练集输入到HCNN中，通过逐层训练和反向传播，不断调整网络参数和权值偏差，最后一层采用softmax分类器进行故障诊断；

4)HCNN测试阶段：将故障数据样本集输入训练后的HCNN中，计算不同情况下的故障诊断准确率，并与SDAE、1D-CNN和2D-CNN进行比较，验证该模型的有效性。

4.根据权利要求1所述的三相逆变器故障识别方法，其特征在于，步骤S1中，数据采集过程包括：采集三相全桥式无刷直流电机驱动电路电流信号，每种负载条件下对每种故障模式分别采样100次相电流i_a、i_b、i_c。

5.根据权利要求1所述的三相逆变器故障识别方法，其特征在于，数据预处理过程包括：将原始电流信号进行FFT获得其频域信号，将频率范围为[0，f_N]的频域信号截取为故障特征向量，对故障特征向量进行归一化，得到故障数据样本，将其分为训练集和测试集。

6.根据权利要求1所述的三相逆变器故障识别方法，其特征在于，HCNN模型中包括四个卷积核，卷积公式为：

式中M_j表示输入数据的维度；

表示输入数据待卷积的部分；

为权重矩阵；b_j为偏置系数；f(·)为激活函数。

7.根据权利要求6所述的三相逆变器故障识别方法，其特征在于，选择的激活函数为ReLu函数，其数学表达式为：

8.根据权利要求7所述的三相逆变器故障识别方法，其特征在于，池化层卷积核的尺寸分别为1*2与2*2；HCNN模型选择的是最大池化函数，其表达式为：

其中，

为权重矩阵；

为偏置矩阵；down(·)为降采样函数。

9.根据权利要求8所述的三相逆变器故障识别方法，其特征在于，全连接层与最后一个池化层两两相连，全连接层的表达式为：

y^k＝f(w^k·x^k-1+b^k) (4)

其中，k为网络层序号；y^k为全连接层的输出；w^k为权重矩阵；x^k-1为一维特征向量；b^k为偏置矩阵；f(·)选用softmax激活函数。

10.根据权利要求9所述的三相逆变器故障识别方法，其特征在于，f(·)选用softmax激活函数其数学模型为：

其中，

表示第i个样本属于j类故障模式的概率。

Images