CN113159226B - 一种深度特征和统计特征融合的逆变器故障诊断方法 - Google Patents

一种深度特征和统计特征融合的逆变器故障诊断方法 Download PDF

Info

Publication number
CN113159226B
CN113159226B CN202110537216.1A CN202110537216A CN113159226B CN 113159226 B CN113159226 B CN 113159226B CN 202110537216 A CN202110537216 A CN 202110537216A CN 113159226 B CN113159226 B CN 113159226B
Authority
CN
China
Prior art keywords
elm
inverter
statistical
features
depth
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
CN202110537216.1A
Other languages
English (en)
Other versions
CN113159226A (zh
Inventor
俞啸
丁恩杰
夏冰
任晓红
陈伟
吴传龙
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202110537216.1A priority Critical patent/CN113159226B/zh
Publication of CN113159226A publication Critical patent/CN113159226A/zh
Application granted granted Critical
Publication of CN113159226B publication Critical patent/CN113159226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Inverter Devices (AREA)

Abstract

本发明公开了一种深度特征和统计特征融合的逆变器故障诊断方法，首先采用SE‑DenseNet方法提取逆变器三相输出电流信号的深度特征，并利用希尔伯特黄变换HHT方法提取电流信号样本的统计特征，将深度特征和统计特征进行组合；其次，利用局部Fisher判别分析算法LFDA对组合的高维特征进行降维，得到能够表达逆变器故障特征的低维特征，实现深度特征与统计特征的融合；最后，采用极限学习机ELM分类器，以低维特征为输入实现三电平逆变器故障状态识别。相比于传统的诊断方法，本发明所提出的诊断方法故障识别准确率更高，在不同工况下的故障诊断能够取得理想的性能，对实际工业场景具有更强的适应能力和泛化能力。

Description

一种深度特征和统计特征融合的逆变器故障诊断方法
技术领域
本发明属于故障诊断技术领域，特别是涉及一种深度特征和统计特征融合的逆变器故障诊断方法。
背景技术
变频器是实现电机变频调速技术中非常重要且复杂的设备，同时也容易发生故障，变频器的主要组成部分有整流器、逆变器和控制电路。矿井提升机设备中的电机控制系统普遍装配多电平逆变器，中性点钳位(Neutral Point Clamped，NPC)三电平逆变器是其中常用的多电平逆变器之一，相比于两电平逆变器，NPC三电平逆变器能够缩小电压和电流升高的速率，对电机的冲击更小，能有效提高电机的使用寿命；然而，由于三电平逆变器所需的IGBT功率开关管较多，结构更复杂，从而导致故障频发，在逆变器所有故障中，IGBT的故障概率占比最高。逆变器中最常见的电源开关故障主要是短路和开路故障，大多数情况下，标准保护系统(例如保险丝，继电器和断路器)可检测到短路故障，随即断开电源，从而保护相关组件不受损坏。但标准保护系统无法检测到开路故障，一旦发生开路故障，会导致逆变器性能迅速降低，以及其他部分出现严重的二次故障。甚至会导致整个煤矿生产停止，因此，利用故障诊断技术实现功率管IGBT开路故障诊断与识别具有重要的价值与意义。
传统的故障诊断技术过程包含信号处理、特征提取、特征降维、模式识别四个步骤。但是在特征提取过程，提取的特征可能存在故障信息不全面问题，且提取过程复杂，不仅增加了数据处理的复杂性，而且会增加计算机运算负担以及影响分类精度。
而SE-DenseNet在特征提取表现出强大的性能，不仅可以从原始数据中自动提取大量的高鲁棒性和不变性的有用的深度特征，而且也能有效的解决卷积神经网络中梯度消失问题。于是，选择压缩激励密集连接卷积网络SE-DenseNet(Squeeze Excitation-Densely Connected Convolutional Network，SE-DenseNet)算法对三电平逆变器三相电流原始数据进行深度特征提取，再融合统计敏感特征，实现不同故障特征信息的互补。其次，从极限学习机ELM理论的角度来看，可以根据几乎任何非线性分段激活函数生成具有多个隐藏层的极限学习机ELM，并且一些随机特征映射仍然可以提供通用的逼近能力。在此基础上，本发明提出了基于SE-DenseNet-ELM与多源特征融合的逆变器故障诊断方法，此方法融合统计特征和深度特征两种特征，不仅提高了模型对不同工况数据的泛化能力，还提高了故障诊断的准确度。
发明内容
为了解决上述技术问题，本发明提供一种深度特征和统计特征融合的逆变器故障诊断方法，采用基于SE-DenseNet-ELM与多源特征融合的逆变器故障诊断方法，融合了统计特征和深度特征，不仅提高了模型对不同工况数据的泛化能力，还提高了故障诊断的准确度。
为实现上目的，本发明提出一种深度特征和统计特征融合的逆变器故障诊断方法，具体包括以下步骤：
S1、采集逆变器三相输出电流信号作为原始数据集，并将所述原始数据集划分为测试集和训练集；然后将所述训练集作为标记后的样本，将所述测试集作为未标记的样本；
S2、构建SE-DenseNet模型，并将所述训练集输入到所述SE-DenseNet模型中进行训练，得到训练好的sedtr模型；
S3、将所述训练集输入到所述训练好的sedtr模型中提取深度特征向量a，并采用希尔伯特黄变换算法HHT提取所述训练集的统计特征向量b；
S4、将所述深度特征向量a和所述统计特征向量b合并，形成组合特征向量c；
S5、利用LFDA方法对组合特征向量c进行融合和降维处理，并消除组合特征向量c中的冗余和噪声信息，得到低维投影矩阵M和所述训练集的低维特征向量d；
S6、将所述训练集的低维特征向量d输入ELM分类器进行训练，得到训练好的ELM分类器elmtr；将所述测试集输入到所述sedtr中，得到测试集的组合特征向量cte和低维特征向量dte，然后将所述dte输入到elmtr中对测试集的故障类别进行识别。
优选地，所述逆变器为NPC三电平逆变器。
优选地，所述NPC三电平逆变器中的每个IGBT均包括13种状态类型，分别为：一种健康状态和12种开路故障状态；
所述原始数据集，具体为：将所述三相输出电流信号的每个周期信号作为一个样本，分别采集四种工况下并运行在匀速和加速两种模式下的13种状态样本，每种状态下采集n个样本，共有4×13×n个样本；重复采集数据m次，得到四种工况下的原始数据集为4×13×n×m个样本；
所述训练集为第一种工况下的样本集；所述测试集为其余三种工况下的样本集总和。
优选地，所述SE-DenseNet模型是将挤压和激发网络SENet结合在密集连接卷积神经网络DenseNet中，采用SE模块将经过稠密连接块得到的特征图与经新的转换层得到的特征图进行各通道权重校准。
优选地，所述S3具体为：
S3.1、将所述训练集送入SE-DenseNet模型进行训练，得到训练好的SE-DenseNet模型sedtr，利用所述sedtr提取所述训练集的深度特征，并输出深度特征向量a；
S3.2、对所述测试集的三相输出电流信号进行预处理，并采用希尔伯特黄变换HHT方法和Hilbert变换，得到三相电流对应的三个希尔伯特边际谱和三个希尔伯特包络谱；
S3.3、分别计算所述三个希尔伯特边际谱和所述三个希尔伯特包络谱的统计特征集合，即统计特征向量b。
优选地，所述S3.2具体为：
采用集合经验模态分解对所述逆变器输出电流信号的样本进行分解，然后提取电流信号中固有模态分量，剔除虚假IFM，再将固有模态分量IFM重构，得到预处理后的电流信号，再基于希尔伯特黄变换HHT方法，结合Hilbert变换得到三相电流对应的三个希尔伯特边际谱和三个希尔伯特包络谱。
优选地，所述S6具体为：
将低维特征向量d作为ELM分类器的输入，训练ELM分类器，得到训练后的ELM分类器elmtr；利用训练后的sedtr提取测试样本的深度特征ate，利用HHT提取测试集样本的统计特征bte，将测试集的组合特征向量cte，即ate和bte的组合，与所述投影矩阵M相乘，得到测试集的低维特征向量dte，将所述dte送入所述elmtr，得到测试集的故障类别。
与现有技术相比，本发明的有益效果在于：
本发明所提出的诊断方法故障识别准确率更高，故障诊断能够在不同工况下取得理想的性能，对实际工业场景具有更强的适应能力和泛化能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法流程图；
图2为本发明NPC三电平逆变器内部电路图；
图3为本发明SE-DenseNet模型框架图；
图4为本发明SE-DenseNet模型内部结构图；
图5为本发明逆变器故障实验中的原始数据图；其中，(a)为Sa1故障下的三相电流信号样本原始数据图；(b)为Sa2故障下三相电流信号样本原始数据图；
图6为本发明IMF分量与原始信号的相关度计算结果图；
图7为本发明A相中IGBT管Sa4故障前4阶IMF分量波形图；
图8为四种故障诊断模型下的实验结果图；其中，(a)为OD-ELM故障诊断模型下的实验结果图；(b)为OD-ELM故障诊断模型下的实验结果图；(c)为OD-SE-DenseNet-ELM故障诊断模型下的实验结果图；(d)为OD-MSFF-ELM故障诊断模型下的实验结果图；
图9为OFS-MSFF-PCA-ELM和OFS-MSFF-LFDA-ELM故障诊断模型识别准确率结果图；
图10为OFS-MSFF-LFDA-RF和OFS-MSFF-LFDA-ELM故障诊断模型识别准确率结果图；
图11为OFS-MSFF-LFDA-RF模型测试结果的混淆矩阵图；
图12为OFS-MSFF-LFDA-ELM模型测试结果的混淆矩阵图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参照图1所示，本发明提出一种逆变器故障诊断方法，具体包括以下步骤：
S1、采集逆变器三相输出电流信号作为原始数据集，并将所述原始数据集划分为测试集和训练集；然后将所述训练集作为标记后的样本，将所述测试集作为未标记的样本。
将中点钳位型(Neutral Point Clamped，NPC)三电平逆变器三相输出电流信号应用于NPC电路中的IGBT开路故障诊断，参照图2所示，三电平逆变器由A、B、C三相桥臂和两个参数相等的直流电容(C1、C2)组成；每相桥臂由4个绝缘栅型双极晶体管(Insulated GateBipolarTransistor，IGBT)(Sa1、Sa2、Sa3、Sa4)、2个钳位二极管和4个续流二极管组成。其中，A相桥臂由4个绝缘栅型双极晶体管(Sa1、Sa2、Sa3、Sa4)、2个钳位二极管(D1、D2)和4个续流二极管组成(Da1、Da2、Da3、Da4)；B相桥臂由4个绝缘栅型双极晶体管(Sb1、Sb2、Sb3、Sb4)、2个钳位二极管(D3、D4)和4个续流二极管组成(Db1、Db2、Db3、Db4)；C相桥臂由4个绝缘栅型双极晶体管(Sc1、Sc2、Sc3、Sc4)、2个钳位二极管(D5、D6)和4个续流二极管组成(Dc1、Dc2、Dc3、Dc4)。
NPC电路中有12个IGBT(Sa1-Sa4、Sb1-Sb4、Sc1-Sc4)作为开关变频的核心元件，若考虑单个IGBT开路故障的问题，NPC的状态类型就有13种，1种健康状态和12种开路故障状态。
考虑到电流信号具有正弦函数周期变化特征，因此，本发明利用每个周期的三相输出电流信号构建一个样本，在4种工况下(负载不同的电阻和电感的组合)，采集运行在匀速和加速两种模式下13种状态的样本，每种状态下采集378个样本，共有4×13×378个样本。重复采集数据5次，得到原始数据集为4×13×378×5个样本。将原始数据集分为训练集和测试集，选择第一种工况为训练集，后三种工况为测试集，训练集包括24570个样本，测试集包括73710个样本。然后将所述训练集作为标记后的样本，将所述测试集作为未标记的样本。
S2、构建SE-DenseNet模型，并将所述训练集输入到所述SE-DenseNet模型中进行训练，得到训练好的sedtr模型；
S2.1、构建压缩激励密集连接卷积网络SE-DenseNet模型，参照图3-图4所示。利用DenseNet的跨层连接特点来处理三相电路信号样本，将网络的各层连接起来，实现网络各层的特征重用和旁路设置，保证网络中层与层之间最大程度的信息传输，能够有效提高特征和梯度的传递效率，在此基础上，SE-DenseNet网络中将SE模块与Densenet的优点结合，增加了有效特征，抑制无用特征，提高了整个SE-DenseNet网络的有效性。其中，采用的SE-DenseNet网络参数设置如表1所示。
表1
Figure BDA0003070234390000081
Figure BDA0003070234390000091
其中，SE-DenseNet创新之处在于：将挤压和激发网络(SENet)结合在密集连接卷积神经网络(DenseNet)中，采用SE模块将经过稠密连接块得到的特征图与经新的转换层得到的特征图进行各通道权重校准，具体步骤为：
S2.11、挤压操作，该操作沿着空间维度施行特征压缩，且每个特征图可以通过池化层变换成实数。即将特征图[M,H,C]压缩为[1,1,C],获得C个数值分布情况，其表达公式如下：
Figure BDA0003070234390000092
式中，zc为挤压之后的第c个通道特征图，M,H,C代表特征矩阵的三维信息，uc代表卷积操作之后第c个通道特征图，Fsq(·)是对输出卷积做压缩操作。
S2.12、激励操作，激励之后，每个特征图可获得范围为[0,1]的对应权重，其数学原理计算公式如下所示：
Figure BDA0003070234390000101
式中，f(.)为ReLU激活函数；δ(i)是Sigmoid函数；Fex(.)为激励过程；W为权值矩阵；W1∈R(C/β)×C,W2∈RC×(C/β)分别是两个全连接层的权值矩阵；β是维数变换率。
S2.13、特征通道的重新校准，即通过将之前的特征图乘以激发所产生的权重来完成，其表达式如下所示：
Y＝Fscale(uc,sc)＝sc·uc (3)
式中，Y＝[y1y2…yc]是输出矩阵，sc是激励之后得到的向量，uc是卷积之后的特征图，Fscale(·)是重标定过程。
S2.2、利用训练集对SE-DenseNet网络模型进行训练，得到训练后的网络模型sedtr。
S3、将所述训练集输入到所述训练好的sedtr模型中提取深度特征向量a，并采用希尔伯特黄变换算法HHT提取所述训练集的统计特征向量b；
S3.1、将所述训练集送入SE-DenseNet模型进行训练，得到训练好的SE-DenseNet模型sedtr，利用所述sedtr提取所述训练集的深度特征，并输出深度特征向量a；
S3.2、将训练集作为标记后的样本(即已知逆变器状态)，测试集使用未标记的样本。采用集合经验模态分解对逆变器原始电流信号进行分解，提取原始信号中固有模态分量，剔除虚假IFM，再将固有模态分量IFM重构，以去除噪声信号，得到预处理后的电流信号，再基于希尔伯特黄变换(HHT)方法，结合Hilbert变换得到三相电流对应的三个希尔伯特边际谱和三个希尔伯特包络谱，其统计参数特征如表2所示。
表2
Figure BDA0003070234390000111
S3.3、对于每个希尔伯特包络谱，计算表2中前11种统计参数；对于每个希尔伯特边际谱，计算表2中的前13种统计特征；另外，计算三相电流Park矢量变换后模值和相角两种特征；综上，对于每一个三相电流信号样本，能够得到74维(11*3+13*3+2)的统计特征集，即训练集样本的统计特征向量b。
S4、将S3中的每个训练集样本的深度特征向量a和统计特征向量b合并，形成组合特征向量c；
S5、过程S4的组合特征具有高维特点，由于逆变器故障与其特征信息之间的复合映射关系，很难从高维特征空间中确定哪些统计的属性能准确反映故障的性质。且高维特征集容易产生冗余特征，降低故障诊断的精度和效率。利用LFDA方法对组合特征向量c进一步的融合和降维处理，最大限度地提高不同类别样本特征之间的可分性，并保持相同类别样本特征的类内局部流行结构，同时，消除组合特征向量c中的冗余和噪声信息，实现特征的融合和降维，得到低维投影矩阵M和训练样本的低维特征向量d；
S6、将所述训练集的低维特征向量d作为ELM分类器的输入，训练ELM分类器，得到训练后的ELM分类器elmtr。利用S2训练后的sedtr提取测试样本的深度特征ate，利用HHT提取测试集样本的统计特征bte，将测试集的组合特征向量cte(ate和bte的组合)与步骤4得到的投影矩阵M相乘，得到测试样本的低维特征向量dte，将dte送入elmtr，能够识别出测试样本的故障类别。
为了验证技术效果，本发明使用NPC三电平逆变器、直流电源、示波器、阻感负载等器材搭建了NPC三电平逆变器电流信号采集试验台，负载采用电阻和电感组合表示，如表3所示，实验设置了4种负载类型，每一种负载类型代表一种工况。在恒定的电压频率比下，采集电机加速和匀速状态下的三相电流信号，采样频率为10khz，采集时间为20s。通过试验台控制端对电机匀速和加速阶段三相电流数据进行样本采集，正常与故障共13种状态，每种状态下的电流信号划分378个周期，每个周期的三相电流信号为一个样本，4种工况共有4*13*378个样本，重复采集数据5次，得到原始数据集为4*13*378*5个样本，本发明采用第一种工况为训练集，后三种工况为测试集。
表3
Figure BDA0003070234390000131
参照图5所示，为逆变器故障实验中的原始数据，分别为Sa1故障、Sa2故障下三相电流信号样本。采用SE-DenseNet对原始数据集进行深度特征提取，将三相电流信号样本直接输入SE-DenseNet网络中，SE-DenseNet网络从原始数据中自动提取有用的深度特征，并输出深度特征向量a。
此外，采用集合经验模态分解对逆变器原始电流信号进行分解，以A相中IGBTSa4故障的信号为例，经过CEEMDAN分解得到10个IMF分量，采用相关分析方法对其分析。相关系数反映样本中IMF分量与信号特征信息的相关度，根据IMF分量与原始信号特征信息之间的相关系数，相关系数小于0.2，剔除虚假IMF分量。CEEMDAN分解出的10个IMF分量与原始信号的相关度计算结果如图6所示。实验剔除后6阶虚假IMF分量，选择能够表征三电平逆变器原始信号信息特征的前4阶IMF分量，如图7所示。将前4阶IMF分量重构三相电流信号，完成信号滤波处理。再结合Hilbert变换得到三相电流对应的三个希尔伯特边际谱和三个希尔伯特包络谱；对于每个希尔伯特包络谱，计算表2中前11种统计参数；对于每个希尔伯特边际谱，计算表2中的前13种统计特征；另外，计算三相电流Park矢量变换后的模值和相角两种特征；综上，对于每一个三相电流信号样本，可以得到74维(11*3+13*3+2)的统计特征集，即统计特征向量b。
为了验证本发明所提出的基于SE-DenseNet-ELM与多源特征融合的逆变器故障诊断模型的有效性和适应性。本实验设置了三组实验，验证所提出的方法有效性。第一组实验，构建OD-ELM、OD-HHT-ELM、OD-SE-DenseNet-ELM、OD-MSFF-ELM四种故障诊断模型下实验结果。其中，OD-ELM表示将三相电流原始数据集直接输入到极限学习机ELM中，进行三电平逆变器故障诊断与识别；OD-HHT-ELM表示将三相电流原始数据经过希尔伯特黄变换之后，再输入到极限学习机ELM中，进而实现三电平逆变器故障诊断与分类，OD-SE-DenseNet-ELM表示三相电流原始数据集直接输入到SE-DenseNet网络中，提取深度特征，再将提取的深度特征输入到ELM中，进行故障诊断与识别；OD-MSFF-ELM表示将三相电流原始数据集输入到SE-DenseNet网络提取深度特征，且采用希尔伯特黄变换对三相电流原始数据集提取统计特征，再融合深度特征与统计特征，进而将融合特征输入到ELM中，实现逆变器故障诊断与分类。实验结果图8和表4所示。第二组实验，为了验证LFDA算法的效性，在OD-MSFF-ELM的基础上，对组合后的特征分别进行PCA和LFDA处理，构建OFS-MSFF-PCA-ELM和OFS-MSFF-LFDA-ELM故障诊断模型，进行对比分析。实验结果如图9表5所示。第三组实验，构建OFS-MSFF-LFDA-ELM和OFS-MSFF-LFDA-RF两种故障诊断模型。将深度特征和统计特征融合，并采用LFDA算法对融合之后的特征集进行特征降维，最后将降维之后的特征子集输入RF分类器和ELM分器，进行对照试验。实验结果如图10-图12和表6所示。本发明通过实验分析对比分析了三组实验逆变器故障诊断准确率，详细说明如下。
第一组实验，OD-ELM、OD-HHT-ELM、OD-SE-DenseNet-ELM、OD-MSFF-ELM四种故障诊断模型下实验结果如表4和图8所示。OD-ELM模型识别准确率最低，其准确率为80.63％，OD-MSFF-ELM模型识别准确率最高，其准确率为88.76％，采用ELM分类器直接对原始数据进行故障诊断与识别，其准确率最低，原始数据集不利于三电平逆变器故障识别与分类。对比OD-HHT-ELM、OD-SE-DenseNet-ELM和OD-MSFF-ELM，OD-MSFF-ELM的故障诊断模型的性能优于OD-HHT-ELM和OD-SE-DenseNet-ELM的故障诊断模型。也可以得出对于三电平逆变器故障诊断方法中的特征提取问题，只提取统计特征或深度学习特征，再进行故障诊断，其故障分类准确率提高一点，但仍有提升空间。而融合三电平逆变器的统计特征和深度特征之后，再展开三电平逆变器故障诊断与识别，其故障诊断的准确率比融合之前的故障诊断准确率高，进而验证了多源特征融合必要性。
表4
Figure BDA0003070234390000161
第二组实验，验证LFDA算法的优越性，对比电流信号在OFS-MSFF-ELM、OFS-MSFF-PCA-ELM和OFS-MSFF-LFDA-ELM三种故障诊断模型结果。
OFS-MSFF-PCA-ELM模型采用主成分分析PCA算法对融合之后高特征集进行特征降维，再将获得的低维特征集输入ELM分类器中，进而实现三电平逆变器状态诊断与识别，OFS-MSFF-LFDA-ELM模型采用局部Fisher判别分析LFDA方法对融合特征集进行特征降维。而OFS-MSFF-PCA-ELM模型采用主成分分析PCA方法对融合特征集进行特征降维。两种故障诊断模型诊断结果如图9和表5所示。根据图中所示，OFS-MSFF-LFDA-ELM模型和OFS-MSFF-PCA-ELM模型故障识别准确率都随着特征维度的增加，故障识别准确率先上升后下降，并且当特征数量为50维度时，三电平逆变器故障识别准确率最高。该组实验结果表明了，OFS-MSFF-LFDA-ELM模型和OFS-MSFF-PCA-ELM在选择合适的特征维数时，诊断结果都优于没有进行特征融合降维的OFS-MSFF-ELM模型，采用降维方法对提高故障诊断准确率有帮助。将OFS-MSFF-LFDA-ELM模型和OFS-MSFF-PCA-ELM模型进行比较，可以得出，在故障模式识别方面，OFS-MSFF-LFDA-ELM模型故障诊断识别准确率较高，在本模型中LFDA算法的融合降维效果优于PCA算法。
表5
Figure BDA0003070234390000171
第三组实验，对比OFS-MSFF-LFDA-ELM和OFS-MSFF-LFDA-RF两种故障诊断模型。将深度特征和敏感统计特征融合，并采用LFDA算法对融合之后的特征集进行特征降维，最后将降维之后的特征子集输入RF分类器和ELM分器，进行对照试验。实验结果如图10和表6所示,OFS-MSFF-LFDA-RF和OFS-MSFF-LFDA-ELM模型识别准确率最高分别为95.83％和99.18％，OFS-MSFF-LFDA-ELM模型识别准确率相比于OFS-MSFF-LFDA-RF模型识别准确率，提高了3.35％。试验结果表明，OFS-MSFF-LFDA-ELM模型故障诊断分类效果比OFS-MSFF-LFDA-RF模型故障诊断分类效果好。进一步表明了，在三电平逆变器故障诊断中，ELM分类器与RF分类器相比，ELM具有更好的适用性与有效性。当降维特征数量设置为50时，这两种故障诊断模型OFS-MSFF-LFDA-ELM和OFS-MSFF-LFDA-RF的测试结果混淆矩阵图如图11和图12所示。
表6
Figure BDA0003070234390000181
图11为OFS-MSFF-LFDA-RF模型测试结果的混淆矩阵，此矩阵中的对角元素表示每种故障状态正确分类的准确率，非对角元素表示每种故障状态错误分类的准确率，列表示预测标签，行表示实际标签。OFS-MSFF-LFDA-RF模型的混淆矩阵结果表明，Sa3、Sb1、Sb2、Sc1、Sc3和Normal准确率为100％。其中，Sc4的分类结果准确率最低，被错分到Sc2的样本数最多，OFS-MSFF-LFDA-RF模型的整体准确率为95.83％。图12为OFS-MSFF-LFDA-ELM模型测试结果的混淆矩阵，Sa1、Sb3、Sc2识别准确率没有达到100％，其他10种故障状态识别准确率均是100％。整体准确率为99.18％。对比OFS-MSFF-LFDA-ELM和OFS-MSFF-LFDA-RF的混淆矩阵结果，可以得出，本发明提出的OFS-MSFF-LFDA-ELM三电平逆变器故障诊断模型具有更好地识别准确率和适应性，在一定程度上，可以满足实际应用中的需求。
综合上述实验分析结果，可以得出：
(1)第一组实验对比OD-ELM、OD-HHT-ELM、OD-SE-DenseNet-ELM、OD-MSFF-ELM四种故障诊断模型，OD-MSFF-ELM模型结果优于其他模型，实验验证了多源特征组合的必要性，能够更好提高三电平逆变器故障识别准确率。
(2)针对一组实验结果，第二组的诊断正确率都能有所提升，表明本发明基于SE-DenseNet-ELM与多源特征融合的逆变器故障诊断方法确实有益于提高故障诊断正确率，并适用于实际生产中的变工况场景。
(3)第三组实验对比OFS-MSFF-LFDA-ELM和OFS-MSFF-LFDA-RF两种故障诊断模型，ELM在三相电流信号的逆变器故障状态诊断与识别方面表现出良好的有效性和适应性，验证了提出的方法的有效性，并具有一定的实际应用价值。
采用实验台进行多个对比试验，验证了基于SE-DenseNet-ELM与多源特征融合的逆变器故障诊断方法可以提升变工况场景下逆变器故障识别准确率。
以所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，具体包括以下步骤：
S1、采集逆变器三相输出电流信号作为原始数据集，并将所述原始数据集划分为测试集和训练集；然后将所述训练集作为标记后的样本，将所述测试集作为未标记的样本；
S2、构建SE-DenseNet模型，并将所述训练集输入到所述SE-DenseNet模型中进行训练，得到训练好的sedtr模型；
S3、将所述训练集输入到所述训练好的sedtr模型中提取深度特征向量a，并采用希尔伯特黄变换算法HHT提取所述训练集的统计特征向量b；
S4、将所述深度特征向量a和所述统计特征向量b合并，形成组合特征向量c；
S5、利用LFDA方法对组合特征向量c进行融合和降维处理，并消除组合特征向量c中的冗余和噪声信息，得到低维投影矩阵M和所述训练集的低维特征向量d；
S6、将所述训练集的低维特征向量d输入ELM分类器进行训练，得到训练好的ELM分类器elmtr；将所述测试集输入到所述sedtr中，得到测试集的组合特征向量cte和低维特征向量dte，然后将所述dte输入到elmtr中对测试集的故障类别进行识别。
2.根据权利要求1所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，所述逆变器为NPC三电平逆变器。
3.根据权利要求2所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，
所述NPC三电平逆变器中的每个IGBT均包括13种状态类型，分别为：一种健康状态和12种开路故障状态；
所述原始数据集，具体为：将所述三相输出电流信号的每个周期信号作为一个样本，分别采集四种工况下并运行在匀速和加速两种模式下的13种状态样本，每种状态下采集n个样本，共有4×13×n个样本；重复采集数据m次，得到四种工况下的原始数据集为4×13×n×m个样本；
所述训练集为第一种工况下的样本集；所述测试集为其余三种工况下的样本集总和。
4.根据权利要求1所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，所述SE-DenseNet模型是将挤压和激发网络SENet结合在密集连接卷积神经网络DenseNet中，采用SE模块将经过稠密连接块得到的特征图与经新的转换层得到的特征图进行各通道权重校准。
5.根据权利要求1所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，所述S3具体为：
S3.1、将所述训练集送入SE-DenseNet模型进行训练，得到训练好的SE-DenseNet模型sedtr，利用所述sedtr提取所述训练集的深度特征，并输出深度特征向量a；
S3.2、对所述训练集的三相输出电流信号进行预处理，并采用希尔伯特黄变换HHT方法和Hilbert变换，得到三相电流对应的三个希尔伯特边际谱和三个希尔伯特包络谱；
S3.3、分别计算所述三个希尔伯特边际谱和所述三个希尔伯特包络谱的统计特征集合，即统计特征向量b。
6.根据权利要求5所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，所述S3.2具体为：
采用集合经验模态分解对所述逆变器输出电流信号的样本进行分解，然后提取电流信号中固有模态分量，剔除虚假IFM，再将固有模态分量IFM重构，得到预处理后的电流信号，再基于希尔伯特黄变换HHT方法，结合Hilbert变换得到三相电流对应的三个希尔伯特边际谱和三个希尔伯特包络谱。
7.根据权利要求5所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，所述S6具体为：
将低维特征向量d作为ELM分类器的输入，训练ELM分类器，得到训练后的ELM分类器elmtr；利用训练后的sedtr提取测试样本的深度特征ate，利用HHT提取测试集样本的统计特征bte，将测试集的组合特征向量cte，即ate和bte的组合，与所述投影矩阵M相乘，得到测试集的低维特征向量dte，将所述dte送入所述elmtr，得到测试集的故障类别。
CN202110537216.1A 2021-05-18 2021-05-18 一种深度特征和统计特征融合的逆变器故障诊断方法 Active CN113159226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110537216.1A CN113159226B (zh) 2021-05-18 2021-05-18 一种深度特征和统计特征融合的逆变器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110537216.1A CN113159226B (zh) 2021-05-18 2021-05-18 一种深度特征和统计特征融合的逆变器故障诊断方法

Publications (2)

Publication Number Publication Date
CN113159226A CN113159226A (zh) 2021-07-23
CN113159226B true CN113159226B (zh) 2021-11-16

Family

ID=76876218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110537216.1A Active CN113159226B (zh) 2021-05-18 2021-05-18 一种深度特征和统计特征融合的逆变器故障诊断方法

Country Status (1)

Country Link
CN (1) CN113159226B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822139B (zh) * 2021-07-27 2023-08-25 河北工业大学 一种基于改进1DCNN-BiLSTM的设备故障诊断方法
CN113723502A (zh) * 2021-08-27 2021-11-30 西安热工研究院有限公司 一种基于电流波形的风力发电机组变频器网侧异常识别方法及系统
CN114019310B (zh) * 2021-11-08 2024-02-20 国网湖南省电力有限公司 一种储能变流器的开路故障预判方法、设备及介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782091B (zh) * 2019-01-30 2021-04-06 西华大学 基于深度小波极限学习机的多电平逆变器故障诊断方法
CN110146282A (zh) * 2019-06-06 2019-08-20 南京航空航天大学 基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法
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
CN111879514A (zh) * 2020-07-31 2020-11-03 南京机电职业技术学院 基于elm模型的无刷直流电机轴承故障诊断方法
CN112036301B (zh) * 2020-08-31 2021-06-22 中国矿业大学 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
CN112229633A (zh) * 2020-09-03 2021-01-15 中国长江三峡集团有限公司福建分公司 一种基于多元特征融合的风机轴承故障诊断方法
CN112161784B (zh) * 2020-09-07 2022-01-18 华南理工大学 基于多传感器信息融合迁移网络的机械故障诊断方法
CN112146880B (zh) * 2020-09-17 2022-03-29 天津大学 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法
CN112577743B (zh) * 2020-11-06 2021-08-17 中国矿业大学 一种基于最大局部边界准则的滚动轴承故障诊断方法
CN112710969B (zh) * 2020-12-18 2021-11-09 武汉大学 一种单相半桥五电平逆变器开关管开路故障诊断方法

Also Published As

Publication number Publication date
CN113159226A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113159226B (zh) 一种深度特征和统计特征融合的逆变器故障诊断方法
US11409933B2 (en) Method for diagnosing analog circuit fault based on cross wavelet features
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
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN109782091B (zh) 基于深度小波极限学习机的多电平逆变器故障诊断方法
CN109815934B (zh) 一种应用于逆变器故障的多尺度oglpe特征提取方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN108229544A (zh) 一种npc三电平光伏逆变器开路故障诊断方法
Krishnamoorthy et al. Machine learning based modeling of power electronic converters
CN112051480A (zh) 基于变分模态分解的神经网络配电网故障诊断方法及系统
CN112577743B (zh) 一种基于最大局部边界准则的滚动轴承故障诊断方法
CN116541772B (zh) 基于多源融合残差网络的级联h桥逆变器故障诊断方法
CN113358993B (zh) 一种多电平变换器igbt的在线故障诊断方法及系统
Zheng et al. Fault diagnosis of wind power converters based on compressed sensing theory and weight constrained AdaBoost-SVM
CN115510913B (zh) 基于数据驱动的h桥级联逆变器的故障诊断方法
CN110703151A (zh) 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法
CN113125992B (zh) 基于dbn的npc三电平逆变器故障诊断方法及系统
CN110068776A (zh) 基于优化支持向量机的三电平逆变器开路故障诊断方法
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
Cai et al. Fault diagnosis of DAB converters based on ResNet with adaptive threshold denoising
CN114118149A (zh) 基于有限元仿真和对称特征迁移的感应电机故障诊断系统
CN112014678A (zh) 一种三相电压逆变器在线故障诊断方法、装置及电子设备
CN111597925A (zh) 一种基于dcnn的电力系统暂态信号分析方法
CN116702060A (zh) 一种多电平逆变器功率器件故障诊断方法

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