CN113743528A - 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统 - Google Patents

Abstract

本发明涉及一种基于卷积神经网络的电压源逆变器故障诊断方法及系统，通过获取待诊断电压源逆变器的故障电流数据，并将所述故障电流数据进行预处理，得到故障电流数据集；将故障电流数据集输入训练好的改进卷积神经网络模型中来对每个故障案例的特征进行分类。简化了模型，降低算法的复杂度，提升了卷积神经网络的性能，可以更加快速地对电压源逆变器的故障类型进行诊断，对电压源逆变器的故障及时预警，用户可以根据故障类型第一时间进行故障排除，避免重大损失，实现了电压源逆变器的智能化故障诊断。

Description

一种基于卷积神经网络的电压源逆变器故障诊断方法及系统

技术领域

本发明涉及计算机神经网络领域，尤其涉及一种基于卷积神经网络的电压源逆变器故障诊断方法及系统。

背景技术

近年来，电气系统在朝着大型化、精密化、系统化、自动化和智能化的方向发展。而电压源逆变器作为电气系统中应用非常广泛电力电子装置，是工业生产中的主要应用设备。开关管是电气设备中最为脆弱的部件，一旦发生故障，将带来重大损失，甚至带来巨大影响或灾难。

随着工业大数据的兴起，基于数据驱动的故障诊断方法广泛应用于电力电子领域，直接对电力电子器件状态监测得到的数据分析处理即可得到诊断结果。由于智能故障诊断算法的自适应学习机制、较强的容错能力和较高的非线性回归能力被广泛应用于解决复杂的诊断问题，机器学习成为了基于数据驱动的故障诊断方法中的研究热点，传统的机器学习算法由于其网络结构较浅，特征提取能力较差，导致隐藏在监测数据中的特征难以深入挖掘，很难再进一步提高这些方法的性能。由于广泛的领域专业知识和先验知识的要求，很难选择合适的特征提取方法。同时，人工特征提取仍需依赖于现有特征或评价标准，这使得挖掘新而有用的特征变得困难。此外，存在许多反映故障前期故障的敏感特征易被作为噪声被忽略、特征提取方法需要根据诊断对象的变动而变动等问题，在智能故障诊断中，设计一种合适的特征提取方法繁重且复杂。因此，探索一种能够直接从原始信号中学习敏感特征并能适应系统变化的端到端自动特征提取方法是非常迫切而有意义的。

随着机器学习的迅速发展，深度学习在电气系统故障诊断中有着巨大的潜力和迫切的需求。深度学习采用多层神经层的结构，通过逐层传递从输入层原始数据中提取信息，自动挖掘大型数据集中复杂的复杂表示特征，避免了人工特征工程。深度信念网络、堆叠去噪自动编码器和长短时记忆网络已得到了应用，较于传统的机器学习方法有良好动态学习效果。卷积神经网络作为一种分布式并行深度网络模型，也在故障诊断中得到了广泛的应用。与其他深度学习方法相比，CNN具有更强大的特征提取能力。Sun等人用FFT提取负载输出电流特征，用一种结合了一维和二维CNN网络模型对电压源逆变器进行了故障诊断，提高了不同工况下的诊断精度。虽然上述研究采用了CNN算法，但仍需人工特征提取的方法。Gong等人提出了一种用全局平均池化改进的二维卷积神经网络用于电力电子DC-DC逆变器的故障诊断，用全局平均池化来代替全连接层，大大减少了模型参数量，较于传统CNN的性能有一定的提升。该方法虽然改进了传统CNN算法，但为了适应二维CNN的特征提取能力把原始一维时间序列数据转化为二维图片的形式，在原始数据的基础上增加了不必要的数据，提升了算法的复杂度。

发明内容

为解决上述现有算法复杂的问题，本发明提出了一种基于卷积神经网络的电压源逆变器故障诊断方法，其技术方案如下：包括以下步骤，

S1、获取待诊断电压源逆变器的故障电流数据，并将所述故障电流数据进行预处理，得到故障电流数据集；

S2、将所述故障电流数据集输入至预先训练好的卷积神经网络模型中，得到所述待诊断电压源逆变器在多个故障类型分类下的故障诊断概率；其中，所述电压源逆变器故障诊断模型包括：输入层、特征提取层以及输出层，所述输入层将所述待诊断电压源逆变器的时域电流信号进行处理和数据增强处理后得到所述故障电流数据集后，通过所述特征提取层对所述故障电流数据集进行特征提取得到多个特征矢量；

所述特征提取层包括卷积层和全局最大池化层，所述故障电流数据集通过卷积层卷积核的卷积运算进行特征提取，提取得到的特征利用所述全局最大池化层进行特征降维和数据压缩处理后得到所述特征矢量；

所述输出层包括softmax层，多个所述特征矢量通过所述softmax层对所述待诊断电压源逆变器的时域电流信号根据预设的多个故障类型得到所述待诊断电压源逆变器的故障诊断概率；

S3、根据多个所述故障诊断概率对所述待诊断电压源逆变器进行故障诊断。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述卷积层包括首层宽卷积核卷积层和多层连续卷积层，所述首层宽卷积核卷积层的卷积核至少为30×1，多层所述连续卷积层的卷积核为3×1；

进一步，所述卷积层还包括批规范化操作，所述故障电流数据集利用所述超宽卷积核层中进行随机失活过滤后，通过所述常规卷积层和所述宽卷积核层的卷积运算进行特征提取，所述宽卷积核层和所述常规卷积层的净输入都进行了批量规范化。

进一步，所述S1具体为，获取所述待诊断电压源逆变器的时域电流信号，将所述时域电流信号进行标准化处理的预处理后得到所述故障电流数据集。

进一步，所述S2中的所述预先训练好的电压源逆变器故障诊断模型是通过以下步骤获得：

采集电压源逆变器的时域电流信号，并进行数据增强处理和标准化处理后，得到故障电流训练数据集，且按照预设的比例将所述故障电流数据集分为训练集、验证集以及测试集；

基于卷积神经网络模型构建电压源逆变器故障诊断模型；

利用所述训练集对所述电压源逆变器故障诊断模型进行多次迭代训练，利用所述验证集对每次训练后的电压源逆变器故障诊断模型进行验证，选取收敛的卷积神经网络模型作为初步训练完成的电压源逆变器故障诊断模型；利用所述测试集对初步训练的电压源逆变器故障诊断模型进行测试，根据测试集的精确度判断所述初步训练的电压源逆变器故障诊断模型是否收敛，来得到训练好的电压源逆变器故障诊断模型。

进一步，所述数据增强处理具体为：通过随机重叠采样法对所述时域电流信号样本进行数据增强处理。

进一步，所述标准化处理的具体步骤为，对所述时域电流信号按照以下公式进行标准差标准化处理：

其中，X为所述时域电流信号，μX为所述时域电流信号X的所有数据的均值，σX为所述时域电流信号X的所有数据的标准差。

本发明的另一个目的在于，基于上述一种基于卷积神经网络的电压源逆变器故障诊断踪方法，本发明还提供一种电压源逆变器故障诊断装置，其特征在于，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如权利要求上述的基于卷积神经网络电压源逆变器故障诊断检测方法。

本发明的再一个目的在于，基于上述一种基于卷积神经网络的电压源逆变器故障诊断方法，本发明还提供一种计算机可读存储介质：包括存储器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求上述的基于卷积神经网络的电压源逆变器故障诊断方法。

本发明的有益效果是：通过训练好的电压源逆变器故障诊断模型对故障电流数据进行故障诊断，可以更加准确智能地诊断电压源逆变器的故障类型，通过构建电压源逆变器故障诊断模型，改进的算法极大地简化了模型，降低算法的复杂度，提升了卷积神经网络的性能，可以更加快速地对电压源逆变器的故障类型进行判断，对电压源逆变器的故障及时预警，用户可以根据故障类型第一时间进行故障排除，避免重大损失，实现了对于电压源逆变器的故障智能化的诊断。

本发明提出了一种改进的一维CNN的端到端故障诊断方法。分析了电压源逆变器在各种功率管开路故障情况下的电流波形，电流数据是在电压源逆变器的每个开关管开路故障情况下获取的。在不对原始数据进行特定结构改变的情况下进行数据的预处理，然后将预处理的数据集输入一种首层宽卷积核的连续卷积层和全局最大池化的一维CNN网络模型来进行训练，最后用训练后的模型来对每个故障案例的特征进行分类。

附图说明

图1为本发明一种基于卷积神经网络的电压源逆变器故障诊断方法的流程图；

图2为本发明电压源逆变器故障诊断模型的示意图；

图3为本发明中随机失活函数方法示意图；

图4为三相电压型逆变电路原理图；

图5为三相方波逆变器仿真模型结构示意图；

图6为故障原始信号，噪声信号与两者混合的信号波形图；

图7为三相正弦波逆变器仿真模型结构示意图；

图8为一维卷积运算和二维卷积运算方法示意图；

图9为随机重叠采样方法示意图；

图10为网络反向传播算法流程图；

图11为训练数据和验证数据的准确率折线图；

图12为训练数据和验证数据的损失值数值折线图；

图13为测试集归一化混淆矩阵图；

图14为不同深度学习方法准确率对比直方图；

图15为变负载实验对比直方图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。

实施例一：

如图1所示，本发明提供一种基于卷积神经网络的电压源逆变器故障诊断方法，包括以下步骤，1.一种基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：包括以下步骤，

S1、获取待诊断电压源逆变器的故障电流数据，并将所述故障电流数据进行预处理，得到故障电流数据集；

S2、将所述故障电流数据集输入至预先训练好的电压源逆变器故障诊断模型中，得到所述待诊断电压源逆变器在多个故障类型分类下的故障诊断概率；其中，所述电压源逆变器故障诊断模型包括：输入层、特征提取层以及输出层，所述输入层将所述待诊断电压源逆变器的时域电流信号进行标准化处理和数据增强处理后得到所述故障电流数据集后，通过所述特征提取层对所述故障电流数据集进行特征提取得到多个特征矢量；

所述特征提取层包括卷积层和全局最大池化层，所述故障电流数据集通过卷积层的卷积核卷积运算进行特征提取，提取得到的特征利用所述全局最大池化层进行特征降维和数据压缩处理后得到所述特征矢量；

所述输出层包括softmax层，多个所述特征矢量通过所述softmax层对所述待诊断电压源逆变器的时域电流信号根据预设的多个故障类型得到所述待诊断电压源逆变器的故障诊断概率；

S3、根据多个所述故障诊断概率对所述待诊断电压源逆变器进行故障诊断。

本发明通过训练好的电压源逆变器故障诊断模型对故障电流数据进行故障诊断，可以更加准确智能地诊断电压源逆变器的故障类型，通过构建电压源逆变器故障诊断模型，极大地简化了模型，降低算法的复杂度，提升了卷积神经网络的性能，可以更加快速地对电压源逆变器的故障类型进行判断，对电压源逆变器的故障及时预警，用户可以根据故障类型第一时间进行故障排除修复，避免重大损失，实现了对于电压源逆变器的故障智能化的诊断。

本发明提出了一种名为“第一层宽卷积核的连续卷积和全局最大池化的深度卷积神经网络”WSCNN-GMP(Series DeepConvolutional Neural NetworkswithWide First-layer Kernel and Global Max Pooling)，如图2所示，本发明的该实施例中，WSCNN-GMP模型包含首层宽卷积核卷积层以及多层连续卷积层、全局最大池化层(Global Max Pooling，GMP)和Softmax层，该结构的特点是第一层卷积核为128×1的大卷积核，其余连续卷积核均为3×1的小卷积核，用全局最大池化层代替了传统池化层，不需要考虑领域的大小对估计值造成的偏差。首层宽卷积核卷积层代替了全连接层，避免了网络的参数都集中于全连接层上的情况，整个网络结构是针对电压源逆变器故障诊断的数据特点通过反复的实验和反复的调整超参数得到的最优网络结构。需要说明的是，虽然本实施例中第一层卷积核是采用128×1的大卷积核来实现，但仅为最佳的实施方式，发明人在研发过程中进行的实际测试发现，只要首层宽卷积核卷积层的卷积核至少为30×1均可实现。

在本实施例中具体地，由于传统的池化操作复杂，考虑用全局池化层代替局部池化层以简化计算。在本发明中，提出一种策略，即全局最大池化，作用于一维的数据。表达式如式：

上述式中GMP^l _c为经全局最大池化操作的第l层第c个特征映射，c＝1,…,C，C为通道数，

为l-1层第c个通道的整体特征映射。全局最大池化层与全连接层的功能类似，它们都实现了将特征图映射至softmax层，区别在于变换矩阵的方式。全连接层中需训练的参数太多，严重增加了网络复杂度。为了研究全局最大池化层正则化的有效性，将全局最大池化层替换为全连接层和全局平均池化层，而模型的其他部分保持不变，将随机失活的概率设置为0.2，增加的全连接层的神经元数设置为100，层数为1层。数据集采用SNR为0dB时的B类三相方波电流数据集，在迭代步数同为20的情况下，性能比较如表所示。

可以看出，没有随机失活的全连接层性能最差(69.44％)。因为本发明所用的连续卷积层间没有接入池化层，卷积层部分直接与全连接层相连，参数达到了很大的量，导致模型在训练集上表现良好，但在测试集上表现太差，模型过拟合严重，虽然Dropout函数可在一定程度上抑制过拟合，但在测试集的表现上仍然不佳。全局平均池化层更在意于空间信息的整合，虽然误差率已经很小，但是仍然没有GMP的性能好。全局最大池化层在实验中测试误差最低(1.31％)。

WSCNN-GMP模型最后一层卷积层会输出多个特征图，GMP层将每个特征图取全局最大运算，而不需要额外的展平操作与全连接层相连，最后GMP层的输出向量输入至softmax层。与局部池化层相比，GMP层操作简单，在GMP层的前向传播中，只需对所述卷积层中每个通道的特征图取全局最大值，实现特征维数的缩减，而不要考虑领域和步长的大小。在反向传播的过程则返回了前一层最大值索引处的梯度，其他位置不接受梯度，更具鲁棒性。另外，GMP层加强了卷积特征与softmax层的对应，而不再需要全连接层提取的特征，更适合于CNN网络结构。本发明提出首层宽卷积核卷积层代替了全连接层，一方面，拥有宽卷积核的首层宽卷积核卷积层有类似于全连接层的效果，可以替代全连接层的特征学习，另一方面这种首层宽卷积核卷积层的设计还保持着卷积层的特性，效果同于多层小卷积核的多次卷积。而其他多层的连续卷积层的卷积核大小均为3×1，这是因为小卷积核参数少，可加深网络的结构，在防止了过拟合的风险的同时增加了网络的表达能力，易使模型达到饱和。

而全局平均池化层将卷积层输出的特征图取全局均值，若一个特征图进行了全局平均池化，那么反向传播的过程也就是把全局平均池化层输出某个通道的梯度n等分，传给前一层。与全局平均池化方法相比，GMP层用最大值索引处的梯度指导参数的更新，让滤波器自动学习到该处的特征，在预测时放大这个位置的表征，有着对敏感特征更强的学习表示能力，加强了对于敏感处的特征提取和识别。综上，局部池化层关注的是整个空间的信息，而不在意特征的位置，对于处理多维数据有着较好的效果，而GMP层更关注于最大值的位置，对于一维的数据有着较强的学习能力。

在本实施例中当批量数据在模型前向传播时，模型各层的参数分布会发生改变，导致了训练的速度降低，同时好的模型要求较好的参数初始化与数据相适配，因此训练饱和且非线性的模型很困难。主要步骤为：在模型每次训练时通过批量规范化(BatchNormalization，BN)将输入批量数据缩放平移至稳定的均值和标准差，使得净输入的每一维都归一化到标准正态分布，增强模型对输入不同分布数据的适应性，有轻微正则化效果，从而提高优化效率，提升模型性能，而不需要特别依赖参数的初始化。算法引入两个参数，有类似于自适应学习率的作用。实际应用中，BN层一般用在仿射变换之后、激活函数之前。BN层在不降低神经网络的拟合能力的前提上，使得每一层的参数更新更为同步，有利于参数优化，减少了网络过拟合的风险，从而使得训练深层网络模型更加容易和稳定。经过BN层变换可以获得均值为β,标准差为γ的分布，令A＝{z(i,l)}m i＝1为第l层神经元的净输入，批量规范化后的净输入为

μA、σA分别为A的均值和标准差。BN层的描述如式：

在传统神经网络中，由于神经元间的互联，基于链式法则的反向传播算法复杂度大幅度增加，且随着网络结构的加深，易发生梯度消失或梯度爆炸。Srivastava等人提出的随机失活(dropout)网络正则化方法在深度神经网络被广泛使用。随机失活在训练阶段以一定的概率随机地去失活某层网络层上的神经元，让这些神经元不参与参数的更新，其他神经元则正常的进行参数更新。在网络测试阶段，所有神经元都处于激活态。这在一定程度上缓解了神经元间过度协同效应，防止了模型过拟合，其与其他正则化方法相比，在训练过程中，用随机失活训练的网络对分类问题具有更好的泛化性能。Dropout函数一般用在参数较多的网络层，全连接层的Dropout函数和卷积层的Dropout函数如图3所示。

由于首层宽卷积核卷积层的参数较多，为了抑制模型过拟合，对首层宽卷积核卷积层通过Dropout函数，使得一部分卷积神经元失活。同时首层使用Dropout函数有对输入数据增加噪声的作用，一定程度上提升模型的鲁棒性。而对于参数较少的多层连续卷积层的3×1卷积核而言，本身参数较少，用Dropout函数会导致小卷积核的感受野没有覆盖的区域过多，造成相反的效果。

传统梯度更新算法仅通过设定一个学习率λ，使参数沿梯度的反方向移动。令需更新的参数为θ梯度为g，则梯度更新公式如下所示：

θ←θ-λg；

传统梯度优化算法的优化结果完全取决于经验知识。此外，在梯度方向上，传统优化算法容易在梯度较平坦的区域达到局部最优，因此，需要一种稳定的自适应算法来解决这些问题。本发明用到一种改进的Adam算法：AMSGRAD，在Adam算法的基础上通过添加对过去梯度的额外约束，使收敛效果更加稳定。

将得到的故障电流训练数据集，且按照预设的比例将所述故障电流训练数据集分为训练集、验证集以及测试集；基于卷积神经网络模型构建电压源逆变器故障诊断模型；利用所述训练集对所述电压源逆变器故障诊断模型进行多次迭代训练，利用所述验证集对每次训练后的电压源逆变器故障诊断模型进行验证，选取收敛的卷积神经网络模型作为初步训练完成的电压源逆变器故障诊断模型；利用所述测试集对初步训练的电压源逆变器故障诊断模型进行测试，根据测试集的精确度判断所述初步训练的电压源逆变器故障诊断模型是否满足要求，根据所述要求得到训练好的电压源逆变器故障诊断模型。例如，将故障电流训练数据集分为ABC三种数据集，并按照比例划分训练集、验证集以及验证集，划分比例如下表所示，

由于基于模型在验证集上的性能来调节模型配置，会很快导致模型在验证集上过拟合，这是因为每次用模型在验证集上的性能来调节模型参数，都会有一些关于验证数据的信息泄露到模型中。单独的验证集不能可靠地评估模型，所以把故障电流训练数据集划分为训练集、验证集、测试集三部分，训练集和验证集用于模型的训练，把机器未曾学习到的测试集拿来评估模型，可以有效提高模型泛化能力。

对于三相VSI电路，功率管作为其中最脆弱的部分，一般会出现短路故障与开路故障。故障主要表现为功率管击穿或者损坏，和错误的驱动信号致使功率管故障。对于功率管短路故障，由于存在时间极短，检测、定位和隔离难以实现的问题，在工程上，均配备硬件短路保护电路进行电路的保护，在发生短路情况下快速切断故障单元，可将短路等效为开路故障进行处理。且通过研究发现，多个开关管发生开路故障时会直接导致系统的瘫痪，而只有一个开关管发生开路故障时，无过压过流等情况，硬件保护作用失效。故障前期的特征不明显，所造成电流电压波形畸变一般不会立刻造成系统瘫痪，电力系统仍然可以继续工作，但若电路长时间处于非正常状态，会造成一系列连锁反应，严重时将会导致重大事故发生。此外两个及以上功率管发生开路故障的概率较小，因此，本发明主要对VSI中单个功率管开路故障的智能诊断与定位进行研究。三相电压型逆变电路原理图如图4所示。

本发明提出了一种基于WSCNN-GMP的VSI故障诊断模型，可以高精度地判断VSI不同类型的故障。下面结合在Matlab 2021a/Simulink下完成了电压型三相方波逆变器和电压型三相正弦波逆变器的仿真实验，通过采集了输出端电流信号，构建了两个其基本体系结构相同的数据集来进行具体说明。

电压型三相方波逆变器仿真模型在MATLAB Simulink软件搭建，如图5所示。仿真模型用于监测IGBT开路故障的输出电流信号。逆变器的6个IGBT分别构成全桥开关电路，一个IGBT发生故障情况下，共计7种健康状态，包括6种故障状态和一种正常状态。逆变器模块的直流电源为50V，开关频率为0.5kHz，直流侧电容为1μF，交流侧输出阻性负载为2.5Ω，感性负载为20mH。故障数据从仿真模型的电流输出接口收集。仿真时的采样频率为85khz，每个故障状态的采样时间为12ms。则每种故障类型得到一个包含1024个数据点的一维时间序列数据段，共计7种健康状态，得到了一个[7,1024]故障原始数据集。然后采用随机重叠采样增强训练集，随机采样的方法增强验证集和测试集，数据分割率α分别取0.5,0.6,0.7对应A、B、C三个数据集，总采样数为2100次，包含训练集、验证集和测试集，共获得2100个样本，增强的步数S设置为10，增强数据长度l为384，用one-hot向量对数据进行编码，让样本和真实标记一一对应，A、B、C的训练集、验证集、测试集的具体描述如下表所示。然后所有的数据进行标准化处理，最后将所有附带标签的故障电流数据集打乱作为网络输入层的数据输入。

在实际数据采集中，往往由于恶劣的环境会导致采集的故障电流数据含有随机的噪声，对VSI故障的诊断带来较大的影响。对一段信号，P_signal和P_noise分别表示信号和噪声的能量，SNR定义为：

三相方波数据集的原始信号被加性高斯白噪声叠加。当噪声信号的信噪比为0dB，意味着噪声的功率与原始信号的功率相等。对不同故障状态下的原始信号分别加SNR为：10dB,8dB,6dB,4dB,2dB,0dB,-2dB,-4dB的高斯白噪声，用于扩充数据集。图6中显示了三相方波逆变器电流数据集T1号开关管发生开路故障的原始信号、噪声信号和加入高斯白噪声后的混合信号。可以看出原始信号被严重污染，由于输出端电流信号比较微弱，加入SNR为4dB的高斯白噪声后，原始信号基本与噪声信号基本分布一致，很难有效的提取故障信息，给诊断带来了较大的困扰。

与三相方波逆变器电流数据集一样，在MATLAB Simulink软件建立了采用三相双极性正弦脉冲宽度调制(SPWM)控制的三相电压型正弦波逆变器仿真模型，如图7所示，三相桥臂采用同一个三角载波信号，调制波采用三相对称的正弦波信号，正弦波的频率为50Hz，三角波的频率为3kHz，任何SPWM调制的时刻，逆变器每相桥臂仅有一个功率管导通，所建的仿真模型如图10所示。VSI模块的直流电源100V，C1、C2的参数为1μF，电机负载选择3种负载模式5HP、10HP、20HP、分别对应转速1750RPM、1760RPM、1765RPM。

采样频率设定为6kHz，原始实验数据是三相V-I测量表中获得的，分别针对5HP、10HP和20HP电机负载下的不同开关管故障状况对应的输出端电流信号进行监测，共7种健康状态，由于电机前期运行时的采集的信号不稳定，待稳定运行后，截取其中一段包含1024个数据点的信号作为样本。进行数据预处理，将数据集1、2和3分别划分为包含2160个训练样本和420个测试样本，而不再区分验证集和测试集。下表中描述了所有数据集的详细信息。

在本实施例中具体地，如图8所示，在二维卷积中，3个堆叠3×3的卷积，映射至第2层卷积层上神经元所覆盖输入区域的感受野达到了7×7，效果等同于用单个7×7的卷积核。然而，对于一维信号，一维卷积核仅在一个方向上滑动，3个步长为1的3×1卷积核堆叠进行卷积，用9个权值仅获得了7×1的感受野，效果反而不如9×1的卷积核。因此二维网络结构不适用于一维信号的故障诊断领域。虽然可将一维的信号转换为二维的数据，但会增加原始数据的维度，且需训练的参数也大幅度增加。

传统的卷积神经网络在网络输入层开始进行卷积，每个卷积都会连接一个局部池化，多层级联的卷积池化层实现了对原始数据深层特征的挖掘。网络的结构中往往会有全连接层作为卷积池化层和输出层的过渡，卷积层和池化层所提取的特征会被全连接层进一步提取。随着网络层结构的加深，神经元活性值的数量逐渐减少，如果活性值的数量下降太快，会影响整个卷积神经网络的性能，因此大多数卷积神经网络中全连接层的层数一般设置为2至3层，这就会导致绝大部分参数集中在全连接层，随着全连接层数的增加，参数量呈指数式增长，模型训练时间大大加过长。全连接层中过多的参数不仅会占用了大量计算资源，而且容易出现网络模型过拟合和梯度消失的问题，从而影响整个网络的泛化性能。这些将会对故障的快速识别造成影响。

为了验证首层宽卷积核的连续卷积的有效性，将宽卷积核的卷积层分别置于第一、第二、第三层。并与传统一维CNN和将传统一维CNN的首层改用宽卷积核的WCNN进行了对比，所用数据集为三相方波逆变器SNR＝2dB的B类数据集。

从表中可得，当宽卷积在首层时，训练参数约为10000，而当含宽卷积核的卷积层处于第二层或第三层时，参数增加了约12倍，大大加大了模型过拟合的风险，表中2层小卷积核的连续卷积层+首层宽卷积核卷积层+全局池化层和小卷积核的连续卷积层+首层宽卷积核卷积层+小卷积核的连续卷积层+全局池化层模型测试误差率达到了10％左右，这是过拟合造成的结果。全为小卷积核结构的训练参数虽然下降了3000左右，但测试精度比不上WSCNN-GMP模型。而传统CNN全连接层的参数占总参数的95％，在噪声情况下，训练集学习过剩，以至于在测试集上得不到好的效果，模型严重过拟合。对比传统CNN和WCNN，WCNN对混合噪声信号的识别表现更为优越。首层宽卷积核卷积层的作用类似于短时傅里叶变换，区别在于窗函数的不同，且WCNN的窗函数是训练得到的。对比传统卷积神经网络，WSCNN和GMP的组合诊断精度明显上升。综上，WSCNN-GMP模型的首层宽卷积核的连续卷积层有最好的效果，取得了1.03％的误差率。

在本实施例中具体地，训练电压源逆变器故障诊断模型如图9所示，具体包括如下步骤，采集电压源逆变器的时域电流信号，并进行数据增强处理和标准化处理，实际的故障诊断任务中，很难获得海量的样本来驱动深度模型的训练。因此有效的数据增强不仅可以有效避免过拟合，还可以提升模型泛化性能。针对VSI故障诊断，需要将原始一维信号进行数据增强，本发明进行数据增强处理具体方式为采用的重叠采样的方法进行，重叠采样方法是本领域的常规技术，于此不再详细展开说明。本实施例中，选取每次使用256个数据点进行诊断。用one-hot对增强后的数据进行编码，对应各个样本的标签。

由于深度卷积网络自身拥有强大的表达能力，而实现深度学习的故障诊断算法的前提条件之一是需要有大量的训练样本作为支撑来驱动模型训练，否则有极大可能陷入过拟合。可实际中并不是所有数据集或真实任务都能提供海量训练样本。因此，在实践中通过进行数据增强处理后以实现数据扩充便成为深度模型训练的第一步。有效的数据扩充不仅能扩充训练样本数量，还能增加训练样本的多样性方面可避免过拟合，另一方面又会带来模型性能的提升，可以在非实质性增加数据的情况下，让有限的数据产生等价于更多数据的价值，从而提高模型泛化能力。

在计算机视觉中，在数据扩充方面，简单的方法有图像水平翻转、随机抠取、尺度变换、旋转、色彩抖动等，从而增加卷积神经网络对数据集尺度和方向上的鲁棒性。但是对于一维时间序列故障数据，由于存在训练样本量很少、时序性和周期性特性等问题，需要对其进行数据扩充。增加电压源逆变器故障诊断模型对故障电流训练数据集尺度和方向上的鲁棒性。通过对故障电流训练数据集进行数据扩充、增强解决训练样本量很少、时序性和周期性特性等问题，使得电压源逆变器故障诊断模型具有更好的泛化能力。

在本实施例中具体地，CNN改进模型训练如图9所示过程分为以下几个步骤：

1.电压源逆变器时域信号采集,以电流信号作为CNN改进模型的输入。

2.数据预处理：将原始数据进行数据增强、数据集分割、数据标准化，最后打乱数据，为CNN改进模型的训练做准备。

3.初始化学习参数。

4.网络训练和前向传播，将数据预处理后的样本输入到CNN改进模型中，通过前向传播得到CNN改进模型输出与预期目标对应标签所构成的损失函数。

5.利用BP反向传播算法，反向传播误差，将求得的误差反向逐层传播到每个神经点得到对应的梯度，选择一种优化器优化更新权值、阈值。

6.判断网络是否收敛，若网络收敛，则执行下一步，否则重复执行步骤4～步骤5，直至网络收敛,完成训练阶段，并保存训练模型。

7.用测试样本预测故障的类别，根据测试样本的精确度判断网络是否满足要求，如满足执行步骤8，否则跳转到步骤4，修改网络参数。

8.输出即为电压源逆变器故障的诊断结果。

在本实施例中具体地，对于多类故障识别任务，选用交叉熵损失函数(Cross-entropy Loss Function)，真实值和预测值之间的交叉熵表现了实际输出与期望输出的距离，交叉熵的值越小，两者越接近，目标函数用于指导网络训练。对于给定训练集A＝{xn,yn}N n＝1，yn为第n个数据xn对应真实标签的one-hot向量表示，网络的最终输出为

则在数据集A上的目标函数为：

网络参数(权值、阈值)通过最小化目标函数来更新，Loss越小，

与yn越接近，预测值则越接近真值卷积神经网络模型通过求取目标函数的最值来学习模型参数，即上述最小化式中的Loss，整个训练过程通过循环选代，逐步使目标函数值达到最小值。BP算法是整个神经网络的核心，由前向和反向两个操作构成，其流程图如图10所示。网络开始训练时，首先需要选取一小批量的训练数据。然后，这批数据在当前网络参数初始化的权重和阈值上进行运算，从输人传递到输出，得到预测结果。由于训练数据和真实标注一一对应，可以计算出当前模型的预测值与真值间的距离，并利用预测结果与真实值构成代价函数，这个过程为前向传播过程。

在本实施例中具体地，所述获取待诊断电压源逆变器的故障电流数据，在对电压源逆变器时域信号采集时,分析了不同故障状态下的电流信号与电压信号，发现以电流信号作为CNN改进模型的输入最为合适，将待诊断电压源逆变器的时域电流信号进行标准化处理后得到所述故障电流数据集。

根据验证集在模型上的表现来调参，在这个过程中，会有一些验证数据集的信息泄露到模型中，从而导致模型在验证集上过拟合。所以单独的测试集不能可靠地评估模型，需要把数据划分为训练集、验证集、测试集三部分，训练集和验证集用于模型的训练，把机器未曾接触到的测试集进行最终的评估，这样可以有效提高模型泛化性能。为了便于模型的训练，对所述时域电流信号按照以下公式进行标准差标准化处理：

其中，X为所述时域电流信号，μX为所述时域电流信号X的所有数据的均值，σX为所述时域电流信号X的所有数据的标准差。

本发明首先利用三相方波逆变器B类数据集对WSCNN-GMP模型进行训练。在训练过程中，用验证集评估所提出的WSCNN-GMP模型的性能。并根据验证集所反映出的精度曲线，反复调整模型参数和反复试验，得到训练好的电压源逆变器故障诊断模型，最终的故障分类任务由测试集来完成。新的故障数据直接输入训练好的WSCNN-GMP模型，用保存好参数的滤波器自动提取原始输入数据的故障特征，最后智能的输出诊断结果。实验最终确定的模型参数如下表所示。

所有实验均在配置为CPU i711700，16GB内存，显卡GTX3060的计算机进行。在Tensorflow-gpu的keras环境下实现了电压源逆变器故障诊断模型搭建，Pycharm上实现了算法的编辑。

利用搭建好的网络对三相方波逆变器原始数据集进行训练。训练时AMSGRAD算法的学习率为0.001，β1＝0.9，β2＝0.999，批量大小为10，为了验证每次训练结果的可靠性，每次训练均迭代20次，训练结果如图11和图12所示，在第五次迭代时，验证集的验证曲线已达到最优，迭代20次左右，损失值趋于稳定。

用测试集来预测保存的电压源逆变器故障诊断模型，归一化混淆矩阵如图13，该算法在分类上，仅在T2号管故障和T6号管故障下出现了微小的偏差，诊断的准确率达到了99.71％。

本发明研发过程中实验测试了WSCNN-GMP模型在三相方波数据集从-4dB至10dB混合噪声数据的B类数据集上的诊断率，并比较了几种主流的传统机器学习方法：SVM(向量机)、RF(随机森林)、LR(线性回归)、KNN。可以看出，当信噪比的值较高时，所有模型都达到有了较好的表现。但是所有传统机器学习的方法的网络结构较浅，在处理原始数据的性能上远远不够。虽然传统的机器学习与其他特征提取相结合可以达到很好效果，但人工的特征提取方法太过依赖于知识经验，而且诊断出的结果没有统一的评价标准。

将本发明所提方法同目前主流的深度学习方法相比较，诊断率如图14所示，A、B、C三个数据集由三相方波逆变器数据集中SNR＝10dB的混合噪声数据集划分而来。传统一维CNN的网络结构如下表所示，每层卷积层都有BN，全连接层的Dropout率设置为0.2，优化器为Adam，MLP结构为128-256-7；DNN的结构为512-256-128-64-7；LSTM结构为32-32-32-7，其中的隐藏层均为LSTM层，分类层为softmax层。

可以看出，当训练样本最多时，所有的分类方法诊断精度达到了最高，这是因为足够的训练样本可以提高模型的泛化性能。然而对于MLP、DNN来说，使用的全连接层结构复杂，需训练的参数过多，出现了过拟合。LSTM训练时间过长，而且在测试集的评估下，表现不佳。同传统一维CNN相比，改进的网络结构有较大的提升。本发明所提出的WSCNN-GMP模型算法具有更高的准确性和优越性。

在本实施例中具体地，工作负载的变化在实际中很常见，负载发生变化后，监测的数据随之改变，特征也相应的发生了改变。这会造成分类器对提取的特征无法进行正确识别，从而降低智能诊断系统的准确率。因此，使用在一种负载下的数据，训练好模型，再对负载变化时的信号进行故障诊断，具有很重要的实际意义。分别使用三相正弦波逆变器数据集的Dataset1、Dataset2、Dataset3对WSCNN-GMP模型进行训练，再用其余两种负载下的信号作为测试集进行评估。变负载诊断的具体描述如下表所示。

变负载实验对比如图14可以看出，在情形1、3、4、6，所有方法的分类精度明显高于情形2、5的分类精度，这和负载变化的程度相对应。SVM、RF、DNN、LSTM、WCNN在变负载问题上表现不佳，6种场景中的平均准确率约为80％。相比之下，本发明所提出的WSCNN-GMP方法相比于其他五种算法的精度更高，在每种场景中的准确率均达到了90％以上，平均达到96.92％的精度，更加印证了WSCNN-GMP从原始信号中学习到的特征更具鲁棒性。

在本实施例中具体地，基于卷积神经网络模型构建电压源逆变器故障诊断模型，对所述卷积神经网络模型进行改进，得到所述电压源逆变器故障诊断模型；将所述故障电流数据集输入至预先训练好的电压源逆变器故障诊断模型中进行处理，得到所述待诊断电压源逆变器在多个故障类型分类下的故障诊断概率；其中，所述电压源逆变器故障诊断模型包括：输入层、特征提取层以及输出层，所述输入层将所述待诊断电压源逆变器的时域电流信号进行标准化处理后得到所述故障电流数据集后，通过所述特征提取层对所述故障电流数据集进行特征提取得到多个特征矢量，所述特征提取层包括卷积层和全局最大池化层，所述故障电流数据集通过卷积层的卷积核卷积运算进行特征提取，提取得到的特征利用所述全局最大池化层进行特征降维和数据压缩处理后得到所述特征矢量，所述输出层包括softmax层，其用于多个所述特征矢量通过dropout函数随机失活过滤后传递到softmax层，所述softmax层对所述待诊断电压源逆变器的时域电流信号根据预设的多个故障类型得到所述待诊断电压源逆变器的故障诊断概率。在网络测试阶段，所有神经元都处于激活态。可以缓解神经元之间复杂的过度协同效应，降低神经元间依赖。在模型训练过程中，在改进模型的输入层后加入随机失活函数的目的是因为第一层卷积核过大，为了防止过拟合，使得一部分卷积核失活，

在模型前向传播过程中，模型各层的参数分布发生改变，这就导致了训练的速度降低，同时要求良好的参数初始化，使得训练具有饱和非线性的模型变得非常困难。因此，需要通过BN层对神经网络中的隐含层进行批规范化操作，在模型每次训练时通过变换将输入批次数据缩放平移至稳定的均值和标准差，使得净输入的每一维都归一化到标准正态分布，从而提高优化效率，而不需特别在意参数的初始化。虽然批规范化操作也可以应用在神经元的活性值上，但批规范化净输入更有利于网络优化。因此，实际应用中BN层一般用在在仿射变换之后、激活函数之前。应用BN层可以增强模型对输入不同分布的适应性，有轻微正则化效果，不仅加快了模型收敛速度、训练速度，有效提高了模型收敛率，可一定程度缓解深层网络训练时的“梯度弥散”效应，对网络泛化性能起到一定提升作用，从而使得训练深层网络模型更加容易和稳定。此外BN还可以用来加快模型的训练速度，提高模型精度。

传统的卷积神经网络在网络输入处进行卷积层的卷积运算后，然后连续连接一个局部池化层。连续交叠的深层卷积池化后，实现了对原始数据深层特征的挖掘，通过多层全连接层的过渡，然后将上述结构与传统的神经网络分类器相连。然而，全连接层容易出现过拟合，从而影响整个网络的泛化性能。而本发明通过全局最大池化层替代传统的多层全连接层的过渡，具体为在最后一层卷积层后其输出特征映射后直接进行全局最大池化操作，而不需要额外的展平操作，然后通过两个较小FC层过渡，再输入到softmax层进行预测。与多层全连接的层相比，全局最大池化的优点是：第一，使卷积提取的特征与标记空间相对应，第二，在全局最大池化层中没有需要优化的参数，在一定程度上防止了过度拟合。第三，全局最大池化层对输出的特征映射的全局取最大值，因此更具鲁棒性，简化了模型，降低算法的复杂度，提升了卷积神经网络的性能，可以更加快速地对电压源逆变器的故障类型进行判断。

实施例二：

本发明还提供所述一种系统，包括处理器、存储器、以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。

进一步地，作为一个可执行方案，所述系统/电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述系统/电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述系统/电子设备的组成结构仅仅是系统/电子设备的示例，并不构成对系统/电子设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件。例如所述系统/电子设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。

进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述系统/电子设备的控制中心，利用各种接口和线路连接整个系统/电子设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述系统/电子设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

实施例三：

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。

所述系统/电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Onny Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：包括以下步骤，

S1、获取待诊断电压源逆变器的故障电流数据，并将所述故障电流数据进行预处理，得到故障电流数据集；

S2、将所述故障电流数据集输入至预先训练好的电压源逆变器故障诊断模型中，得到所述待诊断电压源逆变器在多个故障类型分类下的故障诊断概率；其中，所述电压源逆变器故障诊断模型包括：输入层、特征提取层以及输出层，所述输入层将所述待诊断电压源逆变器的时域电流信号进行标准化处理和数据增强处理后得到所述故障电流数据集后，通过所述特征提取层对所述故障电流数据集进行特征提取得到多个特征矢量；

所述特征提取层包括卷积层和全局最大池化层，所述故障电流数据集通过卷积层的卷积核卷积运算进行特征提取，提取得到的特征利用所述全局最大池化层进行特征降维和数据压缩处理后得到所述特征矢量；

所述输出层包括softmax层，多个所述特征矢量通过所述softmax层对所述待诊断电压源逆变器的时域电流信号根据预设的多个故障类型得到所述待诊断电压源逆变器的故障诊断概率；

S3、根据多个所述故障诊断概率对所述待诊断电压源逆变器进行故障诊断。

2.根据权利要求1所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于，所述卷积层包括首层宽卷积核卷积层和多层连续卷积层，所述首层宽卷积核卷积层的卷积核至少为30×1，多层所述连续卷积层的卷积核为3×1。

3.根据权利要求2所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述卷积层还包括批规范化操作，所述故障电流数据集利用所述宽卷积核层中进行随机失活后，通过所述常规卷积层和所述款卷积层的卷积运算进行特征提取，所述宽卷积核层和所述常规卷积层的净输入都进行了批量规范化。

4.根据权利要求1所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述S1具体为，获取所述待诊断电压源逆变器的时域电流信号，将所述时域电流信号进行预处理后得到所述故障电流数据集。

5.根据权利要求1所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述S2中的所述预先训练好的电压源逆变器故障诊断模型是通过以下步骤获得：

采集电压源逆变器的时域电流信号，并进行数据增强处理和标准化处理后，得到故障电流训练数据集，且按照预设的比例将所述故障电流数据集分为训练集、验证集以及测试集；

基于卷积神经网络模型构建电压源逆变器故障诊断模型；

用所述训练集对所述电压源逆变器故障诊断模型进行多次迭代训练，利用所述验证集对每次训练后的电压源逆变器故障诊断模型进行验证，选取收敛的卷积神经网络模型作为初步训练完成的电压源逆变器故障诊断模型；利用所述测试集对初步训练的电压源逆变器故障诊断模型进行测试，根据测试集的精确度判断所述初步训练的电压源逆变器故障诊断模型是否收敛，来得到训练好的电压源逆变器故障诊断模型。

6.根据权利要求5所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述数据增强处理具体为：通过重叠采样法对所述时域电流信号进行数据增强处理。

7.根据权利要求4或5所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述标准化处理的具体步骤为，

对所述时域电流信号按照以下公式进行标准差标准化处理：

其中，X为所述时域电流信号，μ_X为所述时域电流信号X的所有数据的均值，σ_X为所述时域电流信号X的所有数据的标准差。

8.一种计算机可读存储介质，其特征在于：包括存储器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的基于卷积神经网络的电压源逆变器故障诊断方法。

9.一种电压源逆变器故障诊断装置，其特征在于，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如权利要求1至7任一所述的基于卷积神经网络电压源逆变器故障诊断检测方法。

Images