CN115019129A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115019129A CN115019129A CN202210637376.8A CN202210637376A CN115019129A CN 115019129 A CN115019129 A CN 115019129A CN 202210637376 A CN202210637376 A CN 202210637376A CN 115019129 A CN115019129 A CN 115019129A
- Authority
- CN
- China
- Prior art keywords
- fault
- active
- graph
- neural network
- bridge converter
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000004927 fusion Effects 0.000 title claims abstract description 47
- 238000003384 imaging method Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 230000008878 coupling Effects 0.000 claims abstract description 23
- 238000010168 coupling process Methods 0.000 claims abstract description 23
- 238000005859 coupling reaction Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 4
- 238000003062 neural network model Methods 0.000 abstract 1
- 230000009977 dual effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 108010014172 Factor V Proteins 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种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,步骤为:建立双有源桥变换器的仿真模型,分析变换器不同开路故障状态与电路信号变化的关系选择多个故障诊断信号,收集不同状态下的故障诊断信号数据与对应故障状态标签作为原始数据样本;采用递归图法将诊断信号数据转化为递归图,利用脉冲耦合神经网络模型将多个递归图进行融合;将融合递归图样本输入到卷积神经网络中进行训练与测试;对新获取的测试样本数据,在递归图转化与脉冲耦合神经网络处理后输入到网络中进行故障诊断。本发明利用递归图和脉冲耦合神经网络对双有源桥变换器的多个诊断信号进行处理,有效提取了多个诊断信号中的故障特征,提高了诊断准确度。
Description
技术领域
本发明涉及电力电子变换器故障诊断领域,尤其涉及一种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。
背景技术
双有源桥变换器广泛应用于电动汽车、直流输电和储能系统等新能源领域,具有电能变换和功率双向流动特性。功率半导体是电力电子变换器中最易故障的器件。功率开关器件故障分为短路故障和开路故障。目前的电力电子变换器都配备有用于短路故障的快速保护电路。而开路故障引起的电压和电流畸变不如短路故障严重,难以检测。如诊断不及时,电压和电流的畸变会导致电力电子变换器二次故障,因此需要对电力电子变换器功率开关管的开路故障进行诊断与定位。
目前基于数据驱动的方法被广泛应用于电力电子变换器的故障诊断中。基于数据驱动的方法可以深度挖掘数据与标签之间的深层特征,并进行分类。其中卷积神经网络在图像处理领域表现出极大的优势,能够提取出图像的深层次特征。将时间序列根据其时域特征转化为图像可以更直观的显示数据的故障特征,且便于输入到神经网络进行学习。但是目前卷积神经网络多适用于单输入情况,双有源桥变换器属于多信号诊断问题,采用了采用了较多的诊断信号对变换器进行故障诊断。且若将时间序列转化为图像则卷积神经网络同时处理多个图像,因此较难实现。因此需要考虑图像融合技术,将多个诊断信号时间序列转化为融合图像来进行故障诊断。因此,如何减少双有源桥变换器的故障诊断信号数量来减少传感器的使用,如何利用时序成像技术和图像融合技术处理多个诊断信号数据,提取出双有源桥变换器不同功率开关器件开路故障时的故障特征,进行故障诊断是目前亟需解决的技术问题。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种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,可将双有源桥变换器的多个诊断信号转化为图像并进行图像融合,有效提取并综合了不同故障诊断信号之间的故障特征且便于输入的故障诊断网络中进行诊断,提高了故障诊断的分类精度。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种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,该方法包括以下步骤:
步骤1、建立双有源桥变换器的仿真模型,通过分析双有源桥变换器不同开路故障状态与电路信号变化的关系选取漏感电流、原边桥任一桥臂中点电压和副边桥任一桥臂中点电压为诊断信号,收集双有源桥变换器不同开路故障状态下的诊断信号数据与对应故障状态标签作为原始数据样本集;
步骤2、采用递归图法将原始数据样本中的诊断信号数据转化为递归图;
步骤3、采用脉冲耦合神经网络将原始数据样本中生成的多个递归图进行融合,得到融合递归图样本集;
步骤4、构建卷积神经网络故障诊断模型,并初始化网络参数;将得到的融合递归图样本集划分为训练集和测试集,利用训练集对卷积神经网络故障诊断模型进行训练,利用测试集对训练后的卷积神经网络故障诊断模型进行测试;
步骤5、对新获取的测试样本数据,在进行递归图转化与脉冲耦合神经网络处理后直接输入到训练好的卷积神经网络故障诊断模型中进行故障诊断,得到故障诊断结果。
优选地,所述步骤1中的双有源桥变换器为:
双有源桥变换器具有结构对称性,通过将多个电路信号结合作为故障诊断信号才能准确定位双有源桥变换器中发生开路故障的功率开关管;分析双有源桥变换器中各故障状态与电路信号间的关系得到,通过漏感电流,原边桥任一桥臂中点电压和副边桥任一桥臂中点电压三个诊断信号即可区分并准确定位不同功率开关器件的开路故障。
优选地,所述步骤1中得到原始数据样本集的方法为:
对每个诊断信号在相同时间采集相同数据点数构成一个原始数据样本集,每个原始数据样本中包含有三个诊断信号时间序列,所述原始数据样本集为Dataj={di,1,di,2,...,di,m,...,di,N,sj},i∈[1,3],j∈[1,K],其中,N是每个诊断信号序列的长度,K是原始数据样本集的样本个数,di,m为一个样本中第i个信号样本的第m点对应的监测值,m∈[1,N],sj为第j个数据样本对应的双有源桥变换器故障状态,包括故障类型及位置。
优选地,所述步骤2中递归图法的方法为:
采用递归图法将原始数据样本中的诊断信号数据转化为递归图时,首先对时间序列X进行相空间重构生成高维相空间:
其中X={x1,x2,…,xn}T,n表示时间序列长度,d表示嵌入维数,f表示延迟时间;d和f分别采用奇异值分析法和互信息量法确定;递归图中的点由下列矩阵确定:Ri,j=Θ(Xε-||xi-xj||),i,j=1,2,…,n,其中Xε是设定的阈值,||·||表示采用∞-范数计算xi和xj之间的距离;Θ(·)表示Heaviside函数:矩阵R由1和0组成,1表示递归状态,0表示不构成递归状态;以i为横坐标,以j为纵坐标分别绘出R的每个元素得到递归图。
优选地,所述步骤2中还包括对每个原始数据样本进行递归图法转换后得到的递归图样本集为:Dataj={RP1,RP2,RP3,sj},j∈[1,K],其中,K是原始数据样本集的样本个数,RP1,RP2和RP3分别表示三个诊断信号经递归图法转化得到的递归图,sj为第j个数据样本对应的双有源桥变换器故障状态,包括故障类型及位置。
优选地,所述步骤3中的脉冲耦合神经网络具体为:
脉冲耦合神经网络的神经元数等于输入图像像素数,每个神经元由接收域、调制域和脉冲产生域组成,数学表达式为:
其中,Fij(n)和Lij(n)分别是神经元在第n次迭代时的反馈输入和链接输入;Sij(n)、Yij(n)和Uij(n)分别表示神经元的外部输入刺激、输出和内部活动;β是链接强度,VL是神经元链接输入的振幅放大系数;θij和Vθ分别表示动态阈值及其振幅放大系数;Wij,kl为神经元之间的连接权重系数矩阵;αL和αθ分别是链接输入和变阈值函数的时间衰减常数;对输入脉冲耦合神经网络的源图像为A和B;外部刺激输入Sij分别对应A和B中(i,j)处的归一化值;调制域中分别获得A和B的内部活动Uij和动态阈值θij后,将Uij和θij进行比较;若Uij>θij,神经元点火,Yij=1;否则神经元不点火,Yij=0;重复此过程N次,所有神经元点火次数分别构成A和B的点火映射图OA和OB;根据OA和OB融合输入图像,计算公式为:将该图与[0,255]范围像素映射可得到脉冲耦合神经网络输出的融合图像。
优选地,所述步骤3中得到融合递归图样本集的方法为:
对递归图样本集通过脉冲耦合神经网络进行图像融合,得到融合递归图样本;所述融合递归图样本集为:Dataj={PCNN,sj},j∈[1,K],其中,K是原始数据样本集的样本个数,PCNN表示融合后的递归图,即每个原始样本数据集中的三个诊断信号时间序列最终转化为一个融合递归图;sj为第j个数据样本对应的双有源桥变换器故障状态,包括故障类型及位置。
优选地,所述步骤4中构建卷积神经网络故障诊断模型的方法为:
构建卷积神经网络故障诊断模型时,网络具有若干个卷积层、激活层、池化层;使用3*3卷积来提取融合图像的特征,并使用全局平均池化层替代对网络最后的全连接操作,最后输入到分类器中进行识别分类;初始化网络参数,将融合图像样本集输入到构建的卷积神经网络进行训练和测试。
本发明提供一种基于时序成像与图像融合的双有源桥变换器故障诊断系统,该系统包括:
数据采集与处理模块,用于建立双有源桥变换器的仿真模型,采集DAB变换器的漏感电流、原边桥任一桥臂中点电压和副边桥任一桥臂中点电压的时间序列作为采集原始数据,利用各原始数据样本与对应的故障位置标签组成原始数据样本集;
时序成像模块,用于对所述的原始数据集经递归图法转化为递归图,提取时域特征,得到递归图样本集;
图像融合模块,用于对所述的递归图样本集经脉冲耦合神经网络进行图像融合,得到融合图像样本集;
网络训练模块,用于将所述融合图像样本集划分为训练集和验证集,由所述训练集对卷积神经网络故障诊断模型进行训练,由验证集对训练后的积神经网络故障诊断模型进行测试;
诊断模块,用于在后期诊断过程中,将新获取的双有源桥变换器故障诊断数据经时序成像模块和图像融合模块处理后直接输入到训练好的网络中进行诊断和故障定位。
本发明提供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。
本发明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,产生的有益效果是:
本发明分析变换器不同开路故障状态与电路信号变化的关系,采用了较少的诊断信号,减少了信号传感器的使用。采集了双有源桥变换器在各开路故障状态下的漏感电流、原边桥任一桥臂中点电压和副边桥任一桥臂中点电压共三个诊断信号时间序列并与与对应故障状态标签作为原始数据样本集;采用递归图法将原始数据样本中的诊断信号数据转化为递归图,采用脉冲耦合神经网络将原始数据样本中生成的多个递归图进行融合,得到融合递归图样本集,有效地将信号的时域特征转化为特征并综合了多个诊断信号的故障特征;最后构建了卷积神经网络故障诊断模型,利用卷积神经网络强大的特征提取能力进行故障诊断,提高了双有源桥变换器的诊断准确度,同时提高了双有源桥变换器故障诊断及定位的智能化水平。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
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双有源桥变换器仿真拓扑图;
图3是本发明实施例提供的一种基于注意力机制的多分支卷积神经网络结构;
图4是本发明实施例中正常状态下的一个样本所得融合递归图;
图5是本发明实施例中S1开路故障下的一个样本所得融合递归图;
图6是本发明实施例中Q1开路故障下的一个样本所得融合递归图;
图7是本发明实施例提供的一种双有源桥变换器训练和测试过程中准确度的变化图;
图8是本发明实施例提供的一种双有源桥变换器训练和测试过程中损失函数的变化图。
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。
实施例一
如图1所示是本发明实施例提供的一种方法流程示意图,在图1所示的方法中包括以下步骤:
(1)建立双有源桥变换器仿真模型,双有源桥变换器电路仿真拓扑图如图2所示。双有源桥变换器共有9种故障状态,分别为正常状态、S1开路故障、S2开路故障、S3开路故障、S4开路故障、Q1开路故障、Q2开路故障、Q3开路故障和Q4开路故障,分析变换器不同故障状态与电路信号变化的关系来选择最少的故障诊断信号组合。选取漏感电流、原边桥任一桥臂中点电压和副边桥任一桥臂中点电压为诊断信号,收集变换器不同开路故障状态下的诊断信号数据与对应故障状态标签作为原始数据样本集;
(2)为了有效提取每个样本中故障诊断信号的时域特征且便于输入到故障诊断模型中,利用递归图法将原始数据样本集中的诊断信号数据转化为递归图;
(3)为了充分综合多个诊断信号的故障特征且便于输入到故障诊断模型中,采用脉冲耦合神经网络将原始数据样本中生成的多个递归图进行融合,得到融合递归图样本集;
(4)为了有效提取融合递归图中的故障特征,构建卷积神经网络故障诊断模型,并初始化网络参数。将得到的融合递归图样本集划分为训练集和测试集,利用训练集对卷积神经网络故障诊断模型进行训练,利用测试集对训练后的卷积神经网络故障诊断模型进行测试。
在本实施例中,上述步骤(1)可以通过以下方式实现:
分析双有源桥变换器中各故障状态与电路信号间的关系,分析结果如表1所示。
表1各故障状态与电路信号间的关系
vab和vcd分别是原边桥和副边桥的输出电压,iLr为漏感电流,va、vb、vc和vd分别表示原边桥和副边桥的四个桥臂中点电压,“N”表示波形正常,“F”表示波形畸变,A0~A4、B0~B4和C0~C4分别表示iLr、vab和vcd的5种变化状态。由表格可以发现选取漏感电流、原边桥任一桥臂中点电压和副边桥任一桥臂中点电压共三个诊断信即可区分双有源桥变换器的所有故障状态。选择漏感电流iLr,原边桥中点电压va和副边桥中点电压vc作为故障诊断信号,分别在每种故障状态下收集1000个样本,每个样本中包含三个诊断信号数据,每个诊断信号有1000个数据点。所述原始数据样本集可以表示为Dataj={di,1,di,2,...,di,m,...,di,N,sj},i∈[1,3],j∈[1,K],其中,N是每个诊断信号序列的长度,N=1000,K是原始数据样本集的样本个数,K=1000。di,m为一个样本中第i个信号样本的第m(m∈[1,N])点对应的监测值,sj为第j个数据样本对应的双有源桥变换器故障状态(包括故障类型及位置)。
在本实施例中,上述步骤(2)可以通过以下方式实现:
首先对每个样本中的iLr、va和vc三个诊断信号时间序列进行相空间重构,计算公式为:
其中X表示进行重构的诊断信号时间序列,X={x1,x2,…,xn}T,n表示时间序列长度,n=1000。嵌入维数d为3,延迟时间f为4。递归图中的点由下列矩阵确定:Ri,j=Θ(Xε-||xi-xj||),i,j=1,2,…,n,阈值xε设置为0.1。||·||表示采用∞-范数计算xi和xj之间的距离。Θ(·)表示Heaviside函数:矩阵R由1和0组成,1表示递归状态,0表示不构成递归状态。以i为横坐标,以j为纵坐标分别绘出R的每个元素得到递归图。
对每个原始数据样本中的iLr、va和vc三个诊断信号时间序列进行递归图法转换后得到的递归图样本集为:Dataj={RP1,RP2,RP3,sj},j∈[1,K],其中,K是原始数据样本集的样本个数,K=1000。RP1,RP2和RP3分别表示三个诊断信号经递归图法转化得到的递归图,sj为第j个数据样本对应的双有源桥变换器故障状态(包括故障类型及位置)。由于每个诊断信号具有1000个数据点,因此生成的递归图像素大小为1*1000*1000。
在本实施例中,上述步骤(3)可以通过以下方式实现:
步骤(2)和步骤(3)的结构图如图3所示。脉冲耦合神经网络的神经元数等于输入图像像素数,每个神经元由接收域、调制域和脉冲产生域组成,数学表达式为:
其中,Fij(n)和Lij(n)分别是神经元在第n次迭代时的反馈输入和链接输入。Sij(n)、Yij(n)和Uij(n)分别表示神经元的外部输入刺激、输出和内部活动。β是链接强度,VL是神经元链接输入的振幅放大系数。θij和Vθ分别表示动态阈值及其振幅放大系数。Wij,kl为神经元之间的连接权重系数矩阵。αL和αθ分别是链接输入和变阈值函数的时间衰减常数。中设置链接输入的时间衰减常数αL、振幅放大系数VL和链接强度β分别为1、1和3,阈值函数的时间衰减常数αθ、振幅放大系数Vθ、迭代次数N分别0.2、10和200。对输入脉冲耦合神经网络的源图像为A和B。外部刺激输入Sij分别对应A和B中(i,j)处的归一化值。调制域中分别获得A和B的内部活动Uij和动态阈值θij后,将Uij和θij进行比较。若Uij>θij,神经元点火,Yij=1;否则神经元不点火,Yij=0。重复此过程N次,所有神经元点火次数分别构成A和B的点火映射图OA和OB。根据OA和OB融合输入图像,计算公式为:将该图与[0,255]范围像素映射可得到脉冲耦合神经网络输出的融合图像。
对递归图样本集中的每个样本通过脉冲耦合神经网络进行图像融合,得到融合递归图样本集。所述融合递归图样本集可以表示为:Dataj={PCNN,sj},j∈[1,K],其中,K是原始数据样本集的样本个数,K=1000。PCNN表示融合后的递归图,即每个原始样本数据集中的三个诊断信号时间序列最终转化为一个融合递归图。sj为第j个数据样本对应的双有源桥变换器故障状态(包括故障类型及位置)。其中正常状态、S1开路故障和Q1开路故障下的一个样本所得融合递归图分别如图4、图5和图6所示。融合得到的融合递归图像素大小也为1*1000*1000。
在本实施例中,在步骤(4)中,利用深度学习对图像的特征挖掘能力学习融合递归图的深层故障特征。卷积神经网络的学习过程主要包括:对网络进行参数初始化;输入数据并通过前向传播得到输出值;求出网络输出值与目标值之间的误差;当误差大于期望值时,将误差反向传播,依次求得各操作层的误差。当误差等于或小于期望值时,结束训练。
具体地,上述步骤(4)可以通过以下方式实现:
(4.1)双有源桥变换器的故障分类包括,步骤1:将融合递归图样本按照7:3的比例划分为训练集和测试集;步骤2:构建卷积神经网络,网络具有若三个卷积层、三个激活层、三个池化层。使用3*3卷积来提取融合图像的特征,并使用全局平均池化层替代对网络最后的全连接操作,最后输入到Softmax分类器中进行识别分类,因为。初始化网络参数,将融合图像样本集输入到构建的卷积神经网络进行训练和测试。设置网络层数为3,使用3*3卷积来提取融合图像的特征,并使用全局平均池化层替代对网络最后一层的两个全连接操作进行替代,最后输入到Softmax层进行分类。进行网络超参数初始化,网络超参数如表2所示。步骤3:将融合递归图的训练集和测试集输入到构建的卷积神经网络模型中进行训练和测试。卷积神经网络故障诊断模型训练和测试过程的准确度和损失函数的变化如图7和图8所示。步骤4:计算分类准确度,给出故障诊断结果。
表2:卷积神经网络诊断模型超参数设置
(4.2)故障分类结果及对比情况如表3所示,本发明的双有源桥变换器故障诊断方法的训练效果较好。与主流的分类算法误差反向传播神经网络和深度信念网络的故障分类结果进行对比,表明本发明的双有源桥变换器故障诊断方法的先进性。
表3双有源桥变换器故障分类结果对比
本发明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,通过分析变换器不同开路故障状态与电路信号变化的关系,来减少故障诊断信号的数量,减少了信号传感器的使用;采用递归图法将原始数据样本中的诊断信号数据转化为递归图,有效提取了诊断信号的时域特征;采用脉冲耦合神经网络将原始数据样本中生成的多个递归图进行融合,充分综合了多个诊断信号的故障特征且便于输入到故障诊断模型中进行训练;最后构建了卷积神经网络故障诊断模型,利用卷积神经网络强大的特征提取能力进行故障诊断,提高了双有源桥变换器的诊断准确度,同时提高了双有源桥变换器故障诊断及定位的智能化水平。
实施例二
在本发明另一实施例中,还提供了基于时序成像与图像融合的双有源桥变换器故障诊断系统,包括:
数据采集与处理模块,用于建立双有源桥变换器的仿真模型,采集DAB变换器的漏感电流、原边桥任一桥臂中点电压和副边桥任一桥臂中点电压的时间序列作为采集原始数据,利用各原始数据样本与对应的故障位置标签组成原始数据样本集;
时序成像模块,用于对所述的原始数据集经递归图法转化为递归图,提取时域特征,得到递归图样本集;
图像融合模块,用于对所述的递归图样本集经脉冲耦合神经网络进行图像融合,得到融合图像样本集;
网络训练模块,用于将所述融合图像样本集划分为训练集和验证集,由所述训练集对卷积神经网络故障诊断模型进行训练,由验证集对训练后的积神经网络故障诊断模型进行测试;
诊断模块,用于在后期诊断过程中,将新获取的双有源桥变换器故障诊断数据经时序成像模块和图像融合模块处理后直接输入到训练好的网络中进行诊断和故障定位。
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,本实施例将不再复述。
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。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种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,其特征在于,该方法包括以下步骤:
步骤1、建立双有源桥变换器的仿真模型,通过分析双有源桥变换器不同开路故障状态与电路信号变化的关系选取漏感电流、原边桥任一桥臂中点电压和副边桥任一桥臂中点电压为诊断信号,收集双有源桥变换器不同开路故障状态下的诊断信号数据与对应故障状态标签作为原始数据样本集;
步骤2、采用递归图法将原始数据样本中的诊断信号数据转化为递归图;
步骤3、采用脉冲耦合神经网络将原始数据样本中生成的多个递归图进行融合,得到融合递归图样本集;
步骤4、构建卷积神经网络故障诊断模型,并初始化网络参数;将得到的融合递归图样本集划分为训练集和测试集,利用训练集对卷积神经网络故障诊断模型进行训练,利用测试集对训练后的卷积神经网络故障诊断模型进行测试;
步骤5、对新获取的测试样本数据,在进行递归图转化与脉冲耦合神经网络处理后直接输入到训练好的卷积神经网络故障诊断模型中进行故障诊断,得到故障诊断结果。
2.根据权利要求1所述的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,其特征在于,所述步骤1中的双有源桥变换器为:
双有源桥变换器具有结构对称性,通过将多个电路信号结合作为故障诊断信号才能准确定位双有源桥变换器中发生开路故障的功率开关管;分析双有源桥变换器中各故障状态与电路信号间的关系得到,通过漏感电流,原边桥任一桥臂中点电压和副边桥任一桥臂中点电压三个诊断信号即可区分并准确定位不同功率开关器件的开路故障。
3.根据权利要求1所述的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,其特征在于,所述步骤1中得到原始数据样本集的方法为:
对每个诊断信号在相同时间采集相同数据点数构成一个原始数据样本集,每个原始数据样本中包含有三个诊断信号时间序列,所述原始数据样本集为Dataj={di,1,di,2,...,di,m,...,di,N,sj},i∈[1,3],j∈[1,K],其中,N是每个诊断信号序列的长度,K是原始数据样本集的样本个数,di,m为一个样本中第i个信号样本的第m点对应的监测值,m∈[1,N],sj为第j个数据样本对应的双有源桥变换器故障状态,包括故障类型及位置。
4.根据权利要求2所述的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,其特征在于,所述步骤2中递归图法的方法为:
采用递归图法将原始数据样本中的诊断信号数据转化为递归图时,首先对时间序列X进行相空间重构生成高维相空间:
5.根据权利要求3所述的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,其特征在于,所述步骤2中还包括对每个原始数据样本进行递归图法转换后得到的递归图样本集为:Dataj={RP1,RP2,RP3,sj},j∈[1,K],其中,K是原始数据样本集的样本个数,RP1,RP2和RP3分别表示三个诊断信号经递归图法转化得到的递归图,sj为第j个数据样本对应的双有源桥变换器故障状态,包括故障类型及位置。
6.根据权利要求3所述的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,其特征在于,所述步骤3中的脉冲耦合神经网络具体为:
脉冲耦合神经网络的神经元数等于输入图像像素数,每个神经元由接收域、调制域和脉冲产生域组成,数学表达式为:
其中,Fij(n)和Lij(n)分别是神经元在第n次迭代时的反馈输入和链接输入;Sij(n)、Yij(n)和Uij(n)分别表示神经元的外部输入刺激、输出和内部活动;β是链接强度,VL是神经元链接输入的振幅放大系数;θij和Vθ分别表示动态阈值及其振幅放大系数;Wij,kl为神经元之间的连接权重系数矩阵;αL和αθ分别是链接输入和变阈值函数的时间衰减常数;对输入脉冲耦合神经网络的源图像为A和B;外部刺激输入Sij分别对应A和B中(i,j)处的归一化值;调制域中分别获得A和B的内部活动Uij和动态阈值θij后,将Uij和θij进行比较;若Uij>θij,神经元点火,Yij=1;否则神经元不点火,Yij=0;重复此过程N次,所有神经元点火次数分别构成A和B的点火映射图OA和OB;根据OA和OB融合输入图像,计算公式为:将该图与[0,255]范围像素映射可得到脉冲耦合神经网络输出的融合图像。
7.根据权利要求3所述的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,其特征在于,所述步骤3中得到融合递归图样本集的方法为:
对递归图样本集通过脉冲耦合神经网络进行图像融合,得到融合递归图样本;所述融合递归图样本集为:Dataj={PCNN,sj},j∈[1,K],其中,K是原始数据样本集的样本个数,PCNN表示融合后的递归图,即每个原始样本数据集中的三个诊断信号时间序列最终转化为一个融合递归图;sj为第j个数据样本对应的双有源桥变换器故障状态,包括故障类型及位置。
8.根据权利要求4所述的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,其特征在于,所述步骤4中构建卷积神经网络故障诊断模型的方法为:
构建卷积神经网络故障诊断模型时,网络具有若干个卷积层、激活层、池化层;使用3*3卷积来提取融合图像的特征,并使用全局平均池化层替代对网络最后的全连接操作,最后输入到分类器中进行识别分类;初始化网络参数,将融合图像样本集输入到构建的卷积神经网络进行训练和测试。
9.一种基于时序成像与图像融合的双有源桥变换器故障诊断系统,其特征在于,该系统包括:
数据采集与处理模块,用于建立双有源桥变换器的仿真模型,采集DAB变换器的漏感电流、原边桥任一桥臂中点电压和副边桥任一桥臂中点电压的时间序列作为采集原始数据,利用各原始数据样本与对应的故障位置标签组成原始数据样本集;
时序成像模块,用于对所述的原始数据集经递归图法转化为递归图,提取时域特征,得到递归图样本集;
图像融合模块,用于对所述的递归图样本集经脉冲耦合神经网络进行图像融合,得到融合图像样本集;
网络训练模块,用于将所述融合图像样本集划分为训练集和验证集,由所述训练集对卷积神经网络故障诊断模型进行训练,由验证集对训练后的积神经网络故障诊断模型进行测试;
诊断模块,用于在后期诊断过程中,将新获取的双有源桥变换器故障诊断数据经时序成像模块和图像融合模块处理后直接输入到训练好的网络中进行诊断和故障定位。
10.一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9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637376.8A CN115019129B (zh) | 2022-06-07 | 2022-06-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637376.8A CN115019129B (zh) | 2022-06-07 | 2022-06-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115019129A true CN115019129A (zh) | 2022-09-06 |
CN115019129B CN115019129B (zh) | 2024-03-29 |
Family
ID=83073420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210637376.8A Active CN115019129B (zh) | 2022-06-07 | 2022-06-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019129B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115981297A (zh) * | 2023-02-09 | 2023-04-18 | 深圳市捷代电子科技有限公司 | 一种汽车电路电控系统故障诊断装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112903294A (zh) * | 2021-01-07 | 2021-06-04 | 泰华宏业(天津)智能科技有限责任公司 | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 |
WO2021259482A1 (en) * | 2020-06-25 | 2021-12-30 | PolyN Technology Limited | Analog hardware realization of neural networks |
CN113869145A (zh) * | 2021-09-10 | 2021-12-31 | 武汉大学 | 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统 |
-
2022
- 2022-06-07 CN CN202210637376.8A patent/CN115019129B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021259482A1 (en) * | 2020-06-25 | 2021-12-30 | PolyN Technology Limited | Analog hardware realization of neural networks |
CN112903294A (zh) * | 2021-01-07 | 2021-06-04 | 泰华宏业(天津)智能科技有限责任公司 | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 |
CN113869145A (zh) * | 2021-09-10 | 2021-12-31 | 武汉大学 | 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
谢东;葛兴来;: "并联全桥隔离DC-DC变换器开路故障诊断", 大功率变流技术, no. 04, 5 August 2017 (2017-08-05) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115981297A (zh) * | 2023-02-09 | 2023-04-18 | 深圳市捷代电子科技有限公司 | 一种汽车电路电控系统故障诊断装置 |
CN115981297B (zh) * | 2023-02-09 | 2023-06-30 | 深圳市捷代电子科技有限公司 | 一种汽车电路电控系统故障诊断装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115019129B (zh) | 2024-03-29 |
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 | |
CN107884706B (zh) | 基于向量值正则核函数逼近的模拟电路故障诊断方法 | |
CN107607207B (zh) | 一种电力设备热故障诊断方法、系统及电子设备 | |
CN111060838B (zh) | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 | |
CN103630244B (zh) | 电力系统设备故障诊断方法及系统 | |
CN115081316A (zh) | 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统 | |
CN112507915B (zh) | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 | |
CN114355240B (zh) | 配电网接地故障诊断方法及装置 | |
CN115062538B (zh) | 基于注意力机制和卷积nn的变换器故障诊断方法及系统 | |
CN102636742A (zh) | 基于小波神经网络的大规模模拟电路故障诊断方法 | |
CN113869145A (zh) | 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN113533945A (zh) | 一种基于二维卷积神经网络的模拟电路故障诊断方法 | |
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 | |
CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
CN114118586A (zh) | 基于CNN-Bi LSTM的电机故障预测方法及系统 | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN115935244B (zh) | 一种基于数据驱动的单相整流器故障诊断方法 | |
CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
CN116578922A (zh) | 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置 | |
CN114781427B (zh) | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 | |
CN114710831B (zh) | 一种基于深度学习的rfid标签定位系统 | |
CN114021424B (zh) | 一种基于pca-cnn-lvq的电压暂降源识别方法 | |
TW201020569A (en) | Method and portable device for fault diagnosis of photovoltaic power generating system | |
CN111310907A (zh) | 一种微波组件故障诊断方法、装置及设备 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhao Yingying Inventor before: He Yigang Inventor before: Zhao Yingying |
|
GR01 | Patent grant | ||
GR01 | Patent grant |