CN115035336A - 基于gasf和cnn的三电平t型逆变器故障诊断方法 - Google Patents

基于gasf和cnn的三电平t型逆变器故障诊断方法 Download PDF

Info

Publication number
CN115035336A
CN115035336A CN202210640365.5A CN202210640365A CN115035336A CN 115035336 A CN115035336 A CN 115035336A CN 202210640365 A CN202210640365 A CN 202210640365A CN 115035336 A CN115035336 A CN 115035336A
Authority
CN
China
Prior art keywords
cnn
gasf
fault diagnosis
level
inverter
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.)
Pending
Application number
CN202210640365.5A
Other languages
English (en)
Inventor
王荣杰
崔亚波
林安辉
王亦春
蒋德松
司玉鹏
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.)
Jimei University
Original Assignee
Jimei University
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 Jimei University filed Critical Jimei University
Priority to CN202210640365.5A priority Critical patent/CN115035336A/zh
Publication of CN115035336A publication Critical patent/CN115035336A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明提出一种基于GASF和CNN的三电平T型逆变器故障诊断方法，先通过格拉姆求和角场算法，将逆变器输出端的时序电流信号进行极坐标编码，然后利用生成角度进行格拉姆矩阵变换转换为格拉姆矩阵图，再将格拉姆矩阵图作为卷积神经网络的输入，自适应的进行特征提取，避免人工提取特征的不确定性和复杂性，最后利用Adam优化的softmax分类器对CNN提取的故障特征进行分类，从而实现逆变器的故障诊断。

Description

基于GASF和CNN的三电平T型逆变器故障诊断方法
技术领域
本发明属于逆变器故障诊断技术领域，具体涉及一种基于GASF和CNN的三电平T型逆变器故障诊断方法。
背景技术
三电平T型拓扑是目前广泛应用的逆变器拓扑类型之一。三电平T型逆变器在光伏逆变、电机驱动、智能控制等领域均得到了广泛应用，其安全稳定的运行对提高整个系统的稳定性具有重要意义。随着设备长时间的运行，逆变器中的电子元器件因损耗环境等因素出现故障的可能性变大。一旦出现故障就会带来巨大的损失，严重时甚至导致整个系统瘫痪。因此为维护系统安全稳定的运行，快速准确的定位故障在电力电子系统中至关重要。
T型逆变器拓扑结构分析和故障分类
常见的多电平的电路拓扑主要有三种：二极管箝位型逆变器、飞跨电容箝位型逆变器和具有独立直流电源的级联型逆变器。
本发明所针对的T型三电平逆变器是中点箝位型逆变器的改进拓扑，其优势主要体现在减少了电流通路中的开关器件数量，减少了传导损耗。而且与二极管箝位型三电平逆变器相比，T型三电平逆变器的每个桥臂少用了两个箝位二极管，其控制方法和二极管箝位型三电平逆变器类似。T型三电平逆变器融合了两电平和三电平逆变器的优势，既有两电平逆变器传导损耗低，器件数目少的优点，又有三电平逆变器输出波形好，效率高的优点，是很有发展前景的一种三电平逆变器拓扑，具体结构如说明书附图1所示。
T型逆变器功率开关器件个数较多，共12个IGBT器件，因为发生故障的功率开关器件个数和所在位置的不同，导致故障种类多样。一般来说，3个或3个以上的功率开关器件同时发生开路故障的可能性很小。
表1故障分类
Figure BDA0003683711480000011
Figure BDA0003683711480000021
本发明只针对一个功率开关器件发生开路故障和两个开关同时发生开路故障的情形进行故障诊断的研究。1)单个功率管出现开路故障：以A相桥臂为例，即SA1、SA2、SA3、SA4，共4种开路故障的情况；2)两个功率管出现开路故障可分为两类情况：第一类为出现开路故障的两个开关管都在同一相,即在同一桥臂上，以A相桥臂为例，即SA1SA2、SA1SA3、SA1SA4、SA2SA3、SA2SA4、SA3SA4，共6种两个管子在同一相同时出现开路故障；第二类为出现故障的两个开关管分别在不同相，即在不同的桥臂上。以A相和B相桥臂为例，即SA1SB1、SA1SB2、SA1SB3、SA1SB4、SA2SB1、SA2SB2、SA2SB3、SA2SB4、SA3SB1、SA3SB2、SA3SB3、SA3SB4、SA4SB1、SA4SB2、SA4SB3、SA4SB4，共16种两个管子在不同相同时出现开路故障。再加上正常状态共计27种故障状态。故障分类如表1所示。
发明内容
针对现有技术存在的缺陷和不足，主要是针对逆变器故障诊断人工提取故障特征繁琐并且不够精确的问题，本发明提出了一种基于GASF和CNN的三电平T型逆变器故障诊断方法，即基于格拉姆求和角场(Gramian Summation Angular Field,GASF)和卷积神经网络(Convolutional Neural Network,CNN)的故障诊断方法。首先将采集到的一维时序信号通过格拉姆求和角场方法映射为二维图像，再将二维图像作为CNN输入，发挥其提取图像特征的优势，最后由Softmax层输出故障诊断结果。通过对比分析，验证了所提出故障诊断方法的有效性。
本发明具体采用以下技术方案：
一种基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于，包括以下步骤：
步骤S1：多个传感器同时采集三电平T型逆变器输出端的时序电压信号，并进行数据增强和数据分割的预处理；
步骤S2：将分割好的一维时序数据采用GASF算法转化为格拉姆矩阵图；
步骤S3：搭建CNN网络模型，初始化网络模型参数；
步骤S4：将格拉姆矩阵图作为CNN网络的输入，对CNN网络模型进行训练，通过前向传播计算识别误差；然后通过反向传播算法将误差从输出层反向传播到每个神经元并计算梯度，选择优化器对权重和偏差进行更新；
步骤S5：判断CNN网络模型是否收敛，如果收敛执行下一步，否则重复执行步骤S4；
步骤S6：通过验证集检验模型的误差，微调超参数，并回到步骤S3直到验证误差最小；最后确定超参数并保存训练好的故障诊断模型；
步骤S7：根据测试集对保存好的模型进行故障分类测试，如果模型在测试集上精度高损失小则进行下一步，否则跳转到步骤S3重新调整网络模型参数；
步骤S8：得到故障诊断结果，故障诊断流程结束。
进一步地，步骤S2具体为：先通过格拉姆求和角场GASF算法，将逆变器输出端的时序电流信号进行极坐标编码，然后利用生成角度进行格拉姆矩阵变换转换为格拉姆矩阵图。
进一步地，在步骤S4中，利用Adam优化的softmax分类器对CNN网络提取的故障特征进行分类。
进一步地，在步骤S2中：
先对一维的时序数据进行极坐标编码，再用生成的角度进行格拉姆矩阵变换，具体过程如下：
给定n个实际观测的时间序列X＝{x1,x2,x3…xi…xn}，使用一个限定在[-1,1]的最小-最大定标器把时间序列缩放到[-1,1]里，如式(1)所示：
Figure BDA0003683711480000031
将缩放后的时间序列
Figure BDA0003683711480000032
转换到极坐标表示，
Figure BDA0003683711480000033
的值映射为角度θi，时间映射为半径ri,如式(2)所示，从而把时间序列在极坐标中重新表示出来：
Figure BDA0003683711480000041
式中，i为时间戳，将[0,1]分为N等份，得到N+1个分隔点[0,1]，然后丢弃0，并连续地将这些点与时间序列关联起来；
格拉姆矩阵是n维欧式空间中任意k个向量之间两两内积所组成的矩阵；GASF生成格拉姆矩阵表示为：
Figure BDA0003683711480000042
式中I是单位行向量，θi,θj(i,j＝1,…,n)为两个向量的夹角，通过考虑每个点之间的三角函数关系实现不同时间间隔内的时间关联，原始时间序列信号X＝{x1,x2,x3…xi…xn}随夹角的变化自左上角到右下角依次转换。
进一步地，步骤S1中，采用随机切片采样的方式对采集到的一维时序电流信号进行数据增强，随机改变采样的起点，截取一定长度的信号作为一个样本。
进一步地，所述CNN网络模型采用改进的AlexNet网络模型，在原生的AlexNet网络的基础上：减少了卷积核的大小和卷积层输出节点的数量；增加了卷积层和最大池化层的数量；减少了全连接层输出节点的数量；并去除了局部响应归一化层。
进一步地，在所述改进的AlexNet网络模型中采用Leaky ReLU激活函数。
进一步地，所述改进的AlexNet网络模型中，对原生的AlexNet网络加入L2正则化项。
进一步地，所述改进的AlexNet网络模型中，采用梯度下降算法，采用等间隔调整学习率，每隔一定的训练次数，调整学习率为原来的α倍。
本发明及其优选方案基于三电平T型拓扑结构的逆变器，提出了一种基于格拉姆求和角场算法和优化的AlexNet卷积神经网络的故障诊断方法。为充分发挥CNN特征提取的能力，首先利用GASF方法将一维的时序信号映射为格拉姆矩阵图，再利用优化的AlexNet网络自适应的提取故障信号特征，在对AlexNet网络进行优化时，为更好的拟合特征和增强非线性表达能力，加深了网络层数，同时引入了L2正则化防止过拟合，控制模型的复杂度等。最后由Softmax层输出分类结果。通过实验表明本发明提出的“端到端”故障诊断方法在故障特征提取和故障诊断性能上表现出更好的特征表达能力和识别效果，平均准确率高达99.722％。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为T型逆变器拓扑图；
图2为本发明实施例T型逆变器故障诊断流程示意图；
图3为原生的AlexNet网络结构图；
图4为本发明实施例时序信号成像示意图；
图5为本发明实施例优化的AlexNet网络结构示意图；
图6为本发明实施例基于GASF和CNN的三电平T型逆变器故障诊断流程示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提出一种基于格拉姆求和角场和卷积神经网络的故障诊断方法。CNN在面对图像时能更好地发挥其提取特征的能力。为了充分利用目前机器视觉上的优势，先通过格拉姆求和角场(Gramian Summation Angular Field，GASF)算法，将逆变器输出端的时序电流信号进行极坐标编码，然后利用生成角度进行格拉姆(Gram)矩阵变换转换为格拉姆矩阵图，再将格拉姆矩阵图作为卷积神经网络的输入，自适应的进行特征提取，避免人工提取特征的不确定性和复杂性，最后利用Adam优化的softmax分类器对CNN提取的故障特征进行分类，从而实现逆变器的故障诊断。
具体地，本实施例提出的基于GASF和CNN的故障诊断模型检测T型逆变器故障的总体框架如图2所示。主要涉及四个步骤：1)多传感器数据采集；2)数据预处理；3)特征提取；4)故障分类。
本发明采用随机切片采样的方式对采集到的一维时序电流信号进行数据增强，随机改变采样的起点，截取一定长度的信号作为一个样本。这种随机切片采样更符合实际的采样过程。
将随机切片采样的新样本数据作为格拉姆求和角场算法的输入，各类故障信号就由一维的时序信号转化为二维图片，流程如图4所示。从而形成了故障样本图像数据集。
GASF方法的基本思想就是基本思想是：先对一维的时序数据进行极坐标编码，再用生成的角度进行格拉姆矩阵变换，具体过程如下：
给定n个实际观测的时间序列X＝{x1,x2,x3…xi…xn}，使用一个限定在[-1,1]的最小-最大定标器(Min-Max scaler)把时间序列缩放到[-1,1]里，如式(1)所示：
Figure BDA0003683711480000061
将缩放后的时间序列
Figure BDA0003683711480000063
转换到极坐标表示，
Figure BDA0003683711480000064
的值映射为角度θi，时间映射为半径ri,如式(2)所示，从而把时间序列在极坐标中重新表示出来：
Figure BDA0003683711480000062
式中，i为时间戳，将[0,1]分为N等份，得到N+1个分隔点[0,1]，然后丢弃0，并连续地将这些点与时间序列关联起来。式(2)这种编码映射的优点在于在一维时间序列和二维空间之间构造一个双射映射，这样任何信息就不会丢失，保持了对时间的依赖性。
格拉姆矩阵是n维欧式空间中任意k个向量之间两两内积所组成的矩阵，可以视为特征之间的偏协方差矩阵，能表示两两特征之间的相关性。GASF生成格拉姆矩阵表示为：
Figure BDA0003683711480000071
式中I是单位行向量，θi,θj(i,j＝1,…,n)为两个向量的夹角，通过考虑每个点之间的三角函数关系实现不同时间间隔内的时间关联,原始时间序列信号X＝{x1,x2,x3…xi…xn}随夹角的变化自左上角到右下角依次转换，实现了一维时序信号到二维图像的高精度转换。
AlexNet网络在经典卷积神经网络LeNet5的基础上对网络结构进行加深。对比CNN而言，AlexNet对数据的局部特征识别更有效，增强了神经元的竞争性，解决了网络较深时的梯度弥散问题，可以缓解过拟合现象，增强模型的泛化能力。此外，AlexNet使用高度优化的二维卷积GPU并行运算，将一半神经元放在每个GPU上，也提高了模型的收敛速度，使训练过程变得更加高效。而相对于其他度学习模型，AlexNet结构简单，参数较少，且对于小样本数据集的拟合程度较好。原生的AlexNet网络结构如图3所示。
原生的AlexNet网络主要用于图像识别，为适用本发明的训练样本，提高模型的特征提取能力和泛化性能，获得更好的训练结果和更高的准确率，本发明经过多次的调整优化后，在AlexNet网络的基础上作出了如下的改进：
A.网络结构：
通过反复的试验在AlexNet网络结构的基础上进行了如下优化：缩减了卷积核的大小和卷积层输出节点的数量；增加了卷积层和最大池化层的数量；减少了全连接层输出节点的数量；去掉了局部响应归一化层。优化后的AlexNet网络结构如图5所示。
B.激活函数：
激活函数ReLU的出现可以说是深度学习革命中为数不多的里程碑之一。ReLU是一个简单的计算，如果输入大于0，直接返回作为输入提供的值；如果输入是0或更小，返回值0。但ReLU的结果都是正值，没有负值。并且强制的稀疏处理会使特征屏蔽太多，导致模型无法学习到有效特征。因此本发明采用Leaky ReLU激活函数，它的数学表达式为：
Figure BDA0003683711480000081
α是一个很小的常数，通常取0.01左右，这样就保留了一些负轴的值，使得负轴的信息不会全部丢失。
C.L2正则化
正则化(Regularization)是机器学习中一种常用的技术，其主要目的是控制模型复杂度，减小过拟合。L2正则化也叫权重衰减，通过对原模型加入L2正则化项，就能让更能代表数据分布的那部分参数的作用凸显出来，而使得让模型易过拟合的那部分参数更接近于0。L2正则化公式可用式(5)来表示，即直接在原来的损失函数基础上加上权重参数的平方和。
Figure BDA0003683711480000082
式中Ein是不包含正则化项的训练样本误差，λ为正则化参数，
Figure BDA0003683711480000083
为L2范数。
D.学习率衰减
梯度下降算法需要我们指定一个学习率作为权重更新步幅的控制因子。一般来说，在训练初期，我们希望学习的步长在可承受的范围内尽量大一些，随着训练轮数的增加，为了避免梯度下降无法收敛至全局最优点，甚至发散，我们希望学习的步长越来越小，逐步逼近最优点，至少是在一个最优的范围内来回震荡。本发明采用等间隔调整学习率，每隔一定的训练次数，调整学习率为原来的α倍，从而使网络更好地收敛到最优解。
基于以上设计，本实施例最终的故障诊断流程如图6所示，基于GASF和CNN的三电平T型逆变器故障的具体步骤如下所示：
第一步：多个传感器同时采集逆变器输出端的时序电压信号，采用数据预处理的方法进行数据增强和数据分割。
第二步：将分割好的一维时序数据用GASF算法转化为格拉姆矩阵图。
第三步：搭建网络模型，初始化网络模型参数，
第四步：对网络模型进行训练，通过前向传播计算识别误差。然后通过反向传播算法将误差从输出层反向传播到每个神经元并计算梯度，选择优化器对权重和偏差进行更新。
第五步：判断模型是否收敛，如果收敛执行下一步，否则重复第四步。
第六步：通过验证集检验模型的误差，然后手动微调超参数，并重复上述过程直到验证误差最小。最后确定超参数并保存训练好的故障诊断模型。
第七步：根据测试集对保存好的模型进行故障分类测试，如果模型在测试集上精度高损失小则进行下一步，否则跳转到第三步重新调整网络模型参数。
第八步：得到故障诊断结果，故障诊断流程结束。
本实施例提供的以上涉及算法的程序设计方案可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程来描述的。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现一个流程或多个流程中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于GASF和CNN的三电平T型逆变器故障诊断方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (9)

1.一种基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于，包括以下步骤：
步骤S1：多个传感器同时采集三电平T型逆变器输出端的时序电压信号，并进行数据增强和数据分割的预处理；
步骤S2：将分割好的一维时序数据采用GASF算法转化为格拉姆矩阵图；
步骤S3：搭建CNN网络模型，初始化网络模型参数；
步骤S4：将格拉姆矩阵图作为CNN网络的输入，对CNN网络模型进行训练，通过前向传播计算识别误差；然后通过反向传播算法将误差从输出层反向传播到每个神经元并计算梯度，选择优化器对权重和偏差进行更新；
步骤S5：判断CNN网络模型是否收敛，如果收敛执行下一步，否则重复执行步骤S4；
步骤S6：通过验证集检验模型的误差，微调超参数，并回到步骤S3直到验证误差最小；最后确定超参数并保存训练好的故障诊断模型；
步骤S7：根据测试集对保存好的模型进行故障分类测试，如果模型在测试集上精度高损失小则进行下一步，否则跳转到步骤S3重新调整网络模型参数；
步骤S8：得到故障诊断结果，故障诊断流程结束。
2.根据权利要求1所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：步骤S2具体为：先通过格拉姆求和角场GASF算法，将逆变器输出端的时序电流信号进行极坐标编码，然后利用生成角度进行格拉姆矩阵变换转换为格拉姆矩阵图。
3.根据权利要求1所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：在步骤S4中，利用Adam优化的softmax分类器对CNN网络提取的故障特征进行分类。
4.根据权利要求2所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：在步骤S2中：
先对一维的时序数据进行极坐标编码，再用生成的角度进行格拉姆矩阵变换，具体过程如下：
给定n个实际观测的时间序列X＝{x1，x2，x3…xi…xn}，使用一个限定在[-1，1]的最小-最大定标器把时间序列缩放到[-1，1]里，如式(1)所示：
Figure FDA0003683711470000021
将缩放后的时间序列
Figure FDA0003683711470000022
转换到极坐标表示，
Figure FDA0003683711470000023
的值映射为角度θi，时间映射为半径ri，如式(2)所示，从而把时间序列在极坐标中重新表示出来：
Figure FDA0003683711470000024
式中，i为时间戳，将[0，1]分为N等份，得到N+1个分隔点[0，1]，然后丢弃0，并连续地将这些点与时间序列关联起来；
格拉姆矩阵是n维欧式空间中任意k个向量之间两两内积所组成的矩阵；GASF生成格拉姆矩阵表示为：
Figure FDA0003683711470000025
式中I是单位行向量，θi，θj(i，j＝1，…，n)为两个向量的夹角，通过考虑每个点之间的三角函数关系实现不同时间间隔内的时间关联，原始时间序列信号X＝{x1，x2，x3…xi…xn}随夹角的变化自左上角到右下角依次转换。
5.根据权利要求1所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：步骤S1中，采用随机切片采样的方式对采集到的一维时序电流信号进行数据增强，随机改变采样的起点，截取一定长度的信号作为一个样本。
6.根据权利要求1所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：所述CNN网络模型采用改进的AlexNet网络模型，在原生的AlexNet网络的基础上：减少了卷积核的大小和卷积层输出节点的数量；增加了卷积层和最大池化层的数量；减少了全连接层输出节点的数量；并去除了局部响应归一化层。
7.根据权利要求6所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：在所述改进的AlexNet网络模型中采用Leaky ReLU激活函数。
8.根据权利要求6所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：所述改进的AlexNet网络模型中，对原生的AlexNet网络加入L2正则化项。
9.根据权利要求6所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：所述改进的AlexNet网络模型中，采用梯度下降算法，采用等间隔调整学习率，每隔一定的训练次数，调整学习率为原来的α倍。
CN202210640365.5A 2022-06-08 2022-06-08 基于gasf和cnn的三电平t型逆变器故障诊断方法 Pending CN115035336A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210640365.5A CN115035336A (zh) 2022-06-08 2022-06-08 基于gasf和cnn的三电平t型逆变器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210640365.5A CN115035336A (zh) 2022-06-08 2022-06-08 基于gasf和cnn的三电平t型逆变器故障诊断方法

Publications (1)

Publication Number Publication Date
CN115035336A true CN115035336A (zh) 2022-09-09

Family

ID=83123966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210640365.5A Pending CN115035336A (zh) 2022-06-08 2022-06-08 基于gasf和cnn的三电平t型逆变器故障诊断方法

Country Status (1)

Country Link
CN (1) CN115035336A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115498956A (zh) * 2022-09-22 2022-12-20 福州大学 一种光伏阵列串联电弧故障诊断方法
CN115792505A (zh) * 2023-02-02 2023-03-14 天津津轨汇海科技发展有限公司 一种轨道交通供电管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018045689A1 (zh) * 2016-09-07 2018-03-15 江南大学 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法
CN113834656A (zh) * 2021-08-27 2021-12-24 西安电子科技大学 一种轴承故障诊断方法、系统、设备及终端

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018045689A1 (zh) * 2016-09-07 2018-03-15 江南大学 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法
CN113834656A (zh) * 2021-08-27 2021-12-24 西安电子科技大学 一种轴承故障诊断方法、系统、设备及终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵丹阳;董唯光;高锋阳;: "一种改进卷积神经网络的逆变器故障诊断", 电源学报, no. 03, 25 January 2019 (2019-01-25) *
龙瀚宏等: "基于深度学习的模块化逆变器故障诊断", 《现代电子技术》, 15 November 2021 (2021-11-15), pages 31 - 36 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115498956A (zh) * 2022-09-22 2022-12-20 福州大学 一种光伏阵列串联电弧故障诊断方法
CN115792505A (zh) * 2023-02-02 2023-03-14 天津津轨汇海科技发展有限公司 一种轨道交通供电管理方法及系统

Similar Documents

Publication Publication Date Title
Diallo et al. Deep embedding clustering based on contractive autoencoder
CN115035336A (zh) 基于gasf和cnn的三电平t型逆变器故障诊断方法
Foygel et al. Bayesian model choice and information criteria in sparse generalized linear models
CN114841257B (zh) 一种基于自监督对比约束下的小样本目标检测方法
CN111723914A (zh) 一种基于卷积核预测的神经网络架构搜索方法
CN114609994B (zh) 基于多粒度正则化重平衡增量学习的故障诊断方法及装置
CN113743528A (zh) 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
Ibragimovich et al. Effective recognition of pollen grains based on parametric adaptation of the image identification model
CN115051864B (zh) 基于pca-mf-wnn的网络安全态势要素提取方法及系统
CN113988215A (zh) 一种配电网计量柜状态检测方法及系统
Kaul et al. Focusnet++: Attentive aggregated transformations for efficient and accurate medical image segmentation
CN114708479A (zh) 一种基于图结构和特征的自适应防御方法
CN116910573A (zh) 异常诊断模型的训练方法及装置、电子设备和存储介质
CN116720095A (zh) 一种基于遗传算法优化模糊c均值的电特性信号聚类方法
CN115935244A (zh) 一种基于数据驱动的单相整流器故障诊断方法
CN115952493A (zh) 一种黑盒模型的逆向攻击方法、攻击装置以及存储介质
Jiang et al. High precision deep learning-based tabular position detection
Kecman et al. Adaptive local hyperplane for regression tasks
Wang et al. A novel algorithm for edge detection of remote sensing image based on CNN and PSO
Zhang et al. Research on Electronic Circuit Fault Diagnosis Method Based on SWT and DCNN-ELM
Tanasa et al. U-Net Utilization on segmentation of Aerial Captured Images
CN116405368B (zh) 一种高维不平衡数据条件下的网络故障诊断方法、系统
CN113449817B (zh) 基于幻影梯度的图像分类隐式模型加速训练方法
KR20230018967A (ko) 유사 이미지 분류를 위한 딥 러닝 성능 향상 방법 및 장치
Zhang et al. A Dedicated Network for Hyperspectral Image Classification Based on Multi-Objective Evolutionary Search

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