CN115329816A - 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法 - Google Patents

一种基于仿真数据迁移学习的多电平逆变器故障诊断方法 Download PDF

Info

Publication number
CN115329816A
CN115329816A CN202210974503.3A CN202210974503A CN115329816A CN 115329816 A CN115329816 A CN 115329816A CN 202210974503 A CN202210974503 A CN 202210974503A CN 115329816 A CN115329816 A CN 115329816A
Authority
CN
China
Prior art keywords
fault
simulation
training
fault diagnosis
model
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
CN202210974503.3A
Other languages
English (en)
Inventor
张建忠
陶丹
丁哲伍
吴永斌
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202210974503.3A priority Critical patent/CN115329816A/zh
Publication of CN115329816A publication Critical patent/CN115329816A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，所述诊断方法包括仿真训练模型构建、实验训练模型构建和实时故障诊断，通过搭建多电平逆变器仿真模型，模拟故障来构建仿真故障样本库；利用仿真故障样本库训练深度学习网络，获得满足性能要求的预训练模型；在多电平逆变器实验平台上模拟特定运行工况获得少量原始故障样本，构建迁移学习故障样本库；抽取迁移学习样本库中少量、全类型故障样本，微调预训练模型参数后得到实时故障诊断模型；对实际运行的多电平逆变器，通过实时采样获取三相电流，提取图像数据特征，由实时故障诊断模型获得故障诊断结果。能有效解决成本高、训练数据不足、诊断模型鲁棒性和稳定性差的问题。

Description

一种基于仿真数据迁移学习的多电平逆变器故障诊断方法
技术领域
本发明涉及多电平变流器故障诊断技术领域，具体是一种基于仿真数据迁 移学习的多电平逆变器故障诊断方法。
背景技术
多电平变流器因为适应中高压、大容量场合的特点，以及输出谐波较少的 优势而得到迅速的发展。然而，多电平结构中开关数量的增加不仅使得系统故 障的风险增大，也让精确定位故障位置、故障类型等问题更加复杂。
传统的故障诊断方式是基于系统数学模型进行故障特征构建，利用多个故 障特征及其阈值来区分正常状态与不同的故障状态，但对于复杂系统常常难以 得到精确的数学模型，构建故障特征也变得困难。随着人工智能和大数据的发 展，基于数据驱动的方法被越来越多地应用到故障诊断中，这种方法不仅能通 过深度学习网络自主地提取抽象的故障特征，还能不断地利用新的故障数据进 行训练，使得故障诊断模型算法能够不断地适应系统的变化。
目前，基于数据驱动的方法在多电平逆变器开关管开路故障诊断方面的应 用，国内外已经有了不少研究成果，为了增强故障诊断模型的泛化能力，研究 者通常需要在不同工况下进行多组故障实验来获取大量的训练样本，这给实际 应用带来了极大的成本(B.Gou,Y.Xu,Y.Xia,et al,An Online Data-Driven Method for SimultaneousDiagnosis of IGBT and Current Sensor Fault of Three-Phase PWM Inverter inInduction Motor Drives[J],IEEE Transactions on Power Electronics,2020,35(12):13281-13294.)。因此，现提出一种低 成本、高泛化性能的深度学习故障诊断模型构建方法。
发明内容
本发明的目的在于提供一种基于仿真数据迁移学习的多电平逆变器故障诊 断方法，利用少量的实验数据实现故障诊断模型从仿真到实验的迁移学习，通 过利用大量、完备的仿真样本训练经过优化的网络结构，从而获得强泛化性能 的预训练模型；利用少量、少故障种类、少工况的实验样本和大量、完备的仿 真样本共同构建迁移学习样本库，使得深度迁移学习获得的实时故障诊断模型 更好地适应实际运行中的各种未知因素，用较小的代价获得了较优的模型，有 效解决了实际应用中故障诊断模型构建成本高、训练数据不足、诊断模型鲁棒 性和稳定性较差的问题。
本发明的目的可以通过以下技术方案实现：
一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，所述诊断方法 包括仿真训练模型构建、实验训练模型构建和实时故障诊断。
进一步的，所述诊断方法以下步骤：
S1：仿真训练模型构建。
S2：实验训练模型构建。
S3：从仿真到实验的迁移学习。
S4：实时故障诊断。
进一步的，所述仿真训练模型构建包括以下步骤：
步骤1、搭建多电平逆变器仿真模型，设置不同运行工况并仿真运行所有故 障情况，采样得到三相电流波形并进行预处理，构建仿真故障样本库。
步骤2、利用仿真故障样本库训练深度学习网络，分析被训练网络的性能， 并不断结合训练目标调整网络结构参数，直到获得满足性能要求的网络结构， 网络结构及经训练获得的参数即为预训练模型。
进一步的，所述实验训练模型构建包括以下步骤：
步骤一:在多电平逆变器实验平台上构建特定运行工况的部分故障，首先经 采样得到三相电流波形，然后经过预处理生成原始图像数据，接着通过数据增 强生成故障样本，最后再结合步骤1构建的仿真故障样本库，构建涵盖全部故 障类型的迁移学习故障样本库。
步骤二：从步骤一构建的迁移学习样本库中抽取少量、包含全部故障类型 的故障样本，将其输入步骤2构建的预训练模型，微调预训练模型参数，得到 实时故障诊断模型，实现故障诊断模型从仿真到实验的迁移学习。
进一步的，所述实时故障诊断通过实时采样任意实际工况下运行的多电平 逆变器三相电流，经预处理获得图像数据特征，将其输入实时故障诊断模型， 获得故障诊断结果，并利用实时运行过程中积累的新故障样本更新迁移学习故 障样本库，适时地微调预训练模型参数获得更新的实时故障诊断模型。
进一步的，所述步骤1中的运行工况包括：多电平逆变器直流母线电压、 输出电压、输出频率、输出功率、负载功率因数角等；步骤1中的故障包括： 单管开路故障、单相双管开路故障、双相双管开路故障等实际运行中可能出现 的故障情形。
进一步的，所述步骤1中的预处理包括滑动窗口消除相位影响、角域重采 样消除频率影响、小波包去噪消除高频噪声、Hample滤波消除采样毛刺、幅值 归一化消除幅值影响和生成二维图像样本。
所述三相电流波形经过预处理被转换为大小一定的二维图像数据，与对应 的故障标签一起构成故障样本，继而构建故障样本库。
进一步的，所述步骤2中的结合训练目标调整网络结构参数，网络结构参 数为：增减卷积层、卷积核数量来兼顾故障诊断高准确率、网络结构轻量化的 设计目标，利用卷积层和全局均值池化层替代全连接层来实现网络强泛化能力 的设计目标。
进一步的，所述步骤一中的数据增强生成故障样本包括样本上下翻转变换、 电流顺序变换获取不同相位、不同位置开关管开路故障所对应的故障样本，通 过少量故障实验获得大量故障样本。
本发明的有益效果：
1、本发明故障诊断方法利用大量、完备的仿真样本训练经过优化的网络结 构，从而获得强泛化性能的预训练模型，使得仿真数据的利用率大大提升，加 快了故障诊断模型的构建，进行迁移学习中特征分类器的参数微调时，需要训 练的只有Dense层的6320个参数大大提升了训练效率，微调所需要的训练样本 数量极少，大大节省了实验成本；
2、本发明故障诊断方法利用少量、少故障种类、少工况的实验样本和大量、 完备的仿真样本共同构建迁移学习样本库，使得深度迁移学习获得的实时故障 诊断模型更好地适应实际运行中的各种未知因素，用较小的代价获得了较优的 模型；
3、本发明故障诊断方法时域采样的不同工况下三相电流波形形态差距极 大，通过预处理后得到的不同工况下样本相似度大大提升，有利于深度学习网 络更方便地提取出公共特征；
4、本发明故障诊断方法中逆变器故障诊断模型网络结构相比于基于 ImageNet训练参数量的预训练网络，网络结构更简单轻便、更适合于逆变器故 障诊断的实际应用；
5、本发明故障诊断方法经过预训练模型迁移学习得到的故障诊断模型不仅 具有极高的诊断准确率，且在不同工况下均有良好的泛化性能；
6、本发明故障诊断方法既减少了大量、多工况、多故障种类样本采集带来 的实验成本，也节省了重新训练网络带来的计算资源与时间成本，具有显著优 势。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本诊断方法流程示意图；
图2为本发明诊断方法中T型三电平逆变器的拓扑结构图；
图3为本发明诊断方法中三相电流采样数据预处理流程示意图；
图4为本发明诊断方法中预处理前后三相电流波形对比图；
图5为本发明诊断方法中故障诊断模型迁移学习原理示意图；
图6为本发明诊断方法中故障样本数据增强流程示意图；
图7为本发明诊断方法中迁移学习样本库组成示意图；
图8为本发明诊断方法中迁移学习效果图；
图9为本发明诊断方法中迁移学习故障样本的迁移学习图；
图10为本发明诊断方法中故障诊断模型诊断准确率对比图。
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作出创造 性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，如图1所示， 诊断方法包括仿真训练模型构建、实验训练模型构建和实时故障诊断，仿真训 练模型构建包括搭建多电平逆变器仿真模型、模拟全部故障、实验三相电流波 形、仿真故障样本库、深度学习网络、网络性能达到要求判断和调整网络结构 参数，实验训练模型构建包括多电平逆变器实验平台、构建部分故障、三相电 流波形、原始图像数据、生成故障样本、迁移学习故障样本、预训练模型和积 累故障样本，实时故障诊断包括多电平逆变器、实施三相电流、图像数据特征、 实施故障诊断模型和故障诊断结果，网络性能达到要求进入预训练模型，迁移 学习故障样本库结合仿真故障样本库抽取少量、全类型故障样本进行预训练模 型，通过微调得到实施故障诊断模型。
诊断方法包括以下步骤：
S1：搭建多电平逆变器仿真模型，设置不同运行工况并模拟仿真运行所有 故障情况，采样得到三相电流波形并进行预处理，构建仿真故障样本库。
仿真运行所有故障情况时应充分考虑多电平逆变器直流母线电压、输出电 压、输出频率、输出功率、负载功率因数角等各种因素变化时的不同工况，进 行单管开路故障、单相双管开路故障、双相双管开路故障等实际运行中可能出 现的不同故障情形。因此，IGBT单管、双管开路故障的情况共有78种，正常、 故障工况下数据标签如表1所示，训练深度学习网络时将故障标签转换为独热 码。
表1T型三电平逆变器故障表
Figure BDA0003797762680000061
如表1所示，除正常情况1种外，单管开路故障的情况有12种，单相双管 开路故障的情况有18种，双相双管开路故障的情况有48种。不同类型故障下 三相电流畸变的类型、程度不同，通过三相电流信号进行故障诊断，为了不增 加硬件成本，利用系统的电流传感器直接获取的大量三相电流的正常与故障波 形。
图3所示为三相电流采样数据转化为二维图像样本的预处理流程示意图， 先后对采样电流进行滑动窗口角域重采样、小波包去噪、Hample滤波、幅值归 一化、生成二维图像样本等处理，二维图像样本经可视化处理可生成灰度图。
滑动窗口角域重采样过程中，滑动窗口用于截取不同初始相位的电流波形， 其目的是消除初始相位对故障诊断结果的影响；角域重采样将三相采样电流转 换为平稳信号，削弱了逆变器输出频率变化对三相电流波形特征的影响，在同 等数量采样点的情况下，时域等时间间隔采样在面对频率变化的非平稳信号时 获取到的信息量会发生变化(可能包含多个周期，也可能不足一个周期)，而 角域等角度间隔采样则能不受频率变化的影响。设置滑动窗口大小n＝500(对应 角域重采样单个周期电流)，滑动步长τ＝10，则可将一个周期切割为50个初 始相位不同的三相电流向量：
Ix＝[ix(θ1)ix(θ2)···ix(θn)](x＝A,B,C) (1)
A,B,C对应负载的三相，i(θ1)，i(θ2)，···，i(θn)对应电流传感器等角 度间隔采样的电流值。
三相采样电流则可以构成反映逆变器故障信息的二维矩阵：
Figure BDA0003797762680000071
其次，通过小波包去噪滤除电流信号的高频噪声、通过Hample滤波消除异 常毛刺，削弱电磁干扰、振动、温度等环境因素对三相电流波形特征的影响。
最后，对经过以上处理后的三相电流进行幅值归一化处理，消除负载大小 对三相电流波形特征的影响获得归一化二维矩阵：
Figure BDA0003797762680000072
经式(3)获得的归一化二维矩阵元素数值范围为[0,1],将其元素转化为 [0,255]的灰度值便可将样本可视化为灰度图。
图4所示为预处理前后三相电流波形对比图，时域采样的不同工况下三相 电流波形形态差距极大，通过预处理后得到的不同工况下样本相似度大大提升， 这有利于深度学习网络更方便地提取出公共特征。
S2、利用仿真故障样本库训练深度学习网络，分析被训练网络的性能，并 不断结合训练目标调整网络结构参数，直到获得满足性能要求的网络结构，该 网络结构及经训练获得的参数即为预训练模型。
不断结合训练目标调整网络结构参数时，通过增减卷积层、卷积核数量、 参数冻结层数来兼顾故障诊断高准确率、网络结构轻量化的设计目标，利用卷 积层和全局均值池化层替代全连接层来实现网络强泛化能力的设计目标。
S3：在多电平逆变器实验平台上构建特定运行工况的部分故障，首先经采 样得到三相电流波形，然后经过预处理生成原始图像数据，接着通过数据增强 生成故障样本，最后再结合S1构建的仿真故障样本库，构建涵盖全部故障类型 的迁移学习故障样本库。
T型三电平逆变器实验平台，如图2所示，T型三电平逆变器包含12个IGBT 开关管，通过断开IGBT开关管PWM信号来模拟开路故障，获取正常和故障情况 下三相电流波形，每个工况下对三相电流波形进行上述预处理，可得到50个样 本，预处理前后三相电流波形图如图4所示，设置逆变器调制比为0.8，负载电 感为3mH，通过改变直流母线电压、负载电阻和逆变输出频率进行了如表3所示 4种工况的故障实验。本实施例为进行故障诊断模型质量评估，在每种工况分别 采集上述提到的79种正常与故障情况的波形，因此每种工况将获得3950个二 维图像样本，4种工况共计15800个二维图像样本。
表3实验工况
Figure BDA0003797762680000091
S3构建的迁移学习样本库包含所有正常、故障情况的样本，其组成包括某 工况下部分实验生成故障样本、仿真故障样本两部分，其中的实验生成故障样 本是通过少量故障实验样本经上下翻转变换、电流顺序变换等数据增强手段处 理获取的不同相位、不同位置开关管开路故障所对应的大量故障样本。
S4：从S3构建的迁移学习样本库中抽取少量、包含全部故障类型的故障样 本，将其输入S2构建的预训练模型，微调预训练模型参数，得到实时故障诊断 模型，实现故障诊断模型从仿真到实验的迁移学习；
在不改变特征分类器的基础上，通过调整特征提取器结构生成了4种预训 练模型结构，如图6所示。
利用两电平逆变器上共计22种类型的单、双管开路故障和正常样本验证网 络结构参数优化对网络迁移学习性能的影响。
4种预训练模型结构由图6和图7可知：
(1)模型1训练时间较为困难，可见针对三电平逆变器开路的预训练模型 特征提取器得到的79个故障特征包含了过多特定特征，不合适两电平 逆变器开路故障诊断，从而导致训练困难。
(2)模型2对预训练模型特征提取器的最后一层卷积进行微调，测试集准 确率迅速提升到较高水平，但训练参数较多，使得训练时长较长。
(3)模型3重新训练预训练模型特征提取器最后一层卷积，减少输出特征 量，从而减少训练参数量，但由于仅采用极少量的实验样本，导致测 试集样本准确率提升困难，迭代次数较大时出现过拟合现象。
(4)模型4只截取预训练模型特征提取器的前2层浅层卷积，重新训练特 征提取器最后一层卷、减少输出特征量，训练参数较少的同时获得了 较高的准确率。
分析可知，不同的网络结构参数极大地影响着网络的性能，卷积层数与网络 性能并不一定成正比，需要通过实验来进行验证。
针对两电平逆变器上共计22种类型的单、双管开路故障，三电平仿真数据 获取的预训练模型直接使用并不一定是最佳选择，通过结构参数调整的模型4 在训练参数较少的同时获得了较高的准确率，此时模型4才是更优的选择。
由于三相电流具有对称性，可以通过图像翻转变换、改变电流顺序等数据 增强的手段，利用1种类别的双相双管开路故障样本能生成5种其他类别的双 相双管开路故障样本，从而进一步减少了仿真和实验所需采集的故障样本，如 图8所示。
进行预训练模型微调时，通过数据增强手段获得全部48种类别的双相双管 开路故障样本，只需采集以下AB相8种类别的双相双管开路故障样本：(1) Va1Vb1、(2)Va2Vb1、(3)Va3Vb1、(4)Va4Vb1、(5)Va2Vb2、(6)Va3Vb2、(7)Va4Vb2、 (8)Va4Vb3
以上8种类别的故障样本进行图像上下翻转变换，即可获得AB相其他8种 双相双管开路故障情况的样本，具体转换关系如表4所示：
表4故障样本上下翻转变换关系
Figure BDA0003797762680000101
Figure BDA0003797762680000111
表中序号相同、类别不同的双相双管开路故障样本之间具有上下对称的关 系，彼此可以通过上下翻转变换来相互转换,因此通过上下翻转变换即可获得AB 相16种类别的双相双管开路故障样本。
调整某两相原始故障样本中采集电流顺序，即可获得另外两类双相生成故 障样本(例如AB相原始故障样本经电流顺序变换，即可获得BC、CA相生成故 障样本)，具体转换关系如表5所示：
表5故障样本电流顺序变换关系
Figure BDA0003797762680000112
表中abc、bca、cab代表采集电流构成二维图像样本的三种顺序，默认原 始故障样本中采集电流顺序为abc，通过调整样本中采集电流顺序为bca、cab 可以获得CA相、BC相生成故障样本。
经过以上数据增强处理，即可以通过8种类别的双相双管开路故障样本获 得48种类别的双相双管开路故障样本，同时抽取仿真中的其他正常、故障情况 样本(正常、单管开路、单相双管开路共计31种类别)共同组成包含79种类 别正常、故障样本的迁移学习故障样本库。
如图9所示，迁移学习样本库利用全部仿真样本训练得到预训练模型，构 建工况1下的迁移学习样本库(8种实验原始故障样本，40种实验生成故障样 本，31种仿真故障样本)，从每种故障类别的50个样本中均随机抽取1个样本 来进行迁移学习参数微调(仅占样本总量的2％)，从而得到故障诊断模型。
由仿真数据训练得到的预训练模型在诊断实验数据时准确率具体故障类型 的诊断准确率如表6所示，由于仿真建模未考虑到实验中可能遇到的各种非理 想因素，使得实验样本与仿真样本之间存在差异，进而导致诊断准确率不高。
表6预训练模型诊断准确率
Figure BDA0003797762680000121
由表6可知，预训练模型诊断单管开路、单相双管开路具有极高的准确率， 说明预训练网络具有较好的泛化能力，体现出数据预处理和网络结构优化的有 效性；主要的误诊断在于较为复杂的双相双管开路故障情况，诊断准确率只有 80％左右。
迁移学习时冻结预训练模型的浅层卷积层参数，使用较小的学习率，仅利 用少量的迁移学习样本对预训练模型的深层卷积层和分类层参数(或仅对预训 练模型的分类层参数)进行微调，使得调整后的预训练模型在实验数据上具有 良好的诊断准确率。
迁移学习得到的故障诊断模型具有强大的泛化性能，如图10所示，经过预 训练模型迁移学习得到的故障诊断模型不仅具有极高的诊断准确率，且在不同 工况下均有良好的泛化性能，不仅能适应多电平逆变器直流母线电压、输出电 压、输出频率、输出功率、负载功率因数角等运行工况的变化，也能适应电磁 干扰、振动、温度等环境工况的变化，减少了大量、多工况、多故障种类样本 采集带来的实验成本，也节省了重新训练网络带来的计算资源与时间成本，具 有显著优势。
如图5所示故障诊断模型迁移学习通过T型三电平逆变器故障诊断模型相 比于基于ImageNet训练参数量的预训练网络，T型三电平逆变器故障诊断模型 网络结构更简单轻便、更适合于逆变器故障诊断的实际应用。
表2T型三电平逆变器故障诊断模型网络结构
Figure BDA0003797762680000131
由表2可知，故障诊断模型网络在LeNet-5深度学习网络结构基础上做了以 下改进：
(1)通过增减卷积层、卷积核数量、参数冻结层数来兼顾故障诊断高准确 率、网络结构轻量化的设计目标；
(2)利用卷积层和全局均值池化层替代全连接层来实现网络强泛化能力的 设计目标，从而减少参数量、避免过拟合、增强网络泛化能力。
S5、实时采样任意实际工况下运行的多电平逆变器三相电流，经预处理获 得图像数据特征，将其输入实时故障诊断模型，获得故障诊断结果，并利用实 时运行过程中积累的新故障样本更新迁移学习故障样本库，适时地微调预训练 模型参数获得更新的实时故障诊断模型。
S6：根据实时故障诊断模型适时地微调故障诊断模型，当新的故障样本中 出现误诊断的情形时，则需要利用更新的实时故障诊断模型替换现有的实时故 障诊断模型，使得故障诊断模型能够不断地优化以适应实际运行中的实验平台。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例” 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 述不一定指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 者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业 的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中 描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明 还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (9)

1.一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，其特征在于，所述诊断方法包括仿真训练模型构建、实验训练模型构建和实时故障诊断。
2.根据权利要求1所述的一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，其特征在于，所述诊断方法以下步骤：
S1：仿真训练模型构建；
S2：实验训练模型构建；
S3：从仿真到实验的迁移学习：
S4：实时故障诊断。
3.根据权利要求2所述的一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，其特征在于，所述仿真训练模型构建包括以下步骤：
步骤1、搭建多电平逆变器仿真模型，设置不同运行工况并仿真运行所有故障情况，采样得到三相电流波形并进行预处理，构建仿真故障样本库；
步骤2、利用仿真故障样本库训练深度学习网络，分析被训练网络的性能，并不断结合训练目标调整网络结构参数，直到获得满足性能要求的网络结构，网络结构及经训练获得的参数即为预训练模型。
4.根据权利要求3所述的一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，其特征在于，所述实验训练模型构建包括以下步骤：
步骤一:在多电平逆变器实验平台上构建特定运行工况的部分故障，首先经采样得到三相电流波形，然后经过预处理生成原始图像数据，接着通过数据增强生成故障样本，最后再结合步骤1构建的仿真故障样本库，构建涵盖全部故障类型的迁移学习故障样本库；
步骤二：从步骤一构建的迁移学习样本库中抽取少量、包含全部故障类型的故障样本，将其输入步骤2构建的预训练模型，微调预训练模型参数，得到实时故障诊断模型，实现故障诊断模型从仿真到实验的迁移学习。
5.根据权利要求4所述的一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，其特征在于，所述实时故障诊断通过实时采样任意实际工况下运行的多电平逆变器三相电流，经预处理获得图像数据特征，将其输入实时故障诊断模型，获得故障诊断结果，并利用实时运行过程中积累的新故障样本更新迁移学习故障样本库，适时地微调预训练模型参数获得更新的实时故障诊断模型。
6.根据权利要求5所述的一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，其特征在于，所述步骤1中的运行工况包括：多电平逆变器直流母线电压、输出电压、输出频率、输出功率、负载功率因数角等；步骤1中的故障包括：单管开路故障、单相双管开路故障、双相双管开路故障等实际运行中可能出现的故障情形。
7.根据权利要求6所述的一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，其特征在于，所述步骤1中的预处理包括滑动窗口消除相位影响、角域重采样消除频率影响、小波包去噪消除高频噪声、Hample滤波消除采样毛刺、幅值归一化消除幅值影响和生成二维图像样本；
所述三相电流波形经过预处理被转换为大小一定的二维图像数据，与对应的故障标签一起构成故障样本，继而构建故障样本库。
8.根据权利要求7所述的一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，其特征在于，所述步骤2中的结合训练目标调整网络结构参数，网络结构参数为：增减卷积层、卷积核数量来兼顾故障诊断高准确率、网络结构轻量化的设计目标，利用卷积层和全局均值池化层替代全连接层来实现网络强泛化能力的设计目标。
9.根据权利要求8所述的一种基于仿真数据迁移学习的多电平逆变器故障诊断方法，其特征在于，所述步骤一中的数据增强生成故障样本包括样本上下翻转变换、电流顺序变换获取不同相位、不同位置开关管开路故障所对应的故障样本，通过少量故障实验获得大量故障样本。
CN202210974503.3A 2022-08-15 2022-08-15 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法 Pending CN115329816A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210974503.3A CN115329816A (zh) 2022-08-15 2022-08-15 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210974503.3A CN115329816A (zh) 2022-08-15 2022-08-15 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法

Publications (1)

Publication Number Publication Date
CN115329816A true CN115329816A (zh) 2022-11-11

Family

ID=83924392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210974503.3A Pending CN115329816A (zh) 2022-08-15 2022-08-15 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法

Country Status (1)

Country Link
CN (1) CN115329816A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7246803B1 (ja) * 2022-11-17 2023-03-28 Ｒｙｏｋｉ Ｅｎｅｒｇｙ株式会社 情報処理システム、プログラム及び情報処理方法
CN116342952A (zh) * 2023-03-29 2023-06-27 北京西清能源科技有限公司 一种变压器套管异常识别方法与系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7246803B1 (ja) * 2022-11-17 2023-03-28 Ｒｙｏｋｉ Ｅｎｅｒｇｙ株式会社 情報処理システム、プログラム及び情報処理方法
CN116342952A (zh) * 2023-03-29 2023-06-27 北京西清能源科技有限公司 一种变压器套管异常识别方法与系统
CN116342952B (zh) * 2023-03-29 2024-01-23 北京西清能源科技有限公司 一种变压器套管异常识别方法与系统

Similar Documents

Publication Publication Date Title
Han et al. Short-time wavelet entropy integrating improved LSTM for fault diagnosis of modular multilevel converter
CN115329816A (zh) 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法
CN106443297B (zh) 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
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN113159077A (zh) 一种基于混合卷积神经网络的三相逆变器故障识别方法
CN113534000B (zh) 新能源汽车驱动系统逆变器及电流传感器故障的诊断方法
Wang et al. Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosis
CN110728195B (zh) 基于yolo算法的电能质量扰动检测方法
CN107132443A (zh) 一种三电平statcom智能故障诊断方法
CN112488011B (zh) 一种模块化多电平换流器故障分类方法
CN111025151B (zh) 多相永磁同步电机驱动系统开路故障诊断方法
CN112215405B (zh) 一种基于dann域适应学习的非侵入式居民用电负荷分解方法
CN113075585B (zh) 一种npc三电平逆变器复合开路故障诊断方法
CN113358993B (zh) 一种多电平变换器igbt的在线故障诊断方法及系统
Zhao et al. Probabilistic principal component analysis assisted new optimal scale morphological top-hat filter for the fault diagnosis of rolling bearing
CN113673630A (zh) 配电网故障分类方法、系统及装置
Qin et al. Radar waveform recognition based on deep residual network
CN115469184A (zh) 基于卷积网络的新能源输电线路故障识别方法
CN113610119B (zh) 基于卷积神经网络识别输电线路发展性故障的方法
Ye et al. Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn
CN113591960A (zh) 一种基于改进生成对抗网络的电压暂降事件类型辨识方法
CN117010121A (zh) 多尺度时间耦合与数据驱动的mmc型柔性直流设备建模方法
CN116702060A (zh) 一种多电平逆变器功率器件故障诊断方法
CN117148034A (zh) 基于经验小波变换及图注意力网络的配电网故障选线方法
CN116628620A (zh) 一种非侵入式负荷识别计算方法

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