CN115688880A - 模块化多电平换流器开关器件开路故障诊断方法及装置 - Google Patents

Abstract

本发明公开了一种模块化多电平换流器开关器件开路故障诊断方法及装置，属于柔性直流输电技术领域。包括：获取原始电流信号；对原始电流信号进行数据处理得到标准化的数据集；搭建深度学习模型并初始化模型的权重参数；深度学习模型包括特征提取层、注意力层和密集连接层，特征提取层用于对数据集进行特征提取；注意力层用于提取数据集中的关键特征并分配权重；密集连接层用于故障分类并输出故障诊断结果信息；将数据集划分为训练集、验证集和测试集；采用4折交叉验证法分割训练集和验证集，在训练集上对模型进行训练，在验证集上评估模型超参数，以超参数最优的模型作为训练好的模型；在训练好的模型上采用测试集进行测试，输出故障诊断结果。

Description

模块化多电平换流器开关器件开路故障诊断方法及装置

技术领域

本发明属于柔性直流输电技术领域，特别涉及一种模块化多电平换流器开关器件开路故障诊断方法及装置。

背景技术

模块化多电平换流器(Modular Multilevel Converter,MMC)作为一种新型电压源换流器拓扑，由于其具有模块化结构设计、易于扩展、输出波形质量高、运行损耗小和具有公共直流母线等优点，在中高压直流输电、新能源并网和高压电力驱动等场合得到了越来越广泛的应用。

由于MMC由大量子模块级联而成，每个子模块包含2个开关器件绝缘栅双极型晶体管。开关器件故障的主要形式有开路故障和短路故障，短路故障虽然具有很强的破坏性，但是工业系统中通常配备有标准的硬件短路保护电路。而开关器件开路故障短时间内不会引起严重的过电压或过电流现象，系统在开路故障初期可以继续运行一段时间而不会触发保护机制。如果不及时检测出故障，系统就会长期带故障运行，会导致开关器件损耗和发热量剧增，从而引起系统其他器件的二次故障，甚至引起灾难性的后果。因此，对MMC子模块开关器件开路故障进行有效的故障诊断，对MMC系统的安全可靠运行至关重要。

现有的MMC开关器件开路故障诊断都是建立在为每一个子模块安装一个电压传感器的基础上来进行诊断，而实际子模块数众多，这就增加了系统硬件检测成本。

发明内容

本发明提供一种模块化多电平换流器开关器件开路故障诊断方法及装置，实现使用少量传感器的条件下，实现MMC开关器件开路故障诊断。本方法通过构建深度学习模型来对MMC开关器件开路故障进行诊断，构建一维卷积神经网络和双向门控循环网络的特征提取层来提取原始电流信号的数据特征，既减少了计算代价又能充分挖掘出原始电流信号数据中的时序敏感性特征，再采用注意力机制提取出关键特征并分配权重，最后经过密集连接分类层得到故障诊断结果信息，本发明可以在不增加传感器数量的条件下对MMC开关器件开路故障进行高精度的诊断，从而提高设备运行的可靠性。所述技术方案如下：

一方面，本发明实施例提供了一种模块化多电平换流器开关器件开路故障诊断方法，该方法包括：

S101：获取模块化多电平换流器的原始电流信号，所述原始电流信号包括三相输出电流和三相内部环流信号；

S102：对原始电流信号进行数据处理得到标准化的数据集；

S103：搭建深度学习模型并初始化模型的权重参数；所述深度学习模型包括依次设置的特征提取层、注意力层和密集连接层，所述特征提取层用于对数据集进行特征提取且其包括一维卷积层、一维池化层和双向门控循环层；所述注意力层用于提取数据集中的关键特征并分配权重；所述密集连接层用于故障分类并输出故障诊断结果信息；

S104：将数据集划分为训练集、验证集和测试集；

S105：采用4折交叉验证法分割训练集和验证集，在训练集上对模型进行训练，在验证集上评估模型超参数，以超参数最优的模型作为训练好的模型；

S106：在训练好的模型上采用测试集进行测试，输出故障诊断结果。

具体地，在步骤S101中，采用重叠采样方法对原始电流信号进行采样，包括：选取原始电流信号上的一个点作为采集起点，每次采集第一预定长度的数据点；每采集完成一次向后移动第二长度的数据点，在新的起点位置继续采集，直到采集完剩余所有数据点；所述第二长度较第一长度短。

具体地，在步骤S102中，包括如下步骤：

S201：对数据进行标准化处理，将数据中每一列数值特征的值缩放成均值为0，方差为1的状态，其计算公式如下：

其中，X_std表示标准化后的数据，X‘表示标准化前的数据，μ表示样本数据均值，σ表示样本数据的标准差；

S202：采用标准化处理后的数据构造数据集，设置特征数为6和输入通道数为1。

其中，在步骤S103中，所述初始化模型的权重参数包括：

对一维卷积层采用均值为0，标准差为0.5的正态分布进行初始化权重参数；对双向门控循环层采用分布在(-0.1，0.1)之间的均匀分布初始化权重参数。

其中，在步骤S103中，所述注意力层采用注意力机制，所述注意力机制的计算公式如下：

式中，α_n表示注意力分布，q表示给定相关的查询量，x_n表示N个输入向量[x₁,…,x_n]。

其中，步骤S103中：所述密集连接层的激活函数采用softmax函数，模型损失函数采用多分类交叉熵损失函数；其中，多分类交叉熵损失函数如下：

式中，y_i表示真实标签值；

表示预测标签值；c_i表示样本x_i的目标类；y_i表示一个one-hot向量，除了目标类为1之外其他类别上的输出都为0。

具体地，步骤S104包括：数据集随机留出一个为测试集，剩余的为训练集和验证集。

其中，步骤S105具体包括：将训练集和验证集数据整体划分为4个分区，每个分区的大小相等，然后把其中一个分区作为验证集，剩余3个分区作为训练集，在验证集上验证影响模型性能的三个超参数：批量大小、优化器类型和学习率，分别得到4种划分方式下的验证集分数，最终分数等于4种划分方式下的验证集分数的平均值；超参数经过评估优化确定后，最后在训练集和验证集上再训练一次模型，得到训练好的模型。

其中，在步骤S105中，模型权重参数通过反向传播算法进行更新。

另一方面，本发明实施例还提供了一种模块化多电平换流器开关器件开路故障诊断装置，包括：

采样模块：用于获取模块化多电平换流器的原始电流信号，所述原始电流信号包括三相输出电流和三相内部环流信号；

数据处理模块：用于对原始电流信号进行数据处理得到标准化的数据集；

模型构建模块：用于搭建深度学习模型并初始化模型的权重参数；所述深度学习模型包括依次设置的特征提取层、注意力层和密集连接层，所述特征提取层用于对数据集进行特征提取且其包括一维卷积层、一维池化层和双向门控循环层；所述注意力层用于提取数据集中的关键特征并分配权重；所述密集连接层用于故障分类并输出故障诊断结果信息；

数据归集模块：用于将数据集划分为训练集、验证集和测试集；

模型训练模块：用于采用4折交叉验证法分割训练集和验证集，在训练集上对模型进行训练，在验证集上评估模型超参数，以超参数最优的模型作为训练好的模型；

测试模块：用于在训练好的模型上采用测试集进行测试，输出故障诊断结果。

本发明实施例提供的技术方案带来的有益效果是：

(1)采用4折交叉验证法评估模型超参数，在样本集数据集很小的情况下，能够起到防止因数据集少而引起的模型过拟合现象，提高模型的故障诊断精度。

(2)即使对于MMC电平数较高(每个桥臂串联的子模块数越多，电平数就越高)发生开关器件开路故障后，在电流时序波形特征不明显的情况下，仍然具有很高的故障诊断精度。

(3)改进了单一的卷积特神经网络或者循环神经网络的征提取单元：在循环网络层的前面采用1DCNN作为原始数据输入层，因为1DCNN可以将更长的输入时序数据转换为高级特征组成的更短序列数据，且计算代价低，然后将提取到的特征组成的这些序列输入BiGRU层。而如果BiGRU在直接处理长序列时计算代价很大，1DCNN计算代价则很小。因此，改进后的新型模型特征提取结构既综合了卷积神经网络的速度和轻量性又兼具循环网络提取时序数据特征的顺序敏感性。

(4)MMC开关器件开路故障诊断系统仅需6个电流传感器，诊断硬件成本低廉、计算代价小、诊断精度高，且易于实现。

附图说明

图1为本发明实施例提供的模块化多电平换流器开关器件开路故障诊断方法的流程图；

图2为本发明实施例中MMC主电路拓扑结构图；

图3为本发明实施例中MMC子模块拓扑结构图；

图4为本发明实施例中MMC正常状态时的三相交流电流时间序列波形图；

图5为本发明实施例中MMC正常状态时的三相内部环流时间序列波形图；

图6为本发明实施例中搭建的新型深度学习模型结构图；

图7为搭建的深度学习模型在测试集上的损失曲线图

图8为搭建的深度学习模型在测试集上的精度曲线图

图9为本发明实施例中故障诊断方法的实施方案流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

实施例1

参见图1，实施例1公开了一种模块化多电平换流器开关器件开路故障诊断方法，该方法包括：

S101：获取模块化多电平换流器的原始电流信号；其中，原始电流信号包括三相输出电流和三相内部环流信号，则包括6个电流信号，具体为3相电流信号和3相环流信号；该电流信号为时域电流信号。

具体地，在本步骤中，采用重叠采样方法对原始电流信号进行采样，重叠采样方法来采集时域电流信号可以扩充样本数据集合。

包括：选取原始电流信号上的一个点作为采集起点，每次采集第一预定长度的数据点；每采集完成一次向后移动第二长度的数据点，在新的起点位置继续采集，直到采集完剩余所有数据点；第二长度较第一长度(是指一个样本包含的数据点数)短。

S102：对原始电流信号进行数据处理得到标准化的数据集。

具体地，本步骤包括如下步骤：

S201：对数据进行标准化处理，将数据中每一列数值特征的值缩放成均值为0，方差为1的状态，其计算公式如下：

其中，X_std表示标准化后的数据，X‘表示标准化前的数据，μ表示样本数据均值，σ表示样本数据的标准差。

S202：采用标准化处理后的数据构造数据集，数据集要为模型的第一层即一维卷积神经网络的输入做准备，而1DCNN里面一个重要的参数就是特征个数和输入通道个数，则设置特征数为6和输入通道数为1。

具体来说，开关器件开路故障是指在MMC 6个桥臂中的1个桥臂上有一个子模块开关器件发生了开路故障，因此，故障类型有6种，加上正常状态共有7种故障样本，且每一种故障类型的样本数相等。为了方便计算损失函数，对每一个样本都采用一个7维的one-hot编码向量来制作标签。例如[0,0,0,0,0,0,1]代表第一类故障类型。

S103：搭建深度学习模型并初始化模型的权重参数。其中，深度学习模型包括特征提取层、注意力层(Attention)和密集连接层(Dense)。其中，特征提取层用于对数据集进行特征提取且其包括依次设置的一维卷积层(1DCNN)、一维池化层(MaxPooling)和双向门控循环层(BiGRU)，一维池化层位于一维卷积层之后。注意力层用于提取数据集中的关键特征并分配权重。密集连接层用于故障分类并输出故障诊断结果信息。

步骤S103是深度学习模型的构建，具体为将一维卷积池化层结合双向门控循环层作为模型的特征提取单元，能在较小的计算代价下，充分提取时序信号中的特征。并进一步通过注意力层提取更关键的特征，分配特征权重，再通过密集连接分类层得到故障诊断结果信息。特征提取单元首先利用1DCNN计算代价小的优点提取原始信号中的特征，再用BiGRU提取信号中对时间顺序敏感的特征。相比于门控循环网络单元(GRU)，双向门控循环网络单元(BiGRU)是分别沿着时间正序和时间负序两个方向对输入序列数据进行处理，然后再把它们的表示结合在一起，能够提取到可能被GRU忽略到的模式，有利于提高特征提取的准确性。注意力层用来提取影响故障诊断结果的重要特征，为不同的特征分配一个权重值，让模型捕捉到关键特征。网络后端采用密集连接分类层得到故障诊断结果信息。

参见图9，特征提取层由1DCNN层、Maxpooling层和BiGRU层组成，紧接着是提取关键特征的注意力层，网络后端为密集连接分类层。

在本步骤中，初始化模型的权重参数包括：对一维卷积层采用均值为0，标准差为0.5的正态分布进行初始化权重参数；对双向门控循环层采用分布在(-0.1，0.1)之间的均匀分布初始化权重参数。

在本步骤中，注意力层采用注意力机制，所述注意力机制的计算公式如下：

式中，α_n表示注意力分布，q表示给定相关的查询量，x_n表示N个输入向量[x₁,…,x_n]。

在本步骤中，密集连接层的激活函数采用softmax函数，softmax函数为常规函数。模型损失函数采用多分类交叉熵损失函数；其中，多分类交叉熵损失函数如下：

式中，y_i表示真实标签值；

表示预测标签值；c_i表示样本x_i的目标类；y_i表示一个one-hot向量，除了目标类为1之外其他类别上的输出都为0。

本申请构建的新型深度学习模型与单一的循环神经网络或卷积神经网络不同，是融合一维卷积神经网络和双向门控循环网络为特征提取层，并使用注意力层，在特征提取层提取输入信号的特征后，通过注意力层进一步提取输入信号更为关键的特征，并通过密集连接分类层得到故障诊断结果信息。虽然门控循环网络或卷积神经网络在其他领域也有涉及，但是本申请针对模块化多电平换流器开关器件开路故障诊断的特点，提出的是一种新型的深度学习模型，既结合了卷积神经网络的速度和轻量又具有循环网络的顺序敏感性，并进一步通过注意力层提取到更关键的特征，分配特征权重，让模型关注到重点特征，使得模型计算代价小、表示能力强。

S104：将数据集划分为训练集、验证集和测试集。具体地，数据集随机留出一个为测试集，剩余的为训练集和验证集。

S105：采用4折交叉验证法分割训练集和验证集，在训练集上对模型进行训练，在验证集上评估模型超参数，以超参数最优的模型作为训练好的模型。本步骤的具体过程为：将训练集和验证集数据整体划分为4个分区，每个分区的大小相等(如均为350个)，然后把其中一个分区作为验证集，剩余3个分区作为训练集，在验证集上验证影响模型性能的三个超参数：批量大小、优化器类型和学习率，分别得到4种划分方式下的验证集分数，最终分数等于4种划分方式下的验证集分数的平均值。这三个超参数分别在验证集上用4折交叉验证法来评估和设置好。超参数经过评估优化确定后，最后在训练集和验证集上再训练一次模型，得到训练好的模型。

S106：在训练好的模型上采用测试集进行测试，输出故障诊断结果。

其中，步骤S103与S104的前后顺序可以根据需要进行调整。

实施例2

实施例2提供了模块化多电平换流器开关器件开路故障诊断方法的详细过程，如下

(1)对MMC三相输出电流和三相内部环流进行采样：

其中，三相MMC的电路拓扑结构如图2所示，MMC有三相、6个桥臂，每一个桥臂串联N个子模块和一个桥臂电抗L。上、下两个桥臂合成一个相单元，三相、6个桥臂组合在一起构成三相换流器拓扑。子模块结构如图3所示，每个子模块包含2个开关器件(VT₁和VT₂)、一个反并联的二极管以及一个电容。以a相为例，上、下桥臂电流可表示为：

其中，i_a表示a相交流电流大小，I_dc表示直流侧电流，i_pa和i_na分别表示a相上、下桥臂电流值。

三相内部环流计算公式如下：

其中，i_2cir表示2倍频环流；I_dc表示直流侧母线电流值。

(2)对采集到的原始电流信号进行数据处理：

数据预处理为包括数据标准化处理和数据集构造两个步骤，数据标准化具体为：将数据中每一列数值特征的值缩放成均值为0，方差为1的状态。其计算公式如下：

其中，X_std表示归一化后的数据，X‘表示标准化前的数据，μ表示样本数据均值，σ表示样本数据的标准差。数据集构造具体为：数据集要为模型的第一层即一维卷积神经网络的输入做准备，而1DCNN里面一个重要的参数就是特征个数和输入通道个数，特征数则指得是序列每一个单元的维度，以三相交流电流和三相内部环流共6个电流信号为故障特征数据，因而特征数为6，输入通道数设置为1。

(3)将数据集划分为训练集、验证集和测试集：

原始总数据集大小为1750，随机留出测试集大小为350，剩下的为训练集和验证集。其中包含7种故障类型，一种是正常状态，剩下的6种故障状态指MMC 6个桥臂中任意1个桥臂上有一个开关器件发生了开路故障。其中训练集和验证集样本总数为1400，每一类故障类型的样本个数为200，测试集中样本总数为350，每一类故障样本个数为50。为了方便计算损失函数，对每一个样本都采用一个7维的one-hot编码向量来制作标签，即将每个标签表示为全零向量，只有标签索引对应的元素为1。图4和图5为正常状态时的三相交流电流和三相内部环流时域波形图。

(4)搭建新型深度学习模型并设置模型结构参数、初始化模型权重参数：

如图6所示，网络第一层为一维卷积层，其卷积核大小为9×1，通道个数为128。紧接着是一维最大池化层，池化窗口大小为2×2，步幅为2。网络第三层为双向门控循环层，其输出维度为128。最后的密集连接分类层的输出维度为7。网络前端采用一维卷积层、一维最大池化层结合双向门控循环层的特征提取层，保证能够提取到与时序敏感的特征的同时，极大降低了模型的计算代价。并进一步通过注意力层提取更关键的特征，分配特征权重，模型后端通过密集连接分类层得到故障诊断结果信息，采用softmax函数作为激活函数。对网络中一维卷积层采用均值为0，标准差为0.5的正态分布进行初始化权重参数；对双向门控循环层采用分布在(-0.1,0.1)之间的均匀分布初始化权重参数。模型损失函数采用多分类交叉熵损失函数，利用反向传播算法更新模型权重参数。

(5)数据集分割：

分割训练集和验证集，用训练集训练模型，在验证集上评估模型超参数，得到一组模型超参数最优的训练模型。影响模型性能的关键超参数为优化器类型、学习率和批量大小，这三个超参数用4折交叉验证法来评估，分别得到4种划分方式下的验证集分数，最终分数等于4种划分方式下的验证集分数平均值。经评估后得到一组模型超参数优化后的训练模型。图7和图8分别为模型在4种划分方式下的验证集分数平均值的损失曲线和精度曲线。从图中可以看出，随着迭代次数的增加，精度在95％以上。

(6)数据集分割：

用测试集数据在训练好的模型上进行测试，输出故障诊断结果。

图9为本实施例所提出的一种模块化多电平换流器开关器件开路故障诊断方法流程图。模型训练好后，即模型权重参数已经通过反向传播算法完成更新，模型超参数在验证集上经评估后设置好。用训练好的模型在测试集上进行测试，得到故障诊断结果。

实施例3

实施例3提供了一种模块化多电平换流器开关器件开路故障诊断装置，包括：

采样模块：用于获取模块化多电平换流器的原始电流信号。

数据处理模块：用于对原始电流信号进行数据处理得到标准化的数据集。

模型构建模块：用于搭建深度学习模型并初始化模型的权重参数。其中，深度学习模型包括依次设置的特征提取层、注意力层和密集连接层。其中，特征提取层用于对数据集进行特征提取且其包括一维卷积层、一维池化层和双向门控循环层。其中，注意力层用于提取数据集中的关键特征并分配权重。其中，密集连接层用于故障分类并输出故障诊断结果信息。

数据归集模块：用于将数据集划分为训练集、验证集和测试集。

模型训练模块：用于采用4折交叉验证法分割训练集和验证集，在训练集上对模型进行训练，在验证集上评估模型超参数，以超参数最优的模型作为训练好的模型。

测试模块：用于在训练好的模型上采用测试集进行测试，输出故障诊断结果。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.模块化多电平换流器开关器件开路故障诊断方法，其特征在于，所述方法包括：

S101：获取模块化多电平换流器的原始电流信号，所述原始电流信号包括三相输出电流和三相内部环流信号；

S102：对原始电流信号进行数据处理得到标准化的数据集；

S103：搭建深度学习模型并初始化模型的权重参数；所述深度学习模型包括依次设置的特征提取层、注意力层和密集连接层，所述特征提取层用于对数据集进行特征提取且其包括一维卷积层、一维池化层和双向门控循环层；所述注意力层用于提取数据集中的关键特征并分配权重；所述密集连接层用于故障分类并输出故障诊断结果信息；

S104：将数据集划分为训练集、验证集和测试集；

S105：采用4折交叉验证法分割训练集和验证集，在训练集上对模型进行训练，在验证集上评估模型超参数，以超参数最优的模型作为训练好的模型；

S106：在训练好的模型上采用测试集进行测试，输出故障诊断结果。

2.根据权利要求1所述的模块化多电平换流器开关器件开路故障诊断方法，其特征在于，在步骤S101中，采用重叠采样方法对原始电流信号进行采样，包括：选取原始电流信号上的一个点作为采集起点，每次采集第一预定长度的数据点；每采集完成一次向后移动第二长度的数据点，在新的起点位置继续采集，直到采集完剩余所有数据点；所述第二长度较第一长度短。

3.根据权利要求1所述的模块化多电平换流器开关器件开路故障诊断方法，其特征在于，在步骤S102中，包括如下步骤：

S201：对数据进行标准化处理，将数据中每一列数值特征的值缩放成均值为0，方差为1的状态，其计算公式如下：

其中，X_std表示标准化后的数据，X‘表示标准化前的数据，μ表示样本数据均值，σ表示样本数据的标准差；

S202：采用标准化处理后的数据构造数据集，设置特征数为6和输入通道数为1。

4.根据权利要求1所述的模块化多电平换流器开关器件开路故障诊断方法，其特征在于，在步骤S103中，所述初始化模型的权重参数包括：

对一维卷积层采用均值为0，标准差为0.5的正态分布进行初始化权重参数；对双向门控循环层采用分布在(-0.1，0.1)之间的均匀分布初始化权重参数。

5.根据权利要求1所述的模块化多电平换流器开关器件开路故障诊断方法，其特征在于，在步骤S103中，所述注意力层采用注意力机制，所述注意力机制的计算公式如下：

式中，α_n表示注意力分布，q表示给定相关的查询量，x_n表示N个输入向量[x₁,…,x_n]。

6.根据权利要求1所述的模块化多电平换流器开关器件开路故障诊断方法，其特征在于，步骤S103中：所述密集连接层的激活函数采用softmax函数，模型损失函数采用多分类交叉熵损失函数；其中，多分类交叉熵损失函数如下：

式中，y_i表示真实标签值；

表示预测标签值；c_i表示样本x_i的目标类；y_i表示一个one-hot向量，除了目标类为1之外其他类别上的输出都为0。

7.根据权利要求1所述的模块化多电平换流器开关器件开路故障诊断方法，其特征在于，步骤S104包括：数据集随机留出一个为测试集，剩余的为训练集和验证集。

8.根据权利要求1所述的模块化多电平换流器开关器件开路故障诊断方法，其特征在于，步骤S105具体包括：将训练集和验证集数据整体划分为4个分区，每个分区的大小相等，然后把其中一个分区作为验证集，剩余3个分区作为训练集，在验证集上验证影响模型性能的三个超参数：批量大小、优化器类型和学习率，分别得到4种划分方式下的验证集分数，最终分数等于4种划分方式下的验证集分数的平均值；超参数经过评估优化确定后，最后在训练集和验证集上再训练一次模型，得到训练好的模型。

9.根据权利要求1所述的模块化多电平换流器开关器件开路故障诊断方法，其特征在于，在步骤S105中，模型权重参数通过反向传播算法进行更新。

10.模块化多电平换流器开关器件开路故障诊断装置，其特征在于，包括：

采样模块：用于获取模块化多电平换流器的原始电流信号，所述原始电流信号包括三相输出电流和三相内部环流信号；

数据处理模块：用于对原始电流信号进行数据处理得到标准化的数据集；

模型构建模块：用于搭建深度学习模型并初始化模型的权重参数；所述深度学习模型包括依次设置的特征提取层、注意力层和密集连接层，所述特征提取层用于对数据集进行特征提取且其包括依次设置的一维卷积层、一维池化层和双向门控循环层；所述注意力层用于提取数据集中的关键特征并分配权重；所述密集连接层用于故障分类并输出故障诊断结果信息；

数据归集模块：用于将数据集划分为训练集、验证集和测试集；

模型训练模块：用于采用4折交叉验证法分割训练集和验证集，在训练集上对模型进行训练，在验证集上评估模型超参数，以超参数最优的模型作为训练好的模型；

测试模块：用于在训练好的模型上采用测试集进行测试，输出故障诊断结果。

Images