CN116400264A - 一种逆变器开路故障诊断方法和系统 - Google Patents

一种逆变器开路故障诊断方法和系统 Download PDF

Info

Publication number
CN116400264A
CN116400264A CN202310681760.2A CN202310681760A CN116400264A CN 116400264 A CN116400264 A CN 116400264A CN 202310681760 A CN202310681760 A CN 202310681760A CN 116400264 A CN116400264 A CN 116400264A
Authority
CN
China
Prior art keywords
inverter
fault diagnosis
neural network
circuit fault
voltage signal
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
Application number
CN202310681760.2A
Other languages
English (en)
Other versions
CN116400264B (zh
Inventor
周贤中
邓南发
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202310681760.2A priority Critical patent/CN116400264B/zh
Publication of CN116400264A publication Critical patent/CN116400264A/zh
Application granted granted Critical
Publication of CN116400264B publication Critical patent/CN116400264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • 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
    • G01R31/56—Testing of electric apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Inverter Devices (AREA)

Abstract

本发明公开了一种逆变器开路故障诊断方法和系统，涉及深度学习的技术领域，包括采集逆变器在不同工作状态下的输出电压信号；对不同工作状态下的输出电压信号进行预处理，获得预处理电压信号；利用预处理电压信号对构建的基于Wave‑U‑Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型；将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，获得待诊断的逆变器的开路故障诊断结果。本发明能够及时准确地诊断出逆变器开路故障，具有较高的准确率和鲁棒性，实现对逆变器开路故障的端到端诊断。

Description

一种逆变器开路故障诊断方法和系统
技术领域
本发明涉及深度学习的技术领域，更具体地，涉及一种逆变器开路故障诊断方法和系统。
背景技术
碳化硅逆变器是一种高效、可靠、节能的电力转换设备，广泛应用于电动汽车、风力发电、太阳能光伏等领域。然而，由于碳化硅逆变器的高压、高温特性，在运行过程中可能发生各种故障，其中最常见的一种故障是开路错误，即逆变器的某个开关元件失效，导致输出电压波形失真，进而影响系统的稳定性和性能。因此，及时准确地诊断开路错误是保证逆变器安全运行的重要问题。
现有技术公开了一种逆变器开路故障在线诊断方法，包括如下步骤：实时采集逆变器三相输出电流信号ia、ib、ic并进行傅里叶变换分析，得到逆变器发生不同开路故障时所表现的故障特征参数；利用特征参数对故障特征参数进行预处理；进行T-S模糊神经网络的前件网络运算，得到前件网络的输出；进行T-S模糊神经网络的后件网络运算，得到故障诊断结果。现有技术需要采集三相输出电流信号并进行傅里叶变换分析，利用T-S模糊神经网络进行故障诊断，诊断过程繁琐，诊断结果不准确。
发明内容
本发明为克服上述现有技术无法及时准确地诊断逆变器开路故障的缺陷，提供一种逆变器开路故障诊断方法和系统，能够及时准确地诊断出逆变器开路故障，具有较高的准确率和鲁棒性。
为解决上述技术问题，本发明的技术方案如下：
本发明公开了一种逆变器开路故障诊断方法，包括：
S1：采集逆变器在不同工作状态下的输出电压信号；
S2：对不同工作状态下的输出电压信号进行预处理，获得预处理电压信号；
S3：利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型；
S4：将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，获得待诊断的逆变器的开路故障诊断结果。
优选地，所述逆变器为碳化硅逆变器，包括六个SIC MOSFET。
优选地，所述步骤S1中，不同工作状态包括正常工作状态和开路故障状态；
逆变器在正常工作状态下，输出电压信号的波形为对称的正弦波，无失衡和谐波现象；
所述开路故障状态包括单相开路故障状态、两相开路故障状态和三相开路故障状态；
逆变器在单相开路故障状态下，输出电压信号的波形出现失衡和三次谐波现象；
逆变器在两相开路故障状态下，输出电压信号的波形出现失衡和五次谐波现象；
逆变器在三相开路故障状态下，输出电压信号的波形消失。
优选地，利用仿真软件或实验平台采集碳化硅逆变器在不同工作状态下的输出电压信号；由于碳化硅逆变器由六个SIC MOSFET组成，则在正常工作状态下的碳化硅逆变器中随机选择一个SIC MOSFET，将其控制信号设置为0或1，使其始终处于关断或导通状态；开路故障发生后，碳化硅逆变器的输出电压信号的波形将出现失衡和畸变现象，并与开路相位相关。
优选地，所述预处理包括滤波处理和插值处理；利用低通滤波器滤除信号中的高频噪声，保留输出电压信号的有效成分；利用插值处理方法将非等间距输出电压数据的值插值成等间距的值。
优选地，所述构建的基于Wave-U-Net神经网络的故障诊断模型包括依次连接Wave-U-Net神经网络子模型、差运算层和CNN神经网络子模型；Wave-U-Net神经网络子模型的输入端还与差运算层的输出端连接；
所述Wave-U-Net神经网络子模型包括依次连接的N个下采样块、第一卷积层 、N个上采样块和第二卷积层；N个下采样块包括第1下采样块、第2下采样块、
Figure SMS_1
、第i下采样块、/>
Figure SMS_2
、第N下采样块；N个上采样块包括第1上采样块、第2上采样块、/>
Figure SMS_3
、第i上采样块、/>
Figure SMS_4
、第N上采样块；
第1下采样块的输入端还与第二卷积层的输入端连接；第i下采样块的输出端还与第i上采样块的输入端连接，
Figure SMS_5
；
每个下采样块的结构相同，包括依次连接的第一一维卷积层和下采样层；
每个上采样块的结构相同，包括依次连接的上采样层和第二一维卷积层。
优选地，所述步骤S3的具体方法为：
将预处理电压信号输入构建的基于Wave-U-Net神经网络的故障诊断模型中，Wave-U-Net神经网络子模型对预处理电压信号提取高层次特征和低层次特征，并将所述高层次特征和低层次特征进行融合，获得还原电压信号，并传递至差运算层；
所述差运算层对预处理电压信号和还原电压信号进行差运算，获得波形误差值，并传递至CNN神经网络子模型；
所述CNN神经网络子模型根据波形误差值对预处理电压信号进行分类操作；
利用监督学习的方法，将逆变器的工作状态和波形误差值相对应，基于反向传播算法和Adam优化器进行优化训练，获得故障诊断模型的最优网络权重参数并保存，进而获得训练好的故障诊断模型。
通过残差连接，将Wave-U-Net神经网络子模型的输入连接到差运算层，使其学习和恢复碳化硅逆变器的原始信号，更好的捕捉开路故障的特征；将Wave-U-Net神经网络子模型复原的信号与原始信号在差运算层进行差运算，以获得一个表示差异的误差值，反映了在输出电压信号复原过程中的偏差或损失，再将该误差值输入CNN神经网络子模型进行分类判断。
将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，每个信号段对应获得一个分割图，表示每个信号段是否存在开路故障以及故障的类型；根据获得的分割图中每个信号段的标签，找出所有存在开路故障的信号段，并根据其标签的类别，判断出开路故障是属于哪种类型，如单相开路、两相开路、三相开路。
本发明还公开了一种逆变器开路故障诊断系统，包括：
信号采集模块，用于采集逆变器在不同工作状态下的输出电压信号；
信号处理模块，用于对不同工作状态下的输出电压信号进行预处理，获得预处理电压信号；
模型训练模块，用于利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型；
故障诊断模块，用于将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，获得待诊断的逆变器的开路故障诊断结果。
优选地，所述信号采集模块中，不同工作状态包括正常工作状态和开路故障状态；
逆变器在正常工作状态下，输出电压信号的波形为对称的正弦波，无失衡和谐波现象；
所述开路故障状态包括单相开路故障状态、两相开路故障状态和三相开路故障状态；
逆变器在单相开路故障状态下，输出电压信号的波形出现失衡和三次谐波现象；
逆变器在两相开路故障状态下，输出电压信号的波形出现失衡和五次谐波现象；
逆变器在三相开路故障状态下，输出电压信号的波形消失。
优选地，所述信号处理模块中，预处理包括滤波处理和插值处理。
优选地，所述模型训练模块中，构建的基于Wave-U-Net神经网络的故障诊断模型包括依次连接Wave-U-Net神经网络子模型、差运算层和CNN神经网络子模型；Wave-U-Net神经网络子模型的输入端还与差运算层的输出端连接；
所述Wave-U-Net神经网络子模型包括依次连接的N个下采样块、第一卷积层 、N个上采样块和第二卷积层；N个下采样块包括第1下采样块、第2下采样块、
Figure SMS_6
、第i下采样块、/>
Figure SMS_7
、第N下采样块；N个上采样块包括第1上采样块、第2上采样块、/>
Figure SMS_8
、第i上采样块、/>
Figure SMS_9
、第N上采样块；
第1下采样块的输入端还与第二卷积层的输入端连接；第i下采样块的输出端还与第i上采样块的输入端连接，
Figure SMS_10
；
每个下采样块的结构相同，包括依次连接的第一一维卷积层和下采样层；
每个上采样块的结构相同，包括依次连接的上采样层和第二一维卷积层。
优选地，所述模型训练模块中，利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型，具体为：
将预处理电压信号输入构建的基于Wave-U-Net神经网络的故障诊断模型中，Wave-U-Net神经网络子模型对预处理电压信号提取高层次特征和低层次特征，并将所述高层次特征和低层次特征进行融合，获得还原电压信号，并传递至差运算层；
所述差运算层对预处理电压信号和还原电压信号进行差运算，获得波形误差值，并传递至CNN神经网络子模型；
所述CNN神经网络子模型根据波形误差值对预处理电压信号进行分类操作；
利用监督学习的方法，将逆变器的工作状态和波形误差值相对应，基于反向传播算法和Adam优化器进行优化训练，获得故障诊断模型的最优网络权重参数并保存，进而获得训练好的故障诊断模型。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过获取逆变器在在不同工作状态下的输出电压信号并进行预处理，获得预处理电压信号；利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型；基于Wave-U-Net神经网络的故障诊断模型通过提出和融合多尺度特征，准确区分逆变器的不同工作状态；最后将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，获得待诊断的逆变器的开路故障诊断结果。本发明能够及时准确地诊断出逆变器开路故障，具有较高的准确率和鲁棒性，实现对逆变器开路故障的端到端诊断。
附图说明
图1为实施例1所述的一种逆变器开路故障诊断方法的流程图。
图2为实施例2所述的基于Wave-U-Net神经网络的故障诊断模型的结构示意图。
图3为实施例2所述的Wave-U-Net神经网络子模型的结构示意图。
图4为实施例3所述的一种逆变器开路故障诊断系统的结构示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例公开了一种逆变器开路故障诊断方法，如图1所示，包括：
S1：采集逆变器在不同工作状态下的输出电压信号；
S2：对不同工作状态下的输出电压信号进行预处理，获得预处理电压信号；
S3：利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型；
S4：将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，获得待诊断的逆变器的开路故障诊断结果。
在具体实施过程中，本实施例通过获取逆变器在在不同工作状态下的输出电压信号并进行预处理，获得预处理电压信号；利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型；基于Wave-U-Net神经网络的故障诊断模型通过提出和融合多尺度特征，准确区分逆变器的不同工作状态；最后将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，获得待诊断的逆变器的开路故障诊断结果。本实施例明能够及时准确地诊断出逆变器开路故障，具有较高的准确率和鲁棒性，实现对逆变器开路故障的端到端诊断。
实施例2
本实施例公开了一种逆变器开路故障诊断方法，包括：
S1：采集逆变器在不同工作状态下的输出电压信号；
所述逆变器为碳化硅逆变器，包括六个SIC MOSFET；
所述不同工作状态包括正常工作状态和开路故障状态；
逆变器在正常工作状态下，输出电压信号的波形为对称的正弦波，无失衡和谐波现象；
所述开路故障状态包括单相开路故障状态、两相开路故障状态和三相开路故障状态；
逆变器在单相开路故障状态下，输出电压信号的波形出现失衡和三次谐波现象；
逆变器在两相开路故障状态下，输出电压信号的波形出现失衡和五次谐波现象；
逆变器在三相开路故障状态下，输出电压信号的波形消失。
利用仿真软件或实验平台采集碳化硅逆变器在不同工作状态下的输出电压信号；由于碳化硅逆变器由六个SIC MOSFET组成，则在正常工作状态下的碳化硅逆变器中随机选择一个SIC MOSFET，将其控制信号设置为0或1，使其始终处于关断或导通状态；开路故障发生后，碳化硅逆变器的输出电压信号的波形将出现失衡和畸变现象，并与开路相位相关。
S2：对不同工作状态下的输出电压信号进行预处理，获得预处理电压信号；
所述预处理包括滤波处理和插值处理；利用低通滤波器滤除信号中的高频噪声，保留输出电压信号的有效成分；利用插值处理方法将非等间距输出电压数据的值插值成等间距的值。
S3：利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型；
如图2所示，所述构建的基于Wave-U-Net神经网络的故障诊断模型包括依次连接Wave-U-Net神经网络子模型、差运算层和CNN神经网络子模型；Wave-U-Net神经网络子模型的输入端还与差运算层的输出端连接；
如图3所示，所述Wave-U-Net神经网络子模型包括依次连接的N个下采样块、第一卷积层 、N个上采样块和第二卷积层；N个下采样块包括第1下采样块、第2下采样块、
Figure SMS_11
、第i下采样块、/>
Figure SMS_12
、第N下采样块；N个上采样块包括第1上采样块、第2上采样块、/>
Figure SMS_13
、第i上采样块、
Figure SMS_14
、第N上采样块；
第1下采样块的输入端还与第二卷积层的输入端连接；第i下采样块的输出端还与第i上采样块的输入端连接，
Figure SMS_15
，即第1下采样块的输出端与第1上采样块的输入端连接，第2下采样块的输出端与第2上采样块的输入端连接，第N下采样块的输出端与第N上采样块的输入端连接。本实施例中，N的取值为10。
每个下采样块的结构相同，包括依次连接的第一一维卷积层和下采样层；
每个上采样块的结构相同，包括依次连接的上采样层和第二一维卷积层。
将预处理电压信号输入构建的基于Wave-U-Net神经网络的故障诊断模型中，Wave-U-Net神经网络子模型对预处理电压信号提取高层次特征和低层次特征，并将所述高层次特征和低层次特征进行融合，获得还原电压信号，并传递至差运算层；
所述差运算层对预处理电压信号和还原电压信号进行差运算，获得波形误差值，并传递至CNN神经网络子模型；
所述CNN神经网络子模型根据波形误差值对预处理电压信号进行分类操作；
利用监督学习的方法，将逆变器的工作状态和波形误差值相对应，基于反向传播算法和Adam优化器进行优化训练，获得故障诊断模型的最优网络权重参数并保存，进而获得训练好的故障诊断模型。
通过残差连接，将Wave-U-Net神经网络子模型的输入连接到差运算层，使其学习和恢复碳化硅逆变器的原始信号，更好的捕捉开路故障的特征；将Wave-U-Net神经网络子模型复原的信号与原始信号在差运算层进行差运算，以获得一个表示差异的误差值，反映了在输出电压信号复原过程中的偏差或损失，再将该误差值输入CNN神经网络子模型进行分类判断。
S4：将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，获得待诊断的逆变器的开路故障诊断结果，具体的：
将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，每个信号段对应获得一个分割图，表示每个信号段是否存在开路故障以及故障的类型；根据获得的分割图中每个信号段的标签，找出所有存在开路故障的信号段，并根据其标签的类别，判断出开路故障是属于哪种类型，如单相开路、两相开路、三相开路。
实施例3
本实施例公开了一种逆变器开路故障诊断系统，用于实现实施例1或2所述的故障诊断方法，如图4所示，包括：
信号采集模块，用于采集逆变器在不同工作状态下的输出电压信号；
信号处理模块，用于对不同工作状态下的输出电压信号进行预处理，获得预处理电压信号；
模型训练模块，用于利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型；
故障诊断模块，用于将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，获得待诊断的逆变器的开路故障诊断结果。
所述信号采集模块中，不同工作状态包括正常工作状态和开路故障状态；
逆变器在正常工作状态下，输出电压信号的波形为对称的正弦波，无失衡和谐波现象；
所述开路故障状态包括单相开路故障状态、两相开路故障状态和三相开路故障状态；
逆变器在单相开路故障状态下，输出电压信号的波形出现失衡和三次谐波现象；
逆变器在两相开路故障状态下，输出电压信号的波形出现失衡和五次谐波现象；
逆变器在三相开路故障状态下，输出电压信号的波形消失。
所述信号处理模块中，预处理包括滤波处理和插值处理。
所述模型训练模块中，构建的基于Wave-U-Net神经网络的故障诊断模型包括依次连接Wave-U-Net神经网络子模型、差运算层和CNN神经网络子模型；Wave-U-Net神经网络子模型的输入端还与差运算层的输出端连接；
所述Wave-U-Net神经网络子模型包括依次连接的N个下采样块、第一卷积层 、N个上采样块和第二卷积层；N个下采样块包括第1下采样块、第2下采样块、
Figure SMS_16
、第i下采样块、/>
Figure SMS_17
、第N下采样块；N个上采样块包括第1上采样块、第2上采样块、/>
Figure SMS_18
、第i上采样块、/>
Figure SMS_19
、第N上采样块；
第1下采样块的输入端还与第二卷积层的输入端连接；第i下采样块的输出端还与第i上采样块的输入端连接，
Figure SMS_20
，即第1下采样块的输出端与第1上采样块的输入端连接，第2下采样块的输出端与第2上采样块的输入端连接，第N下采样块的输出端与第N上采样块的输入端连接。本实施例中， N的取值为10。
每个下采样块的结构相同，包括依次连接的第一一维卷积层和下采样层；
每个上采样块的结构相同，包括依次连接的上采样层和第二一维卷积层。
将预处理电压信号输入构建的基于Wave-U-Net神经网络的故障诊断模型中，Wave-U-Net神经网络子模型对预处理电压信号提取高层次特征和低层次特征，并将所述高层次特征和低层次特征进行融合，获得还原电压信号，并传递至差运算层；
所述差运算层对预处理电压信号和还原电压信号进行差运算，获得波形误差值，并传递至CNN神经网络子模型；
所述CNN神经网络子模型根据波形误差值对预处理电压信号进行分类操作；
利用监督学习的方法，将逆变器的工作状态和波形误差值相对应，基于反向传播算法和Adam优化器进行优化训练，获得故障诊断模型的最优网络权重参数并保存，进而获得训练好的故障诊断模型。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种逆变器开路故障诊断方法，其特征在于，包括：
S1：采集逆变器在不同工作状态下的输出电压信号；
S2：对不同工作状态下的输出电压信号进行预处理，获得预处理电压信号；
S3：利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型；
S4：将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，获得待诊断的逆变器的开路故障诊断结果。
2.根据权利要求1所述的逆变器开路故障诊断方法，其特征在于，步骤S1中，不同工作状态包括正常工作状态和开路故障状态；
逆变器在正常工作状态下，输出电压信号的波形为对称的正弦波，无失衡和谐波现象；
所述开路故障状态包括单相开路故障状态、两相开路故障状态和三相开路故障状态；
逆变器在单相开路故障状态下，输出电压信号的波形出现失衡和三次谐波现象；
逆变器在两相开路故障状态下，输出电压信号的波形出现失衡和五次谐波现象；
逆变器在三相开路故障状态下，输出电压信号的波形消失。
3.根据权利要求2所述的逆变器开路故障诊断方法，其特征在于，所述预处理包括滤波处理和插值处理。
4.根据权利要求1或3所述的逆变器开路故障诊断方法，其特征在于，所述构建的基于Wave-U-Net神经网络的故障诊断模型包括依次连接Wave-U-Net神经网络子模型、差运算层和CNN神经网络子模型；Wave-U-Net神经网络子模型的输入端还与差运算层的输出端连接；
所述Wave-U-Net神经网络子模型包括依次连接的N个下采样块、第一卷积层 、N个上采样块和第二卷积层；N个下采样块包括第1下采样块、第2下采样块、
Figure QLYQS_1
、第i下采样块、/>
Figure QLYQS_2
、第N下采样块；N个上采样块包括第1上采样块、第2上采样块、/>
Figure QLYQS_3
、第i上采样块、/>
Figure QLYQS_4
、第N上采样块；
第1下采样块的输入端还与第二卷积层的输入端连接；第i下采样块的输出端还与第i上采样块的输入端连接，
Figure QLYQS_5
；
每个下采样块的结构相同，包括依次连接的第一一维卷积层和下采样层；
每个上采样块的结构相同，包括依次连接的上采样层和第二一维卷积层。
5.根据权利要求4所述的逆变器开路故障诊断方法，其特征在于，步骤S3的具体方法为：
将预处理电压信号输入构建的基于Wave-U-Net神经网络的故障诊断模型中，Wave-U-Net神经网络子模型对预处理电压信号提取高层次特征和低层次特征，并将所述高层次特征和低层次特征进行融合，获得还原电压信号，并传递至差运算层；
所述差运算层对预处理电压信号和还原电压信号进行差运算，获得波形误差值，并传递至CNN神经网络子模型；
所述CNN神经网络子模型根据波形误差值对预处理电压信号进行分类操作；
利用监督学习的方法，将逆变器的工作状态和波形误差值相对应，基于反向传播算法和Adam优化器进行优化训练，获得故障诊断模型的最优网络权重参数并保存，进而获得训练好的故障诊断模型。
6.一种逆变器开路故障诊断系统，其特征在于，包括：
信号采集模块，用于采集逆变器在不同工作状态下的输出电压信号；
信号处理模块，用于对不同工作状态下的输出电压信号进行预处理，获得预处理电压信号；
模型训练模块，用于利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型；
故障诊断模块，用于将待诊断的逆变器的实时输出电压信号输入训练好的故障诊断模型中，获得待诊断的逆变器的开路故障诊断结果。
7.根据权利要求6所述的逆变器开路故障诊断系统，其特征在于，所述信号采集模块中，不同工作状态包括正常工作状态和开路故障状态；
逆变器在正常工作状态下，输出电压信号的波形为对称的正弦波，无失衡和谐波现象；
所述开路故障状态包括单相开路故障状态、两相开路故障状态和三相开路故障状态；
逆变器在单相开路故障状态下，输出电压信号的波形出现失衡和三次谐波现象；
逆变器在两相开路故障状态下，输出电压信号的波形出现失衡和五次谐波现象；
逆变器在三相开路故障状态下，输出电压信号的波形消失。
8.根据权利要求7所述的逆变器开路故障诊断系统，其特征在于，所述信号处理模块中，预处理包括滤波处理和插值处理。
9.根据权利要求6或8所述的逆变器开路故障诊断系统，其特征在于，所述模型训练模块中，构建的基于Wave-U-Net神经网络的故障诊断模型包括依次连接Wave-U-Net神经网络子模型、差运算层和CNN神经网络子模型；Wave-U-Net神经网络子模型的输入端还与差运算层的输出端连接；
所述Wave-U-Net神经网络子模型包括依次连接的N个下采样块、第一卷积层 、N个上采样块和第二卷积层；N个下采样块包括第1下采样块、第2下采样块、
Figure QLYQS_6
、第i下采样块、/>
Figure QLYQS_7
、第N下采样块；N个上采样块包括第1上采样块、第2上采样块、/>
Figure QLYQS_8
、第i上采样块、/>
Figure QLYQS_9
、第N上采样块；
第1下采样块的输入端还与第二卷积层的输入端连接；第i下采样块的输出端还与第i上采样块的输入端连接，
Figure QLYQS_10
；
每个下采样块的结构相同，包括依次连接的第一一维卷积层和下采样层；
每个上采样块的结构相同，包括依次连接的上采样层和第二一维卷积层。
10.根据权利要求9所述的逆变器开路故障诊断系统，其特征在于，所述模型训练模块中，利用预处理电压信号对构建的基于Wave-U-Net神经网络的故障诊断模型进行训练，获得训练好的故障诊断模型，具体为：
将预处理电压信号输入构建的基于Wave-U-Net神经网络的故障诊断模型中，Wave-U-Net神经网络子模型对预处理电压信号提取高层次特征和低层次特征，并将所述高层次特征和低层次特征进行融合，获得还原电压信号，并传递至差运算层；
所述差运算层对预处理电压信号和还原电压信号进行差运算，获得波形误差值，并传递至CNN神经网络子模型；
所述CNN神经网络子模型根据波形误差值对预处理电压信号进行分类操作；
利用监督学习的方法，将逆变器的工作状态和波形误差值相对应，基于反向传播算法和Adam优化器进行优化训练，获得故障诊断模型的最优网络权重参数并保存，进而获得训练好的故障诊断模型。
CN202310681760.2A 2023-06-09 2023-06-09 一种逆变器开路故障诊断方法和系统 Active CN116400264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310681760.2A CN116400264B (zh) 2023-06-09 2023-06-09 一种逆变器开路故障诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310681760.2A CN116400264B (zh) 2023-06-09 2023-06-09 一种逆变器开路故障诊断方法和系统

Publications (2)

Publication Number Publication Date
CN116400264A true CN116400264A (zh) 2023-07-07
CN116400264B CN116400264B (zh) 2023-08-18

Family

ID=87010953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310681760.2A Active CN116400264B (zh) 2023-06-09 2023-06-09 一种逆变器开路故障诊断方法和系统

Country Status (1)

Country Link
CN (1) CN116400264B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117294216A (zh) * 2023-10-31 2023-12-26 中信重工开诚智能装备有限公司 一种矿用风机变频器控制系统及其控制方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109085436A (zh) * 2018-08-17 2018-12-25 南京航空航天大学 非侵入式三相全桥逆变器复合故障诊断方法
CN110133538A (zh) * 2019-05-16 2019-08-16 合肥工业大学 一种anpc三电平逆变器开路故障诊断方法及实验平台
CN112914527A (zh) * 2021-02-08 2021-06-08 合肥工业大学 一种基于脉搏波光电容积描记术的动脉血压信号采集方法
CN114035120A (zh) * 2021-11-04 2022-02-11 合肥工业大学 基于改进cnn的三电平逆变器开路故障诊断方法及系统
CN114650171A (zh) * 2022-02-24 2022-06-21 中国电子科技集团公司第十五研究所 一种多层融合信标检测与路径还原方法和装置
US20220198244A1 (en) * 2020-12-18 2022-06-23 Wuhan University Method for diagnosing open-circuit fault of switching transistor of single-phase half-bridge five-level inverter
CN114724549A (zh) * 2022-06-09 2022-07-08 广州声博士声学技术有限公司 一种面向环境噪声的智能识别方法、装置、设备及存储介质
US20230162758A1 (en) * 2021-11-19 2023-05-25 Massachusetts Institute Of Technology Systems and methods for speech enhancement using attention masking and end to end neural networks

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109085436A (zh) * 2018-08-17 2018-12-25 南京航空航天大学 非侵入式三相全桥逆变器复合故障诊断方法
CN110133538A (zh) * 2019-05-16 2019-08-16 合肥工业大学 一种anpc三电平逆变器开路故障诊断方法及实验平台
US20220198244A1 (en) * 2020-12-18 2022-06-23 Wuhan University Method for diagnosing open-circuit fault of switching transistor of single-phase half-bridge five-level inverter
CN112914527A (zh) * 2021-02-08 2021-06-08 合肥工业大学 一种基于脉搏波光电容积描记术的动脉血压信号采集方法
CN114035120A (zh) * 2021-11-04 2022-02-11 合肥工业大学 基于改进cnn的三电平逆变器开路故障诊断方法及系统
US20230162758A1 (en) * 2021-11-19 2023-05-25 Massachusetts Institute Of Technology Systems and methods for speech enhancement using attention masking and end to end neural networks
CN114650171A (zh) * 2022-02-24 2022-06-21 中国电子科技集团公司第十五研究所 一种多层融合信标检测与路径还原方法和装置
CN114724549A (zh) * 2022-06-09 2022-07-08 广州声博士声学技术有限公司 一种面向环境噪声的智能识别方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DANNIEL STOLLER 等: "WAVE-U-NET: A MULTI-SCALE NEURAL NETWORK FOR END-TO-END AUDIO SOURCE SEPARATION", 19TH INTERNATIONAL SOCIETY FOR MUSIC INFORMATION RETRIEVAL CONFERENCE(ISMIR 2018), pages 1 - 7 *
吴家湖 等: "基于循环神经网络的目标转弯机动类型识别", 广东工业大学学报, vol. 37, no. 1, pages 67 - 73 *
陈涛;肖海红;: "基于希尔伯特-黄变换的车用逆变器开路故障检测方法", 科学技术与工程, vol. 13, no. 09, pages 2367 - 2370 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117294216A (zh) * 2023-10-31 2023-12-26 中信重工开诚智能装备有限公司 一种矿用风机变频器控制系统及其控制方法

Also Published As

Publication number Publication date
CN116400264B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN108647716B (zh) 一种基于复合信息的光伏阵列故障诊断方法
CN116400264B (zh) 一种逆变器开路故障诊断方法和系统
CN108872882B (zh) 一种三电平级联逆变器的故障诊断装置及其诊断方法
CN113159077B (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
CN108361207B (zh) 一种用于离心泵振动监测与故障预警的装置及方法
CN208520978U (zh) 一种三电平级联逆变器的故障诊断装置
CN115437358A (zh) 工业机器人智能状态监测与故障诊断系统及故障诊断方法
CN116679161A (zh) 一种电网线路故障诊断方法、设备和介质
CN114021671A (zh) 一种有源配电网在线故障处理方法和系统
CN106019173A (zh) 一种应用于电压源换流器的实时故障检测方法
CN104155573A (zh) 一种基于形态学的电力系统低频振荡检测方法
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
Tikariha et al. Fault classification in an ieee 30 bus system using convolutional neural network
Götzinger et al. On the design of context-aware health monitoring without a priori knowledge; an AC-motor case-study
CN117129863A (zh) 一种三相鼠笼式异步电机转子断条故障诊断方法
CN116933179A (zh) 基于原型网络的高压直流输电系统故障诊断方法及系统
CN112257616A (zh) 一种基于振动信号的调相机故障诊断方法、装置及系统
CN116667780A (zh) 电站的故障诊断方法、装置以及光伏系统
CN114282683A (zh) 一种光伏电站组件的预警方法及系统
CN114113909A (zh) 一种配电网单相接地故障选线方法及系统
Pundir et al. Multi-Electrical Level Inverter Fault Diagnosis Strategy using Relevance Vector Machine and Pivot Analysis
CN115267606B (zh) Anpc型三电平并网逆变器中igbt的开路故障诊断方法
Sahani et al. Deep Convolutional Neural Network Based Fault Detection and Diagnosis Method for Three-Phase T-Type Converter
Tao Deep Learning Based Circuit Breaker Non-Full-Phase Operation State Monitoring Method
JP2000175319A (ja) 電力系統監視装置

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
GR01 Patent grant
GR01 Patent grant