CN116401610A - 基于深度残差网络和联合分布的逆变器参数故障诊断方法 - Google Patents

基于深度残差网络和联合分布的逆变器参数故障诊断方法 Download PDF

Info

Publication number
CN116401610A
CN116401610A CN202310175237.2A CN202310175237A CN116401610A CN 116401610 A CN116401610 A CN 116401610A CN 202310175237 A CN202310175237 A CN 202310175237A CN 116401610 A CN116401610 A CN 116401610A
Authority
CN
China
Prior art keywords
network
data
distribution
domain
fault
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
CN202310175237.2A
Other languages
English (en)
Inventor
林琼斌
范宇航
黄若辰
蔡逢煌
王武
柴琴琴
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202310175237.2A priority Critical patent/CN116401610A/zh
Publication of CN116401610A publication Critical patent/CN116401610A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出基于深度残差网络和联合分布的逆变器参数故障诊断方法,以三相逆变器多种已知工况下的故障数据建立训练集,建立构建由多个残差块组成的深度残差网络模型,同时运用Adam算法及批归一化BN技术防止该模型过拟合,接着加入伪标签学习,对源域与目标域之间的联合分布差异进行度量,通过联合分布适配方法来实现两个域特征的联合分布对齐,并以差异最小化为目标对网络进行优化;本发明能解决实际工程的应用场景中多种工况下故障数据分布不同,导致传统的深度诊断模型泛化能力及效率发生下降的问题。

Description

基于深度残差网络和联合分布的逆变器参数故障诊断方法
技术领域
本发明涉及逆变器技术领域,尤其是基于深度残差网络和联合分布的逆变器参数故障诊断方法。
背景技术
三相逆变器在电能生产和工业应用中发挥着重要作用。当三相逆变器发生故障时,轻则导致设备异常和失效,造成一定的经济损失,重则导致系统瘫痪,影响工业生产和引起人身安全问题。因此为了提高工业生产的可靠性和效率,开展对三相逆变器的故障研究,实时评估三相逆变器中的健康状况,制定灵活的维修计划,减小按照固定周期制定的“计划维修”和故障发生后制定的“事后维修”带来的应变能力不足和系统工作连续性和稳定性不足带来的风险是十分必要的。
目前,电力电子变换器的故障诊断方法有解析模型法、信号处理法、人工智能法等。这些方法的识别结果往往受到人为干预影响,而深度学习作为重要的人工智能算法具有强大的自动提取特征能力,在电力电子故障诊断中效果明显有效。然而,在实际的工业应用过程中,设备在运行时往往因运行环境、工况等因素影响导致采集到的故障数据服从的分布不同,而且采集到的数据往往要经过大量人力物力进行处理和标注,凸显出模型适配性与处于不同分布数据、大量数据和少量标注之前的矛盾,因此针对不同工况的故障从零开始搭建诊断模型并进行训练是不现实的。
基于此,本发明提出一种基于深度残差联合适配的三相逆变器参数性故障诊断方法,该方法构建由3个残差块组成的一维深度残差网络避免了深层网络的退化现象,并通过联合分布适配方法来实现两个域特征的联合分布对齐,有效减小不同工况故障数据之间的分布差异,加强对其他工况样本的利用实现变工况场景下的无监督学习。
发明内容
本发明提出基于深度残差网络和联合分布的逆变器参数故障诊断方法,能解决实际工程的应用场景中多种工况下故障数据分布不同,导致传统的深度诊断模型泛化能力及效率发生下降的问题。
本发明采用以下技术方案。
基于深度残差网络和联合分布的逆变器参数故障诊断方法,所述诊断方法以三相逆变器多种已知工况下的故障数据建立训练集,建立构建由多个残差块组成的深度残差网络模型,同时运用Adam算法及批归一化BN技术防止该模型过拟合,接着加入伪标签学习,对源域与目标域之间的联合分布差异进行度量,通过联合分布适配方法来实现两个域特征的联合分布对齐,并以差异最小化为目标对网络进行优化。
所述诊断方法用于解决实际工程的应用场景中多种工况下故障数据分布不同,导致传统的深度诊断模型泛化能力及效率发生下降的问题,具体包括以下步骤;
步骤一:基于三相逆变器多种工况下的故障数据,建立域自适应诊断模型,给定带数据标签的源域DS以及无数据标签的目标域Dt,并且共享一个标签空间,即ys=yt={1,2,...,C};域自适应的目标是找到一个映射函数作为领域共享的分类器来将源域和目标域映射在一个共同的特征空间中,即f(P(Xs))=f(P(Xt));
步骤二:建立残差网络,保持残差结构可以通过捷径连接将某一层输出恒等映射至后面某一层网络,将学习的目标由传统的映射F(x)=H(x)转换成输入与映射相减的结果F(x)=H(x)-x,形成残差基本单元结构;
步骤三:联合分布适配,描述为:学习最优特征表示f(·)满足两个条件;
条件(1):两个域间的边缘概率分布P(xs)、P(xt)的差异最小化;
条件(2):两个域间的条件概率分布Q(ys|xs)、Q(yt|xt)的差异最小化;
同时度量两个域的边缘分布差异和条件分布差异,并将其作为优化目标;使用最大均值差异MMD对数据间的分布进行度量,将源域和目标域同时映射到无穷维的再生和希尔伯特空间RKHS;
步骤四:求解两个域数据之间在映射后的均值,最后将均值平均化得到两个域之间的MMD;MMD的定义如下:
Figure SMS_1
式中:Xs、Xt为两个数据集、φ:x|→H为由数据空间映射至RKHS的非线性映射函数;
为了解决计算量大的问题,采用计算样本间核函数的方法,采用高斯函数,即:
Figure SMS_2
步骤五:边缘分布适配度量样本分布间的差异时,采用公式一;该步骤无需数据的标签信息;
步骤六:以伪标签的学习方法提供条件分布适配所需的目标域的标签,初始化时候将源域数据训练的预训练网络对目标域进行分类的预测值作为目标域的伪标签;条件分布采用MMD作为度量;公式为
Figure SMS_3
公式三;
式中,c∈{1,...,C},C为标签的类别数,
Ds (c)={xi:xi∈Ds∩y(xi)=c},
y(xi)表示源域数据中的真实标签,
Figure SMS_4
表示源域中类c别的数目;
Figure SMS_5
Figure SMS_6
表示源域中类别c的数目,/>
Figure SMS_7
表示目标域数据中的伪标签;
步骤六:对逆变器核心部件的薄膜电容进行建模,得到薄膜电容的等效电路;
步骤七:对三相逆变器进行故障分类设置,具体分成八种三相逆变器运行模式,包括正常运行状态和七种参数性故障运行模式;
步骤八:由特征提取器模块,故障分类器模块和联合分布适配模块组成网络;其中特征提取器作用为从不同的域的故障数据中提取同时适应任务的特征,即找到一个空间源域和目标域的数据在此空间的分布差异最小;特征提取模块采用一维深度残差神经网络;
步骤九:进行分类器优化:对具有N个故障类别的故障数据集,其网络的输出值使用Softmax函数来转化成标准的概率形式,故障分类的误差用交叉熵形式定义如下:
Figure SMS_8
步骤十:联合分布适配优化,改善层正价与提取特征特殊性变强的问题,针对网络的全连接层进行联合分布适配优化:
LJ=DH(FC2s,FC2t) 公式五;
步骤十一:权重正则化项优化:增加特殊投影对应的权值对网络的影响,引入权值正则化项:
Figure SMS_9
式中,
Figure SMS_10
为表征特征特殊性的网络层权值的集合,K为网络层数;σ为惩罚因子,决定正则化项在总目标函数中的比重。当/>
Figure SMS_11
增大时意味着Lw越小;
步骤十二:综合分类器优化、联合分布适配优化、权重正则化项优化的优化目标,网络的总损失函数如下:
Ltotal=Lc+λLJ+Lw 公式七。
步骤一中,给定带数据标签的源域DS为已知工况的故障数据,无数据标签的目标域Dt为未知工况的故障数据。
以步骤十二中的总损失函数计算获得总损失后,反向传播训练模型,在训练中采用源域数据,在达到预设的迭代次数后,保存精度最高的模型,用于预测三相逆变器的跨工况诊断结果。
步骤六中,薄膜电容的等效电路,其老化程度判定依据为电容量是否减低为原来95%,或者其等效电阻是否上升到原来的两倍。
所述三相逆变器与包括采样电路、辅助电源和负载的电路相连,所述三相逆变器功率模块部分采用集成了开关管与驱动电路的智能功率模块IPM。
所述深度残差网络模型由三个残差块组成。
本发明针对在实际工程的应用场景中多种工况下故障数据分布不同,导致传统的深度诊断模型泛化能力及效率发生下降的问题,提出解决方法;首先建立深度残差网络模型,同时运用Adam算法及批归一化(BN)等技术防止模型过拟合,接着加入伪标签学习,对源域与目标域之间的联合分布差异进行度量,并以差异最小化为目标对网络进行优化。实验结果显示与其他域自适应方法相比,更加适合在实际工业环境中的故障诊断。
本发明提出一种基于深度残差联合适配的三相逆变器参数性故障诊断方法,该方法构建由3个残差块组成的一维深度残差网络避免了深层网络的退化现象,并通过联合分布适配方法来实现两个域特征的联合分布对齐,有效减小不同工况故障数据之间的分布差异,加强对其他工况样本的利用实现变工况场景下的无监督学习。
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:
附图1是本发明的故障诊断流程示意图;
附图2是本发明的故障诊断网络结构示意图;
附图3是本发明中三相逆变器的拓扑示意图;
附图4是薄膜电容的等效电路的简化等效示意图;
附图5是本发明所述方法与多种迁移学习经典方法进行比较的示意图。
具体实施方式
如图所示,基于深度残差网络和联合分布的逆变器参数故障诊断方法,所述诊断方法以三相逆变器多种已知工况下的故障数据建立训练集,建立构建由多个残差块组成的深度残差网络模型,同时运用Adam算法及批归一化BN技术防止该模型过拟合,接着加入伪标签学习,对源域与目标域之间的联合分布差异进行度量,通过联合分布适配方法来实现两个域特征的联合分布对齐,并以差异最小化为目标对网络进行优化。
所述诊断方法用于解决实际工程的应用场景中多种工况下故障数据分布不同,导致传统的深度诊断模型泛化能力及效率发生下降的问题,具体包括以下步骤;
步骤一:基于三相逆变器多种工况下的故障数据,建立域自适应诊断模型,给定带数据标签的源域DS以及无数据标签的目标域Dt,并且共享一个标签空间,即ys=yt={1,2,...,C};域自适应的目标是找到一个映射函数作为领域共享的分类器来将源域和目标域映射在一个共同的特征空间中,即f(P(Xs))=f(P(Xt));
步骤二:建立残差网络,保持残差结构可以通过捷径连接将某一层输出恒等映射至后面某一层网络,将学习的目标由传统的映射F(x)=H(x)转换成输入与映射相减的结果F(x)=H(x)-x,形成残差基本单元结构;
步骤三:联合分布适配,描述为:学习最优特征表示f(·)满足两个条件;
条件(1):两个域间的边缘概率分布P(xs)、P(xt)的差异最小化;
条件(2):两个域间的条件概率分布Q(ys|xs)、Q(yt|xt)的差异最小化;
同时度量两个域的边缘分布差异和条件分布差异,并将其作为优化目标;使用最大均值差异MMD对数据间的分布进行度量,将源域和目标域同时映射到无穷维的再生和希尔伯特空间RKHS;
步骤四:求解两个域数据之间在映射后的均值,最后将均值平均化得到两个域之间的MMD;MMD的定义如下:
Figure SMS_12
式中:Xs、Xt为两个数据集、φ:x|→H为由数据空间映射至RKHS的非线性映射函数;
为了解决计算量大的问题,采用计算样本间核函数的方法,采用高斯函数,即:
Figure SMS_13
步骤五:边缘分布适配度量样本分布间的差异时,采用公式一;该步骤无需数据的标签信息;
步骤六:以伪标签的学习方法提供条件分布适配所需的目标域的标签,初始化时候将源域数据训练的预训练网络对目标域进行分类的预测值作为目标域的伪标签;条件分布采用MMD作为度量;公式为
Figure SMS_14
式中,c∈{1,...,C},C为标签的类别数,
Ds (c)={xi:xi∈Ds∩y(xi)=c},
y(xi)表示源域数据中的真实标签,
Figure SMS_15
表示源域中类c别的数目;
Figure SMS_16
Figure SMS_17
表示源域中类别c的数目,/>
Figure SMS_18
表示目标域数据中的伪标签;
步骤六:对逆变器核心部件的薄膜电容进行建模,得到薄膜电容的等效电路;
步骤七:对三相逆变器进行故障分类设置,具体分成八种三相逆变器运行模式,包括正常运行状态和七种参数性故障运行模式;
步骤八:由特征提取器模块,故障分类器模块和联合分布适配模块组成网络;其中特征提取器作用为从不同的域的故障数据中提取同时适应任务的特征,即找到一个空间源域和目标域的数据在此空间的分布差异最小;特征提取模块采用一维深度残差神经网络;
步骤九:进行分类器优化:对具有N个故障类别的故障数据集,其网络的输出值使用Softmax函数来转化成标准的概率形式,故障分类的误差用交叉熵形式定义如下:
Figure SMS_19
步骤十:联合分布适配优化,改善层正价与提取特征特殊性变强的问题,针对网络的全连接层进行联合分布适配优化:
LJ=DH(FC2s,FC2t) 公式五;
步骤十一:权重正则化项优化:增加特殊投影对应的权值对网络的影响,引入权值正则化项:
Figure SMS_20
式中,
Figure SMS_21
为表征特征特殊性的网络层权值的集合,K为网络层数;σ为惩罚因子,决定正则化项在总目标函数中的比重。当/>
Figure SMS_22
增大时意味着Lw越小;
步骤十二:综合分类器优化、联合分布适配优化、权重正则化项优化的优化目标,网络的总损失函数如下:
Ltotal=Lc+λLJ+Lw 公式七。
步骤一中,给定带数据标签的源域DS为已知工况的故障数据,无数据标签的目标域Dt为未知工况的故障数据。
以步骤十二中的总损失函数计算获得总损失后,反向传播训练模型,在训练中采用源域数据,在达到预设的迭代次数后,保存精度最高的模型,用于预测三相逆变器的跨工况诊断结果。
步骤六中,薄膜电容的等效电路,其老化程度判定依据为电容量是否减低为原来95%,或者其等效电阻是否上升到原来的两倍。
所述三相逆变器与包括采样电路、辅助电源和负载的电路相连,所述三相逆变器功率模块部分采用集成了开关管与驱动电路的智能功率模块IPM。
所述深度残差网络模型由三个残差块组成。
本例中,最大均值差异即Maximum Mean Discrepancy,MMD。
实施例:
本例通过实验平台进行,
该实验平台主要包括三相逆变器主电路、采样电路、辅助电源和负载等。其中主电路的开关频率为10kHz,功率模块部分采用集成了开关管与驱动电路的智能功率模块IPM,本文选用三菱的。控制芯片为DSP TMS320F28069。设置不用工况分别为1000W/100V、1500W/110V和2000W/120V。
实验参数如下:
Figure SMS_23
使用Python3.6和Pytorch1.8验证提出的模型。模型部署与运行均在Windows10环境进行,CPU型号为,GPU型号为。在训练时,每批处理样本的数量设置为128,采用Adam优化算法,学习率设置为0.0001,迭代次数为500。为了避免参数初始化对网络训练过程中造成的偶然现象并探究各种方法的结果稳定性,取模型运行10次中的每一次测试集最高准确率的平均值作为诊断结果。为了研究所提方法在变工况场景下的诊断性能,将所提方法与多种迁移学习经典方法进行比较,结果如附图5所示。

Claims (7)

1.基于深度残差网络和联合分布的逆变器参数故障诊断方法,其特征在于:所述诊断方法以三相逆变器多种已知工况下的故障数据建立训练集,建立构建由多个残差块组成的深度残差网络模型,同时运用Adam算法及批归一化BN技术防止该模型过拟合,接着加入伪标签学习,对源域与目标域之间的联合分布差异进行度量,通过联合分布适配方法来实现两个域特征的联合分布对齐,并以差异最小化为目标对网络进行优化。
2.根据权利要求1所述的基于深度残差网络和联合分布的逆变器参数故障诊断方法,其特征在于:所述诊断方法用于解决实际工程的应用场景中多种工况下故障数据分布不同,导致传统的深度诊断模型泛化能力及效率发生下降的问题,具体包括以下步骤;
步骤一:基于三相逆变器多种工况下的故障数据,建立域自适应诊断模型,给定带数据标签的源域DS以及无数据标签的目标域Dt,并且共享一个标签空间,即ys=yt={1,2,...,C};域自适应的目标是找到一个映射函数作为领域共享的分类器来将源域和目标域映射在一个共同的特征空间中,即f(P(Xs))=f(P(Xt));
步骤二:建立残差网络,保持残差结构可以通过捷径连接将某一层输出恒等映射至后面某一层网络,将学习的目标由传统的映射F(x)=H(x)转换成输入与映射相减的结果F(x)=H(x)-x,形成残差基本单元结构;
步骤三:联合分布适配,描述为:学习最优特征表示f(·)满足两个条件;
条件(1):两个域间的边缘概率分布P(xs)、P(xt)的差异最小化;
条件(2):两个域间的条件概率分布Q(ys|xs)、Q(yt|xt)的差异最小化;
同时度量两个域的边缘分布差异和条件分布差异,并将其作为优化目标;使用最大均值差异MMD对数据间的分布进行度量,将源域和目标域同时映射到无穷维的再生和希尔伯特空间RKHS;
步骤四:求解两个域数据之间在映射后的均值,最后将均值平均化得到两个域之间的MMD;MMD的定义如下:
Figure FDA0004100598340000021
式中:Xs、Xt为两个数据集、φ:x|→H为由数据空间映射至RKHS的非线性映射函数;
为了解决计算量大的问题,采用计算样本间核函数的方法,采用高斯函数,即:
Figure FDA0004100598340000022
步骤五:边缘分布适配度量样本分布间的差异时,采用公式一;该步骤无需数据的标签信息;
步骤六:以伪标签的学习方法提供条件分布适配所需的目标域的标签,初始化时候将源域数据训练的预训练网络对目标域进行分类的预测值作为目标域的伪标签;条件分布采用MMD作为度量;公式为
Figure FDA0004100598340000023
公式三;
式中,c∈{1,...,C},C为标签的类别数,
Ds (c)={xi:xi∈Ds∩y(xi)=c},
y(xi)表示源域数据中的真实标签,
Figure FDA0004100598340000027
表示源域中类c别的数目;
Figure FDA0004100598340000024
Figure FDA0004100598340000025
表示源域中类别c的数目,/>
Figure FDA0004100598340000026
表示目标域数据中的伪标签;
步骤六:对逆变器核心部件的薄膜电容进行建模,得到薄膜电容的等效电路;
步骤七:对三相逆变器进行故障分类设置,具体分成八种三相逆变器运行模式,包括正常运行状态和七种参数性故障运行模式;
步骤八:由特征提取器模块,故障分类器模块和联合分布适配模块组成网络;其中特征提取器作用为从不同的域的故障数据中提取同时适应任务的特征,即找到一个空间源域和目标域的数据在此空间的分布差异最小;特征提取模块采用一维深度残差神经网络;
步骤九:进行分类器优化:对具有N个故障类别的故障数据集,其网络的输出值使用Softmax函数来转化成标准的概率形式,故障分类的误差用交叉熵形式定义如下:
Figure FDA0004100598340000031
步骤十:联合分布适配优化,改善层正价与提取特征特殊性变强的问题,针对网络的全连接层进行联合分布适配优化:
LJ=DH(FC2s,FC2t) 公式五;
步骤十一:权重正则化项优化:增加特殊投影对应的权值对网络的影响,引入权值正则化项:
Figure FDA0004100598340000032
式中,
Figure FDA0004100598340000033
为表征特征特殊性的网络层权值的集合,K为网络层数;σ为惩罚因子,决定正则化项在总目标函数中的比重。当/>
Figure FDA0004100598340000034
增大时意味着Lw越小;
步骤十二:综合分类器优化、联合分布适配优化、权重正则化项优化的优化目标,网络的总损失函数如下:
Ltotal=Lc+λLJ+Lw 公式七。
3.根据权利要求2所述的基于深度残差网络和联合分布的逆变器参数故障诊断方法,其特征在于:步骤一中,给定带数据标签的源域DS为已知工况的故障数据,无数据标签的目标域Dt为未知工况的故障数据。
4.根据权利要求3所述的基于深度残差网络和联合分布的逆变器参数故障诊断方法,其特征在于:以步骤十二中的总损失函数计算获得总损失后,反向传播训练模型,在训练中采用源域数据,在达到预设的迭代次数后,保存精度最高的模型,用于预测三相逆变器的跨工况诊断结果。
5.根据权利要求2所述的基于深度残差网络和联合分布的逆变器参数故障诊断方法,其特征在于:步骤六中,薄膜电容的等效电路,其老化程度判定依据为电容量是否减低为原来95%,或者其等效电阻是否上升到原来的两倍。
6.根据权利要求2所述的基于深度残差网络和联合分布的逆变器参数故障诊断方法,其特征在于:所述三相逆变器与包括采样电路、辅助电源和负载的电路相连,所述三相逆变器功率模块部分采用集成了开关管与驱动电路的智能功率模块IPM。
7.根据权利要求1所述的基于深度残差网络和联合分布的逆变器参数故障诊断方法,其特征在于:所述深度残差网络模型由三个残差块组成。
CN202310175237.2A 2023-02-28 2023-02-28 基于深度残差网络和联合分布的逆变器参数故障诊断方法 Pending CN116401610A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310175237.2A CN116401610A (zh) 2023-02-28 2023-02-28 基于深度残差网络和联合分布的逆变器参数故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310175237.2A CN116401610A (zh) 2023-02-28 2023-02-28 基于深度残差网络和联合分布的逆变器参数故障诊断方法

Publications (1)

Publication Number Publication Date
CN116401610A true CN116401610A (zh) 2023-07-07

Family

ID=87018693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310175237.2A Pending CN116401610A (zh) 2023-02-28 2023-02-28 基于深度残差网络和联合分布的逆变器参数故障诊断方法

Country Status (1)

Country Link
CN (1) CN116401610A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956048A (zh) * 2023-09-19 2023-10-27 北京航空航天大学 一种基于跨域泛化标签的工业设备故障诊断方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956048A (zh) * 2023-09-19 2023-10-27 北京航空航天大学 一种基于跨域泛化标签的工业设备故障诊断方法及装置
CN116956048B (zh) * 2023-09-19 2023-12-15 北京航空航天大学 一种基于跨域泛化标签的工业设备故障诊断方法及装置

Similar Documents

Publication Publication Date Title
Hu et al. A nonlinear hybrid wind speed forecasting model using LSTM network, hysteretic ELM and Differential Evolution algorithm
CN112070128B (zh) 一种基于深度学习的变压器故障诊断方法
CN102520341B (zh) 一种基于Bayes-KFCM算法的模拟电路故障诊断方法
CN114898121B (zh) 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
CN113988215B (zh) 一种配电网计量柜状态检测方法及系统
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
She et al. Insulator breakage detection utilizing a convolutional neural network ensemble implemented with small sample data augmentation and transfer learning
CN113836312A (zh) 一种基于编码器和解码器架构的知识表示推理方法
CN114417913B (zh) 基于pc-tcn和迁移学习的轴承寿命预测方法
CN111104972A (zh) 基于遗传算法优化支持向量机多分类器的台区低电压风险识别方法
CN116401610A (zh) 基于深度残差网络和联合分布的逆变器参数故障诊断方法
WO2023124342A1 (zh) 一种针对图像分类的神经网络结构低成本自动搜索方法
CN114646839A (zh) 基于图卷积神经网络的配电网故障区段定位方法及装置
CN111860790A (zh) 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其系统
CN112115636A (zh) 一种电力电缆绝缘老化寿命超前预测方法及系统
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
CN116186633A (zh) 一种基于小样本学习的用电异常诊断方法和系统
Zhang et al. Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet
Song et al. Capacity estimation method of lithium-ion batteries based on deep convolution neural network
CN115761654B (zh) 一种车辆重识别方法
CN116861250A (zh) 一种故障诊断模型训练方法及装置
CN116521863A (zh) 一种基于半监督学习的标签抗噪文本分类方法
CN115951257A (zh) 一种基于电磁辐射信号的逆变器状态监测与健康诊断方法
CN115684786A (zh) 基于格拉姆角场和并行cnn的逆变器开关管健康诊断方法、装置及系统
CN115409122A (zh) 一种变电设备并发故障分析方法、系统、设备及介质

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