CN116541772B - 基于多源融合残差网络的级联h桥逆变器故障诊断方法 - Google Patents

Abstract

基于多源融合残差网络的级联H桥逆变器故障诊断方法，针对级联H桥多电平逆变器不同功率器件故障特征相似度高、传统故障诊断特征提取不全和分类器选取困难问题，首先，建立并行残差网络模型，利用小波变换将提取的三相电压与电流波形转换为二维图像作为输入。其次，构建特征融合模块以自适应提取网络不同层级特征。该模块使用注意力机制定位重要特征，并通过特征融合机制，融合有效的故障信息，实现网络内的特征增强。最后，将特征融合模块所提取的故障特征经完整卷积操作依次递进，最终的增强特征作为分类特征并通过Softmax层进行分类。本发明实现了级联H桥逆变器故障特征的自适应提取及端到端诊断，从而更精准的实现故障分类。

Description

基于多源融合残差网络的级联H桥逆变器故障诊断方法

技术领域

本发明涉及电力电子技术领域，特别涉及到基于注意力-并行多源融合残差网络的级联H桥逆变器开路故障诊断技术。

背景技术

近年来，级联H桥多电平逆变器凭借其功率器件开关应力小、输出电压波形质量高且易于扩展等优势发展迅速。随着级联H桥多电平逆变器应用场合容量越来越大，H桥单元级联数呈指数上升，开关管的故障概率也大幅提高。传统故障诊断方法在低电平的简单模式下取得了不错的效果，但高电平下IGBT晶体管规模庞大，不同IGBT故障波形相似程度高，使得其出现特征提取不全、分类器选取困难等问题，故障诊断难度进一步提高。目前故障诊断方法中多用单一信号进行故障特征提取，对于复杂系统，仅使用单模态数据难以获得高质量故障特征。

发明内容

本发明的目的是提供更强的辨别及泛化能力，为处理大量的多传感器数据提供了一种可行方法，也为解决传统故障诊断问题提供了新的思路。

本发明是基于多源融合残差网络的级联H桥逆变器故障诊断方法，所涉及的级联H桥逆变器中H桥单元直流侧电压U_dc由铅酸电池、或锂电池、或超级电容储能单元端电压提供，或由光伏电池、或整流桥电路、或直流斩波电路提供，所有H桥单元交流侧依次串联连接后经滤波器L滤波器、或LC滤波器、或LCL滤波再和负载、或电网并联连接，所发明的基于注意力-并行多源融合残差网络的级联H桥逆变电路开路故障诊断方法，其步骤为：

第1步：采集n(n为正整数，且1≤n<10)个基波周期的级联H桥逆变器滤波前输出的三相多电平相电压V_x(x＝a,b,c)和滤波后的三相负载电流I_x(x＝a,b,c)、或三相并网电流I_sx(x＝a,b,c)共6个传感器波形数据，用小波时频变换方法将所采集到的波形数据转化为二维图像，小波时频变换具体流程如下所示：

(1-1)选择小波基函数ψ_a,τ(t)及其尺度参数a，即：

其中τ为平移参数，ψ(t)为母小波函数，t表示时间变量；

(1-2)从信号起始位置开始，将小波基函数和原始信号f(t)比较，即计算小波系数WT_f(a,τ)：

式中ψ^*(t)为ψ(t)的复共轭函数；

(1-3)沿时间轴移动小波基函数，即改变平移参数τ,在新的位置计算小波系数，直至信号f(t)结束，完成第一次分析；

(1-4)改变尺度参数a，重复流程(2)、(3)步进行第二次分析；

(1-5)循环执行上述四个步骤，直至满足分析要求为止。

第2步：以ResNet34网络为基础，建立并行多源残差网络模型，即将第1步转换得来的各个传感器图像数据分别输入各自的ResNet34网络中，初步识别特征图像，其中，ResNet34网络由多个残差模块组成，残差模块相关理论如下：

设x表示输入的故障信息，F(x)表示网络训练中要学习的残差，H(x)代表网络输出，满足：

H(x)＝F(x)+x (3)

其中F(x)＝W₂σ(W₁x)，σ代表激活函数ReLu，W₁和W₂表示相应的权重系数；

在快捷连接时，线性变换W_s在输入维数和输出维数不同的情况下(如改变通道数目)对x进行操作：

H(x)＝W₂σ(W₁x)+W_sx (4)

第3步：设计注意力特征融合模块，对第2步并行多源残差网络各层级所提取出的隐藏层特征后引入SK注意力机制，将经过注意力机制得到的相同维度特征图按元素相加，并进行空间维度的全局平均池化，获取其通道注意力信息，采用全连接层进行线性变换并进行softmax处理(softmax是一种常用的分类函数，它将一个n维向量输入，并将其标准化为一个n维概率分布，其中每个元素的值都介于0和1之间，并且所有元素的和为1)，根据注意力得分对特征图进行加权和融合，得到融合增强特征，其SK注意力机制主要流程如下所示：

(3-1)对于任意给定的特征图，采用3×3和5×5两种或其它不同尺寸的卷积核进行完整卷积操作，分别得到特征图和/>不同的卷积核可以让模型具有不同的感受野，从多尺度学习特征图的特征；

(3-2)对流程(1)中两个输出和/>进行融合得到输出特征图U，通过全局平均池化集中全局信息，生成通道统计信息s，对整合特征信息的通道描述使用全连接层进行降维创建一个紧凑的特征z，为精确和自适应选择提供指导：

其中s∈R^c×1，F_fc为全连接层，我们使用其将s∈R^c×1压缩成z∈R^d×1(d<c)，W的维度为W∈R^d×c，B表示批量标准化，δ为ReLu激活函数，H和W为特征图的高度和宽度，F_gp为自适应平均池化函数；

(3-3)通过softmax函数将紧凑特征z划分为两个分支，每个分支都是不同尺寸卷积核的权重向量，并将其通道数扩展回c*1*1，分别与流程(1)之后的特征图进行相应通道的相乘操作，最后再相加得到最终的特征图V，以加强必要特征信息，抑制非必要特征信息：

其中V＝[V₁,V₂,...,V_c]，V_c∈R^H×W矩阵，A_c∈R^1×d表示A的第c行向量，B_c∈R^1×d含义与其相同，a＝(a₁,a₂,...,a_c)和b＝(b₁,b₂,...,b_c)分别表示和/>的注意力向量，a_c表示a的第c个元素值，b_c含义与其相同，且b_c＝1-a_c，值得注意的是，这里提供了一个双分支情况，可以通过扩展方式推导出具有更多分支的情况。

第4步：将第3步得到的各层级注意力特征融合模块通过完整卷积操作依次递进，最后的增强特征作为最终的分类特征，将分类特征拟和到全连接层并在Softmax层进行分类，得到故障诊断结果。

本发明同现有技术相比，具有如下优点：

(1)多传感器信号包含丰富和互补的故障信息，能够反映并区别级联H桥逆变器不同功率管故障下的故障特征；

(2)采用并行融合残差网络，并辅以注意力特征融合模块，实现网络内部的特征融合增强，提高了故障诊断网络模型的泛化能力；

(3)构建的基于注意力-并行多源融合残差网络的故障诊断模型，实现了级联H桥逆变器故障特征的自适应提取及端到端诊断，从而能更精准的实现故障分类。

附图说明

下面结合附图和实施例对本发明做进一步说明。图1是故障诊断流程图，图2是三相级联H桥逆变器等效电路，图3是ResNet34网络结构图，图4是基于注意力-并行多源融合残差网络故障诊断模型，图5是注意力特征融合模块示意图。

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。

本发明的实施例：本发明所涉及基于多源融合残差网络的级联H桥逆变器故障诊断方法，

请参阅图1至图5。涉及的H桥单元个数为10，即为级联H桥21电平逆变器，其中u_dci(i＝1,2,...,10)为H桥单元直流侧输入电压，由铅酸电池、或锂电池、或超级电容储能单元端电压提供，或由光伏电池、或整流桥电路、或直流斩波电路提供，所有H桥单元交流侧依次串联连接后经滤波器L滤波器、或LC滤波器、或LCL滤波再和负载、或电网并联连接，所发明的基于注意力-并行多源融合残差网络的级联H桥逆变器开路故障诊断方法，其特征在于以下包含步骤：

第1步：采集2个基波周期的级联H桥逆变器滤波前输出的三相多电平相电压V_x(x＝a,b,c)和滤波后的三相负载电流I_x(x＝a,b,c)共6个传感器波形数据，用小波时频变换方法将所采集到的波形数据转化为二维图像，小波时频变换具体流程如下所示：

(1-1)选择小波基函数ψ_a,τ(t)及其尺度参数a，即：

其中τ为平移参数，ψ(t)为母小波函数，t表示时间变量；

(1-2)从信号起始位置开始，将小波基函数和原始信号f(t)比较，即计算小波系数WT_f(a,τ)：

式中ψ^*(t)为ψ(t)的复共轭函数；

(1-3)沿时间轴移动小波基函数，即改变平移参数τ,在新的位置计算小波系数，直至信号f(t)结束，完成第一次分析；

(1-4)改变尺度参数a，重复流程(2)、(3)步进行第二次分析；

(1-5)循环执行上述四个步骤，直至满足分析要求为止。

第2步：以ResNet34网络为基础，建立并行多源残差网络模型，即将第1步转换得来的各个传感器图像数据分别输入各自的ResNet34网络中，初步识别特征图像，其中，ResNet34网络由多个残差模块组成，残差模块相关理论如下：

设x表示输入的故障信息，F(x)表示网络训练中要学习的残差，H(x)代表网络输出，满足：

H(x)＝F(x)+x (3)

其中F(x)＝W₂σ(W₁x)，σ代表激活函数ReLu，W₁和W₂表示相应的权重系数；

在快捷连接时，线性变换W_s在输入维数和输出维数不同的情况下(如改变通道数目)对x进行操作：

H(x)＝W₂σ(W₁x)+W_sx (4)

第3步：设计注意力特征融合模块，对第2步并行多源残差网络各层级所提取出的隐藏层特征后引入SK注意力机制，将经过注意力机制得到的相同维度特征图按元素相加，并进行空间维度的全局平均池化，获取其通道注意力信息，采用全连接层进行线性变换并进行softmax处理(softmax是一种常用的分类函数，它将一个n维向量输入，并将其标准化为一个n维概率分布，其中每个元素的值都介于0和1之间，并且所有元素的和为1)，根据注意力得分对特征图进行加权和融合，得到融合增强特征，其SK注意力机制主要流程如下所示：

(3-1)对于任意给定的特征图，采用3×3和5×5两种不同尺寸的卷积核进行完整卷积操作，分别得到特征图和/>不同的卷积核可以让模型具有不同的感受野，从多尺度学习特征图的特征；

(3-2)对流程(1)中两个输出和/>进行融合得到输出特征图U，通过全局平均池化集中全局信息，生成通道统计信息s，对整合特征信息的通道描述使用全连接层进行降维创建一个紧凑的特征z，为精确和自适应选择提供指导：

其中s∈R^c×1，F_fc为全连接层，我们使用其将s∈R^c×1压缩成z∈R^d×1(d<c)，W的维度为W∈R^d×c，B表示批量标准化，δ为ReLu激活函数，H和W为特征图的高度和宽度，F_gp为自适应平均池化函数；

(3-3)通过softmax函数将紧凑特征z划分为两个分支，每个分支都是不同尺寸卷积核的权重向量，并将其通道数扩展回c*1*1，分别与流程(1)之后的特征图进行相应通道的相乘操作，最后再相加得到最终的特征图V，以加强必要特征信息，抑制非必要特征信息：

其中V＝[V₁,V₂,...,V_c]，V_c∈R^H×W矩阵，A_c∈R^1×d表示A的第c行向量，B_c∈R^1×d含义与其相同，a＝(a₁,a₂,...,a_c)和b＝(b₁,b₂,...,b_c)分别表示和/>的注意力向量，a_c表示a的第c个元素值，b_c含义与其相同，且b_c＝1-a_c。

第4步：将第3步得到的各层级注意力特征融合模块通过完整卷积操作依次递进，最后的增强特征作为最终的分类特征，将分类特征拟和到全连接层并在Softmax层进行分类，得到故障诊断结果。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (1)

1.基于多源融合残差网络的级联H桥逆变器故障诊断方法，所涉及的级联H桥逆变器中H桥单元直流侧电压U_dc由铅酸电池、或锂电池、或超级电容储能单元端电压提供，或由光伏电池、或整流桥电路、或直流斩波电路提供，所有H桥单元交流侧依次串联连接后经滤波器L滤波器、或LC滤波器、或LCL滤波再和负载连接，其特征在于：其步骤为：

第1步：采集n个基波周期的级联H桥逆变器滤波前输出的三相多电平相电压V_x和滤波后的三相负载电流I_x共6个传感器波形数据，n为正整数，且1≤n<10，用小波时频变换方法将所采集到的波形数据转化为二维图像，小波时频变换具体流程如下所示：

(1-1)选择小波基函数ψ_a,τ(t)及其尺度参数a，即：

其中τ为平移参数，ψ(t)为母小波函数，t表示时间变量，a＞0；

(1-2)从信号起始位置开始，将小波基函数和原始信号f(t)比较，计算小波系数WT_f(a,τ)：

式中ψ^*(t)为ψ(t)的复共轭函数；

(1-3)沿时间轴移动小波基函数，改变平移参数τ,在新的位置计算小波系数，直至信号f(t)结束，完成第一次分析；

(1-4)改变尺度参数a，重复流程(1-2)、(1-3)步进行第二次分析；

(1-5)循环执行上述四个步骤，直至满足分析要求为止；

第2步：以ResNet34网络为基础，建立并行多源残差网络模型，将第1步转换得来的各个传感器图像数据分别输入各自的ResNet34网络中，初步识别特征图像，其中，ResNet34网络由多个残差模块组成：

设x表示输入的故障信息，F(x)表示网络训练中要学习的残差，H(x)代表网络输出，满足：

H(x)＝F(x)+x (3)

其中F(x)＝W₂σ(W₁x)，σ代表激活函数ReLu，W₁和W₂表示相应的权重系数；

在快捷连接时，线性变换W_s在输入维数和输出维数不同的情况下对x进行操作：

H(x)＝W₂σ(W₁x)+W_sx (4)

第3步：设计注意力特征融合模块，对第2步并行多源残差网络各层级所提取出的隐藏层特征后引入SK注意力机制，将经过注意力机制得到的相同维度特征图按元素相加，并进行空间维度的全局平均池化，获取其通道注意力信息，采用全连接层进行线性变换并进行softmax处理，根据注意力得分对特征图进行加权和融合，得到融合增强特征，其SK注意力机制流程如下所示：

(3-1)对于任意给定的特征图，采用3×3和5×5两种不同尺寸的卷积核进行完整卷积操作，分别得到特征图和/>不同的卷积核让模型具有不同的感受野，从多尺度学习特征图的特征；

(3-2)对流程(3-1)中两个输出和/>进行融合得到输出特征图U，通过全局平均池化集中全局信息，生成通道统计信息s，对整合特征信息的通道描述使用全连接层进行降维创建一个紧凑的特征z：

其中s∈R^c×1，F_fc为全连接层，使用其将s∈R^c×1压缩成z∈R^d×1，d<c，W的维度为W∈R^d×c，B表示批量标准化，δ为ReLu激活函数，H和W分别为特征图的高度和宽度，F_gp为自适应平均池化函数；

(3-3)通过softmax函数将紧凑特征z划分为两个分支，每个分支都是不同尺寸卷积核的权重向量，并将其通道数扩展回c*1*1，分别与流程(3-1)之后的特征图进行相应通道的相乘操作，最后再相加得到最终的特征图V，以加强必要特征信息，抑制非必要特征信息：

其中V＝[V₁,V₂,...,V_c]，V_c∈R^H×W矩阵，A_c∈R^1×d表示A的第c行向量，B_c∈R^1×d表示B的第c行向量，a＝(a₁,a₂,...,a_c)和b＝(b₁,b₂,...,b_c)分别表示和/>的注意力向量，a_c表示a的第c个元素值，b_c表示b的第c个元素值，且b_c＝1-a_c，提供了一个双分支情况，能够通过扩展方式推导出具有更多分支的情况；

第4步：将第3步得到的各层级注意力特征融合模块通过完整卷积操作依次递进，最后的增强特征作为最终的分类特征，将分类特征拟和到全连接层并在Softmax层进行分类，得到故障诊断结果。