CN116702060A - 一种多电平逆变器功率器件故障诊断方法 - Google Patents
一种多电平逆变器功率器件故障诊断方法 Download PDFInfo
- Publication number
- CN116702060A CN116702060A CN202310699970.4A CN202310699970A CN116702060A CN 116702060 A CN116702060 A CN 116702060A CN 202310699970 A CN202310699970 A CN 202310699970A CN 116702060 A CN116702060 A CN 116702060A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- representing
- phase
- diagnosis
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000011176 pooling Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000002405 diagnostic procedure Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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]
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明提供了一种多电平逆变器功率器件故障诊断方法，其特征在于，使用前馈卷积‑池化网络和辅助神经网络对多电平逆变器各相的运行模式进行辨识，获得诊断结果，其中，将辅助神经网络学习的权值和偏置参数迁移到前馈卷积‑池化网络的卷积核中，来共享辅助神经网络的学习能力，使前馈卷积‑池化网络具备对多电平逆变器运行模式的特征辨识。采用本发明提出的诊断方法，有效改善了传统电路模型法和数据驱动法的固有问题，即模型依赖性和诊断速度间的矛盾。本发明提出的诊断网络通过共享学习能力和简化卷积神经网络结构，具备高诊断精度的同时，降低了对训练样本的需求，加快了信号处理速度，有助于在线故障诊断。
Description
技术领域
本发明涉及一种基于共享学习型神经网络的多电平逆变器功率器件故障诊断方法，属于电力电子设备故障诊断技术领域。
背景技术
多电平逆变器因具备效率高、谐波特性好、功率器件应力低等优势，在工业生产中得到了广泛的关注和应用。然而，与传统的两电平逆变器相比，多电平逆变器包含更多的功率半导体器件，图1为一种多电平逆变器的典型拓扑，T型三电平逆变器的原理图。根据工业统计报告[1]可知，电力电子系统中功率半导体开关是最易发生故障的脆弱部件之一，而多电平逆变器通常通过增加功率开关的数量提高输出的电平数，因此其故障将对逆变器的可靠运行的产生巨大威胁。开路故障作为功率半导体器件常见的表现形式，不会造成短时间内电气量的瞬态突变，因而故障特征较难识别，但若未能得到及时处理，开路故障将导致逆变器输出失真和电气应力增加，引发电路中其他部分的二次损坏，最终导致灾难性故障。因此，设计快速可靠的功率半导体开关管开路故障诊断方法，对确保系统安全具有重要意义。
现今，围绕功率半导体开关的故障诊断方法主要可分为基于电路模型的诊断方法和基于数据驱动的诊断方法。前者通过对目标电路进行精确建模，利用电路模型对传感器采集的电压、电流信号进行分析，根据分析结果的评估，结合相应的诊断规则推导故障发生的类型和位置，如观测电流残差法(专利申请号201310743597.4)、输出端电压平均值法[2]，桥臂间电压残差法[3]及线电压包络线的方法(专利申请号201610286526.X)等。图2给出了这类方法的实现原理图。当电路拓扑不同时，需要建立的电路模型和诊断规则均不相同。随着功率开关管数量的增多，电路的故障模式增加，导致诊断方法的逻辑框架设计也更加复杂。此外，该方法对电路参数的敏感性较高。上述问题均限制了电路模型法的实际应用。
基于数据驱动的诊断方法无需详细分析逆变器的工作机理或模型，通过从采集数据中提取特征信息评估系统的运行状态，如人工神经网络(专利申请号201610438466.9，[4])、极限学习机[5]、随机森林[6]及向量机(专利申请号201410005022.7)等方法。人工神经网络(ANN)作为一个具有多输入-多输出的非线性模型，在模拟逆变器输入和输出的特征关系方面具有良好表现，得到了广泛的关注和应用，其诊断原理图如图3所示。很多研究也将信号分析策略与ANN相结合，进一步提高诊断精度，如基于傅里叶变换的ANN诊断模型[7]和基于离散小波变换的ANN诊断方法等[8]。但上述方法通常需要从大量数据中提取故障特征，计算量大，不仅对电路控制器性能提出了较高要求，还会延长诊断时间，较难实现快速在线诊断。
参考文献：
[1]S.Yang,A.Bryant,P.Mawby,D.Xiang,L.Ran,and P.Tavner,“An industry-based survey of reliability in power electronic converters,”IEEETrans.Ind.Appl.,vol.47,no.3,pp.1441–1451,May/Jun.2011.
[2]Z.Li,H.Ma,Z.Bai,Y.Wang,and B.Wang,“Fast transistor open-circuitfaults diagnosis in grid-tied three-phase VSIs based on average bridge armpole-to-pole voltages and error-adaptive thresholds,”IEEE Trans.PowerElectron.,vol.33,no.9,pp.8040–8051,Sep.2018.
[3]L.M.A.Caseiro and A.M.S.Mendes,“Real-time IGBT open-circuit faultdiagnosis in three-level neutral-point-clamped voltage-source rectifiersbased on instant voltage error,”IEEE Trans.Ind.Electron.,vol.62,no.3,pp.1669–1678,Mar.2015.
[4]S.S.Moosavi,A.N’Diaye,A.Djerdir,et al.Artificial neural networkbased fault diagnosis in the AC–DC converter of the power supply of serieshybrid electric vehicle.IET Electr.Syst.Transp.,vol.6,no.2,pp.96-106,Jun.2016.
[5]Xia Y,Xu Y.A transferrable data-driven method for IGBT open-circuit fault diagnosis in three-phase inverters[J].IEEE Trans.PowerElectron.,2021,36(12):13478-13488.
[6]Kou L,Liu C,Cai G W,et al.Fault diagnosis for open-circuit faultsin NPC inverter based on knowledge-driven and data-driven approaches[J]IETPower Electron.,2020,13(6):1236-1245.
[7]Han P,He X,Ren H,et al.Fault diagnosis and system reconfigurationstrategy of single-phase three level neutral-point-clamped cascaded inverter[J].IEEE Transactions on Industry Applications，2019，55(4)：3863-3876.
[8]Zhang H，An Q，Hu Z，et al.Fault detection wavelet fractal method ofcircuit of three-phase bridge rectifier[C].2010International Conference onIntelligent System Design and Engineering Application.IEEE，2010：725-729.
[9]Gong W，Chen H，Zhang Z，et al.A data-driven-based fault diagnosisapproach for electrical power DC-DC inverter by using modified convolutionalneural network with global average pooling and 2-D feature image[J].IEEEAccess，2020，8：73677-73697.
[10]M.Lin，Q.Chen，and S.C.Yan，“Network in network，″inProc.Int.Conf.Learn.Represent.，2014，pp.1-10.
发明内容
本发明要解决的技术问题是：基于电路模型的诊断方法可以在诊断精度和诊断速度方面表现较好，但需要建立逆变器系统的精确模型和参数，应用于不同拓扑时需要重新建模，通用性较差。基于数据驱动的方法对电路模型和参数的精度要求较低，但需要对数据进行大量的计算和分析，诊断时间较长且会占用较多的计算资源，不适于逆变器系统的在线故障监测。
为了解决上述技术问题，本发明的技术方案是提供了一种多电平逆变器功率器件故障诊断方法，其特征在于，使用前馈卷积-池化网络和辅助神经网络对多电平逆变器各相的运行模式进行辨识，获得诊断结果，其中，将辅助神经网络学习的权值和偏置参数迁移到前馈卷积-池化网络的卷积核中，来共享辅助神经网络的学习能力，使前馈卷积-池化网络具备对多电平逆变器运行模式的特征辨识。
优选地，输入所述前馈卷积-池化网络和所述辅助神经网络的数据为基于传感器采集的三相一维时序信号转变重构得到的hd×3sd的二维信号矩阵Mfm。
优选地，采用以下方法获得所述二维信号矩阵Mfm：
步骤1、利用传感器采集多电平逆变器的三相输出电流信号iX并进行park变换后对电流幅值进行归一化处理，然后将归一化的三相电流信号进行衰减加速处理，获得三相一维时序诊断信号，其中，X＝A，B，C分别表示A相、B相、C相，三相一维时序诊断信号是与采样时间对应的一维时序信号序列，X相的一维时序诊断信号表示为{iX.N3[1]，iX.N3[2]，...，iX.N3[n]，...}，iX.N3[n]表示第n个采样时刻X相的诊断信号；
步骤2、设置尺寸为1×NDW的滑动检测窗口，利用该滑动检测窗口收集各相的一维时序诊断信号，则多电平逆变器三相的滑动检测窗口每次收集3NDW个诊断信号；
步骤3、根据下式将收集的三相一维时序信号转变重构为一个hd×3sd的二维信号矩阵Mfm，二维信号矩阵Mfm为前馈卷积-池化网络和辅助神经网络的输入特征图：
式中：k＝1：hd，l＝1：sd，且满足hd·sd＝NDW；xk，l表示二维信号矩阵Mfm中第k行、第l列上的数据。
优选地，所述辅助神经网络包括输入层、隐藏层和输出层，输入层的神经元个数r与所述二维信号矩阵Mfm的尺寸关系满足r＝3sd；输入特征图输入输入层后，分别经隐藏层和输出层的神经元处理后，输入Softmax层进行分类，得到最终的运行模式分类结果，其中，隐藏层、输出层对信号的处理分别由下式表示。
式中：zj表示第j个隐藏层神经元的输出信息；fhid()为隐藏层的激活函数；yj表示第j个隐藏层神经元接收的信息；为信息由第n个输入层神经元传递至第j个隐藏层神经元的权值；xn表示特定时刻第n个输入层神经元接收的信息；aj为神经元接收信息的偏置；ol表示第l个输出层神经元的输出信息；fout()为输出层的激活函数；/>为信息由第k个隐藏层神经元传递至第l个输出层神经元的权值；bl表示输出层神经元接收信息的偏置。
优选地，所述前馈卷积-池化网络包括两个卷积层和一个全局池化层，将两个卷积层分别定义为卷积层一以及卷积层二，其中：
卷积层能够对所述输入特征图直接进行处理，将NDW个采样周期内的信息纳入感受野分析，综合提取该时间段内多电平逆变器运行状态的特征信息，卷积操作过程下式所示：
式中：zl表示第l个输出特征图的信息矩阵；fconv()为卷积层的激活函数；wl，k表示第l组卷积核中第k个通道的权值矩阵；表示卷积运算符；xk表示输入特征图中第k个通道的信息矩阵；βl表示卷积层对第l个输出特征图的信号偏置；
所有经卷积层处理后的特征利用全局池化层进行维度压缩，最后利用Softmax函数对压缩后的信息进行分类，得到输入特征图属于各运行模式的概率结果，以指示多电平逆变器的运行状态。
优选地，所述前馈卷积-池化网络共享辅助神经网络的学习能力的共享条件为：
式中： 表示卷积层一的第j个卷积核数组；/> 表示卷积层二的第l个卷积核数组；/> 表示辅助网络隐藏层第j个神经元的权值数组；/> 表示辅助网络输出层第l个神经元的权值数组；/>表示卷积层一的信号偏置；/>表示卷积层二的的信号偏置；p为辅助神经网络的隐藏层的神经元个数；fconvI表示卷积层一的激活函数；fconvII表示卷积层二的激活函数。
优选地，所述卷积层采用多通道卷积层，每组卷积核参数能够被所有的通道共享，各通道分别接收所述滑动检测窗口在多电平逆变器各相收集的诊断信号，经卷积核的处理，过滤其包含特征。
采用本发明提出的诊断方法，有效改善了传统电路模型法和数据驱动法的固有问题，即模型依赖性和诊断速度间的矛盾。首先，本发明公开的方法基于神经网络和训练数据学习电路的运行特征，无需分析电路模型和参数，无需额外传感器，通用性强，易实现。与传统的神经网络诊断方法相比，本发明提出的诊断网络通过共享学习能力和简化卷积神经网络结构，具备高诊断精度的同时，降低了对训练样本的需求，加快了信号处理速度，有助于在线故障诊断。为验证本发明方法的性能，基于T型三电平逆变器的电流信号进行了训练和测试。结果表明，本发明提出的诊断模型能够取得更好的诊断性能，有效改善了多电平逆变器的可靠性。
附图说明
图1为三相T型三电平逆变器拓扑示意图；
图2为基于电路模型的诊断方法示意图；
图3为基于数据驱动的诊断方法示意图；
图4示意了具有共享特征学习能力的神经网络；
图5为本发明中诊断方法的示意图；
图6示意了基于多信号序列重构的特征图形成原理；
图7为卷积运算示意图；
图8为基于训练数据诊断结果的混淆矩阵图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明设计了一种多电平逆变器故障诊断的神经网络架构，如图4所示，其由一个前馈卷积-池化网络和一个辅助神经网络组成，可实现逆变器功率开关管开路故障的诊断和定位。基于该模型的故障诊断方法的原理如图5所示，实现步骤如下：
步骤1、电流信号预处理
首先利用传感器采集逆变器正常和故障运行模式下的三相输出电流信号iX(X＝A，B，C)并进行park变换，对电流幅值进行归一化处理，如式(1)、(2)所示。
式(1)、(2)中：id表示三相电流在park坐标系下d轴分量；iq表示三相电流在park坐标系下q轴分量；ω为三相正弦电流的角速度；φx表示X相的初始相角，X＝A，B，C；iX.N[n]表示第n个采样时刻归一化的X相电流值；iX[n]表示第n个采样时刻X相电流值；id[n]表示第n个采样时刻电流分量id的值；iq[n]表示第n个采样时刻电流分量iq的值。
然后将归一化的三相电流信号进行如式(3)所示的衰减加速处理。经上述预处理后的电流信号作为三相一维时序诊断信号iA.N3、iB.N3、iC.N3。
式(3)中：iX.N3[n]表示第n个采样时刻X相的诊断信号。
步骤2、诊断信号序列重构
本发明提出了一种多信号序列重构方法，将三相一维时序诊断信号转换为一个二维信号矩阵，如图6所示。逆变器三相一维时序诊断信号是与采样时间对应的一维时序信号序列，表示为{iX.N3[1]，iX.N3[2]，...，iX.N3[n]，...}，n表示第n个采样时刻。首先通过设置滑动窗口，分批次对各相一维时序诊断信号进行收集，例如使用尺寸为1×NDW的滑动检测窗口收集各相的一维时序诊断信号，且每次在一维时序诊断信号上滑动NDW位以更新收集信号，则逆变器三相的滑动窗口每次收集3NDW个诊断信号。然后根据公式(4)将收集的三相一维时序信号转变重构为一个hd×3sd的二维信号矩阵Mfm，亦称卷积网络的输入特征图。
式(4)中：k＝1：hd，l＝1：sd，且满足hd·sd＝NDW；xk，l表示二维信号矩阵Mfm中第k行、第l列上的数据。
步骤3、辅助神经网络的训练
将二维信号矩阵Mfm每个列向量中的数据分别送至图4中的辅助神经网络输入层的各个神经元中，进行训练。辅助神经网络是一个简单的三层人工神经网络，其输入层神经元个数r与二维信号矩阵Mfm的尺寸关系满足r＝3sd。输入数据分别经隐藏层和输出层的神经元处理后，输入Softmax层进行分类。隐藏层、输出层对信号的处理分别由公式(6)、(7)表示。
公式(6)、(7)中：zj表示第j个隐藏层神经元的输出信息；fhid()为隐藏层的激活函数；yj表示第j个隐藏层神经元接收的信息；为信息由第n个输入层神经元传递至第j个隐藏层神经元的权值；xn表示特定时刻第n个输入层神经元接收的信息；aj为神经元接收信息的偏置；ol表示第l个输出层神经元的输出信息；fout()为输出层的激活函数；/>为信息由第k个隐藏层神经元传递至第l个输出层神经元的权值；bl表示输出层神经元接收信息的偏置；n，j，k，l＝1，2，...。
对辅助神经网络的训练基于对输入信号的期望输出与实际输出间的误差的评估，经过不断调节辅助神经网络的参数(权值和偏置aj、bl)，使误差最小化，即输入的诊断信号与所属运行模式能正确对应。该过程使用传统的交叉熵损失函数计算神经网络输出误差，基于误差反向传递算法(BP算法)通过微分偏置校正与更新各层权值和偏置参数[9]。
步骤4、卷积-池化网络的构建与学习参数的迁移
本发明设计的卷积-池化网络如图4所示，其由两个卷积层和一个全局池化层组合形成。其中卷积层可对二维信号矩阵Mfm直接进行处理，将NDW个采样周期内的信息纳入感受野分析，综合提取该时间段内逆变器运行状态的特征信息。卷积操作过程如公式(8)表示。
公式(8)中：zl表示第l个输出特征图的信息矩阵；fconv()为卷积层的激活函数；wl，k表示第l组卷积核中第k个通道的权值矩阵；表示卷积运算符；xk表示输入特征图中第k个通道的信息矩阵；βl表示卷积层对第l个输出特征图的信号偏置。
图7为一个三通道卷积层对信息的处理过程，每组卷积核参数可被所有的通道共享。各通道分别接收滑动窗口在逆变器各相收集的诊断信号，经卷积核的处理，过滤其包含特征。所有经卷积层处理后的特征利用全局池化层进行维度压缩[10]，即对特征图中的每个行向量直接进行平均化处理，池化操作如公式(9)所示。最后利用Softmax函数对压缩后的信息进行分类，得到输入信号属于各工作模式的概率结果，以指示逆变器的运行状态。
公式(9)中：on，j表示池化后特征图中(n，j)位置的信息；hp和sp表示池化窗口的高度和宽度；zk，l表示经过卷积层处理后得到的特征图中第k行、第l列上的数据。
本发明中提出的神经网络共享学习的方法，是通过将辅助神经网络学习的权值和偏置参数迁移到卷积-池化网络的卷积核中，来共享辅助神经网络的学习能力，使卷积-池化网络也具备对逆变器运行模式的特征辨识。依据公式(6)-(8)中辅助神经网络和卷积网络处理信息的过程，可总结学习能力的共享条件为：
公式(10)、(11)中： 表示卷积层I的第j个卷积核数组； 表示卷积层II的第l个卷积核数组；/> 表示辅助网络隐藏层第j个神经元的权值数组；/> 表示辅助网络输出层第l个神经元的权值数组；/>表示卷积层I的信号偏置；/>表示卷积层II的的信号偏置；r、p和g分别为辅助神经网络的输入层、隐藏层和输出层的神经元个数；fconvI表示卷积层I的激活函数；fconvII表示卷积层II的激活函数。
为验证本发明所提诊断方法的性能，将其应用于图1所示的三相T型三电平逆变器运行模式检测(包括1种正常模式和对应开关管的12种故障模式)。考虑到逆变器三相拓扑的对称性，仅对其A相的诊断结果进行分析。图4的神经网络模型参数如下表所示。
首先训练本发明所提神经网络模型的学习能力，对T型三电平逆变器三相电流进行采集，采样间隔10μs，每种工作模式下每相采集800个标记信号，三相电流信号作为一个训练样本，800个训练样本可以形成50个特征图。所有工作模式的训练集包含样本总数为10400个。基于训练集样本获得诊断信号并对辅助神经网络进行训练，将训练后的学习参数迁移至卷积-池化网络并对T型三电平逆变器A相的运行模式进行辨识，诊断结果使用混淆矩阵表示，如图8所示。虽然该方法在对TA3管故障的辨识上出现少量的误诊断，诊断准确率可达到99.7％。
然后，将本专利提出的神经网络模型与传统神经网络模型的性能比较。其对逆变器正常与故障的诊断精度如下表示。
表中ANN为传统人工神经网络，其参数和结构与辅助神经网络相同，CPN为共享了学习能力的前馈卷积-池化网络。比较模型I、II和模型III、IV可以看出，仅对采集的电流信号做归一化处理，网络模型的诊断精度较低，而利用本专利提出的电流预处理方法得到诊断信号iX.N3，会明显增加网络模型的诊断精度。同时，比较模型II和模型IV也可看出，通过共享学习能力，卷积-池化网络相比传统神经网络能有效提高对系统运行模式的辨识精度。
最后，测试该模型的故障检测时间。模拟TA1管故障在一个电流基波周期上平均触发20次(基于A相电流基波相角表示)，各个故障发生时刻与对应的故障诊断时间如下表所示。
由于TA1管故障直接影响逆变器A相在电流正半周的运行，因此故障在正半周触发时诊断时间较短，最短诊断时间为2.2ms。故障在负半轴触发时由于不影响逆变器运行，故而诊断时间较长，最长时间为14.6ms。
Claims (7)
1.一种多电平逆变器功率器件故障诊断方法，其特征在于，使用前馈卷积-池化网络和辅助神经网络对多电平逆变器各相的运行模式进行辨识，获得诊断结果，其中，将辅助神经网络学习的权值和偏置参数迁移到前馈卷积-池化网络的卷积核中，来共享辅助神经网络的学习能力，使前馈卷积-池化网络具备对多电平逆变器运行模式的特征辨识。
2.如权利要求1所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，输入所述前馈卷积-池化网络和所述辅助神经网络的数据为基于传感器采集的三相一维时序信号转变重构得到的hd×3sd的二维信号矩阵Mfm。
3.如权利要求2所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，采用以下方法获得所述二维信号矩阵Mfm：
步骤1、利用传感器采集多电平逆变器的三相输出电流信号iX并进行park变换后对电流幅值进行归一化处理，然后将归一化的三相电流信号进行衰减加速处理，获得三相一维时序诊断信号，其中，X＝A，B，C分别表示A相、B相、C相，三相一维时序诊断信号是与采样时间对应的一维时序信号序列，X相的一维时序诊断信号表示为{iX.N3[1]，iX.N3[2]，...，iX.N3[n]，...}，iX.N3[n]表示第n个采样时刻X相的诊断信号；
步骤2、设置尺寸为1×NDW的滑动检测窗口，利用该滑动检测窗口收集各相的一维时序诊断信号，则多电平逆变器三相的滑动检测窗口每次收集3NDW个诊断信号；
步骤3、根据下式将收集的三相一维时序信号转变重构为一个hd×3sd的二维信号矩阵Mfm，二维信号矩阵Mfm为前馈卷积-池化网络和辅助神经网络的输入特征图：
式中：k＝1：hd，l＝1：sd，且满足hd·sd＝NDW；xk，l表示二维信号矩阵Mfm中第k行、第l列上的数据。
4.如权利要求3所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，所述辅助神经网络包括输入层、隐藏层和输出层，输入层的神经元个数r与所述二维信号矩阵Mfm的尺寸关系满足r＝3sd；输入特征图输入输入层后，分别经隐藏层和输出层的神经元处理后，输入Softmax层进行分类，得到最终的运行模式分类结果，其中，隐藏层、输出层对信号的处理分别由下式表示。
式中：zj表示第j个隐藏层神经元的输出信息；fhid()为隐藏层的激活函数；yj表示第j个隐藏层神经元接收的信息；为信息由第n个输入层神经元传递至第j个隐藏层神经元的权值；xn表示特定时刻第n个输入层神经元接收的信息；aj为神经元接收信息的偏置；ol表示第l个输出层神经元的输出信息；fout()为输出层的激活函数；/>为信息由第k个隐藏层神经元传递至第l个输出层神经元的权值；bl表示输出层神经元接收信息的偏置。
5.如权利要求4所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，所述前馈卷积-池化网络包括两个卷积层和一个全局池化层，将两个卷积层分别定义为卷积层一以及卷积层二，其中：
卷积层能够对所述输入特征图直接进行处理，将NDW个采样周期内的信息纳入感受野分析，综合提取该时间段内多电平逆变器运行状态的特征信息，卷积操作过程下式所示：
式中：zl表示第l个输出特征图的信息矩阵；fconv()为卷积层的激活函数；wl，k表示第l组卷积核中第k个通道的权值矩阵；表示卷积运算符；xk表示输入特征图中第k个通道的信息矩阵；βl表示卷积层对第l个输出特征图的信号偏置；
所有经卷积层处理后的特征利用全局池化层进行维度压缩，最后利用Softmax函数对压缩后的信息进行分类，得到输入特征图属于各运行模式的概率结果，以指示多电平逆变器的运行状态。
6.如权利要求5所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，所述前馈卷积-池化网络共享辅助神经网络的学习能力的共享条件为：
式中：表示卷积层一的第j个卷积核数组；/>表示卷积层二的第l个卷积核数组；/>表示辅助网络隐藏层第j个神经元的权值数组；/>表示辅助网络输出层第l个神经元的权值数组；/>表示卷积层一的信号偏置；/>表示卷积层二的的信号偏置；p为辅助神经网络的隐藏层的神经元个数；fconvI表示卷积层一的激活函数；fconvII表示卷积层二的激活函数。
7.如权利要求5所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，所述卷积层采用多通道卷积层，每组卷积核参数能够被所有的通道共享，各通道分别接收所述滑动检测窗口在多电平逆变器各相收集的诊断信号，经卷积核的处理，过滤其包含特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310699970.4A CN116702060A (zh) | 2023-06-13 | 2023-06-13 | 一种多电平逆变器功率器件故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310699970.4A CN116702060A (zh) | 2023-06-13 | 2023-06-13 | 一种多电平逆变器功率器件故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116702060A true CN116702060A (zh) | 2023-09-05 |
Family
ID=87823446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310699970.4A Pending CN116702060A (zh) | 2023-06-13 | 2023-06-13 | 一种多电平逆变器功率器件故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116702060A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117375374A (zh) * | 2023-10-18 | 2024-01-09 | 西南交通大学 | 基于三电平电路的多通道直直变换器开关网络 |
-
2023
- 2023-06-13 CN CN202310699970.4A patent/CN116702060A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117375374A (zh) * | 2023-10-18 | 2024-01-09 | 西南交通大学 | 基于三电平电路的多通道直直变换器开关网络 |
| CN117375374B (zh) * | 2023-10-18 | 2024-05-07 | 西南交通大学 | 基于三电平电路的多通道直直变换器开关网络 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220198244A1 (en) | Method for diagnosing open-circuit fault of switching transistor of single-phase half-bridge five-level inverter | |
| CN110398663B (zh) | 一种基于卷积神经网络的柔性直流电网故障识别方法 | |
| CN110346736B (zh) | 基于改进小树变换的npc三电平逆变器故障诊断方法 | |
| CN109782091B (zh) | 基于深度小波极限学习机的多电平逆变器故障诊断方法 | |
| Yuan et al. | Open-circuit fault diagnosis of NPC inverter based on improved 1-D CNN network | |
| CN110456217B (zh) | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 | |
| CN110726898B (zh) | 一种配电网故障类型识别方法 | |
| CN110133538A (zh) | 一种anpc三电平逆变器开路故障诊断方法及实验平台 | |
| CN113125992B (zh) | 基于dbn的npc三电平逆变器故障诊断方法及系统 | |
| 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 | |
| CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
| CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
| CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
| CN113358993B (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
| Husari et al. | Stator turn fault diagnosis and severity assessment in converter-fed induction motor using flat diagnosis structure based on deep learning approach | |
| CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
| CN110609213A (zh) | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 | |
| CN115310604A (zh) | 一种基于神经网络的ups系统在线故障诊断方法 | |
| Zhang et al. | State of charge prediction of lithium-ion batteries for electric aircraft with swin transformer | |
| CN113884903B (zh) | 一种基于多层感知器神经网络的电池故障诊断方法 | |
| CN115825732A (zh) | 特征关联的永磁同步电机驱动系统开路故障智能诊断方法 | |
| CN114019310B (zh) | 一种储能变流器的开路故障预判方法、设备及介质 | |
| CN114781427B (zh) | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 | |
| Zheng et al. | Fault diagnosis of photovoltaic inverters using hidden Markov model | |
| CN115425261A (zh) | 基于快速阻抗谱测量的质子交换膜燃料电池故障诊断方法 |
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 |