CN109444604A - 一种基于卷积神经网络的dc/dc变换器故障诊断方法 - Google Patents
一种基于卷积神经网络的dc/dc变换器故障诊断方法 Download PDFInfo
- Publication number
- CN109444604A CN109444604A CN201811527443.0A CN201811527443A CN109444604A CN 109444604 A CN109444604 A CN 109444604A CN 201811527443 A CN201811527443 A CN 201811527443A CN 109444604 A CN109444604 A CN 109444604A
- Authority
- CN
- China
- Prior art keywords
- data
- neural networks
- convolutional neural
- layer
- converter
- 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
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
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的DC/DC变换器故障诊断方法,该方法包括以下步骤:1)错误数据收集;2)数据预处理;3)卷积神经网络深度训练;4)测试诊断精度投入使用。本发明运用卷积神经网络对数据进行训练,结合了深度学习训练技巧,采用数据加强和自适应学习速率来解决过拟合问题,从而提取故障特征;不需要建立精确的数学模型,并且基于信号处理知识、特定设备和故障类型的工程经验,就能从原始数据中提取出具有代表性的特征,与传统的人工特征提取和深层神经网络方法相比,该方法具有较高的诊断性能,能够达到良好的诊断精度。
Description
技术领域
本发明涉及DC/DC变换器故障诊断技术领域,更具体地说,涉及一种基于卷积神经网络的DC/DC变换器故障诊断方法。
背景技术
为了满足现代电力***发展的需要,DC/DC变换器发挥着越来越重要的作用,其健康状况对电力***的性能有重大的影响。传统的诊断方法可分为基于模型和数据驱动的方法。基于模型的方法必须分析电力***中的电气物理过程和组件之间的相互作用,然而在某些情况下,精确的数学模型很难建立;传统的数据驱动方法可用于依靠手工特征提取的故障检测和分类,这需要大量的信号处理知识和设备专门知识。
近年来,深层神经网络概念是机器学习研究的一个新领域,克服了传统机器学习算法的局限性。由于深层神经网络(DNS)的多层结构,它具有从原始数据中获取有代表性特征的良好能力。研究人员已经在许多应用中实现了DNS,然而,由于模型过于复杂,在普通嵌入式设备上实现该模型并不容易。当模型中加入更多的层时,DNS参数呈指数增长,难以计算。
发明内容
为克服现有技术存在的缺陷,本发明提出一种基于卷积神经网络的DC/DC变换器故障诊断方法。
本发明的目的是通过以下技术方案来实现的:
设计一种基于卷积神经网络的DC/DC变换器故障诊断方法,该方法包括以下步骤:
1)错误数据收集;
2)数据预处理;
3)卷积神经网络深度训练;
4)测试诊断精度投入使用。
在上述方案中,在所述步骤1)中,DC/DC变换器由12个IGBT组成,则存在每个IGBT单独出现开路故障及所有IGBT均未出现故障的13种状态,分别收集DC/DC变换器上述13种状态对应的母线电压作为所得数据,定义为X,并对13种状态做编号处理,定义为Y。
在上述方案中,在所述步骤2)中,数据预处理包括以下步骤:
2.1)将步骤1)的样本数据重塑成图片;
2.2)使用归一化方法对样本数据进行规范化,参照公式(1)
2.3)数据增强;
2.4)数据集被随机分成培训和测试的子集。培训子集、测试子集的比例通常分别定义为70%和30%。
在步骤2.3)中,数据增强的方法包括但不限于缩放、旋转、翻转变换、随机修剪、噪声扰动、对比度变换。数据增强的目的是避免卷积神经网络(CNN)数据模型的过度拟合。
在上述方案中,在所述步骤3)中,卷积神经网络深度训练包括以下步骤:
3.1)卷积层:卷积层将图像的输入像素与滤核串连起来,然后利用激活函数生成特征图,通常为RELU函数。过滤器使用相同的内核,也就是称权重共享。Wi和bi分别用来表示第i层Li的权重和偏置,Li-1用来表示第(i-1)层特征图,卷积过程定义如公式(2),
其中,符号计算本地像素和内核的点积,f(·)是一个非线性的活动函数。利用RELU函数作为模型的激活函数,加速了卷积神经网络的收敛。
3.2)汇集层:池的形式采用最大池层,其滤镜大小为2×2,采用两个向下样品的步幅,每个深度切片在输入时沿宽度和高度各取两个,放弃75%的激活,
其中Pi(k)表示i层中的第k像素的值,k∈[(j-1)W+1,jW],W是池区域的大小,表示池操作的对应值。
3.3)软极层:输出层为全连通层,其中软极回归用于使神经元的对数符合12种不同故障的概率分布,软极函数参照公式(4),
3.4)损失函数,参照公式(5),
其中,m为样本数,I{·}是一个指示性函数,如果y(i)等于J则返回1,如果不等于则返回0。由于失水层的交叉熵函数不需要添加重量衰减项,这将禁止模型的过度拟合。通过在训练过程中将损失函数最小化,对参数进行更新,直至训练结果显示输出为错误数据所对应的故障状态编号。
有不同的学***方梯度的衰减平均值vt和过去梯度的衰减平均值mt。因此,优化算法结合了最近流行的两种方法的优点:AdaGrad和RMSProp,分别计算过去梯度的衰减平均值mt和过去的平方梯度的衰减平均值vt。
其中,β1取值0.9,β2取值0.999;
在亚当的所有培训数据集上,小批量亚当没有更新CNN的权重,而是更新了一小批培训数据集上的权重。
选择一个合理的学习速率很难。如果学习速率过小,则会导致收敛速度很慢。如果学习速率过大,那么其会阻碍收敛,即在极值点附近会振荡。针对这一问题,提出了一种如公式(7)所示的自适应学习速率法。这个技巧可以根据训练迭代次数调整学习速率。
其中,lr为学习速率,n为迭代次数,niter为迭代次数的设定值。
在上述方案中,在所述步骤4)中,采用步骤2)的测试集测试经培训更新后的CNN整体结构的诊断精度,达到要求后,将对象的母线电压数据按照步骤2.1)至步骤2.3)以及步骤3)进行处理,输出故障类型。
与现有技术相比,本发明具有以下有益效果:
本发明运用卷积神经网络对数据进行训练,结合了深度学习训练技巧,采用数据加强和自适应学习速度来解决过拟合问题,从而提取故障特征;不需要建立精确的数学模型,并且基于信号处理知识、特定设备和故障类型的工程经验,就能从原始数据中提取出具有代表性的特征,与传统的人工特征提取和深层神经网络方法相比,该方法具有较高的诊断性能,能够达到良好的诊断精度。此外,该方法由于具有端到端特征提取能力,可推广到其他类型变换器的故障诊断。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明一种基于卷积神经网络的DC/DC变换器故障诊断方法的流程示意图;
图2是数据重塑的过程示意图;
图3是多种数据增强方法的汇总图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
如图1所示,本发明提供一种基于卷积神经网络的DC/DC变换器故障诊断方法,该方法包括以下步骤:
1)错误数据收集。在步骤1)中,DC/DC变换器由12个IGBT组成,存每个IGBT单独出现开路故障及所有IGBT均未出现故障的13种状态,分别收集DC/DC变换器上述13种状态对应的母线电压作为所得数据,定义为X,并对13种状态做编号处理,定义为Y。
2)数据预处理。在步骤2)中,数据预处理包括以下步骤:
2.1)将步骤1)的样本数据重塑成图片,如图2所示。
2.2)使用归一化方法对样本数据进行规范化,参照公式(1),
2.3)数据增强。在步骤2.3)中,数据增强的方法包括但不限于缩放、旋转、翻转变换、随机修剪、噪声扰动、对比度变换,如图3所示。
2.4)数据集被随机分成培训和测试的子集。
3)卷积神经网络深度训练。在步骤3)中,卷积神经网络深度训练包括以下步骤:
3.1)卷积层:卷积层将图像的输入像素与滤核串连起来,然后利用激活函数生成特征图,参照公式(2)的RELU函数,
在公式(2)中,Wi和bi分别用来表示第i层Li的权重和偏置,Li-1用来表示第(i-1)层特征图,符号计算本地像素和内核的点积,f(·)是一个非线性的活动函数;
3.2)汇集层:池的形式采用最大池层,其滤镜大小为2×2,采用两个向下样品的步幅,每个深度切片在输入时沿宽度和高度各取两个,放弃75%的激活,
其中,Pi(k)表示i层中第k像素的值,k∈[(j-1)W+1,jW],W是池区域的大小,表示池操作的对应值;
3.3)软极层:输出层为全连通层,其中,采用公式(4)的软极回归函数使神经元的对数符合12种不同故障的概率分布,
3.4)采用如公式(5)的损失函数,损失函数表示数据标签与CNN预测输出之间的差异;在训练过程中将损失函数最小化,对参数进行更新,直至训练结果显示输出为错误数据所对应的故障状态编号,
公式(5)中,m为样本数,I{·}是一个指示性函数,如果y(i)等于J则返回1,如果不等于则返回0。在步骤3.4)中,采用自适应矩量估计方法来最小化损失函数;采用如公式(6)的亚当学***方梯度的衰减平均值vt和过去梯度的衰减平均值mt,
其中,β1取值0.9,β2取值0.999;
采用如公式(7)的自适应学习速率法,根据训练迭代次数调整学习速率,
其中,lr为学习速率,n为迭代次数,niter为迭代次数的设定值。
4)测试诊断精度投入使用。在步骤4)中,采用步骤2)的测试集测试经培训更新后的CNN整体结构的诊断精度,达到要求后,将对象的母线电压数据按照步骤2.1)至步骤2.3)以及步骤3)进行处理,输出故障类型。
附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,该方法包括以下步骤:
1)错误数据收集;
2)数据预处理;
3)卷积神经网络深度训练;
4)测试诊断精度投入使用。
2.根据权利要求1所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤1)中,DC/DC变换器由12个IGBT组成,存在每个IGBT单独出现开路故障及所有IGBT均未出现故障的13种状态,分别收集DC/DC变换器上述13种状态对应的母线电压作为所得数据,定义为X,并对13种状态做编号处理,定义为Y。
3.根据权利要求1所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤2)中,数据预处理包括以下步骤:
2.1)将步骤1)的样本数据重塑成图片;
2.2)使用归一化方法对样本数据进行规范化,参照公式(1),
2.3)数据增强;
2.4)数据集被随机分成培训和测试的子集。
4.根据权利要求3所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤2.3)中,数据增强的方法包括但不限于缩放、旋转、翻转变换、随机修剪、噪声扰动、对比度变换。
5.根据权利要求1所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤3)中,卷积神经网络深度训练包括以下步骤:
3.1)卷积层:卷积层将图像的输入像素与滤核串连起来,然后利用激活函数生成特征图,参照公式(2)的RELU函数,
其中,Wi和bi分别用来表示第i层Li的权重和偏置,Li-1用来表示第(i-1)层特征图,符号计算本地像素和内核的点积,f(·)是一个非线性的活动函数;
3.2)汇集层:池的形式采用最大池层,其滤镜大小为2×2,采用两个向下样品的步幅,每个深度切片在输入时沿宽度和高度各取两个,放弃75%的激活,
其中,Pi(k)表示i层中第k像素的值,k∈[(j-1)W+1,jW],W是池区域的大小,表示池操作的对应值;
3.3)软极层:输出层为全连通层,其中,采用公式(4)的软极回归函数使神经元的对数符合12种不同故障的概率分布,
3.4)采用如公式(5)的损失函数,损失函数表示数据标签与CNN预测输出之间的差异;在训练过程中将损失函数最小化,对参数进行更新,直至训练结果显示输出为错误数据所对应的故障状态编号,
其中,m为样本数,I{·}是一个指示性函数,如果y(i)等于J则返回1,如果不等于则返回0。
6.根据权利要求5所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤3.4)中,采用自适应矩量估计方法来最小化损失函数;采用如公式(6)的亚当学***方梯度的衰减平均值vt和过去梯度的衰减平均值mt,
其中,β1取值0.9,β2取值0.999;
采用如公式(7)的自适应学习速率法,根据训练迭代次数调整学习速率,
其中,lr为学习速率,n为迭代次数,niter为迭代次数的设定值。
7.根据权利要求1所述的一种基于卷积神经网络的DC/DC变换器故障诊断方法,其特征在于,在所述步骤4)中,采用步骤2)的测试集测试经培训更新后的CNN整体结构的诊断精度,达到要求后,将对象的母线电压数据按照步骤2.1)至步骤2.3)以及步骤3)进行处理,输出故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527443.0A CN109444604A (zh) | 2018-12-13 | 2018-12-13 | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527443.0A CN109444604A (zh) | 2018-12-13 | 2018-12-13 | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109444604A true CN109444604A (zh) | 2019-03-08 |
Family
ID=65558199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811527443.0A Pending CN109444604A (zh) | 2018-12-13 | 2018-12-13 | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444604A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083992A (zh) * | 2019-05-29 | 2019-08-02 | 江南大学 | 一种基于多新息递推最小二乘的Boost变换器故障诊断方法 |
CN110335617A (zh) * | 2019-05-24 | 2019-10-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种变电站中的噪音分析方法 |
CN110516742A (zh) * | 2019-08-28 | 2019-11-29 | 广东电网有限责任公司 | 一种基于组合神经网络模型的配电终端故障判别方法及*** |
CN111292407A (zh) * | 2020-02-19 | 2020-06-16 | 东南大学 | 一种基于卷积自编码网络的人脸光照归一化方法 |
CN111896823A (zh) * | 2020-06-30 | 2020-11-06 | 成都四威功率电子科技有限公司 | 一种对功放进行在线健康监测与故障预警的*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及*** |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
JP2018132855A (ja) * | 2017-02-14 | 2018-08-23 | 国立大学法人電気通信大学 | 画像スタイル変換装置、画像スタイル変換方法および画像スタイル変換プログラム |
CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及*** |
-
2018
- 2018-12-13 CN CN201811527443.0A patent/CN109444604A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及*** |
JP2018132855A (ja) * | 2017-02-14 | 2018-08-23 | 国立大学法人電気通信大学 | 画像スタイル変換装置、画像スタイル変換方法および画像スタイル変換プログラム |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及*** |
Non-Patent Citations (4)
Title |
---|
付秀丽等: ""基于卷积神经网络模型的遥感图像分类"", 《高技术通讯》 * |
李松等: ""深度卷积神经网络在迁移学习模式下的SAR目标识别"", 《中国科学院大学学报》 * |
杨国亮等: ""一种改进的深度卷积神经网络的精细图像分类"", 《江西师范大学学报(自然科学版)》 * |
胡貌男等: ""基于改进卷积神经网络的图像分类方法"", 《通信技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335617A (zh) * | 2019-05-24 | 2019-10-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种变电站中的噪音分析方法 |
CN110083992A (zh) * | 2019-05-29 | 2019-08-02 | 江南大学 | 一种基于多新息递推最小二乘的Boost变换器故障诊断方法 |
CN110516742A (zh) * | 2019-08-28 | 2019-11-29 | 广东电网有限责任公司 | 一种基于组合神经网络模型的配电终端故障判别方法及*** |
CN111292407A (zh) * | 2020-02-19 | 2020-06-16 | 东南大学 | 一种基于卷积自编码网络的人脸光照归一化方法 |
CN111292407B (zh) * | 2020-02-19 | 2022-11-18 | 东南大学 | 一种基于卷积自编码网络的人脸光照归一化方法 |
CN111896823A (zh) * | 2020-06-30 | 2020-11-06 | 成都四威功率电子科技有限公司 | 一种对功放进行在线健康监测与故障预警的*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444604A (zh) | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN108334936A (zh) | 基于迁移卷积神经网络的故障预测方法 | |
CN108830127A (zh) | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN108595585A (zh) | 样本数据分类方法、模型训练方法、电子设备及存储介质 | |
CN109871862A (zh) | 一种基于合成少数类过采样和深度学习的故障预测方法 | |
CN109829916A (zh) | 一种基于cnn的变压器故障诊断方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN112668527B (zh) | 一种超声导波半监督成像检测方法 | |
CN109325513B (zh) | 一种基于海量单类单幅图像的图像分类网络训练方法 | |
CN107506350A (zh) | 一种识别信息的方法和设备 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN113988126A (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
CN106671112A (zh) | 一种基于触觉阵列信息的机械手抓取稳定性判断方法 | |
CN111582396A (zh) | 一种基于改进卷积神经网络的故障诊断方法 | |
CN110954326A (zh) | 一种自动学习特征表达的滚动轴承在线故障诊断方法 | |
CN113865868A (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN107643181A (zh) | 一种基于图像识别的滚动轴承变工况故障诊断方法 | |
CN106485325A (zh) | 基于复杂网络和深度学习的两相流多元信息融合法及应用 | |
CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
CN110084810B (zh) | 一种肺结节图像检测方法、模型训练方法、装置及存储介质 | |
CN111031064A (zh) | 一种检测电网假数据注入攻击的方法 | |
CN107016440B (zh) | 机械传动故障的多分辨率深度神经网络智能诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |
|
RJ01 | Rejection of invention patent application after publication |