CN112710969A - 一种单相半桥五电平逆变器开关管开路故障诊断方法 - Google Patents
一种单相半桥五电平逆变器开关管开路故障诊断方法 Download PDFInfo
- Publication number
- CN112710969A CN112710969A CN202011508386.9A CN202011508386A CN112710969A CN 112710969 A CN112710969 A CN 112710969A CN 202011508386 A CN202011508386 A CN 202011508386A CN 112710969 A CN112710969 A CN 112710969A
- Authority
- CN
- China
- Prior art keywords
- fault
- circuit
- open
- fusion
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000007774 longterm 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
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G01R31/54—Testing for continuity
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/24—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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
- G01R31/2603—Apparatus or methods therefor for curve tracing of semiconductor characteristics, e.g. on oscilloscope
-
- 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
- G01R31/40—Testing power supplies
- G01R31/42—AC power supplies
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Tests Of Electronic Circuits (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种单相半桥五电平逆变器开关管开路故障诊断方法,属于电力电子电路故障诊断领域,搭建以DSP控制器和RT‑LAB实时仿真器为核心的半实物实验平台,并选取输出侧电压为故障信号变量;利用经验模态分解提取故障特征向量,再提取故障特征向量的希尔伯特黄变换时频图,将电压信号转换成图谱数据,得到不同故障类型对应的时频图模糊集;将相同故障类型的时频图模糊集进行融合,得到保留更多故障特征的融合图像;将所有故障类型对应的融合图像输入深度卷积神经网络进行训练和测试,得到故障诊断结果。本发明可提高单相半桥五电平逆变器故障诊断的准确性和稳定性,并可扩展应用到其他电力电子设备故障诊断上。
Description
技术领域
本发明属于电力电子电路故障诊断领域,更具体地,涉及一种单相半桥五电平逆变器开关管开路故障诊断方法。
背景技术
目前,随着电力电子开关器件数量和电路复杂度的增加,在长期的监测过程中获得的信号数据一般都是大量数据,而当前传统的基于信号的特征提取方法在处理大量信号数据时,一般通过采样从而压缩数据量,或者直接舍弃部分信号细节的方法生成小规模的数据集,再用于后续训练学习并建立故障诊断模型。此外,基于信号的故障诊断方法在处理大量信号数据时,速度极慢,并且诊断方法在对大量特征数据进行训练学习时,往往会产生无效学习及弱泛化问题,从而无法有效识别故障。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种单相半桥五电平逆变器开关管开路故障诊断方法,结合特征提取算法、图像融合算法、深度卷积神经网络分类算法,改变了传统的基于波形信号的故障诊断方法,转换成对时频图的分类识别来判断电力电子电路的故障,增加了故障诊断的数据量,提高了故障诊断的准确率。
为实现上述目的,按照本发明的一个方面,提供了一种单相半桥五电平逆变器开关管开路故障诊断方法,包括:
(1)建立待诊断电路的仿真模型,根据发生开路故障的开关管个数及其位置,对故障类型进行标签分类,采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量;
(2)对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量,采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图;
(3)将同一种开路故障类型对应的HHT时频图模糊集进行图像融合,得到包含更多的故障特征信息的融合图像;
(4)利用深度卷积神经网络对融合后的图像进行分类识别,实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
在一些可选的实施方案中,步骤(2)包括:
(2.1)对故障信号变量进行EMD分解,直接根据电压信号本身的时间尺度特征进行分解,将复杂的电压信号分解成若干完整的、几乎是正交的IMF分量;
(2.2)将各IMF分量平均分为多个节段,并对每个节段分别转换成 HHT时频图,得到不同的开路故障类型对应的不同的HHT图;将同一种开路故障类型的多张HHT时频图,记为其对应的HHT时频图模糊集。
在一些可选的实施方案中,步骤(3)包括:
(3.1)利用K-SVD算法对待融合图像的所有子区域进行字典学习,得到过完备字典D;
(3.2)使用正交匹配追踪算法和过完备字典D计算稀疏向量;
(3.3)基于稀疏向量最大元素绝对值的融合规则,完成同一种开路故障类型对应的HHT时频图模糊集的稀疏向量融合,获得融合图像。
在一些可选的实施方案中,步骤(3.1)包括:
在一些可选的实施方案中,步骤(3.2)包括:
在一些可选的实施方案中,步骤(3.3)包括:
在一些可选的实施方案中,步骤(4)包括:
(4.1)将融合图像进行标签后的数据集作为深度卷积神经网络的输入,将融合图像进行标签后的数据集分为训练集和测试集;
(4.2)采用深度卷积神经网络对不同故障类型的融合图像进行分类,其中,深度卷积神经网络由输入层、若干个卷积层、激活层、池化层及全连接层组成;
(4.3)选择非线性的激活函数及损失函数,深度卷积神经网络采用基于动态生长的结构,利用增加卷积层/池化层数和弃权技术的网络结构优化方法,确定适合的卷积层参数、池化层参数和全连接数,学习相同故障类型的融合图像的卷积特征,归纳出关键共性特征;
(4.4)选取卷积核,最后比较不同的深度卷积神经网络的故障诊断结果。
按照本发明的另一方面,提供了一种单相半桥五电平逆变器开关管开路故障诊断***,包括:
数据采样模块,用于建立待诊断电路的仿真模型,根据发生开路故障的开关管个数及其位置,对故障类型进行标签分类,采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量;
数据处理模块,用于对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量,采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图;
特征融合模块,用于将同一种开路故障类型对应的HHT时频图模糊集进行图像融合,得到包含更多的故障特征信息的融合图像;
训练测试模块,用于利用深度卷积神经网络对融合后的图像进行分类识别,实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明创新性的将单相半桥五电平逆变器各个关键器件发生故障时的电信号参量数据通过时频分析方法转换成时频图,用于表征不同的故障类别并提供信号参量的时域和频域局部信息。然后结合融合图像将同一故障类别下的不同时频图的互补信息进行融合,使得融合图像中包含更多故障特征。随着深度学***逆变器进行故障识别,将各个关键器件故障对应的时频图模糊集作为网络的输入,通过若干个卷积层、池化层、激活层及全连接层进行关键共性特征的对比学习来识别不同的故障类别,可以大大提高故障诊断的准确率。
附图说明
图1是本发明实施例提供的一种方法流程示意图;
图2是本发明实施例提供的一种单相半桥五电平逆变器的拓扑图;
图3是本发明实施例提供的一种故障特征提取方法的示意图,其中,正常运行情况下的输出侧电压信号的(a)EMD分解过程,(b)HHT时频图;
图4是本发明实施例提供的一种故障特征融合方法的示意图;
图5是本发明实施例提供的一种各类深度卷积神经网络(LeNet-5, AlexNet,VGG-16,VGG-19,GoogLeNet,ResNet-18,ResNet-50,ResNet-152) 诊断结果的对比图。
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。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
以下以单相半桥五电平逆变器开关管开路故障诊断为例对本发明进行详细说明,但是本发明方法不局限于单相半桥五电平逆变器,还可以用于其他电路的故障诊断。
如图1所示是本发明实施例提供的一种单相半桥五电平逆变器开关管开路故障诊断方法的流程示意图,包含以下步骤:
(1)建立单相半桥五电平逆变器的仿真模型,并选取输出侧电压为故障特征变量,根据发生开路故障的电力电子开关器件个数及其位置,对故障类型进行标签分类,具体如下:
(1.1)现有的常用的非实时的离线仿真方法的缺点是从离线仿真直接到实际的原型过程中,会出现很大的跳跃,不确定因素很多。因此,本发明实施例中搭建以数字信号处理(Digital Signal Process,DSP)控制器和 RT-LAB实时仿真器为核心的半实物实验平台,在接近真实实验的前提下,更具有可控性和可重复性,且不具备破坏性。
首先,利用MATLAB/Simulink建立了整个电路拓扑和控制器等模型,再通过RT-LAB将其实时化运行,完成***设计;在真实控制器硬件设计阶段,利用RT-LAB半实物仿真平台连接真实的DSP控制平台,完成控制策略的开发。
其次,真实控制器开发完成后,利用RT-LAB平台,设置单相半桥五电平逆变器不同的故障试验。构建覆盖不同开关器件、多种开路故障的故障特征库,记录故障元件、故障种类、采集输出信号数据等。
最后,基于输出信号数据,在MATLAB/Simulink的仿真环境和 DSP+RT-LAB的半实物实验环境下开展故障特征提取、故障特征融合、故障诊断方法的验证。
(1.2)单相半桥五电平逆变器电路仿真拓扑图如图2所示,它由上下两个桥臂组成一个相单元,每个桥臂包含2个子模块以及一个桥臂电感,并以上桥臂电感L1和下桥臂电感L2之间作为交流输出端。上桥臂2个子模块串联的入端形成正母线端P,下桥臂2个子模块串联的出端形成负母线端 N,从而形成直流母线侧,该侧可以连接直流电压源或者直流负载等。直流母线的电压中点O需要与桥臂的交流输出端形成回路,从而进行交直流侧功率交换。每一个子模块是由两个反并联二极管的开关管串联而构成的,直流电容C1并联在两个开关管上。在子模块的构造之中,电容C1相当于电压源,通过不断的进行充放电,来存储和释放电能。图2中Usm为子模块的输出电压,Ism为子模块输入电流,而Uo为子模块的电容电压。两组桥臂有 8种开路故障,包含正常运行状态则分为9类,单相半桥五电平逆变器开关状态与故障种类的关系表如表1所示,其中V11 OC和V12 OC分别表示功率管V11和V12开路故障。并选取输出侧电压为故障信号变量。
表1故障类别和标签
(2)对故障信号变量进行经验模态分解(Empirical Mode Decomposition, EMD)得到本征模函数分量(Intrinsic Mode Function,IMF),作为故障特征向量,采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换 (Hilbert-Huang Transform,HHT)时频图;
在步骤(2)中,基于时频图分析的单相半桥五电平逆变器故障特征提取方法,能够提取精确表征各类故障的时频图模糊集。具体如下:
(2.1)对输出侧电压进行EMD分解,EMD不需要指定基函数,而是直接根据信号本身的时间尺度特征进行分解,将输出侧电压信号分解成若干完整的、几乎是正交的IMF分量和残余分量之和,每阶IMF分量对应于一个离散频率的特定信号的振动模式。EMD方法将输出侧电压信号分解如下:
其中,每阶IMF分量ci(t)包含输出侧电压信号的不同时间特征尺度,残差分量r(t)代表输出侧电压信号的平均趋势。因此,可以从电路输出信号的IMF分量中提取出电力电子电路故障的特征信息。
(2.2)如图3(a)所示,是单相半桥五电平逆变器在正常运行情况下的输出侧电压信号的EMD分解过程。将每阶IMF分量分解成多段,其次采用希尔伯特黄变换算法提取每一段的HHT时频图,将波形信号转换成图谱数据,不同的故障类型会对应不同的HHT图。对于同一种故障类型获得多张HHT时频图,记为某一类故障对应的时频图模糊集。如图3(b)所示,为正常运行情况下的HHT时频图。
(3)将同一种开路故障类型对应的HHT时频图模糊集进行图像融合,得到包含更多的故障特征信息的融合图像;
时频图模糊集中的多个HHT时频图像通常包含一些互补信息,通过融合可以得到包含更多的故障特征信息的融合图像。图4给出了融合过程的原理图,具体包括以下步骤:
其中,ε为预设阈值。
(4)利用深度卷积神经网络对融合图像SF进行分类识别,实现对单相半桥五电平逆变器不同故障的准确诊断。
本发明实施例中,采用LeNet,AlexNet,ResNet,VGGNet,GoogLeNet 等深度卷积神经网络进行故障分类,具体包括以下步骤:
(4.1)深度卷积神经网络的网络框架是Caffe中开源的LeNet,AlexNet, ResNet,VGGNet和GoogLeNet框架。在实验中,CPU是Inter(R)Core(TM) i7-4790 [email protected],GPU是NVIDIA GeForce GTX 750Ti。本发明实施例中,在可用于表征不同故障类型的融合图像的基础上,将融合图像进行标签后的数据集作为深度卷积神经网络的输入,分为训练集和测试集;
(4.2)深度卷积神经网络由输入层、若干个卷积层、激活层、池化层及全连接层组成。确定适合故障分类的卷积层、池化层和全连接数。全连接层的神经元数可以修改,因为本发明实施例中有9类故障类别,所以将最终全连接层的神经元数修改为9个。为了防止过拟合,减小误差,增强特征,加快收敛速度,在故障诊断测试中选择合适的非线性的激活函数,如Sigmoid函数、ReLU函数、ELU函数和tanh函数等。在故障诊断测试中选择合适的损失函数,如0-1损失函数、绝对值损失函数、平方损失函数、方差损失函数、交叉熵损失函数等。
(4.3)深度卷积神经网络采用基于动态生长的结构,利用增加卷积层/ 池化层数和弃权技术等网络结构优化方法,确定适合的卷积层参数、池化层参数和全连接数,训练学习相同故障类型的融合图像的卷积特征,归纳出关键共性特征。在故障诊断测试中选取合适的卷积核,如同一化核、边缘检测核、图像锐化核以及高斯模糊核等。图5展示了本发明案例采用LeNet, AlexNet,ResNet,VGGNet,GoogLeNet等深度卷积神经网络得到的故障诊断结果,都达到了较高的精度值。
本申请还提供一种单相半桥五电平逆变器开关管开路故障诊断***,包括:
数据采样模块,用于建立单相半桥五电平逆变器的仿真模型,根据发生开路故障的开关管个数及其位置,对故障类型进行标签分类,采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量;
数据处理模块,用于对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量,采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图;
特征融合模块,用于将同一种开路故障类型对应的HHT时频图模糊集进行图像融合,得到包含更多的故障特征信息的融合图像;
训练测试模块,用于利用深度卷积神经网络对融合后的图像进行分类识别,实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
其中,各模块的具体实施方式可以参考上述方法实施例的描述,本发明实施例将不再复述。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现方法实施例中的单相半桥五电平逆变器开关管开路故障诊断方法。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (9)
1.一种单相半桥五电平逆变器开关管开路故障诊断方法,其特征在于,包括:
(1)建立建立待诊断电路的仿真模型,根据发生开路故障的开关管个数及其位置,对故障类型进行标签分类,采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量;
(2)对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量,采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图;
(3)将同一种开路故障类型对应的HHT时频图模糊集进行图像融合,得到包含更多的故障特征信息的融合图像;
(4)利用深度卷积神经网络对融合后的图像进行分类识别,实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
2.根据权利要求1所述的方法,其特征在于,步骤(2)包括:
(2.1)对故障信号变量进行EMD分解,直接根据电压信号本身的时间尺度特征进行分解,将复杂的电压信号分解成若干完整的、几乎是正交的IMF分量;
(2.2)将各IMF分量平均分为多个节段,并对每个节段分别转换成HHT时频图,得到不同的开路故障类型对应的不同的HHT图;将同一种开路故障类型的多张HHT时频图,记为其对应的HHT时频图模糊集。
3.根据权利要求2所述的方法,其特征在于,步骤(3)包括:
(3.1)利用K-SVD算法对待融合图像的所有子区域进行字典学习,得到过完备字典D;
(3.2)使用正交匹配追踪算法和过完备字典D计算稀疏向量;
(3.3)基于稀疏向量最大元素绝对值的融合规则,完成同一种开路故障类型对应的HHT时频图模糊集的稀疏向量融合,获得融合图像。
7.根据权利要求1至6任意一项所述的方法,其特征在于,步骤(4)包括:
(4.1)将融合图像进行标签后的数据集作为深度卷积神经网络的输入,将融合图像进行标签后的数据集分为训练集和测试集;
(4.2)采用深度卷积神经网络对不同故障类型的融合图像进行分类,其中,深度卷积神经网络由输入层、若干个卷积层、激活层、池化层及全连接层组成;
(4.3)选择非线性的激活函数及损失函数,深度卷积神经网络采用基于动态生长的结构,利用增加卷积层/池化层数和弃权技术的网络结构优化方法,确定适合的卷积层参数、池化层参数和全连接数,学习相同故障类型的融合图像的卷积特征,归纳出关键共性特征;
(4.4)选取卷积核,最后比较不同的深度卷积神经网络的故障诊断结果。
8.一种单相半桥五电平逆变器开关管开路故障诊断***,其特征在于,包括:
数据采样模块,用于建立待诊断电路的仿真模型,根据发生开路故障的开关管个数及其位置,对故障类型进行标签分类,采集电路在正常运行和不同开路故障情况下的输出侧电压数据为故障信号变量;
数据处理模块,用于对故障信号变量进行经验模态分解EMD得到本征模函数IMF分量作为故障特征向量,采用Hilbert谱分析提取故障特征向量的希尔伯特黄变换HHT时频图;
特征融合模块,用于将同一种开路故障类型对应的HHT时频图模糊集进行图像融合,得到包含更多的故障特征信息的融合图像;
训练测试模块,用于利用深度卷积神经网络对融合后的图像进行分类识别,实现对单相半桥五电平逆变器不同开关管开路故障的准确诊断。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述单相半桥五电平逆变器开关管开路故障诊断方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508386.9A CN112710969B (zh) | 2020-12-18 | 2020-12-18 | 一种单相半桥五电平逆变器开关管开路故障诊断方法 |
US17/503,354 US20220198244A1 (en) | 2020-12-18 | 2021-10-17 | Method for diagnosing open-circuit fault of switching transistor of single-phase half-bridge five-level inverter |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508386.9A CN112710969B (zh) | 2020-12-18 | 2020-12-18 | 一种单相半桥五电平逆变器开关管开路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112710969A true CN112710969A (zh) | 2021-04-27 |
CN112710969B CN112710969B (zh) | 2021-11-09 |
Family
ID=75544586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011508386.9A Active CN112710969B (zh) | 2020-12-18 | 2020-12-18 | 一种单相半桥五电平逆变器开关管开路故障诊断方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220198244A1 (zh) |
CN (1) | CN112710969B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159077A (zh) * | 2021-05-24 | 2021-07-23 | 南京工程学院 | 一种基于混合卷积神经网络的三相逆变器故障识别方法 |
CN113159226A (zh) * | 2021-05-18 | 2021-07-23 | 中国矿业大学 | 一种深度特征和统计特征融合的逆变器故障诊断方法 |
CN113689308A (zh) * | 2021-08-05 | 2021-11-23 | 北京航空航天大学 | 基于动态模糊网络和多源信息融合的供电***级故障诊断 |
CN113866675A (zh) * | 2021-09-26 | 2021-12-31 | 河南理工大学 | 一种h桥逆变器短路故障推理方法 |
CN114252725A (zh) * | 2021-11-05 | 2022-03-29 | 国网河南省电力公司电力科学研究院 | 基于HHT和ResNet18的单相接地故障类型综合辨识方法 |
CN116610916A (zh) * | 2023-05-18 | 2023-08-18 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943259B (zh) * | 2022-07-22 | 2022-10-21 | 深圳市世坤科技实业有限公司 | 利用激光加工电动元件的设备故障诊断***及方法 |
EP4383120A1 (en) * | 2022-12-08 | 2024-06-12 | Plexim GmbH | Method and apparatus for simulating an electrical circuit, digital real-time simulator, computer program and computer-readable medium |
CN116108755B (zh) * | 2023-03-09 | 2024-07-16 | 合肥工业大学 | 一种基于故障字典的反事实置信数据生成方法 |
CN116541772B (zh) * | 2023-05-05 | 2023-10-10 | 兰州理工大学 | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 |
CN116311595A (zh) * | 2023-05-16 | 2023-06-23 | 江西五十铃汽车有限公司 | 车辆mos管监管方法、设备、介质和程序产品 |
CN116434777B (zh) * | 2023-06-09 | 2023-10-20 | 国网山东省电力公司济南供电公司 | 基于多级注意力和特征融合的变压器故障诊断方法及*** |
CN116400264B (zh) * | 2023-06-09 | 2023-08-18 | 广东工业大学 | 一种逆变器开路故障诊断方法和*** |
CN117092554B (zh) * | 2023-10-17 | 2024-01-02 | 中南大学 | 逆变器耦合故障分析方法、装置、电子设备及存储介质 |
CN117169657B (zh) * | 2023-11-03 | 2024-01-12 | 山东和兑智能科技有限公司 | 一种基于人工智能的高压电缆状态监测方法及*** |
CN117872115B (zh) * | 2023-12-29 | 2024-06-25 | 广东电网有限责任公司江门供电局 | 一种高压断路器未标记故障诊断方法 |
CN117874665B (zh) * | 2024-03-13 | 2024-05-10 | 西北工业大学宁波研究院 | 一种sofc***多故障的诊断方法及*** |
CN117949800A (zh) * | 2024-03-27 | 2024-04-30 | 敦为技术(佛山)有限公司 | 一种场效晶体管智能测试方法及*** |
CN118033487B (zh) * | 2024-04-10 | 2024-06-21 | 湖南大学 | 一种并网hanpc全控器件开路故障诊断方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107543722A (zh) * | 2017-08-18 | 2018-01-05 | 西安交通大学 | 基于深度堆叠字典学习的滚动轴承故障特征提取方法 |
CN107666322A (zh) * | 2017-09-08 | 2018-02-06 | 山东科技大学 | 一种基于字典学习的自适应微震数据压缩感知方法 |
WO2018025006A1 (en) * | 2016-08-05 | 2018-02-08 | The Secretary Of State For Defence | Method and apparatus for generating an enhanced digital image of a physical object or environment |
CN108106830A (zh) * | 2017-12-13 | 2018-06-01 | 武汉科技大学 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
CN108983749A (zh) * | 2018-07-10 | 2018-12-11 | 福州大学 | 基于k-svd训练稀疏字典的光伏阵列故障诊断方法 |
CN110780271A (zh) * | 2019-10-18 | 2020-02-11 | 西安电子科技大学 | 基于卷积神经网络的空间目标多模式雷达分类方法 |
CN111126493A (zh) * | 2019-12-25 | 2020-05-08 | 东软睿驰汽车技术(沈阳)有限公司 | 深度学习模型的训练方法、装置、电子设备及存储介质 |
CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN111508518A (zh) * | 2020-05-18 | 2020-08-07 | 中国科学技术大学 | 一种基于联合字典学习和稀疏表示的单通道语音增强方法 |
CN111523509A (zh) * | 2020-05-08 | 2020-08-11 | 江苏迪赛司自动化工程有限公司 | 融合物理和深度表达特征的设备故障诊断及健康监测方法 |
CN111815511A (zh) * | 2019-04-11 | 2020-10-23 | 上海集森电器有限公司 | 一种全景图像拼接方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7139668B2 (en) * | 2003-05-12 | 2006-11-21 | Simmonds Precision Products, Inc. | Wire event detection |
GB201201230D0 (en) * | 2012-01-25 | 2012-03-07 | Univ Delft Tech | Adaptive multi-dimensional data decomposition |
US9013490B2 (en) * | 2012-05-17 | 2015-04-21 | The United States Of America As Represented By The Administrator Of The National Aeronautics Space Administration | Hilbert-huang transform data processing real-time system with 2-D capabilities |
-
2020
- 2020-12-18 CN CN202011508386.9A patent/CN112710969B/zh active Active
-
2021
- 2021-10-17 US US17/503,354 patent/US20220198244A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018025006A1 (en) * | 2016-08-05 | 2018-02-08 | The Secretary Of State For Defence | Method and apparatus for generating an enhanced digital image of a physical object or environment |
CN107543722A (zh) * | 2017-08-18 | 2018-01-05 | 西安交通大学 | 基于深度堆叠字典学习的滚动轴承故障特征提取方法 |
CN107666322A (zh) * | 2017-09-08 | 2018-02-06 | 山东科技大学 | 一种基于字典学习的自适应微震数据压缩感知方法 |
CN108106830A (zh) * | 2017-12-13 | 2018-06-01 | 武汉科技大学 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
CN108983749A (zh) * | 2018-07-10 | 2018-12-11 | 福州大学 | 基于k-svd训练稀疏字典的光伏阵列故障诊断方法 |
CN111815511A (zh) * | 2019-04-11 | 2020-10-23 | 上海集森电器有限公司 | 一种全景图像拼接方法 |
CN110780271A (zh) * | 2019-10-18 | 2020-02-11 | 西安电子科技大学 | 基于卷积神经网络的空间目标多模式雷达分类方法 |
CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN111126493A (zh) * | 2019-12-25 | 2020-05-08 | 东软睿驰汽车技术(沈阳)有限公司 | 深度学习模型的训练方法、装置、电子设备及存储介质 |
CN111523509A (zh) * | 2020-05-08 | 2020-08-11 | 江苏迪赛司自动化工程有限公司 | 融合物理和深度表达特征的设备故障诊断及健康监测方法 |
CN111508518A (zh) * | 2020-05-18 | 2020-08-07 | 中国科学技术大学 | 一种基于联合字典学习和稀疏表示的单通道语音增强方法 |
Non-Patent Citations (3)
Title |
---|
BILAL DJAMAL EDDINE CHERIF等: "An Automatic Diagnosis of an Inverter IGBT Open- Circuit Fault Based on HHT-ANN", 《TAYLOR&FRANCIS》 * |
杨露等: "基于HHT / PNN 的故障信息融合诊断方法", 《北京工业大学学报》 * |
牟伟杰: "基于振动时频图像全局和局部特征融合的柴油机故障诊断", 《振动与冲击》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159226A (zh) * | 2021-05-18 | 2021-07-23 | 中国矿业大学 | 一种深度特征和统计特征融合的逆变器故障诊断方法 |
CN113159077A (zh) * | 2021-05-24 | 2021-07-23 | 南京工程学院 | 一种基于混合卷积神经网络的三相逆变器故障识别方法 |
CN113159077B (zh) * | 2021-05-24 | 2023-10-27 | 南京工程学院 | 一种基于混合卷积神经网络的三相逆变器故障识别方法 |
CN113689308A (zh) * | 2021-08-05 | 2021-11-23 | 北京航空航天大学 | 基于动态模糊网络和多源信息融合的供电***级故障诊断 |
CN113866675A (zh) * | 2021-09-26 | 2021-12-31 | 河南理工大学 | 一种h桥逆变器短路故障推理方法 |
CN113866675B (zh) * | 2021-09-26 | 2023-05-26 | 河南理工大学 | 一种h桥逆变器短路故障推理方法 |
CN114252725A (zh) * | 2021-11-05 | 2022-03-29 | 国网河南省电力公司电力科学研究院 | 基于HHT和ResNet18的单相接地故障类型综合辨识方法 |
CN116610916A (zh) * | 2023-05-18 | 2023-08-18 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
CN116610916B (zh) * | 2023-05-18 | 2023-11-21 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220198244A1 (en) | 2022-06-23 |
CN112710969B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112710969B (zh) | 一种单相半桥五电平逆变器开关管开路故障诊断方法 | |
CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN103761372B (zh) | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 | |
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 | |
CN112488011B (zh) | 一种模块化多电平换流器故障分类方法 | |
CN108345889B (zh) | 一种利用树莓派对通信机柜进行示数识别的应用方法 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN112200694A (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
Lima et al. | Wavelet‐artificial immune system algorithm applied to voltage disturbance diagnosis in electrical distribution systems | |
CN113093058A (zh) | 一种npc三电平逆变器开路故障诊断方法 | |
CN114021433A (zh) | 一种电力***的主导失稳模式识别模型的构建方法及应用 | |
CN115618195A (zh) | 传感器电路故障诊断方法、***、介质及装置 | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
Zhu et al. | Fault location in AC transmission lines with back‐to‐back MMC‐HVDC using ConvNets | |
Markovic et al. | Hybrid fault detection in power systems | |
Cui et al. | T-type inverter fault diagnosis based on GASF and improved AlexNet | |
Zhang et al. | Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet | |
Xu et al. | Loop optimization noise-reduced LSTM based classifier for PD detection | |
CN113112039A (zh) | 基于时频记忆递归神经网络的主动配电***初期故障识别方法 | |
Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
CN117669656A (zh) | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 | |
CN115935244B (zh) | 一种基于数据驱动的单相整流器故障诊断方法 | |
CN116566061A (zh) | 一种并网逆变器***稳定性在线监测方法及*** | |
CN115019129A (zh) | 基于时序成像与图像融合的双有源桥变换器故障诊断方法及*** |
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 |