[發明專利]一種基于混合卷積神經網絡的三相逆變器故障識別方法

有效

• 申請號: 202110562433.6
• 申請日: 2021-05-24
• 公開（公告）號: CN113159077B
• 公開（公告）日: 2023-10-27
• 發明（設計）人: 孫權;于翔海;李宏勝;高芳征;黃家才;彭飛
• 申請（專利權）人: 南京工程學院
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/2415;G06N3/0464;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 戴朝榮

1.一種基于混合卷積神經網絡的三相逆變器故障識別方法，其特征在于，包括以下步驟：

S1、采集故障數據，對數據預處理；

S2、建立并訓練融合卷積神經網絡HCNN模型；

模型包括1D-CNN和2D-CNN兩個網絡；兩個網絡通過兩個卷積層和匯聚層交替連接，實現故障樣本數據的特征提取；從兩個網絡中提取的故障特征向量在全連接層進行融合，生成HCNN的故障特征向量；

S3、基于HCNN進行故障診斷：將預處理后的數據分別以一維和二維形式同時輸入1D-CNN和2D-CNN中，在全連接層融合兩個網絡提取的特征樣本，最后利用softmax分類器完成故障模式識別。

2.根據權利要求1所述的三相逆變器故障識別方法，其特征在于，1D-CNN和2D-CNN都由兩個卷積層、兩個池層和一個完全連接層組成。

3.根據權利要求1所述的三相逆變器故障識別方法，其特征在于，步驟S3中，基于HCNN的故障診斷流程如下：

1)采集直流-交流驅動電路A、B、C三相電流信號i_a、i_b、i_c作為故障信號；

2)利用快速傅里葉變換將采集電流信號轉換成故障信號的頻域信號；將合適的頻域信號截取為故障特征向量，對故障特征向量進行歸一化，得到故障數據樣本，將其分為訓練集和測試集；

3)HCNN訓練階段：首先，分別將相同的訓練參數分別分配給1D-CNN和2D-CNN；將故障數據樣本訓練集輸入到HCNN中，通過逐層訓練和反向傳播，不斷調整網絡參數和權值偏差，最后一層采用softmax分類器進行故障診斷；

4)HCNN測試階段：將故障數據樣本集輸入訓練后的HCNN中，計算不同情況下的故障診斷準確率，并與SDAE、1D-CNN和2D-CNN進行比較，驗證該模型的有效性。

4.根據權利要求1所述的三相逆變器故障識別方法，其特征在于，步驟S1中，數據采集過程包括：采集三相全橋式無刷直流電機驅動電路電流信號，每種負載條件下對每種故障模式分別采樣100次相電流i_a、i_b、i_c。

5.根據權利要求1所述的三相逆變器故障識別方法，其特征在于，數據預處理過程包括：將原始電流信號進行FFT獲得其頻域信號，將頻率范圍為[0，f_N]的頻域信號截取為故障特征向量，對故障特征向量進行歸一化，得到故障數據樣本，將其分為訓練集和測試集。

6.根據權利要求1所述的三相逆變器故障識別方法，其特征在于，HCNN模型中包括四個卷積核，卷積公式為：

式中M_j表示輸入數據的維度；表示輸入數據待卷積的部分；為權重矩陣；b_j為偏置系數；f(·)為激活函數。

7.根據權利要求6所述的三相逆變器故障識別方法，其特征在于，選擇的激活函數為ReLu函數，其數學表達式為：

8.根據權利要求7所述的三相逆變器故障識別方法，其特征在于，池化層卷積核的尺寸分別為1*2與2*2；HCNN模型選擇的是最大池化函數，其表達式為：

其中，為權重矩陣；為偏置矩陣；down(·)為降采樣函數。

9.根據權利要求8所述的三相逆變器故障識別方法，其特征在于，全連接層與最后一個池化層兩兩相連，全連接層的表達式為：

y^k＝f(w^k·x^k-1+b^k) (4)

其中，k為網絡層序號；y^k為全連接層的輸出；w^k為權重矩陣；x^k-1為一維特征向量；b^k為偏置矩陣；f(·)選用softmax激活函數。

10.根據權利要求9所述的三相逆變器故障識別方法，其特征在于，f(·)選用softmax激活函數其數學模型為：

其中，表示第i個樣本屬于j類故障模式的概率。