[發(fā)明專利]一種三電平逆變器故障診斷方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202210563056.2
• 申請(qǐng)日: 2022-05-23
• 公開（公告）號(hào): CN114814436A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設(shè)計(jì)）人: 田里思;楊濤;張鴻偉;宋建雄;劉立偉;尚劍;潘大海;莊虎;史猛猛
• 申請(qǐng)（專利權(quán)）人: 中國(guó)礦業(yè)大學(xué);徐州宏遠(yuǎn)通信科技有限公司
• 主分類號(hào): G01R31/00
• 分類號(hào): G01R31/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安銘澤知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61223
• 代理人: 姬莉

本發(fā)明提供了一種三電平逆變器故障診斷方法及裝置，屬于逆變器故障識(shí)別領(lǐng)域，包括以下步驟：獲取三電平逆變器的故障數(shù)據(jù)；對(duì)三電平逆變器的故障數(shù)據(jù)進(jìn)行預(yù)處理，得到故障灰度圖；對(duì)三電平逆變器的故障數(shù)據(jù)進(jìn)行樣本劃分；通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)故障灰度圖中的故障特征進(jìn)行提取；將提取得到的灰度圖像特征作為輸入，構(gòu)建基于支持向量機(jī)的三電平逆變器故障識(shí)別模型；利用三電平逆變器故障識(shí)別模型進(jìn)行故障診斷。本發(fā)明采用CNN?SVM進(jìn)行三電平逆變器的故障診斷，提出的模型結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力和SVM的泛化能力，不需要繁瑣的建模過程，能夠處理小樣本的故障分類，針對(duì)三電平逆變器的故障具有較高的識(shí)別率。

技術(shù)領(lǐng)域

本發(fā)明屬于三電平逆變器開關(guān)管開路故障的識(shí)別與定位領(lǐng)域，具體涉及一種三電平逆變器故障診斷方法及裝置。

背景技術(shù)

近年來，電力電子變換器已廣泛應(yīng)用于新能源汽車、工業(yè)機(jī)器人、高壓直流輸電、大功率電解和電機(jī)驅(qū)動(dòng)系統(tǒng)。然而，由于暴露在惡劣的工作環(huán)境中，逆變器容易因設(shè)備老化、過載、意外操作而遭受嚴(yán)重故障。據(jù)報(bào)道，電力電子系統(tǒng)約38％的故障是由電力電子開關(guān)的故障引起的。因此，電力電子變換器開關(guān)管的故障診斷研究對(duì)提高系統(tǒng)穩(wěn)定性和保證系統(tǒng)安全高效運(yùn)行起著至關(guān)重要的作用。

通過建立電路的故障模型來分析詳細(xì)的故障方程。然而，這種方法對(duì)參數(shù)敏感，并且非常容易受到外部干擾，因此精確的故障數(shù)學(xué)模型難以建立。與基于模型的方法相比，機(jī)器學(xué)習(xí)方法，對(duì)電路模型的依賴更少，效率更高。通過卷積和池化操作，CNN可以自動(dòng)地從訓(xùn)練數(shù)據(jù)中提取更多有區(qū)別的特征。此外，由于使用卷積核、共享權(quán)重和池化操作，CNN模型的復(fù)雜性和參數(shù)大大降低。盡管CNN相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有很多優(yōu)勢(shì)，但CNN訓(xùn)練算法與基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則的BPNN相似，而且需要大樣本數(shù)據(jù)，存在過擬合問題。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術(shù)存在的不足，本發(fā)明提供了一種三電平逆變器故障診斷方法及裝置。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種三電平逆變器故障診斷方法，包括以下步驟:

獲取三電平逆變器的故障數(shù)據(jù)；

對(duì)故障數(shù)據(jù)進(jìn)行預(yù)處理，得到故障灰度圖；

通過卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)對(duì)故障灰度圖中的故障特征進(jìn)行提取；

將CNN提取得到的灰度圖像特征作為輸入，構(gòu)建基于支持向量機(jī)(Support vectormachine,SVM)的三電平逆變器故障識(shí)別模型；

利用三電平逆變器故障識(shí)別模型進(jìn)行故障診斷。

優(yōu)選地，利用示波器周期性的對(duì)三電平逆變器的故障波形進(jìn)行采樣，得到各種故障的三相相電壓的原始故障數(shù)據(jù)。

優(yōu)選地，所述對(duì)故障數(shù)據(jù)進(jìn)行預(yù)處理，得到故障灰度圖，具體步驟為：

以A相在前、B相在中、C相在后的原則，對(duì)所述原始故障數(shù)據(jù)中的樣本進(jìn)行組合；

對(duì)組合后的樣本進(jìn)行歸一化，歸一化的公式如下：

公式(1)中X∈[0,1]，為歸一化后的樣本值；X_i為樣本數(shù)據(jù)；X_min為最小樣本值；X_max為最大樣本值；

對(duì)歸一化后的樣本值進(jìn)行線性灰度圖轉(zhuǎn)換，得到故障灰度圖。

優(yōu)選地，所述卷積神經(jīng)網(wǎng)絡(luò)CNN包含卷積層、池化層和全平均池化層；

卷積層使用Keras中的2D卷積層Conv2D，卷積核尺寸為3*3，卷積核數(shù)量為64；