[發明專利]基于深度殘差網絡和聯合分布的逆變器參數故障診斷方法

在審

• 申請號: 202310175237.2
• 申請日: 2023-02-28
• 公開（公告）號: CN116401610A
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 林瓊斌;范宇航;黃若辰;蔡逢煌;王武;柴琴琴
• 申請（專利權）人: 福州大學
• 主分類號: G06F18/2433
• 分類號: G06F18/2433;G06F18/214;G06F30/20;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 郭東亮;蔡學俊

1.基于深度殘差網絡和聯合分布的逆變器參數故障診斷方法，其特征在于：所述診斷方法以三相逆變器多種已知工況下的故障數據建立訓練集，建立構建由多個殘差塊組成的深度殘差網絡模型，同時運用Adam算法及批歸一化BN技術防止該模型過擬合，接著加入偽標簽學習，對源域與目標域之間的聯合分布差異進行度量，通過聯合分布適配方法來實現兩個域特征的聯合分布對齊，并以差異最小化為目標對網絡進行優化。

2.根據權利要求1所述的基于深度殘差網絡和聯合分布的逆變器參數故障診斷方法，其特征在于：所述診斷方法用于解決實際工程的應用場景中多種工況下故障數據分布不同，導致傳統的深度診斷模型泛化能力及效率發生下降的問題，具體包括以下步驟；

步驟一：基于三相逆變器多種工況下的故障數據，建立域自適應診斷模型，給定帶數據標簽的源域D_S以及無數據標簽的目標域D_t，并且共享一個標簽空間，即y_s＝y_t＝{1,2,...,C}；域自適應的目標是找到一個映射函數作為領域共享的分類器來將源域和目標域映射在一個共同的特征空間中，即f(P(X_s))＝f(P(X_t))；

步驟二：建立殘差網絡，保持殘差結構可以通過捷徑連接將某一層輸出恒等映射至后面某一層網絡，將學習的目標由傳統的映射F(x)＝H(x)轉換成輸入與映射相減的結果F(x)＝H(x)-x，形成殘差基本單元結構；

步驟三：聯合分布適配，描述為：學習最優特征表示f(·)滿足兩個條件；

條件(1)：兩個域間的邊緣概率分布P(x_s)、P(x_t)的差異最小化；

條件(2)：兩個域間的條件概率分布Q(y_s|x_s)、Q(y_t|x_t)的差異最小化；

同時度量兩個域的邊緣分布差異和條件分布差異，并將其作為優化目標；使用最大均值差異MMD對數據間的分布進行度量，將源域和目標域同時映射到無窮維的再生和希爾伯特空間RKHS；

步驟四：求解兩個域數據之間在映射后的均值，最后將均值平均化得到兩個域之間的MMD；MMD的定義如下：

式中：X_s、X_t為兩個數據集、φ:x|→H為由數據空間映射至RKHS的非線性映射函數；

為了解決計算量大的問題，采用計算樣本間核函數的方法，采用高斯函數，即：

步驟五：邊緣分布適配度量樣本分布間的差異時，采用公式一；該步驟無需數據的標簽信息；

步驟六：以偽標簽的學習方法提供條件分布適配所需的目標域的標簽，初始化時候將源域數據訓練的預訓練網絡對目標域進行分類的預測值作為目標域的偽標簽；條件分布采用MMD作為度量；公式為

公式三；

式中，c∈{1,...,C}，C為標簽的類別數，

D_s^(c)＝{x_i:x_i∈D_s∩y(x_i)＝c}，

y(x_i)表示源域數據中的真實標簽，表示源域中類c別的數目；

表示源域中類別c的數目，表示目標域數據中的偽標簽；

步驟六：對逆變器核心部件的薄膜電容進行建模，得到薄膜電容的等效電路；

步驟七：對三相逆變器進行故障分類設置，具體分成八種三相逆變器運行模式，包括正常運行狀態和七種參數性故障運行模式；

步驟八：由特征提取器模塊，故障分類器模塊和聯合分布適配模塊組成網絡；其中特征提取器作用為從不同的域的故障數據中提取同時適應任務的特征，即找到一個空間源域和目標域的數據在此空間的分布差異最小；特征提取模塊采用一維深度殘差神經網絡；

步驟九：進行分類器優化：對具有N個故障類別的故障數據集，其網絡的輸出值使用Softmax函數來轉化成標準的概率形式，故障分類的誤差用交叉熵形式定義如下：

步驟十：聯合分布適配優化，改善層正價與提取特征特殊性變強的問題，針對網絡的全連接層進行聯合分布適配優化：

L_J＝D_H(FC2^s,FC2^t)????公式五；

步驟十一：權重正則化項優化：增加特殊投影對應的權值對網絡的影響，引入權值正則化項：

式中，為表征特征特殊性的網絡層權值的集合，K為網絡層數；σ為懲罰因子，決定正則化項在總目標函數中的比重。當增大時意味著L_w越小；

步驟十二：綜合分類器優化、聯合分布適配優化、權重正則化項優化的優化目標，網絡的總損失函數如下：

L_total＝L_c+λL_J+L_w????公式七。