[發(fā)明專利]基于深度殘差網(wǎng)絡(luò)和聯(lián)合分布的逆變器參數(shù)故障診斷方法

在審

• 申請?zhí)枺?/td>: 202310175237.2
• 申請日: 2023-02-28
• 公開（公告）號: CN116401610A
• 公開（公告）日: 2023-07-07
• 發(fā)明（設(shè)計）人: 林瓊斌;范宇航;黃若辰;蔡逢煌;王武;柴琴琴
• 申請（專利權(quán)）人: 福州大學(xué)
• 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(chuàng)專利商標代理有限公司 35100
• 代理人: 郭東亮;蔡學(xué)俊

本發(fā)明提出基于深度殘差網(wǎng)絡(luò)和聯(lián)合分布的逆變器參數(shù)故障診斷方法，以三相逆變器多種已知工況下的故障數(shù)據(jù)建立訓(xùn)練集，建立構(gòu)建由多個殘差塊組成的深度殘差網(wǎng)絡(luò)模型，同時運用Adam算法及批歸一化BN技術(shù)防止該模型過擬合，接著加入偽標簽學(xué)習(xí)，對源域與目標域之間的聯(lián)合分布差異進行度量，通過聯(lián)合分布適配方法來實現(xiàn)兩個域特征的聯(lián)合分布對齊，并以差異最小化為目標對網(wǎng)絡(luò)進行優(yōu)化；本發(fā)明能解決實際工程的應(yīng)用場景中多種工況下故障數(shù)據(jù)分布不同，導(dǎo)致傳統(tǒng)的深度診斷模型泛化能力及效率發(fā)生下降的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及逆變器技術(shù)領(lǐng)域，尤其是基于深度殘差網(wǎng)絡(luò)和聯(lián)合分布的逆變器參數(shù)故障診斷方法。

背景技術(shù)

三相逆變器在電能生產(chǎn)和工業(yè)應(yīng)用中發(fā)揮著重要作用。當(dāng)三相逆變器發(fā)生故障時，輕則導(dǎo)致設(shè)備異常和失效，造成一定的經(jīng)濟損失，重則導(dǎo)致系統(tǒng)癱瘓，影響工業(yè)生產(chǎn)和引起人身安全問題。因此為了提高工業(yè)生產(chǎn)的可靠性和效率，開展對三相逆變器的故障研究，實時評估三相逆變器中的健康狀況，制定靈活的維修計劃，減小按照固定周期制定的“計劃維修”和故障發(fā)生后制定的“事后維修”帶來的應(yīng)變能力不足和系統(tǒng)工作連續(xù)性和穩(wěn)定性不足帶來的風(fēng)險是十分必要的。

目前，電力電子變換器的故障診斷方法有解析模型法、信號處理法、人工智能法等。這些方法的識別結(jié)果往往受到人為干預(yù)影響，而深度學(xué)習(xí)作為重要的人工智能算法具有強大的自動提取特征能力，在電力電子故障診斷中效果明顯有效。然而，在實際的工業(yè)應(yīng)用過程中，設(shè)備在運行時往往因運行環(huán)境、工況等因素影響導(dǎo)致采集到的故障數(shù)據(jù)服從的分布不同，而且采集到的數(shù)據(jù)往往要經(jīng)過大量人力物力進行處理和標注，凸顯出模型適配性與處于不同分布數(shù)據(jù)、大量數(shù)據(jù)和少量標注之前的矛盾，因此針對不同工況的故障從零開始搭建診斷模型并進行訓(xùn)練是不現(xiàn)實的。

基于此，本發(fā)明提出一種基于深度殘差聯(lián)合適配的三相逆變器參數(shù)性故障診斷方法，該方法構(gòu)建由3個殘差塊組成的一維深度殘差網(wǎng)絡(luò)避免了深層網(wǎng)絡(luò)的退化現(xiàn)象，并通過聯(lián)合分布適配方法來實現(xiàn)兩個域特征的聯(lián)合分布對齊，有效減小不同工況故障數(shù)據(jù)之間的分布差異，加強對其他工況樣本的利用實現(xiàn)變工況場景下的無監(jiān)督學(xué)習(xí)。

發(fā)明內(nèi)容

本發(fā)明提出基于深度殘差網(wǎng)絡(luò)和聯(lián)合分布的逆變器參數(shù)故障診斷方法，能解決實際工程的應(yīng)用場景中多種工況下故障數(shù)據(jù)分布不同，導(dǎo)致傳統(tǒng)的深度診斷模型泛化能力及效率發(fā)生下降的問題。

本發(fā)明采用以下技術(shù)方案。

基于深度殘差網(wǎng)絡(luò)和聯(lián)合分布的逆變器參數(shù)故障診斷方法，所述診斷方法以三相逆變器多種已知工況下的故障數(shù)據(jù)建立訓(xùn)練集，建立構(gòu)建由多個殘差塊組成的深度殘差網(wǎng)絡(luò)模型，同時運用Adam算法及批歸一化BN技術(shù)防止該模型過擬合，接著加入偽標簽學(xué)習(xí)，對源域與目標域之間的聯(lián)合分布差異進行度量，通過聯(lián)合分布適配方法來實現(xiàn)兩個域特征的聯(lián)合分布對齊，并以差異最小化為目標對網(wǎng)絡(luò)進行優(yōu)化。

所述診斷方法用于解決實際工程的應(yīng)用場景中多種工況下故障數(shù)據(jù)分布不同，導(dǎo)致傳統(tǒng)的深度診斷模型泛化能力及效率發(fā)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(shù)據(jù)，建立域自適應(yīng)診斷模型，給定帶數(shù)據(jù)標簽的源域D_S以及無數(shù)據(jù)標簽的目標域D_t，并且共享一個標簽空間，即y_s＝y(tǒng)_t＝{1,2,...,C}；域自適應(yīng)的目標是找到一個映射函數(shù)作為領(lǐng)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(wǎng)絡(luò)，保持殘差結(jié)構(gòu)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(wǎng)絡(luò)，將學(xué)習(xí)的目標由傳統(tǒng)的映射F(x)＝H(x)轉(zhuǎn)換成輸入與映射相減的結(jié)果F(x)＝H(x)-x，形成殘差基本單元結(jié)構(gòu)；

步驟三：聯(lián)合分布適配，描述為：學(xué)習(xí)最優(yōu)特征表示f(·)滿足兩個條件；