一种基于深度学习的IMC开路故障诊断方法技术

一种基于深度学习的IMC开路故障诊断方法，包括如下步骤：步骤一：采集故障数据；步骤二：数据处理归一化；步骤三：建立测试样本集；步骤四：SAE网络提取特征；步骤五：SVM分类器输出。本发明专利技术利用堆栈自编码器对原始数据进行故障特征提取，然后利用SVM分类器对故障进行诊断；仿真测试结果表明，本发明专利技术的故障检测方法具有较高的正确率以及很好的分类指标。具有较高的正确率以及很好的分类指标。具有较高的正确率以及很好的分类指标。

【技术实现步骤摘要】
一种基于深度学习的IMC开路故障诊断方法


[0001]本专利技术属于IMC开路故障诊断领域，具体地说是一种基于深度学习的IMC开路故障诊断方法。

技术介绍

[0002]矩阵变换器(MC)因其用有无直流母线大电容、功率因数可调、结构简单等诸多优点，近年来受到国内外研究人员的高度重视[1
‑
4]。矩阵变换器是一种绿色新型的幅值和频率可调的功率变换器，这使其成为了工业中保障设备安全稳定运行的可替换产品，常常应用于航空航天[5]、电网[6]、风电[7]等领域。在这些重要领域中，矩阵变换器中的IGBT若发生故障将会影响电能质量，甚至严重干扰到设备的正常运行，进而造成重大事故和经济损失。因此，针对MC中的IGBT的故障诊断进行的研究越来越显示出了重要性。
[0003]常见的MC拓扑结构主要有直接矩阵变换器(DMC)和间接矩阵变换器(IMC)。DMC的拓扑结构为3行3列的矩阵形式排列。DMC为最初的矩阵变换器形式。相比于传统的功率变换器，DMC的简单结构和优越的性能曾经引起研究人员的极大兴趣。但随着研究的深入，研究人员发现，为使DMC正常运行，研究人员需要设计非常复杂的空间矢量调制策略。这让DMC的研究工作量大大增加。因此，在2001年，Thomas等人基于DMC拓扑结构及其调制策略设计出一种改进的MC，即IMC(其拓扑结构如图2所示)。IMC不仅拥有和DMC同样的性能，而且可以利用传统的PWM算法，极大地减化了控制电路，但是目前IMC的故障诊断方法还没有一种统一且准确的诊断方法。

技术实现思路
<br/>[0004]本专利技术提供一种基于深度学习的IMC开路故障诊断方法，用以解决现有技术中的缺陷。
[0005]本专利技术通过以下技术方案予以实现：
[0006]一种基于深度学习的IMC开路故障诊断方法，包括如下步骤：
[0007]步骤一：采集故障数据；
[0008]步骤二：数据处理归一化；
[0009]步骤三：建立测试样本集；
[0010]步骤四：SAE网络提取特征；
[0011]步骤五：SVM分类器输出。
[0012]如上所述的一种基于深度学习的IMC开路故障诊断方法，所述的步骤四中的SAE网络提取特征依靠堆栈自编码器实现。
[0013]如上所述的一种基于深度学习的IMC开路故障诊断方法，所述的堆栈自编码器是由多个自编码器堆叠而成，所述的自编码器是一种三层神经网络。
[0014]如上所述的一种基于深度学习的IMC开路故障诊断方法，所述的自编码器由编码器和解码器组成；
[0015]如上所述的一种基于深度学习的IMC开路故障诊断方法，所述的编码器是将输入数据进行降维，以提取数据中的特征数据；
[0016]如上所述的一种基于深度学习的IMC开路故障诊断方法，所述的解码器是将提取的特征数据进行升维，以尽可能还原成输入数据。
[0017]如上所述的一种基于深度学习的IMC开路故障诊断方法，所述的编码器和解码器的运行过程如下式所示：
[0018]h＝s
f
(W
(1)
x+b
(1)
)
[0019]z＝s
f
(W
(2)
h+b
(2)
)
[0020]式中，W
(1)
是编码器的权值矩阵，b
(1)
是编码器的偏置矩阵，W
(2)
是解码器的权值矩阵，b
(2)
是解码器的偏置矩阵。s
f
是激活函数。
[0021]如上所述的一种基于深度学习的IMC开路故障诊断方法，所述的步骤四中SAE网络通常将交叉熵损失(CrossEntroyLoss)，其损失函数的表达式如下：
[0022][0023]如上所述的一种基于深度学习的IMC开路故障诊断方法，所述的步骤四中SAE网络训练包括如下步骤：
[0024]步骤一：无监督的前向的堆叠式编码器，通过逐层训练编码器以构成一个堆栈编码器，每相邻的两层中前一层的输出数据是后一层的输入数据，经过这样一个训练过程对整个SAE的参数进行初始化；
[0025]步骤二：反向的微调，添加网络输出层，SAE通过少量的输出数据来进行反向微调学习。
[0026]如上所述的一种基于深度学习的IMC开路故障诊断方法，所述的步骤二中反向微调过程在监督下进行。
[0027]如上所述的一种基于深度学习的IMC开路故障诊断方法，所述的步骤四步骤五中SVM分类器是将数据从输入空间经过非线性映射映射到特征空间，从而对高维特征空间的线性拟合问题进行解决。以下为SVM的目标函数：
[0028][0029]式中，C为拟合误差的输出惩罚系数；L(u
i
)是损失函数，具体表达式如下：
[0030][0031]本专利技术的优点是：本专利技术利用堆栈自编码器对原始数据进行故障特征提取，然后利用SVM分类器对故障进行诊断；仿真测试结果表明，本专利技术的故障检测方法具有较高的正确率以及很好的分类指标。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033]图1是本专利技术流程图；
[0034]图2是IMC的拓扑结构示意图；
[0035]图3是本专利技术的堆栈自编码器结构示意图；
[0036]图4是本专利技术的自编码器结构示意图；
[0037]图5是本专利技术的堆栈自编码器训练流程图；
[0038]图6是本专利技术的IMC故障诊断仿真模型流程图。
[0039]图7是本专利技术的SAE网络提取特征后通过t
‑
SNE算法获得的可视化散点图；
[0040]图8是本专利技术的基于SAE算法的SVM部分故障分类指标；
[0041]图9是本专利技术的方法与其他现有两种算法的正确率对比曲线图。
具体实施方式
[0042]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]一种基于深度学习的IMC开路故障诊断方法，包括如下步骤：
[0044]步骤一：采集故障数据；
[0045]步骤二：数据处理归一化；
[0046]步骤三：建立测试样本集；
[0047]步骤四：SAE网络提取特征；
[0048]步骤五：SVM分类器输出。
[0049]优选的，所述的步骤四中的SAE网络提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的IMC开路故障诊断方法，其特征在于：包括如下步骤：步骤一：采集故障数据；步骤二：数据处理归一化；步骤三：建立测试样本集；步骤四：SAE网络提取特征；步骤五：SVM分类器输出。2.根据权利要求1所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的步骤四中的SAE网络提取特征依靠堆栈自编码器实现。3.根据权利要求2所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的堆栈自编码器是由多个自编码器堆叠而成，所述的自编码器是一种三层神经网络。4.根据权利要求3所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的自编码器由编码器和解码器组成；所述的编码器是将输入数据进行降维，以提取数据中的特征数据；所述的解码器是将提取的特征数据进行升维，以尽可能还原成输入数据。5.根据权利要求4所述的一种基于深度学习的IMC开路故障诊断方法，其特征在于：所述的编码器和解码器的运行过程如下式所示：h＝s
f
(W
(1)
x+b
(1)
)z＝s
f
(W
(2)
h+b
(2)
)式中，W
(1)
是编码器的权值矩阵，b
(1)
是编码...

【专利技术属性】
技术研发人员：宋保业，聂士聚，白星振，许琳，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：