[发明专利]一种深度特征和统计特征融合的逆变器故障诊断方法

权利要求书

1.一种深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，具体包括以下步骤：

S1、采集逆变器三相输出电流信号作为原始数据集，并将所述原始数据集划分为测试集和训练集；然后将所述训练集作为标记后的样本，将所述测试集作为未标记的样本；

S2、构建SE-DenseNet模型，并将所述训练集输入到所述SE-DenseNet模型中进行训练，得到训练好的sed^tr模型；

S3、将所述训练集输入到所述训练好的sed^tr模型中提取深度特征向量a，并采用希尔伯特黄变换算法HHT提取所述训练集的统计特征向量b；

S4、将所述深度特征向量a和所述统计特征向量b合并，形成组合特征向量c；

S5、利用LFDA方法对组合特征向量c进行融合和降维处理，并消除组合特征向量c中的冗余和噪声信息，得到低维投影矩阵M和所述训练集的低维特征向量d；

S6、将所述训练集的低维特征向量d输入ELM分类器进行训练，得到训练好的ELM分类器elm^tr；将所述测试集输入到所述sed^tr中，得到测试集的组合特征向量c^te和低维特征向量d^te，然后将所述d^te输入到elm^tr中对测试集的故障类别进行识别。

2.根据权利要求1所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，所述逆变器为NPC三电平逆变器。

3.根据权利要求2所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，

所述NPC三电平逆变器中的每个IGBT均包括13种状态类型，分别为：一种健康状态和12种开路故障状态；

所述原始数据集，具体为：将所述三相输出电流信号的每个周期信号作为一个样本，分别采集四种工况下并运行在匀速和加速两种模式下的13种状态样本，每种状态下采集n个样本，共有4×13×n个样本；重复采集数据m次，得到四种工况下的原始数据集为4×13×n×m个样本；

所述训练集为第一种工况下的样本集；所述测试集为其余三种工况下的样本集总和。

4.根据权利要求1所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，所述SE-DenseNet模型是将挤压和激发网络SENet结合在密集连接卷积神经网络DenseNet中，采用SE模块将经过稠密连接块得到的特征图与经新的转换层得到的特征图进行各通道权重校准。

5.根据权利要求1所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，所述S3具体为：

S3.1、将所述训练集送入SE-DenseNet模型进行训练，得到训练好的SE-DenseNet模型sed^tr，利用所述sed^tr提取所述训练集的深度特征，并输出深度特征向量a；

S3.2、对所述训练集的三相输出电流信号进行预处理，并采用希尔伯特黄变换HHT方法和Hilbert变换，得到三相电流对应的三个希尔伯特边际谱和三个希尔伯特包络谱；

S3.3、分别计算所述三个希尔伯特边际谱和所述三个希尔伯特包络谱的统计特征集合，即统计特征向量b。

6.根据权利要求5所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，所述S3.2具体为：

采用集合经验模态分解对所述逆变器输出电流信号的样本进行分解，然后提取电流信号中固有模态分量，剔除虚假IFM，再将固有模态分量IFM重构，得到预处理后的电流信号，再基于希尔伯特黄变换HHT方法，结合Hilbert变换得到三相电流对应的三个希尔伯特边际谱和三个希尔伯特包络谱。

7.根据权利要求5所述的深度特征和统计特征融合的逆变器故障诊断方法，其特征在于，所述S6具体为：

将低维特征向量d作为ELM分类器的输入，训练ELM分类器，得到训练后的ELM分类器elm^tr；利用训练后的sed^tr提取测试样本的深度特征a^te，利用HHT提取测试集样本的统计特征b^te，将测试集的组合特征向量c^te，即a^te和b^te的组合，与所述投影矩阵M相乘，得到测试集的低维特征向量d^te，将所述d^te送入所述elm^tr，得到测试集的故障类别。