[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

说明书

本发明公开了一种深度特征和统计特征融合的逆变器故障诊断方法，首先采用SE‑DenseNet方法提取逆变器三相输出电流信号的深度特征，并利用希尔伯特黄变换HHT方法提取电流信号样本的统计特征，将深度特征和统计特征进行组合；其次，利用局部Fisher判别分析算法LFDA对组合的高维特征进行降维，得到能够表达逆变器故障特征的低维特征，实现深度特征与统计特征的融合；最后，采用极限学习机ELM分类器，以低维特征为输入实现三电平逆变器故障状态识别。相比于传统的诊断方法，本发明所提出的诊断方法故障识别准确率更高，在不同工况下的故障诊断能够取得理想的性能，对实际工业场景具有更强的适应能力和泛化能力。

技术领域

本发明属于故障诊断技术领域，特别是涉及一种深度特征和统计特征融合的逆变器故障诊断方法。

背景技术

变频器是实现电机变频调速技术中非常重要且复杂的设备，同时也容易发生故障，变频器的主要组成部分有整流器、逆变器和控制电路。矿井提升机设备中的电机控制系统普遍装配多电平逆变器，中性点钳位(Neutral Point Clamped，NPC)三电平逆变器是其中常用的多电平逆变器之一，相比于两电平逆变器，NPC三电平逆变器能够缩小电压和电流升高的速率，对电机的冲击更小，能有效提高电机的使用寿命；然而，由于三电平逆变器所需的IGBT功率开关管较多，结构更复杂，从而导致故障频发，在逆变器所有故障中，IGBT的故障概率占比最高。逆变器中最常见的电源开关故障主要是短路和开路故障，大多数情况下，标准保护系统(例如保险丝，继电器和断路器)可检测到短路故障，随即断开电源，从而保护相关组件不受损坏。但标准保护系统无法检测到开路故障，一旦发生开路故障，会导致逆变器性能迅速降低，以及其他部分出现严重的二次故障。甚至会导致整个煤矿生产停止，因此，利用故障诊断技术实现功率管IGBT开路故障诊断与识别具有重要的价值与意义。

传统的故障诊断技术过程包含信号处理、特征提取、特征降维、模式识别四个步骤。但是在特征提取过程，提取的特征可能存在故障信息不全面问题，且提取过程复杂，不仅增加了数据处理的复杂性，而且会增加计算机运算负担以及影响分类精度。

而SE-DenseNet在特征提取表现出强大的性能，不仅可以从原始数据中自动提取大量的高鲁棒性和不变性的有用的深度特征，而且也能有效的解决卷积神经网络中梯度消失问题。于是，选择压缩激励密集连接卷积网络SE-DenseNet(Squeeze Excitation-Densely Connected Convolutional Network，SE-DenseNet)算法对三电平逆变器三相电流原始数据进行深度特征提取，再融合统计敏感特征，实现不同故障特征信息的互补。其次，从极限学习机ELM理论的角度来看，可以根据几乎任何非线性分段激活函数生成具有多个隐藏层的极限学习机ELM，并且一些随机特征映射仍然可以提供通用的逼近能力。在此基础上，本发明提出了基于SE-DenseNet-ELM与多源特征融合的逆变器故障诊断方法，此方法融合统计特征和深度特征两种特征，不仅提高了模型对不同工况数据的泛化能力，还提高了故障诊断的准确度。

发明内容

为了解决上述技术问题，本发明提供一种深度特征和统计特征融合的逆变器故障诊断方法，采用基于SE-DenseNet-ELM与多源特征融合的逆变器故障诊断方法，融合了统计特征和深度特征，不仅提高了模型对不同工况数据的泛化能力，还提高了故障诊断的准确度。

为实现上目的，本发明提出一种深度特征和统计特征融合的逆变器故障诊断方法，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；