[发明专利]一种基于深度学习的聚变磁体电源故障智能诊断方法

说明书

本发明公开了一种基于深度学习的聚变磁体电源故障智能诊断方法，以晶闸管三相全控桥变流器单元输出电压U_d及输出I_d电流为故障诊断的输入信号，经一个包含七层全连接层的深度降噪自编码器F_D进行降噪处理后，经过双路异构深度卷积神经网络对聚变超导磁体高功率电源系统的逆变失败及丢脉冲的故障类型进行实时诊断，实现小样本条件下，聚变超导磁体高功率电源系统的故障智能诊断。使用该方法，可以基于少量训练数据对聚变超导磁体电源系统的逆变失败、丢脉冲这两种可控故障类型进行实时诊断，达到较高识别率，以便于采用控制手段消除可控故障，避免聚变超导磁体电源不必要的停机。

技术领域

本发明属于聚变磁体电源控制技术领域，具体涉及一种聚变超导磁体高功率电源的故障智能诊断方法。

背景技术

聚变超导磁体电源系统是磁约束核聚变装置的关键子系统，其功能是为等离子体的产生、约束、维持、加热及控制提供不可或缺的支撑。聚变超导磁体电源系统由多组超大功率晶闸管变流器组成，总装机容量高达数千兆伏安，目前，聚变超导磁体电源系统的故障保护，采用的是工程上常规的过压及过电流检测。当检测到电流或电压超出一定值后，采用紧急停机的方式进行保护。而电源系统的紧急停机会造成等离子体硬破裂，导致真空室因耦合数万安培环流被严重破坏，同时等离子体硬破裂引起的电流快速变化会通过互感耦合到极向场超导磁体诱发其失超，严重威胁装置安全，同时等离子体硬破裂给真空室带入大量杂质，严重影响等离子体品质和实验效率。因此，实时诊断电源故障类型，通过控制手段消除可控故障，提前干预不可控故障，不仅是电源自身稳定运行的关键，更是装置安全和稳定运行的有力保障。

发明内容

为解决上述技术问题，本发明提供一种基于深度学习的聚变磁体电源故障智能诊断方法。该方法通过迁移学习，将其它领域中构建并在大量数据支持下训练好的深度网络知识迁移应用于故障诊断中，通过双路异构网络设计，避免由于不同领域数据特性存在差异的问题，由于目标域样本较少，设计的目标域网络更加适用。设计了去噪编码器对样本数据进行先期去噪的方法，提升识别稳定性和方法的抗噪性能。经测试，使用该方法，可以基于少量训练数据对聚变超导磁体电源系统的逆变失败、丢脉冲这两种可控故障类型进行实时诊断，达到较高识别率，以便于采用控制手段消除可控故障，避免聚变超导磁体电源不必要的停机。

本发明采用的技术方案是：

一种基于深度学习的聚变磁体电源故障智能诊断方法，所述的聚变磁体电源由晶闸管三相全控桥变流器单元串联或并联组成，每个变流器单元输出6脉波电压U_d，且输出I_d电流跟随额定电流范围内的给定电流I_ref，该方法包括如下步骤：

步骤1、以变流器单元的电压U_d及电流I_d作为故障诊断的输入信号，输入到一个七层全连接层的深度降噪自编码器F_D对U_d及I_d进行降噪处理，得到降噪处理后的信号U_d’和I_d’；

步骤2、降噪处理后的信号U_d’和I_d’经过双路异构深度卷积神经网络，对聚变超导磁体高功率电源系统的逆变失败及丢脉冲故障类型进行实时诊断，实现小样本条件下，聚变超导磁体高功率电源系统的故障智能诊断。

本发明的有益效果为：

(1)本发明通过迁移学习，以现有相似系统正常运行时的大量历史数据为支持，进行深度网络知识迁移模型训练，并将其应用于故障诊断中；该点体现在步骤四的训练过程，即首先利用已有的滚动轴承故障诊断数据构成训练数据集，对网络F_s进行训练，再将源域模型及目标域模型合并为一个双路异构深度卷积神经网络，并基于真实数据对目标网络F_D进行训练。