[发明专利]一种三电平逆变器故障诊断方法及装置

权利要求书

1.一种三电平逆变器故障诊断方法，其特征在于，包括以下步骤:

获取三电平逆变器的故障数据；

对故障数据进行预处理，得到故障灰度图；

通过卷积神经网络CNN对故障灰度图中的故障特征进行提取；

将CNN提取得到的灰度图像特征作为输入，构建基于支持向量机SVM的三电平逆变器故障识别模型；

利用三电平逆变器故障识别模型进行故障诊断。

2.根据权利要求1所述的三电平逆变器故障诊断方法，其特征在于，利用示波器周期性的对三电平逆变器的故障波形进行采样，得到各种故障的三相相电压的原始故障数据。

3.根据权利要求2所述的三电平逆变器故障诊断方法，其特征在于，所述对故障数据进行预处理，得到故障灰度图，具体步骤为：

以A相在前、B相在中、C相在后的原则，对所述原始故障数据中的样本进行组合；

对组合后的样本进行归一化，归一化的公式如下：

公式(1)中X∈[0,1]，为归一化后的样本值；X_i为样本数据；X_min为最小样本值；X_max为最大样本值；

对归一化后的样本值进行线性灰度图转换，得到故障灰度图。

4.根据权利要求1所述的三电平逆变器故障诊断方法，其特征在于，所述卷积神经网络CNN包含卷积层、池化层和全平均池化层；

卷积层使用Keras中的2D卷积层Conv2D，卷积核尺寸为3*3，卷积核数量为64；

池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为2*2；

灰度图像特征提取采用卷积、池化交替布局，经过提取出多维特征向量；

进行全平均池化操作，将多特征向量转换为多个特征值作为输出。

5.根据权利要求4所述的三电平逆变器故障诊断方法，其特征在于，所述将多特征向量转换为多个特征值作为输出，具体包括以下步骤：

做一次过度卷积，将多特征向量转换成多个特征向量；

进行全局平均操作，其计算公式为：

公式(2)中x_ij为上一层输出，y_ij为全平均层核的值，f(x)为输出值。

6.根据权利要求5所述的三电平逆变器故障诊断方法，其特征在于，卷积层的padding方式为same。

7.根据权利要求1所述的三电平逆变器故障诊断方法，其特征在于，所述通过卷积神经网络CNN对故障灰度图中的故障特征进行提取，还包括采用随机抽样法将预处理后的故障灰度图数据按照比例划分独立的训练集和测试集。

8.根据权利要求7所述的三电平逆变器故障诊断方法，其特征在于，利用CNN提取的图像特征在训练集上构建基于SVM的三电平逆变器故障识别模型，确定SVM三电平逆变器故障识别模型的参数；利用所述测试集来测试三电平逆变器故障识别模型识别的效果。

9.一种三电平逆变器故障诊断装置，其特征在于，包括：

数据采集模块，用于获取三电平逆变器的故障数据；

预处理模块，用于对故障数据进行预处理，得到故障灰度图；

特征提取模块，用于通过卷积神经网络CNN对故障灰度图中的故障特征进行提取；

故障识别模块，用于将CNN提取得到的灰度图像特征作为输入，构建基于支持向量机SVM的三电平逆变器故障识别模型；利用三电平逆变器故障识别模型进行故障诊断。