[发明专利]一种三电平逆变器故障诊断方法及装置

说明书

本发明提供了一种三电平逆变器故障诊断方法及装置，属于逆变器故障识别领域，包括以下步骤：获取三电平逆变器的故障数据；对三电平逆变器的故障数据进行预处理，得到故障灰度图；对三电平逆变器的故障数据进行样本划分；通过卷积神经网络对故障灰度图中的故障特征进行提取；将提取得到的灰度图像特征作为输入，构建基于支持向量机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。本发明采用CNN‑SVM进行三电平逆变器的故障诊断，提出的模型结合了卷积神经网络的特征提取能力和SVM的泛化能力，不需要繁琐的建模过程，能够处理小样本的故障分类，针对三电平逆变器的故障具有较高的识别率。

技术领域

本发明属于三电平逆变器开关管开路故障的识别与定位领域，具体涉及一种三电平逆变器故障诊断方法及装置。

背景技术

近年来，电力电子变换器已广泛应用于新能源汽车、工业机器人、高压直流输电、大功率电解和电机驱动系统。然而，由于暴露在恶劣的工作环境中，逆变器容易因设备老化、过载、意外操作而遭受严重故障。据报道，电力电子系统约38％的故障是由电力电子开关的故障引起的。因此，电力电子变换器开关管的故障诊断研究对提高系统稳定性和保证系统安全高效运行起着至关重要的作用。

通过建立电路的故障模型来分析详细的故障方程。然而，这种方法对参数敏感，并且非常容易受到外部干扰，因此精确的故障数学模型难以建立。与基于模型的方法相比，机器学习方法，对电路模型的依赖更少，效率更高。通过卷积和池化操作，CNN可以自动地从训练数据中提取更多有区别的特征。此外，由于使用卷积核、共享权重和池化操作，CNN模型的复杂性和参数大大降低。尽管CNN相对于传统神经网络有很多优势，但CNN训练算法与基于经验风险最小化原则的BPNN相似，而且需要大样本数据，存在过拟合问题。

发明内容

为了克服上述现有技术存在的不足，本发明提供了一种三电平逆变器故障诊断方法及装置。

为了实现上述目的，本发明提供如下技术方案：

一种三电平逆变器故障诊断方法，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(Convolutional neural network,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(Support vectormachine,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。

优选地，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。

优选地，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。

优选地，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；