基于三通道2D-CNN的逆變器功率管開路故障診斷方法

(1.武漢理工大學 能源與動力工程學院，武漢 430063；2.中國船舶重工集團第七一一研究所，上海 200000)

變頻器是船舶電力推進系統(tǒng)中的核心設(shè)備。有資料統(tǒng)計表明，變頻器中主電路的開關(guān)裝置失效所引起的故障約占變頻器故障的80%[1]。開路故障是開關(guān)裝置的典型故障形式，精確找到開關(guān)裝置的開路故障點可極大程度地縮短檢修時間。關(guān)于變頻器開路故障診斷的方法大多可分為基于模型[2]和基于數(shù)據(jù)驅(qū)動[3-6]兩種方法?；谀Ｐ偷姆椒ū仨毞治鲭娏ο到y(tǒng)中的電氣物理過程和組件之間的相互作用，在實際應用過程中很難建立精確的數(shù)學模型表達式，因此，大多研究采用基于數(shù)據(jù)驅(qū)動的機器學習算法來解決該問題。常見的機器學習算法主要有支持向量機(SVM)、K-最近鄰(KNN)和深度神經(jīng)網(wǎng)絡(DNN)。這些方法在變頻器故障診斷領(lǐng)域應用較為廣泛且技術(shù)相對成熟。但是，上述方法存在學習能力差、需要復雜的人工特征提取過程、易引起模型過擬合等問題，難以滿足變頻器故障診斷的精度要求。因此，卷積神經(jīng)網(wǎng)絡被越來越多的引入故障診斷領(lǐng)域[7]。本文擬采用卷積神經(jīng)網(wǎng)絡來解決三相電壓源型逆變器功率管開路故障診斷精度較低問題。

1 診斷模型的理論基礎(chǔ)

1.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡在識別任務方面有優(yōu)異的性能。一般來說，每層神經(jīng)網(wǎng)絡包括兩部分：卷積層和池化層，一個常規(guī)的卷積神經(jīng)網(wǎng)絡模型是通過疊加一層或多層神經(jīng)網(wǎng)絡，外加一個分類層，見圖1。

圖1 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)

1.1.1 卷積層

卷積層是CNN模型的核心構(gòu)件。通過卷積核對輸入圖片進行特征提取，然后利用激活函數(shù)生成特征圖，通常為RELU函數(shù)。過濾器使用相同的內(nèi)核，即權(quán)重共享。Wi和bi分別用來表示第i層Li的權(quán)重和偏置，Li-1用來表示第(i-1)層特征圖。卷積過程定義如下：

Li=f(Wi?Li-1+bi)

(1)

f(·)是非線性的激活函數(shù)。利用RELU函數(shù)作為模型的激活函數(shù)，加速CNN模型收斂。

1.1.2 池化層

卷積層后的池化層也稱為分樣層，層的功能是減少模型中的參數(shù)和計算量。

(2)

式中：Pi(k)為i層中的第k像素值，k∈[(j-1)W+1,jW]；W為池區(qū)域的大小。

1.1.3 softmax分類器

softmax函數(shù)為

(3)

當輸入數(shù)據(jù)集有m樣本時，CNN模型的損失函數(shù)為交叉熵函數(shù)。

(4)

式中：I{·}為指標函數(shù)，如果y(i)等于J則返回1，如果不等于則返回0。通過在訓練過程中將損失函數(shù)J(θ)最小化，對參數(shù)進行更新。

1.1.4 優(yōu)化算法

所用Adam學習算法不再更新所有訓練數(shù)據(jù)集的權(quán)重，而是更新一小批訓練數(shù)據(jù)集的權(quán)重，可在滿足權(quán)重更新的基礎(chǔ)上極大程度地減輕計算負擔。

過去梯度的衰變平均值mt和過去平方梯度的衰變平均值vt計算如下。

(5)

式中：β1=0.9，β2=0.999(參數(shù)β1、β2取值接近1時，估計值偏差接近0)。

1.2 過擬合問題的解決方法

模型訓練優(yōu)化參數(shù)時，為了避免CNN模型的過度擬合，采用Dropout和自適應學習速率的學習技巧[8]。

Dropout在訓練過程中，隨機的丟棄一部分輸入，丟棄率通常為0.5，此時丟棄部分對應的參數(shù)不會更新，通過隨機丟棄可以得到各種子網(wǎng)絡，然后將所有子網(wǎng)絡結(jié)果進行合并[9]。假設(shè)有l(wèi)層隱藏的神經(jīng)網(wǎng)絡，用d(l)和y(l)表示輸入和輸出的向量，用w(l)和b(l)表示第l層的權(quán)重和偏差，正常神經(jīng)網(wǎng)絡的前饋計算(見圖2a))定義如下。

(6)

式中：f(·)為激活函數(shù)，f(x)=1/(1+exp(-x))。

加入Dropout的神經(jīng)網(wǎng)絡前饋操作(圖2b))。

(7)

式中：s(l)為具有概率p的伯努利隨機變量的向量。

圖2 正常網(wǎng)絡與加入Dropout網(wǎng)絡對比

學習速率參數(shù)的設(shè)置對模型精度有很大的影響。不適當?shù)膶W習速度會降低神經(jīng)網(wǎng)絡模型的性能。針對這一問題，提出一種自適應學習速率法，根據(jù)訓練迭代次數(shù)調(diào)整學習速度。學習速率lr設(shè)定為

(8)

式中：n為迭代次數(shù)；niter為迭代次數(shù)的設(shè)定值。

2 逆變器開路故障仿真模型

2.1 模型搭建

通過Matlab/Simulink建立三相電壓源型逆變器的仿真模型。三相電壓源型逆變器由3個單相半橋的DC-AC拓撲組成，三相拓撲以120°的交聯(lián)方式工作，核心器件是I1～I6 6個IGBT功率管，負載為三相永磁同步電動機。仿真模型見圖3。所需數(shù)據(jù)從Scope Iabc獲得，模型中相關(guān)參數(shù)設(shè)置見表1。

圖3 三相電壓源型逆變器仿真模型

2.2 故障模擬

分析三相電壓源型逆變器可能出現(xiàn)的開路故障，選擇單管開路故障為診斷目標，加上無故障情況，7種狀態(tài)見表2。

表1 仿真模型參數(shù)

表2 故障類別標簽設(shè)置

3 故障診斷過程

故障診斷過程見圖4。

首先從仿真模型中的Scope Iabc以24 kHz的頻率采集數(shù)據(jù)為7種不同狀態(tài)分別收集864 000組數(shù)據(jù)，每組數(shù)據(jù)包括a、b、c三相電流值。然后對數(shù)據(jù)進行預處理，按照下式對數(shù)據(jù)進行歸一化處理。

考慮三相電流值作為3個指標，構(gòu)建輸入格式為三通道的CNN模型。經(jīng)過反復嘗試，樣本數(shù)據(jù)被劃分為12 600個格式為(480，3)的樣本，即每個樣本包括480組三相電流值，樣本數(shù)據(jù)(480，3)被重塑成維度為(24，20，3)的樣本數(shù)據(jù)集，見圖5。

(9)

圖4 故障診斷過程

圖5 數(shù)據(jù)重塑過程

數(shù)據(jù)集被隨機分為3個子集，包括訓練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集，將三者比例分別設(shè)置為65%、15%和20%。訓練數(shù)據(jù)集用于訓練故障診斷方法。驗證數(shù)據(jù)集是為了防止訓練過程中過度擬合，當驗證數(shù)據(jù)集錯誤增加時中斷訓練過程。測試數(shù)據(jù)集用于評估診斷模型的性能。

最后，構(gòu)建CNN模型，將預處理后的數(shù)據(jù)集輸入到該模型中進行訓練及測試。采用CNN模型參數(shù)，通道數(shù)設(shè)為3，不同通道采用相同的結(jié)構(gòu)參數(shù)見表3，診斷結(jié)果見圖6。

表3 CNN模型參數(shù)

圖6 三通道CNN模型訓練結(jié)果

訓練后的三通道CNN模型診斷精度可達99.66%，召回率可達99.66%。

4 不同診斷方法的性能比較

4.1 單通道2D-CNN模型

使用與三通道2D-CNN模型相同的原始數(shù)據(jù)，在歸一化處理后將18 144 000個數(shù)據(jù)劃分成37 800個維度為(24，20，1)的樣本。將通道數(shù)設(shè)為1，除輸入層結(jié)構(gòu)與三通道CNN模型不同，其他參數(shù)不變。訓練后的單通道CNN模型診斷精度僅達到91.52%，召回率89.63%，訓練結(jié)果見圖7。單通道CNN模型相比于三通道CNN模型診斷結(jié)果相差很大，說明三通道結(jié)構(gòu)的數(shù)據(jù)輸入格式更易于CNN模型挖掘本文數(shù)據(jù)結(jié)構(gòu)的特征。

圖7 單通道CNN模型訓練結(jié)果

4.2 傳統(tǒng)數(shù)據(jù)驅(qū)動方法及DNN

在傳統(tǒng)的故障識別算法中，多采用特征工程方法。本文收集文獻中所使用的統(tǒng)計特征，即表4中頻率的4個特征和時間域的10個特征。每種狀態(tài)的數(shù)據(jù)被劃分成5 400個大小為480的樣本，計算得到每個樣本的14種特征，共計5 400×14×7條特征數(shù)據(jù)并作為KNN和SVM模型的訓練數(shù)據(jù)集。

此外，DNN也被用來與所提出的方法進行比較，用于比較的DNN模型有5個神經(jīng)網(wǎng)絡層(輸入層，3個隱藏層，輸出層)，使用相同數(shù)據(jù)預處理方法及深度學習技巧。

表4 在時間和頻率域中選擇的特性

不同方法比較結(jié)果見表5。本文所提方法與KNN和SVM相比，精度分別提高了29.85%和30.9%，召回率分別提高了31.91%和58.8%。與DNN診斷結(jié)果相比，提高了2.1%、2.54%。

表5 不同方法結(jié)果對比 %

5 結(jié)論

1)所提出的診斷方法相對于DNN、KNN及SVM等常用方法，數(shù)據(jù)處理過程簡單，自主學習能力強，能夠有效提高逆變器功率管開路的故障診斷精度。

2)在數(shù)據(jù)預處理時將三相電流數(shù)據(jù)值劃分為3個維度的輸入格式可提高模型的學習能力。

3)只考慮了單管開路故障，逆變器還存在雙管開路等更多復雜故障類別，后續(xù)將使用該方法做進一步研究。