改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)在勵(lì)磁單元中的故障診斷

楊彥杰，元晶晶，張 賀

(1. 河北工業(yè)大學(xué)省部共建電工裝備可靠性與智能化國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300132；2. 河北工業(yè)大學(xué)河北省電磁場(chǎng)與電器可靠性重點(diǎn)實(shí)驗(yàn)室，天津 300132)

1 引言

隨著電力電子技術(shù)的快速發(fā)展，三相橋式晶閘管整流電路是最廣泛的功率變換裝置。在勵(lì)磁功率單元中，整流單元應(yīng)該能夠穩(wěn)定地提供同步發(fā)電機(jī)的各種工況下所需要的勵(lì)磁電流，從而確保了同步發(fā)電機(jī)和整個(gè)電力系統(tǒng)的正常運(yùn)轉(zhuǎn)[1]。若勵(lì)磁系統(tǒng)長(zhǎng)期工作在惡劣的工作環(huán)境下，極易受到損壞，對(duì)發(fā)電機(jī)的可靠運(yùn)行以及維持發(fā)電機(jī)輸出電能質(zhì)量構(gòu)成了嚴(yán)重威肋。因此，在勵(lì)磁功率單元主回路中對(duì)晶閘管故障問(wèn)題進(jìn)行實(shí)時(shí)在線(xiàn)、準(zhǔn)確可靠的故障診斷極為重要。

故障診斷方法可劃分為數(shù)學(xué)模型[2，3]和人工智能[4，5]兩種。文獻(xiàn)[6]通過(guò)建立仿真模型獲取輸出電壓Ud，并用傅里葉分析算法對(duì)波形分解、提取特征幅值，將其歸一化后輸入人工神經(jīng)網(wǎng)絡(luò)中，從而確定故障部位及故障點(diǎn)；文獻(xiàn)[7]利用小波包分析方法對(duì)信號(hào)波進(jìn)行分解、提取故障特征，然后利用支持向量機(jī)對(duì)故障向量進(jìn)行分類(lèi)，該方法可以快速有效地完成電力電子整流裝置的故障診斷。但上述兩種方法均要對(duì)波形進(jìn)行分解、特征提取等操作，其過(guò)程相對(duì)復(fù)雜，且造成嚴(yán)重的誤差，對(duì)分類(lèi)結(jié)果也會(huì)產(chǎn)生較大的影響；文獻(xiàn)[8]提出了AlexNet網(wǎng)絡(luò)用于人臉識(shí)別，但該網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，計(jì)算量大，結(jié)果的準(zhǔn)確率和損失率曲線(xiàn)存在震蕩問(wèn)題。

因此，文章提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)的網(wǎng)絡(luò)故障診斷模型。該方法可以直接輸入原始圖片，不需要對(duì)信號(hào)進(jìn)行特征分解與提取，具有很大的優(yōu)勢(shì)；且模型簡(jiǎn)單，運(yùn)算速度快，可自動(dòng)迭代更新參數(shù)，結(jié)果準(zhǔn)確率穩(wěn)定且收斂。主要工作如下：首先基于MATLAB/Simulink仿真軟件平臺(tái)，搭建三相橋式全控整流電路的仿真模型，了解每個(gè)晶閘管的正常工作狀態(tài)和故障狀態(tài)，完成負(fù)載整流電壓波形和三相母線(xiàn)電流圖的生成，并將其制作成網(wǎng)絡(luò)模型的圖片數(shù)據(jù)集；利用深度學(xué)習(xí)開(kāi)源工具TensorFlow設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)(CNN)故障診斷模型；最后，針對(duì)結(jié)構(gòu)參數(shù)優(yōu)化診斷模型，實(shí)現(xiàn)網(wǎng)絡(luò)模型訓(xùn)練和最優(yōu)結(jié)果。

2 勵(lì)磁系統(tǒng)功率單元

2.1 三相橋式全控整流電路

在勵(lì)磁系統(tǒng)中，勵(lì)磁功率柜的故障較為常見(jiàn)，尤其是勵(lì)磁功率單元主回路[9]中的三相橋式全控整流電路。其工作原理如圖1所示，工作結(jié)構(gòu)簡(jiǎn)單，利用率高，應(yīng)用廣泛。

圖1 三相橋式全控整流電路圖

2.2 電路仿真

MATLAB是一款強(qiáng)大的商業(yè)數(shù)學(xué)軟件工具，其Simulink是一個(gè)集成的軟件包，用于動(dòng)態(tài)系統(tǒng)的建模、仿真和綜合分析，是MATLAB的重要組成部分。使用者可以簡(jiǎn)潔快速地搭建電路用來(lái)研究系統(tǒng)的各種運(yùn)行狀態(tài)。圖2為搭建三相橋式全控整流仿真電路，仿真了電路的正常工作狀態(tài)和各晶閘管故障狀態(tài)的整流輸出電壓以及三相母線(xiàn)電流。

圖2 三相橋式全控整流電路仿真圖

仿真參數(shù)設(shè)置：三相電源UA、UB和UC電壓有效值為220V，頻率為50Hz，相位分別為0°、-120°、-240°；三相晶閘管整流器(SCR)參數(shù)使用默認(rèn)值；RL負(fù)載參數(shù)設(shè)置：R=1Ω、L=1H；仿真時(shí)采用變步長(zhǎng)方式下的ode23tb仿真算法。

2.3 故障分類(lèi)

三相橋式全控整流電路正常工作時(shí)，每個(gè)周期輸出的直流電壓波由大小相同的六個(gè)脈動(dòng)波組成。當(dāng)晶閘管發(fā)生故障時(shí)，根據(jù)波形的相似性可分為五大類(lèi)。同一類(lèi)晶閘管故障時(shí)，其輸出電壓波形相似，僅在時(shí)間上發(fā)生平移。

第一類(lèi)：無(wú)晶閘管故障，即正常工作狀態(tài)。

第二類(lèi)：只有一個(gè)晶閘管故障。包括6種故障狀態(tài)，即：VT1、VT2、VT3、VT4、VT5、VT6。

第三類(lèi)：同一相的兩個(gè)晶閘管故障。包括3種故障狀態(tài)，即VT1-VT4、VT2-VT5、VT3-VT6。

第四類(lèi)：不同相的上下組兩個(gè)晶閘管故障。包括6種故障狀態(tài)，即VT1-VT2、VT1-VT6、VT2-VT3、VT3-VT4、VT4-VT5、VT5-VT6。

第五類(lèi)：不同相的同一組的兩個(gè)晶閘管故障。包括6種故障狀態(tài)，即VT1-VT3、VT1-VT5、VT2-VT4、VT2-VT6、VT3-VT5、VT4-VT6。

取三相電源UA、UB和UC電壓有效值為220V，觸發(fā)角為30°時(shí)的部分電壓波形圖如圖3所示。整流橋正常運(yùn)行時(shí)，在20ms(工頻一個(gè)周期)內(nèi)，有六個(gè)相同的波形成分，均是交流輸入線(xiàn)電壓波形的一部分，且輸出電壓的平均值是正值。當(dāng)晶閘管發(fā)生不同的故障時(shí)，輸出電壓波各不相同，與正常波形有較大區(qū)別，因此將其作為故障診斷的依據(jù)。

圖3 部分電壓波形數(shù)據(jù)集

根據(jù)輸出的電壓波形，僅僅能識(shí)別出是哪種類(lèi)型，并不能具體的診斷出每個(gè)晶閘管的工作狀態(tài)，所以提出采用具有相差較明顯的三相母線(xiàn)電流波形圖進(jìn)行故障診斷與識(shí)別。故障類(lèi)型一共進(jìn)行22種分類(lèi)，即正常狀態(tài)和故障狀態(tài)VT1、VT2、VT3、VT4、VT5、VT6、VT1-VT2、VT1-VT3、VT1-VT4、VT1-VT5、VT1-VT6、VT2-VT3、VT2-VT4、VT2-VT5、VT2-VT6、VT3-VT4、VT3-VT5、VT3-VT6、VT4-VT5、VT4-VT6、VT5-VT6。取三相電源UA、UB和UC電壓有效值為220V，觸發(fā)角為30°時(shí)的部分三相母線(xiàn)電流波形圖如圖4所示。

圖4 部分電流波形數(shù)據(jù)集

3 卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)

3.1 卷積神經(jīng)網(wǎng)絡(luò)

目前，卷積神經(jīng)網(wǎng)絡(luò)(CNN)已經(jīng)成為許多科學(xué)領(lǐng)域的研究熱點(diǎn)之一，尤其是在模式分類(lèi)領(lǐng)域。CNN是由一系列層構(gòu)成，數(shù)據(jù)在層與層之間流動(dòng)?；窘Y(jié)構(gòu)：輸入層、卷積層、激活函數(shù)、池化層、全連接層，即INPUT-CONV-RELU-POOL-FC。

卷積層是一個(gè)特征提取層，每個(gè)神經(jīng)元的輸入連接到前一層的局部感受野，并提取局部的特征。卷積層的主要功能是根據(jù)卷積核卷積圖像，并降低噪音[11]，還具有“權(quán)值共享”原則。卷積層的計(jì)算公式如下所示：

(1)

激活函數(shù)是用于添加非線(xiàn)性因素，因?yàn)榫矸e方法來(lái)用于處理線(xiàn)性操作，即為每個(gè)像素點(diǎn)分配權(quán)值。線(xiàn)性模型的表達(dá)力不夠，因而引入激活函數(shù)。常見(jiàn)的激活函數(shù)有Sigmoid函數(shù)、Tanh函數(shù)、ReLU函數(shù)、Leaky ReLU函數(shù)等。

池化層是特征映射層，通過(guò)對(duì)每個(gè)特征映射圖的局部區(qū)域進(jìn)行加權(quán)求和，增加偏置后通過(guò)一個(gè)非線(xiàn)性函數(shù)在池化層得到新的特征圖[12]。池化的作用是：①減小特征圖尺寸，簡(jiǎn)化網(wǎng)絡(luò)計(jì)算復(fù)雜度；②進(jìn)行特征壓縮，提取主要特征。池化層的操作公式如下所示：

(2)

全連接層用來(lái)連接所有的特征并將輸出值發(fā)送給分類(lèi)器(如Softmax分類(lèi)器)以用作分類(lèi)。

最終輸出模型的測(cè)試準(zhǔn)確率和誤差損失函數(shù)值。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)如圖5所示。

圖5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.2 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的AlexNet模型結(jié)構(gòu)復(fù)雜，參數(shù)龐大，運(yùn)行速度慢，與此同時(shí)，模型分類(lèi)結(jié)果的收斂快慢還收到初始化參數(shù)的方法和網(wǎng)絡(luò)權(quán)值更新的影響，且準(zhǔn)確率和損失率曲線(xiàn)存在震蕩問(wèn)題。綜上所述，文章進(jìn)行了一下五個(gè)方面的改進(jìn)，提出了性能更好的卷積神經(jīng)網(wǎng)絡(luò)模型，可以規(guī)避以上不足。

1)用卷積層替代三個(gè)全連接層。因卷積層的計(jì)算是并行的，不需要同時(shí)讀入內(nèi)存，這樣不僅提高運(yùn)行速度，也使模型得到優(yōu)化。

2)將全連接層2的節(jié)點(diǎn)數(shù)由4096調(diào)整為2048，減少參數(shù)和權(quán)值跟新，提高運(yùn)行速度，縮短計(jì)算時(shí)間。

3)刪除了所有的LRN圖層并更改初始值程序。經(jīng)實(shí)踐證明，經(jīng)過(guò)簡(jiǎn)單的參數(shù)初始化并使用Batch Normalization的歸一化操作。BN的使用有利于樣本的收斂和網(wǎng)絡(luò)的穩(wěn)定。

4)使用Adam Optimization基于訓(xùn)練數(shù)據(jù)迭代地更新神經(jīng)網(wǎng)絡(luò)權(quán)值，根據(jù)輸出結(jié)果可進(jìn)行權(quán)值的迭代更新。

5)使用xavier_initializer初始化，經(jīng)試驗(yàn)明比原random_normal_initializer會(huì)提升效果。

3.3 網(wǎng)絡(luò)算法流程圖

3.3.1 算法流程圖

文章提出的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的算法流程如圖6所示，主要分為4個(gè)階段：

圖6 算法流程

1)樣本圖像預(yù)處理。首先定點(diǎn)、定間隔的構(gòu)建樣本數(shù)據(jù)集；其次對(duì)圖像的顏色、大小進(jìn)行處理，便于網(wǎng)絡(luò)學(xué)習(xí)。

2)設(shè)計(jì)網(wǎng)絡(luò)故障診斷模型。在Python編譯環(huán)境及TensorFlow學(xué)習(xí)框架進(jìn)行網(wǎng)絡(luò)程序的編寫(xiě)與搭建。

3)訓(xùn)練優(yōu)化網(wǎng)絡(luò)模型。根據(jù)BP(Back Propagation，BP)算法進(jìn)行權(quán)值和閾值的反復(fù)調(diào)整，使誤差信號(hào)減小到最低限度。

4)將得到的優(yōu)化模型進(jìn)行樣本圖像數(shù)據(jù)集的試驗(yàn)，從而輸出診斷結(jié)果。

3.3.2 數(shù)據(jù)預(yù)處理

本文是利用MATLABSimulink搭建整流電路，將負(fù)載整流輸出的電壓波形和三相母線(xiàn)電流波形作為網(wǎng)絡(luò)故障模型的輸入。對(duì)數(shù)據(jù)的預(yù)處理分為以下幾個(gè)部分：數(shù)據(jù)采集，格式轉(zhuǎn)換，數(shù)據(jù)歸一化和圖像剔除。

1)數(shù)據(jù)采集。在仿真電路中，通過(guò)對(duì)觸發(fā)脈沖設(shè)置不同的觸發(fā)角來(lái)輸出負(fù)載整流電壓波形和三相母線(xiàn)電流波形。此時(shí)，示波器以固定頻率和采樣時(shí)間進(jìn)行數(shù)據(jù)采集，保存為.mat格式文件。

2)格式轉(zhuǎn)化?；赑ython語(yǔ)言使用TensorFlow框架中各種庫(kù)，將仿真生成的.mat格式的數(shù)據(jù)據(jù)進(jìn)行轉(zhuǎn)化為網(wǎng)絡(luò)所能識(shí)別的.JPG格式圖片集。

3)圖像剔除。將數(shù)據(jù)轉(zhuǎn)化為.JPG格式圖片后，會(huì)產(chǎn)生一些圖像的重疊或特征模糊等問(wèn)題，需要將這些有干擾的圖像進(jìn)行挑選剔除，保證網(wǎng)絡(luò)訓(xùn)練和測(cè)試結(jié)果準(zhǔn)確性。

4)數(shù)據(jù)歸一化。由于圖像的數(shù)量級(jí)之間存在的差異，這種差異性會(huì)影響到數(shù)據(jù)分析結(jié)果。為了消除量綱之間的影響，需要進(jìn)行數(shù)據(jù)歸一化處理。本文使用min-max標(biāo)準(zhǔn)化方法，是對(duì)數(shù)據(jù)的線(xiàn)性變換，是結(jié)果值映射到[0，1]區(qū)間，轉(zhuǎn)換函數(shù)如下

(3)

式中：max為樣本數(shù)據(jù)的最大值，min為樣本數(shù)據(jù)的最小值。

通過(guò)以上數(shù)據(jù)的預(yù)處理后，將特征顯著的圖片集作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。CNN模型對(duì)圖片集進(jìn)行卷積、池化等各種操作處理，從而實(shí)現(xiàn)網(wǎng)絡(luò)模型的輸出。

4 實(shí)驗(yàn)結(jié)果與分析

本文使用WIN10系統(tǒng)、Python3.6.6編譯環(huán)境以及TensorFlow學(xué)習(xí)框架進(jìn)行網(wǎng)絡(luò)程序的編寫(xiě)。由于本文所使用的圖像數(shù)據(jù)集簡(jiǎn)單、規(guī)律性強(qiáng)，且數(shù)據(jù)量不是很大，所以采用了基于網(wǎng)絡(luò)搜獲[12]的方法進(jìn)行調(diào)參來(lái)優(yōu)化CNN模型。

4.1 參數(shù)選擇

4.1.1 學(xué)習(xí)率

在訓(xùn)練網(wǎng)絡(luò)模型中，學(xué)習(xí)率是一個(gè)重要的超參數(shù)，控制著網(wǎng)絡(luò)權(quán)值調(diào)整的速度。一般來(lái)說(shuō)，學(xué)習(xí)率越大，網(wǎng)絡(luò)的學(xué)習(xí)速率越快，但如果太大，超過(guò)了極值，將導(dǎo)致準(zhǔn)確率降低，損失值停止下降并在某一位置反復(fù)震蕩；學(xué)習(xí)率越小，損失梯度下降的速度越慢，所需收斂時(shí)間越長(zhǎng)。因而選擇合適的學(xué)習(xí)率至關(guān)重要。參考大量實(shí)驗(yàn)與文獻(xiàn)，則該網(wǎng)絡(luò)模型的學(xué)習(xí)率設(shè)置為0.0001。

4.1.2 批處理樣本數(shù)量

通常將樣本數(shù)據(jù)集劃分為多個(gè)批次量實(shí)現(xiàn)網(wǎng)絡(luò)模型對(duì)參數(shù)的更新優(yōu)化。即每次處理樣本的數(shù)量對(duì)模型的準(zhǔn)確率有重要意義。在一定范圍內(nèi)，增大批處理數(shù)量，將會(huì)提高內(nèi)存利用率，加快處理速度，但增大到某些時(shí)候，影響最終的收斂精度和泛化性。如表1所示為不同批處理樣本數(shù)量下的時(shí)間結(jié)果，可選取批處理量為64時(shí)可達(dá)到最佳的測(cè)試結(jié)果。

表1 不同批處理數(shù)量的實(shí)驗(yàn)結(jié)果

4.1.3 迭代次數(shù)

迭代次數(shù)是指神經(jīng)網(wǎng)絡(luò)訓(xùn)練一個(gè)完整樣本集的次數(shù)，每次迭代進(jìn)行一次模型優(yōu)化。因樣本數(shù)據(jù)集數(shù)量多且具有一定的相似性。選取不同的參數(shù)進(jìn)行實(shí)驗(yàn)，如表2所示，當(dāng)?shù)螖?shù)為200時(shí)，網(wǎng)絡(luò)模型的準(zhǔn)確度為最優(yōu)。

表2 不同迭代次數(shù)的實(shí)驗(yàn)結(jié)果

4.2 實(shí)驗(yàn)結(jié)果

經(jīng)過(guò)多次實(shí)驗(yàn)參數(shù)的選擇和網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化，最終得到了最優(yōu)網(wǎng)絡(luò)故障診斷模型，與原始提出的網(wǎng)絡(luò)模型相比較，其晶閘管輸出電壓和三相母線(xiàn)電流識(shí)別分類(lèi)的平均準(zhǔn)確率分別高達(dá)99%、98%，該方法使得對(duì)晶閘管故障的診斷更加方便可靠。通過(guò)PyCharm、TensorFlow框架生成準(zhǔn)確率accuracy變化圖和損失值loss變化圖分別如下圖7和圖8所示。

圖7 CNN-電壓、電流準(zhǔn)確率

圖8 CNN-電壓、電流損失率

由圖7和圖8可知，隨著訓(xùn)練次數(shù)的增加，雖然分類(lèi)結(jié)果稍有波動(dòng)，但該模型對(duì)電壓、電流總的識(shí)別準(zhǔn)確率呈增長(zhǎng)的趨勢(shì)，損失率呈下降趨勢(shì)。在模型訓(xùn)練200次后，電壓、電流的分類(lèi)準(zhǔn)確率平均高達(dá)99%、98%。結(jié)果表明，改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)勵(lì)磁單元中晶閘管故障的識(shí)別具有良好的分類(lèi)結(jié)果，在電力故障診斷領(lǐng)域?qū)?huì)有很好的發(fā)展前景。

5 結(jié)束語(yǔ)

文中對(duì)勵(lì)磁勵(lì)磁功率單元中整流部分的晶閘管進(jìn)行了智能故障診斷識(shí)別。根據(jù)圖像識(shí)別技術(shù)和深度學(xué)習(xí)的結(jié)合，提出了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，可以得出以下結(jié)論：

1)該模型可以直接對(duì)原始波形圖像進(jìn)行故障診斷，不依賴(lài)人工處理信號(hào)，網(wǎng)絡(luò)模型穩(wěn)定且收斂，運(yùn)行速度快，從而準(zhǔn)確定位故障的晶閘管。

2)使用了批量歸一化BN層、Adam優(yōu)化器以及xavier_initializer初始化方法等，自動(dòng)迭代更新權(quán)值，防止梯度消失或爆炸、加快訓(xùn)練速度。

3)在實(shí)現(xiàn)勵(lì)磁功率單元故障診斷的基礎(chǔ)上，也可用于電力系統(tǒng)中其它部分故障的診斷。仿真結(jié)果表明，該方法在勵(lì)磁裝置故障診斷方面具有準(zhǔn)確性和可靠性。