基于SE-DSCNN的MMC開關(guān)管故障診斷方法

曾昭瑢，何怡剛

（武漢大學(xué) 電氣與自動化學(xué)院，湖北 武漢 430072）

0 引言

模塊化多電平變換器MMC（Modular Multilevel Converter）作為變換器中最具吸引力的拓?fù)浣Y(jié)構(gòu)之一，憑借著模塊化、易擴(kuò)展、設(shè)計(jì)靈活、效率高及諧波性能好等優(yōu)點(diǎn)，被應(yīng)用于中壓電機(jī)驅(qū)動、高壓直流輸電系統(tǒng)、統(tǒng)一潮流控制器等場景中［1-3］。MMC由多個級聯(lián)子模塊SM（Sub-Module）組成，每個SM 中又包含多個功率半導(dǎo)體器件。一旦發(fā)生故障，會產(chǎn)生三相不對稱、過電流及電壓電流波形畸變等不良影響［4］。因此，對故障部位進(jìn)行快速、準(zhǔn)確的診斷具有重要的實(shí)際意義。

MMC 中的開關(guān)管可能會發(fā)生開路或短路故障，通常短路故障在硬件保護(hù)裝置執(zhí)行隔離操作后會轉(zhuǎn)化為開路故障［5］，因此MMC 故障診斷研究主要是針對其開關(guān)管的開路故障。多電平變換器的開路故障診斷方法包括基于模型、基于機(jī)器學(xué)習(xí)的方法等?；谀Ｐ偷姆椒ㄐ枰⑾到y(tǒng)的數(shù)學(xué)或物理模型，通過比較測量的輸出值和模型的估計(jì)值來進(jìn)行故障診斷。文獻(xiàn)［6］借助觀測器來檢測和定位開關(guān)管的開路故障，文獻(xiàn)［7］建立SM 分組輸出電壓的預(yù)測模型以判斷故障類型，這類方法需要設(shè)置故障閾值。如果閾值設(shè)置過小，則可能會造成故障誤判；如果閾值設(shè)置過大，則很難在特征不明顯的故障早期實(shí)現(xiàn)診斷。此外，該類方法還易受到系統(tǒng)參數(shù)變化的影響，具有一定的局限性。傳統(tǒng)機(jī)器學(xué)習(xí)的故障診斷方法通常分為人工特征提取、故障分類兩步。文獻(xiàn)［8］先用主成分分析PCA（Principal Component Analysis）選取輸出電壓經(jīng)快速傅里葉變換FFT（Fast Fourier Transform）后的特征，再利用多分類相關(guān)向量機(jī)mRVM（multiclass Relevance Vector Machine）進(jìn)行故障分類。文獻(xiàn)［9］使用小波包分解WPD（Wavelet Packet Decomposition）和PCA提取電容電壓的故障特征，基于遺傳算法GA（Genetic Algorithm）優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)區(qū)分故障的開關(guān)管。這類方法中的人工特征提取通常依賴大量的先驗(yàn)知識，需要根據(jù)分類結(jié)果不斷調(diào)整所選特征，很難獲得數(shù)據(jù)中的深層特征。而深度學(xué)習(xí)可以解決這個問題，其將特征提取和故障分類合并成一個模型，模型自動從數(shù)據(jù)中學(xué)習(xí)特征信息的表示方法，在實(shí)現(xiàn)自動提取特征信息的同時提高模型的分類性能。文獻(xiàn)［10］使用深度學(xué)習(xí)中的棧式稀疏自動編碼器SSAE（Stacked Sparse Auto-Encoder）和Softmax 分類器對故障子模塊進(jìn)行定位，但未考慮對故障開關(guān)管的定位。

為了快速、準(zhǔn)確地定位MMC 故障開關(guān)管，識別特征不夠明顯的早期故障，本文基于深度學(xué)習(xí)，將故障診斷問題轉(zhuǎn)變成分類問題，采用一種結(jié)合擠壓-激勵SE（Squeeze-and-Excitation）模塊的深度可分離卷積神經(jīng)網(wǎng)絡(luò)DSCNN（Depthwise Separable Convolu-tional Neural Network）（簡記為SE-DSCNN），自動提取深層故障特征，在網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)縮減的情況下仍有較好的診斷效果。

1 MMC的運(yùn)行原理及故障分析

1.1 MMC的拓?fù)浣Y(jié)構(gòu)及工作原理

MMC 逆變器的拓?fù)浣Y(jié)構(gòu)如圖1 所示，每相包括上、下2個橋臂，各橋臂分別由N個結(jié)構(gòu)相同的SM和一個橋臂電感L0串聯(lián)而成，上、下橋臂的中點(diǎn)作為交流出口連接到負(fù)載，每個SM 由2 個帶反并聯(lián)二極管的IGBT（S1、S2）和一個電容C構(gòu)成。圖中：Udc為直流側(cè)電壓；uSM為SM輸出電壓；uC為電容兩端電壓。

圖1 MMC逆變器拓?fù)浣Y(jié)構(gòu)Fig.1 Topology structure of MMC inverter

SM 正常運(yùn)行時，S1、S2的驅(qū)動信號互補(bǔ)，分為投入和切除2 種運(yùn)行模式。在投入模式下，S1導(dǎo)通、S2關(guān)斷，根據(jù)電流方向的不同，電容分別進(jìn)行充、放電，此時uSM≈uC；在切除模式下，S1關(guān)斷、S2導(dǎo)通，uC幾乎保持不變，uSM=0。SM 的運(yùn)行模式由調(diào)制策略和電容電壓平衡方法共同決定。對于多電平變換器，目前有空間矢量調(diào)制、特定次諧波消除、最近電平逼近和載波移相PSC（Phase-Shifted Carrier）等多種調(diào)制方式。相比于其他調(diào)制策略，載波移相調(diào)制技術(shù)具有實(shí)現(xiàn)簡單、等效開關(guān)頻率高及諧波特性良好等優(yōu)點(diǎn)。在基于PSC 的脈寬調(diào)制PWM（Pulse Width Modulation）（PSC-PWM）策略中，每個橋臂的N個SM對應(yīng)1個特定的正弦調(diào)制波和N個依次錯開2π/N相位角的三角載波，通過調(diào)制波與三角載波比較得到的N組PWM 信號來驅(qū)動N個SM，各uSM相加便可得到單個橋臂的輸出電壓。此控制策略下，可以通過調(diào)節(jié)各SM的參考信號來實(shí)現(xiàn)電容電壓平衡，具體的實(shí)現(xiàn)方式參考文獻(xiàn)［11］。

1.2 故障參量信號的選取

由于多個開關(guān)管同時故障的概率非常低，通常只考慮單個開關(guān)管故障的情況，則開關(guān)管故障可分為S1開路故障和S2開路故障2 種。S1開路故障會影響SM 的投入模式，使原本進(jìn)行充、放電的電容進(jìn)入旁路狀態(tài)；S2開路故障會影響SM 的切除模式，使原本處于旁路狀態(tài)的電容進(jìn)入充、放電狀態(tài)。某一SM的S1、S2開路故障會導(dǎo)致該SM 的電容異常充放電、產(chǎn)生不正常的波動，進(jìn)而偏離預(yù)期值。采用PSCPWM 策略時，每一相可以單獨(dú)控制，其他相的uC不會受故障相的影響，因此可以單獨(dú)分析各相SM開關(guān)管故障，將單相SM 的uC作為區(qū)分故障開關(guān)管的故障參量信號。

1.3 故障參量信號的耦合性分析

由于MMC 為非線性系統(tǒng)，各控制變量與狀態(tài)變量之間具有強(qiáng)耦合性，同相其他非故障SM的電容電壓也會受到故障SM 的影響而偏離預(yù)期值。在一個每相含有6 個SM 的MMC 中，a 相中各SM 電容電壓由上至下分別記為uC1、uC2、…、uC6。圖2 由上至下3個子圖依次為MMC 上橋臂開關(guān)管SM1的S1、SM1的S2、SM2的S1在0.6 s 發(fā)生開路故障的uC變化曲線。經(jīng)對比MMC 上橋臂開關(guān)管SM1的S1、SM1的S2開路故障的uC變化曲線發(fā)現(xiàn)，同一SM 中的不同開關(guān)管故障后參量信號的變化趨勢不同，故障特征明顯；經(jīng)對比MMC 上橋臂開關(guān)管SM1的S1、SM2的S1開路故障的uC變化曲線發(fā)現(xiàn)，盡管故障SM 與非故障SM 的電容電壓之差會隨時間逐漸增大，但在故障剛發(fā)生后的幾個周期內(nèi)，不同SM在同一位置的開關(guān)管故障參量信號變化趨勢相似，故障特征不夠明顯。此時，由于故障SM 與非故障SM 參量信號之間的差值較小，基于模型的故障診斷方法難以設(shè)置合適的故障閾值，需要花費(fèi)一定的時間才能正確定位故障開關(guān)管?；趥鹘y(tǒng)機(jī)器學(xué)習(xí)的方法需要人工提取信號中關(guān)鍵的非耦合性特征，而參數(shù)不同的系統(tǒng)其關(guān)鍵特征也會有所不同，整個過程需要經(jīng)過大量的實(shí)驗(yàn)。因此，本文利用SE-DSCNN，在網(wǎng)絡(luò)學(xué)習(xí)的過程中自動提取各故障參量信號中具有代表性的特征信息，以減少人工提取特征的工作量，提高故障診斷效率，能夠在故障早期準(zhǔn)確判斷故障類型。

圖2 不同開關(guān)管故障時各電容電壓的對比Fig.2 Comparison of capacitor voltages among different switch faults

2 基于SE-DSCNN的故障診斷方法

為了從具有耦合性的參量信號中提取深層次特征，同時滿足計(jì)算量小、準(zhǔn)確率高的診斷要求，基于卷積神經(jīng)網(wǎng)絡(luò)（CNN），用深度可分離卷積（DSC）代替標(biāo)準(zhǔn)卷積以提取信號中的特征信息同時減少計(jì)算量，結(jié)合SE模塊突出具有代表性的特征信息。

2.1 CNN基本理論

CNN 是一種使用卷積運(yùn)算的前饋神經(jīng)網(wǎng)絡(luò)，通常由以下幾種類型層組成。

式中：θ為需要學(xué)習(xí)的模型參數(shù)。

2.2 DSC原理

為了減少網(wǎng)絡(luò)的參數(shù)量、提高網(wǎng)絡(luò)的運(yùn)行速度，小型高效的神經(jīng)網(wǎng)絡(luò)逐漸成為當(dāng)前的研究熱點(diǎn)之一。MobileNet［12］就是輕量卷積神經(jīng)網(wǎng)絡(luò)的一個代表，其核心組成部分為DSC。將DSC 應(yīng)用于多電容電壓時間序列分類問題中，不僅可以大幅減少網(wǎng)絡(luò)參數(shù)量，還可以將多電容電壓時間序列的時間相關(guān)性和跨通道相關(guān)性解耦。

DSC 將標(biāo)準(zhǔn)卷積分解成逐通道卷積和逐點(diǎn)卷積2 個部分，如附錄A 圖A1（a）所示。首先，逐通道卷積給每個輸入通道分配一個單獨(dú)的過濾器，分別映射各通道序列的時間相關(guān)性。然后，逐點(diǎn)卷積執(zhí)行1 × 1 卷積，生成逐通道卷積輸出量的線性組合，以映射不同傳感器的跨通道相關(guān)性。通過以上2 個獨(dú)立的步驟，時間相關(guān)性和跨通道相關(guān)性可以被充分解耦。用式（6）、（7）來表示以上2個步驟。

2.3 SE模塊原理

CNN 同時提取空間和通道中的特征信息，其卷積層輸出的特征映射包含不同程度的代表性信息，越具有代表性的特征所包含的有用信息就越多。為了突出通道中具有代表性的特征，文獻(xiàn)［13］提出了一種名為SE 模塊的網(wǎng)絡(luò)結(jié)構(gòu)，通過評估通道特征的信息量來學(xué)習(xí)特征權(quán)重，在增大有用特征權(quán)重的同時降低無用特征權(quán)重，從而實(shí)現(xiàn)通道特征的自適應(yīng)校準(zhǔn)。具體而言，通道特征的自適應(yīng)校準(zhǔn)分為2 步實(shí)現(xiàn)，包括擠壓操作和激勵操作，如附錄A圖A1（b）所示。

首先，擠壓操作通過全局平均池化，將上一卷積層所有輸出通道的全局信息xl∈R1×W×Ct壓縮成一個通道描述符ul∈RCt，ul中第c個通道的元素為：

2.4 SE-DSCNN的結(jié)構(gòu)框架

本文將SE 模塊與DSCNN 相結(jié)合，網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示，輸入為各電容電壓，輸出為狀態(tài)標(biāo)簽。首先將各電容電壓輸入第一個DSC 層，以提取全局核心特征；接著利用第二個DSC 層和SE 模塊來提取各通道的有效特征，為了同時保留全局特征和局部特征，使用殘差連接將上一卷積層的輸出與SE 模塊的輸出相連；將提取到的特征輸入第三個DSC 層以提取更多的特征信息；最后展平（Flatten）層將所有的特征展開，再通過全連接（Dense）層與Softmax 分類器相連。其中，每個DSC 層與激活函數(shù)ReLU 之間進(jìn)行了批歸一化BN（Batch Normalization）處理，其作用是提高網(wǎng)絡(luò)的泛化能力以及加快網(wǎng)絡(luò)的訓(xùn)練速度；丟棄（Dropout）層在訓(xùn)練過程中以一定的概率從神經(jīng)網(wǎng)絡(luò)中隨機(jī)丟棄神經(jīng)元，是一種防止過擬合的正則化方法；為了實(shí)現(xiàn)下采樣，需要在DSC層之后使用最大池化（Max Pooling）層及平均池化（Average Pooling）層。

圖3 SE-DSCNN的結(jié)構(gòu)Fig.3 Structure of SE-DSCNN

2.5 基于SE-DSCNN的故障診斷流程

基于SE-DSCNN 的MMC 開關(guān)管故障診斷流程如圖4所示，具體步驟如下。

圖4 基于SE-DSCNN的故障診斷流程Fig.4 Flowchart of fault diagnosis based on SE-DSCNN

1）數(shù)據(jù)采集。改變運(yùn)行條件，模擬各開關(guān)管分別故障的情況，采集各電容電壓傳感器從正常到故障的數(shù)據(jù)，將數(shù)據(jù)分段并歸一化后得到樣本數(shù)據(jù)。

2）數(shù)據(jù)處理。首先通過滑動時間窗口將數(shù)據(jù)分段，即利用大小一定、步長一定的滑動窗口按時間順序?qū)⒚總€通道序列的數(shù)據(jù)劃分成各個小片段；接著對分段后的樣本做歸一化處理，由于故障發(fā)生后，電容電壓會逐漸偏離正常值，為了消除局部幅值變化的影響、突出樣本的主要特征，根據(jù)式（11）將各通道的樣本數(shù)值控制在［0，1］的范圍內(nèi)。

式中：X和X＇分別為原始數(shù)據(jù)和歸一化后的數(shù)據(jù)；Xmin和Xmax分別為數(shù)據(jù)X中的最小值和最大值。

3）設(shè)置標(biāo)簽。單橋臂含有N個SM 的單相MMC開關(guān)管總數(shù)為4N，將正常狀態(tài)的標(biāo)簽設(shè)置為0，開關(guān)管故障狀態(tài)的標(biāo)簽從上到下設(shè)置為1、2、…、4N。時間窗口在滑動時會經(jīng)歷正常狀態(tài)過渡到故障狀態(tài)的階段，這個階段稱為過渡時期。過渡時期的樣本標(biāo)簽通過“大多數(shù)原則”來確定，即樣本片段中占比最高的狀態(tài)為樣本標(biāo)簽。以大小為2 個自然周期的時間窗口為例，繪出數(shù)據(jù)分段及標(biāo)簽設(shè)置的過程，如附錄A 圖A2所示。其中，故障點(diǎn)前一個周期和后一個周期分別用“-1”和“+1”表示，其他周期的表示方法依此類推，則滑動時間窗口起點(diǎn)在“-2”和“-1”期間取得的樣本處于過渡期間，將起點(diǎn)在“-2”期間內(nèi)樣本標(biāo)簽設(shè)置為0、起點(diǎn)在“-1”期間內(nèi)的樣本標(biāo)簽設(shè)置為1、2、3、…、4N。

4）訓(xùn)練階段。訓(xùn)練階段的數(shù)據(jù)集包含樣本片段及樣本標(biāo)簽，隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集用于訓(xùn)練分類網(wǎng)絡(luò)，驗(yàn)證集用于評估模型效果，訓(xùn)練得到最優(yōu)模型。

5）測試階段。將測試階段的樣本片段輸入訓(xùn)練階段得到的最優(yōu)模型，該模型自動提取片段特征并輸出測試片段的預(yù)測標(biāo)簽。

3 數(shù)據(jù)獲取及模型設(shè)置

3.1 樣本數(shù)據(jù)獲取

為了驗(yàn)證所提方法的可行性，根據(jù)圖1 的拓?fù)浣Y(jié)構(gòu)在MATLAB／Simulink 的環(huán)境中搭建仿真系統(tǒng)，參數(shù)如附錄A 表A1所示。為了采集不同運(yùn)行條件下的故障數(shù)據(jù)，需要改變故障發(fā)生時間。設(shè)故障起始時間為2 s，以2 ms 的步長在一個20 ms 的周期內(nèi)設(shè)置10 種時間偏移量，即Δ1=0，Δ2=2 ms，…，Δ10=18 ms，則10種故障發(fā)生時間為2 s+Δi（i=1，2，…，10）。額定負(fù)載下，改變10 種故障發(fā)生時間，得到上橋臂SM1中S1、S2故障后10 個周期的各電容電壓波形圖分別如附錄A 圖A3（a）、（b）所示。從圖中可以看出，由于故障發(fā)生時間的不同，故障點(diǎn)的起始電容電壓不同，波形有細(xì)微的差別，但都屬于同一種故障類型。模擬12 種開關(guān)管故障情況，每種情況下設(shè)置10 種故障發(fā)生時間，重復(fù)10 次運(yùn)行，每次隨機(jī)改變負(fù)載值（波動范圍在±20%之內(nèi)），以50 kHz 的采樣頻率采集故障點(diǎn)前3 個周期及后10 個周期的6 個電容電壓信號，則一共得到1200組數(shù)據(jù)。

3.2 模型參數(shù)設(shè)置

基于圖3 所示結(jié)構(gòu)，將網(wǎng)絡(luò)的參數(shù)設(shè)置如下：卷積核的大小為1×13，移動步長為1，3 個DSC 層中核的數(shù)量分別為16、32、64，SE 模塊中的縮放參數(shù)r為8，最大池化層的大小為1×3，平均池化層的大小為1×8，丟棄率設(shè)為0.2，具體的結(jié)構(gòu)及參數(shù)見附錄A表A2。與其他的深度學(xué)習(xí)模型相似，該模型也可以通過通過梯度下降和反向傳播算法進(jìn)行訓(xùn)練。訓(xùn)練時，將預(yù)測狀態(tài)標(biāo)簽和真實(shí)狀態(tài)標(biāo)簽之間的交叉熵作為損失函數(shù)，并使用Adam 優(yōu)化算法［14］來最小化損失函數(shù)。每次訓(xùn)練的樣本數(shù)目設(shè)為128，訓(xùn)練集與驗(yàn)證集之比為4∶1，最大迭代次數(shù)設(shè)置為500。同時設(shè)置提前結(jié)束訓(xùn)練的條件：若連續(xù)20 次迭代中驗(yàn)證集的損失函數(shù)不下降，則停止訓(xùn)練。

3.3 時間窗口設(shè)置

時間窗口的大小和步長會直接影響樣本中特征信息的含量、診斷的時間延遲、檢測到故障的時間點(diǎn)。通常時間窗口越大，每個樣本包含的特征信息越多，診斷的精度越高，但診斷的總時間會相應(yīng)延長，所需要的內(nèi)存空間也越大；滑動步長越小，檢測到故障的時間點(diǎn)越精準(zhǔn)，對數(shù)據(jù)傳輸和硬件內(nèi)存的要求也越高。為了充分提取各電容電壓所包含的特征信息，樣本應(yīng)至少包含正常或故障狀態(tài)下的1 個完整周期。經(jīng)權(quán)衡考慮，將滑動時間窗口的大小和步長分別設(shè)置為2 000、100，則3.1 節(jié)中每組數(shù)據(jù)分段后可得到111 個樣本，總樣本數(shù)為133 200。再按4∶1 的比例隨機(jī)劃分?jǐn)?shù)據(jù)集，訓(xùn)練階段有106 560 個樣本，測試階段有26640個樣本。

4 結(jié)果分析

4.1 模型的評價指標(biāo)

4.1.1 分類效果的評價指標(biāo)

由于采集到的每組數(shù)據(jù)包含3 個周期的正常數(shù)據(jù)和10 個周期的故障數(shù)據(jù)，正常類別的樣本數(shù)量和故障類別的樣本數(shù)量不完全相等。因此，除了準(zhǔn)確率之外，本文還使用了混淆矩陣、宏查準(zhǔn)率、宏查全率、宏F1等指標(biāo)來衡量模型的分類效果。

混淆矩陣M中的元素mi，j表示類型i的樣本被預(yù)測成類型j的數(shù)量。則準(zhǔn)確率A1的定義為：

4.2 模型的整體診斷效果

根據(jù)第3 節(jié)獲取的樣本數(shù)據(jù)及設(shè)置的模型參數(shù)，使用SE-DSCNN重復(fù)10次實(shí)驗(yàn)，每次實(shí)驗(yàn)都重新隨機(jī)劃分訓(xùn)練集、驗(yàn)證集和測試集。將10 次測試集片段分類結(jié)果匯總，畫出標(biāo)準(zhǔn)化后的混淆矩陣，如附錄A 圖A4所示。從圖中可以看出，大部分的誤報率都集中在正常片段與故障片段的分類，這主要是處于過渡時期樣本所造成的混淆。此外，故障類型之間的誤報率主要集中在處于同一位置上的開關(guān)管，從圖2 可以看出同一位置上的開關(guān)管在故障剛發(fā)生的1 個周期內(nèi)，各電容電壓的變化曲線幾乎完全重合，這造成了故障類型1、3、5 和故障類型7、9、11 之間的分類出現(xiàn)了極小的偏差。但總體而言，故障與故障之間的區(qū)分效果較好，絕大部分的故障都能被模型正確識別。

將基于SE-DSCNN 的診斷方法與其他幾種基于機(jī)器學(xué)習(xí)的多電平變換器診斷方法進(jìn)行對比，包括文獻(xiàn)［8-10］的方法。重復(fù)10 次實(shí)驗(yàn)取平均值，得到各方法在A1、Pmacro、Rmacro、Fmacro這4 個指標(biāo)上的測試樣本結(jié)果，如表1 所示，其他4 種診斷方法的相關(guān)參數(shù)設(shè)置和標(biāo)準(zhǔn)化混淆矩陣結(jié)果分別見附錄A 表A3和圖A5。經(jīng)嘗試發(fā)現(xiàn)：方法1 無法處理第3 節(jié)的樣本規(guī)模，文獻(xiàn)［8］使用mRVM 進(jìn)行故障診斷的樣本只有450 個，此處將樣本數(shù)量壓縮到原來的1/10，方法1 的分類結(jié)果不太理想，說明mRVM 無法處理規(guī)模較大的樣本；方法2 的幾個分類指標(biāo)達(dá)到了90%以上，但觀察混淆矩陣后發(fā)現(xiàn)各類別的查全率差距非常大，說明SVM 只能區(qū)分特定的類別；方法3通過PCA提取的主成分?jǐn)?shù)量比文獻(xiàn)［9］更多，說明本文的數(shù)據(jù)特征沒有文獻(xiàn)［9］的數(shù)據(jù)特征明顯。方法1—3在文獻(xiàn)［8-9］中使用的樣本都沒有經(jīng)過滑動時間窗口分段，而是將較長時間范圍內(nèi)的數(shù)據(jù)作為一個樣本，包含了特征明顯的故障后期數(shù)據(jù)，所以診斷準(zhǔn)確率較高。但本文所采用的數(shù)據(jù)不僅有特征明顯的故障后期樣本片段，還有特征不夠明顯的故障早期樣本片段。在這種情況下，這3 種方法都很難區(qū)分不同類型的故障，即使是對特征明顯的故障分類也會產(chǎn)生混淆。方法4 出現(xiàn)誤報率的主要原因來自處于同一位置的開關(guān)管，比如故障類型1、3、5 之間和故障類型2、4、6 之間出現(xiàn)混淆，說明SSAE 區(qū)分耦合性特征的效果很差。方法4 對處于不同位置的開關(guān)管分類并不會出現(xiàn)偏差，而前3 種方法會出現(xiàn)誤報，說明自動特征提取在區(qū)分明顯特征時比人工特征提取的效果更好。經(jīng)對比發(fā)現(xiàn)，本文所提基于SE-DSCNN的診斷方法在包含耦合性特征的總樣本上的整體分類效果遠(yuǎn)好于其他4 種診斷方法，可以實(shí)現(xiàn)早期故障診斷。

表1 不同診斷方法的結(jié)果對比Table 1 Comparison of different diagnostic methods

4.3 故障早期的診斷效果

為了研究所提網(wǎng)絡(luò)在故障早期的診斷效果，并且驗(yàn)證模型的改進(jìn)效果，將SE-DSCNN 與其他3 個深度學(xué)習(xí)分類網(wǎng)絡(luò)進(jìn)行對比，分別是DNN、CNN、DSCNN。DNN 是只包含Dense 層的深度學(xué)習(xí)網(wǎng)絡(luò)，CNN 和DSCNN 已第2節(jié)中介紹。這3種網(wǎng)絡(luò)的核心層（Dense 層或卷積層）數(shù)量與SE-DSCNN 相同，均為3個，具體結(jié)構(gòu)及參數(shù)見附錄A表A4—A6。

通過模擬12 種故障情況，隨機(jī)改變故障發(fā)生時間及負(fù)載50 次，得到600 條運(yùn)行記錄。取每條記錄中故障點(diǎn)前10個周期和后10個周期進(jìn)行分析，以滑動窗口起點(diǎn)所在的1 個周期為單位，計(jì)算出各網(wǎng)絡(luò)在不同時期的準(zhǔn)確率，如附錄A 表A7所示。從表中可以看出，正常時期的分類準(zhǔn)確率為100%，說明幾個深度學(xué)習(xí)網(wǎng)絡(luò)在正常時都不會出現(xiàn)誤診的情況。

為了進(jìn)一步分析網(wǎng)絡(luò)診斷不同故障類型的效果，按照4.1.2 節(jié)的定義，計(jì)算出各網(wǎng)絡(luò)在故障發(fā)生后不同時期的診斷正確率，其具體數(shù)值及網(wǎng)絡(luò)參數(shù)量見表2，表中“-2”、“-1”、“+1”、“+2”、“+3”分別表示滑動時間窗口中的樣本分別包含了故障發(fā)生后第1—5個周期的數(shù)據(jù)。從表中可以看出：所提網(wǎng)絡(luò)的分類性能最好，故障剛發(fā)生后的2 個過渡時期的診斷正確率在99%以上，此后的診斷正確率均達(dá)100%；其他網(wǎng)絡(luò)在故障發(fā)生后，診斷正確率會先下降再上升，有2～3 個周期的誤診率較高。相比于DNN 和CNN，SE-DSCNN 的參數(shù)量大幅減少，這是DSC 發(fā)揮的作用。SE-DSCNN 的模型參數(shù)量比CNN的參數(shù)量減少了70.92%左右，但診斷性能卻得到了小幅度提升；DSCNN 在故障發(fā)生后第2 個和第3 個周期的診斷正確率均不到90%，診斷性能遠(yuǎn)不如SE-DSCNN，無法正確識別早期故障。這說明了SE模塊對網(wǎng)絡(luò)性能有較大的提升效果。

表2 不同深度學(xué)習(xí)網(wǎng)絡(luò)的結(jié)果對比Table 2 Comparison of results among different deep learning networks

4.4 樣本片段的診斷時間

本文基于Python 的Tensorflow 框架實(shí)現(xiàn)了所提出的網(wǎng)絡(luò)，實(shí)驗(yàn)所用計(jì)算機(jī)的內(nèi)存為32 GB，顯卡為Nvidia GTX-3080。在該計(jì)算機(jī)上，單個樣本片段的平均診斷時間約為0.34 ms。

5 結(jié)論

本文采用一種SE-DSCNN 的網(wǎng)絡(luò)結(jié)構(gòu)對MMC開關(guān)管進(jìn)行故障診斷，使用大小為40 ms、步長為2 ms 的滑動時間窗口劃分樣本片段，與其他的診斷算法和深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行了對比，模型在各評價指標(biāo)上都表現(xiàn)出了高達(dá)99%的正確率，單個樣本片段的平均診斷時間約為0.34 ms。所得到的主要結(jié)論如下：

1）所提方法避免了特征提取、特征選擇、人工設(shè)置故障閾值的復(fù)雜過程，直接將原始的電容電壓數(shù)據(jù)輸入網(wǎng)絡(luò)便可以得到診斷結(jié)果，使用簡單；

2）所提方法無需建立MMC 的數(shù)學(xué)模型，因此該方法可以使用在不同的拓?fù)浣Y(jié)構(gòu)、控制策略下的MMC開關(guān)管故障診斷之中，應(yīng)用范圍廣；

3）所提方法能夠區(qū)分具有耦合性的特征，在故障早期就能達(dá)到較高的診斷正確率，診斷的時間延遲大幅縮短，具有較高的可靠性；

4）所提網(wǎng)絡(luò)的參數(shù)量相比于其他的一些深度學(xué)習(xí)網(wǎng)絡(luò)有所減少，精度卻得到了提升，總體計(jì)算量不大，實(shí)現(xiàn)了高效、準(zhǔn)確的診斷。

附錄見本刊網(wǎng)絡(luò)版（http：//www.epae.cn）。