基于深度自編碼器網(wǎng)絡(luò)的逆變器開(kāi)關(guān)管開(kāi)路故障診斷

宋保業(yè),魯 朋,許 琳

(山東科技大學(xué) 電氣與自動(dòng)化工程學(xué)院,山東 青島 266590)

由于變頻調(diào)速系統(tǒng)的優(yōu)越性能,永磁同步電機(jī)、無(wú)刷直流電機(jī)等開(kāi)始在電力拖動(dòng)系統(tǒng)中廣泛應(yīng)用。研究顯示,在所有變頻電機(jī)的故障中,有近40%的故障來(lái)源于變頻逆變器的功率半導(dǎo)體開(kāi)關(guān)器件損壞及其電路故障[1-2]。由于元器件老化、過(guò)載和不當(dāng)觸發(fā)等原因,功率開(kāi)關(guān)器件極易發(fā)生短路故障或開(kāi)路故障[3]。短路故障主要是由過(guò)電壓、過(guò)熱和錯(cuò)誤的觸發(fā)信號(hào)等引起的,一旦發(fā)生將在極短的時(shí)間內(nèi)產(chǎn)生異常的過(guò)電流,對(duì)功率變換器造成損壞。因此,短路故障一般由標(biāo)準(zhǔn)的保護(hù)電路立即進(jìn)行檢測(cè)和隔離,如熔斷器、斷路器等[4]。開(kāi)路故障主要是由觸發(fā)信號(hào)丟失,熱、機(jī)械疲勞等導(dǎo)致的斷線或開(kāi)關(guān)管爆裂引起的,一般不會(huì)使驅(qū)動(dòng)系統(tǒng)立即失效。但開(kāi)路故障導(dǎo)致的系統(tǒng)電流不平衡,會(huì)顯著降低驅(qū)動(dòng)系統(tǒng)的性能,如電流畸變、轉(zhuǎn)矩振蕩等,若不及時(shí)診斷并排除故障將引發(fā)其他系統(tǒng)元器件故障[5]。因此,研究逆變器功率開(kāi)關(guān)管的開(kāi)路故障診斷,具有重要的工程實(shí)際意義和價(jià)值。

功率開(kāi)關(guān)的故障診斷方法可分為基于模型的方法、基于信號(hào)的方法和基于知識(shí)的方法等[6-7]?；谀Ｐ偷姆椒ㄒ杂^測(cè)器/濾波器方法為主[8],例如,Shao等[9]設(shè)計(jì)了用于多電平逆變器功率管開(kāi)路故障診斷的滑模觀測(cè)器,采用橋臂電流和電容電壓的理論值和實(shí)際輸出構(gòu)造殘差,實(shí)現(xiàn)功率管開(kāi)路故障的檢測(cè)和分離;Jlassi等[10]采用龍貝格觀測(cè)器估計(jì)逆變器的相電流,并與測(cè)量值比較產(chǎn)生殘差,用于診斷逆變器功率管的開(kāi)路故障;Naseri等[11]提出基于Kalman濾波器的逆變器輸出電流估計(jì)方法,將平均的歸一化殘差信號(hào)用于開(kāi)關(guān)管的開(kāi)路故障檢測(cè),具有故障檢測(cè)的快速性和魯棒性的特點(diǎn)。開(kāi)關(guān)管的開(kāi)路故障會(huì)導(dǎo)致電流和電壓測(cè)量信號(hào)的畸變,因此可以利用電流或電壓信號(hào)處理方法進(jìn)行故障檢測(cè)[12-13]?；陔娏餍盘?hào)的方法不需要額外的硬件,但為保證檢測(cè)結(jié)果的準(zhǔn)確性需要的時(shí)間較長(zhǎng)?；陔妷盒盘?hào)的方法需要額外增加電壓傳感器,但具有較好的故障診斷速度、精度和對(duì)負(fù)載波動(dòng)、信號(hào)噪聲等的魯棒性?；谥R(shí)的方法不依賴于系統(tǒng)模型、負(fù)載條件和信號(hào)模式,但需要大量的歷史數(shù)據(jù),所以也稱為數(shù)據(jù)驅(qū)動(dòng)的方法,受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注和深入研究[6-7,14]。數(shù)據(jù)驅(qū)動(dòng)方法的信號(hào)獲取、特征提取和故障分類等主要步驟中,信號(hào)特征提取是最關(guān)鍵的,決定了故障診斷的成功率和效率,因此成為故障診斷領(lǐng)域的研究熱點(diǎn)[15]。例如,Gomathy等[16]采用離散小波變換和主元分析提取三相逆變器的故障信號(hào)特征,然后基于相關(guān)向量機(jī)和布谷鳥(niǎo)搜索算法建立故障診斷模型;Wang等[17]采用主元分析方法提取H橋多電平逆變器的開(kāi)路故障特征,然后基于多分類相關(guān)向量機(jī)實(shí)現(xiàn)故障分類;Shafiullah等[18]采用三相電流信號(hào)的S變換得到S矩陣,并將提取的故障特征輸入前饋神經(jīng)網(wǎng)絡(luò)中進(jìn)行故障識(shí)別;Ye等[19]采用小波包變換提取故障特征,并采用長(zhǎng)短時(shí)記憶(long short-term memory,LSTM)網(wǎng)絡(luò)檢測(cè)嵌套式中點(diǎn)可控型五電平變換器的開(kāi)路和短路故障;Cai等[20]首先采用快速傅里葉變換(fast Fourier transform,FFT)提取三相逆變器開(kāi)路故障電壓信號(hào)的特征,然后利用主元分析方法降低樣本的維數(shù),最后通過(guò)貝葉斯網(wǎng)絡(luò)檢測(cè)和診斷故障。但是,上述故障特征提取過(guò)程需要人工參與,且大都針對(duì)具體的故障診斷問(wèn)題,不具有應(yīng)用對(duì)象和場(chǎng)合的通用性。

針對(duì)上述故障特征提取方法存在的缺陷,近年來(lái)基于深度神經(jīng)網(wǎng)絡(luò)的方法開(kāi)始在故障診斷領(lǐng)域廣泛應(yīng)用[21-22]。崔江等[23]采用堆棧自編碼器提取故障電流信號(hào)的特征,并使用支持向量機(jī)(support vector machine,SVM)進(jìn)行故障分類;Chen等[24]研究了機(jī)械傳動(dòng)系統(tǒng)齒輪箱的故障診斷問(wèn)題,將原始振動(dòng)信號(hào)直接輸入到具有一個(gè)卷積層和兩個(gè)全連接層的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)。Kiranyaz等[25]提出一種一維卷積神經(jīng)網(wǎng)絡(luò)用于模塊化多電平逆變器的故障診斷,具有較高的故障診斷準(zhǔn)確率;Wen等[26]提出采用LeNet-5卷積神經(jīng)網(wǎng)絡(luò)診斷電機(jī)系統(tǒng)軸承故障,提高了系統(tǒng)的故障診斷準(zhǔn)確率。以上方法盡管提升了故障診斷性能,但需要大量數(shù)據(jù)用于特征學(xué)習(xí)和故障分類,既加重了存儲(chǔ)和計(jì)算負(fù)擔(dān),也容易引起梯度爆炸等不穩(wěn)定問(wèn)題。

針對(duì)以上方法的不足,本研究提出一種新的深度自編碼器網(wǎng)絡(luò)設(shè)計(jì)方法,用于逆變器開(kāi)關(guān)管的開(kāi)路故障診斷。首先,對(duì)逆變器開(kāi)關(guān)管的開(kāi)路故障進(jìn)行建模、分析和編碼,并基于仿真平臺(tái)采集不同開(kāi)路故障的信號(hào)數(shù)據(jù);然后,提出一種自編碼器網(wǎng)絡(luò)的規(guī)則化設(shè)計(jì)方法,避免人工進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的繁冗過(guò)程;最后,基于設(shè)計(jì)的自編碼器網(wǎng)絡(luò)和采集的實(shí)驗(yàn)數(shù)據(jù),進(jìn)行開(kāi)關(guān)管開(kāi)路故障診斷實(shí)驗(yàn),并與4種常用方法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明,分別基于電壓和電流兩種不同類型的故障信號(hào)數(shù)據(jù),本研究提出的方法均能夠有效利用有限的數(shù)據(jù)自動(dòng)學(xué)習(xí)開(kāi)關(guān)管的開(kāi)路故障特征,實(shí)現(xiàn)端到端的智能故障診斷并得到較高的故障識(shí)別準(zhǔn)確率,驗(yàn)證了本方法的有效性和優(yōu)越性。

2 逆變器開(kāi)關(guān)管開(kāi)路故障模型

2.1 逆變器控制系統(tǒng)模型

考慮如圖1所示的永磁同步電機(jī)-逆變器控制系統(tǒng),其主電路拓?fù)渲饕?個(gè)金屬氧化物半導(dǎo)體場(chǎng)效晶體管(metal-oxide-semiconductor field-effect transistor,MOSFET)T1～T6,和與之相對(duì)應(yīng)的反并聯(lián)續(xù)流二極管D1～D6構(gòu)成。定義開(kāi)關(guān)量S1～S6表示6個(gè)功率開(kāi)關(guān)管的開(kāi)關(guān)狀態(tài)。當(dāng)S1、S3或S5為1時(shí),逆變器電路的上橋臂開(kāi)關(guān)管導(dǎo)通,下橋臂開(kāi)關(guān)管切斷(此時(shí)S2、S4、S6為0),此狀態(tài)記為Sa(Sb、Sc)=1;反之,當(dāng)S2、S4或S6為1時(shí),則逆變器電路的下橋臂開(kāi)關(guān)管導(dǎo)通,而上橋臂開(kāi)關(guān)管關(guān)斷(此時(shí)S1、S3、S5為0),此狀態(tài)記為Sa(Sb、Sc)=0。

2.2 開(kāi)關(guān)管開(kāi)路故障分析

在圖1的逆變器主電路中,假設(shè)發(fā)生開(kāi)路故障的開(kāi)關(guān)管最多為2個(gè),則全部的開(kāi)關(guān)管開(kāi)路故障可以分為5大類共22種情況,主要包括1種正常狀態(tài)(可看作一種特殊的故障),6種單管故障,3種同相橋臂雙管故障,6種相鄰相橋臂同側(cè)雙管故障和6種相鄰相橋臂異側(cè)雙管故障,如表1所示。

以開(kāi)關(guān)管T1發(fā)生開(kāi)路故障為例,此時(shí)的主電路拓?fù)淙鐖D2所示。定義相電流流入電機(jī)定子的方向?yàn)閰⒖颊较?于是a相電流的流通路徑如圖3所示。當(dāng)ia<0時(shí),a相電流的主要通路經(jīng)過(guò)T2,續(xù)流通路經(jīng)過(guò)D1。由于T2和D1均可以正常導(dǎo)通或續(xù)流,所以此時(shí)a相電流的負(fù)半周期不受開(kāi)關(guān)管T1發(fā)生開(kāi)路故障的影響。當(dāng)ia>0時(shí),a相電流的主要通路經(jīng)過(guò)T1,續(xù)流通路經(jīng)過(guò)D2。盡管D2可以正常續(xù)流,但由于開(kāi)關(guān)管T1發(fā)生開(kāi)路故障不能導(dǎo)通,所以a相電流不能正向增大,在正半周期基本為零。

圖2 T1發(fā)生開(kāi)路故障的主電路

圖3 T1發(fā)生開(kāi)路故障的電流通路

圖4為開(kāi)關(guān)管T1發(fā)生開(kāi)路故障時(shí),逆變器的三相電流和端電壓信號(hào)的歸一化示例。為了能清晰表示,三相電流和端電壓波形都只截取了一部分,開(kāi)路故障發(fā)生在圖中的第100個(gè)采樣點(diǎn)時(shí)刻(下同)。對(duì)于表1中的其他故障情況,可進(jìn)行類似分析,在此不再贅述?？梢钥闯?當(dāng)故障發(fā)生后,逆變器的電流和電壓信號(hào)均發(fā)生畸變,而這些畸變的電流、電壓信號(hào)蘊(yùn)含著對(duì)應(yīng)故障的特征信息,可以通過(guò)機(jī)器學(xué)習(xí)算法進(jìn)行故障特征的學(xué)習(xí)、提取,進(jìn)而實(shí)現(xiàn)開(kāi)關(guān)管的開(kāi)路故障診斷。

圖4 T1發(fā)生開(kāi)路故障的電流和電壓

2.3 故障信號(hào)采集與編碼

本研究故障診斷實(shí)驗(yàn)采用的開(kāi)關(guān)管開(kāi)路故障信號(hào)來(lái)源于MATLAB/Simulink的電機(jī)運(yùn)動(dòng)控制仿真平臺(tái),仿真時(shí)將觸發(fā)信號(hào)置零來(lái)模擬逆變器開(kāi)關(guān)管的開(kāi)路故障。通過(guò)仿真平臺(tái)采集電機(jī)驅(qū)動(dòng)器開(kāi)關(guān)管發(fā)生開(kāi)路故障時(shí)的電流和電壓信號(hào),并分別選用三相電流和端電壓進(jìn)行故障診斷,具體故障類型與編碼如表2所示。

表2 故障類型與故障編碼

3 基于自編碼器網(wǎng)絡(luò)的開(kāi)關(guān)管開(kāi)路故障診斷

3.1 自編碼器網(wǎng)絡(luò)

自編碼器(autoencoder,AE)是一個(gè)對(duì)稱的三層神經(jīng)網(wǎng)絡(luò),可通過(guò)無(wú)監(jiān)督學(xué)習(xí)從原始數(shù)據(jù)信號(hào)中提取特征信息[27]。如圖5所示,自編碼器包括編碼和解碼兩個(gè)步驟[28]。

圖5 自編碼器結(jié)構(gòu)

hi=f(xi)=Sigmoid(W1xi+b1)。

(1)

(2)

(3)

這樣,隱含層向量hi則包含從無(wú)標(biāo)簽數(shù)據(jù)中提取到的特征信息。實(shí)際上,式(3)就是要使得重構(gòu)誤差的代價(jià)函數(shù)最小化,通常可將重構(gòu)誤差的代價(jià)函數(shù)定義為:

(4)

式中:M為訓(xùn)練數(shù)據(jù)集的樣本數(shù)量;λ為調(diào)節(jié)前后兩項(xiàng)相對(duì)權(quán)重的系數(shù),用于防止出現(xiàn)過(guò)擬合現(xiàn)象;nl為自編碼器的層數(shù);sl表示第l層的神經(jīng)元數(shù)量。為獲得更好的性能,通常將稀疏性約束條件加入到式(4)的代價(jià)函數(shù)中,實(shí)現(xiàn)特征表示的稀疏化?？紤]到稀疏懲罰項(xiàng),將稀疏自編碼器(sparse autoencoder,SAE)的重構(gòu)誤差代價(jià)函數(shù)重新定義為:

(5)

(6)

(7)

堆棧稀疏自編碼器(stacked sparse autoencoder,SSAE)網(wǎng)絡(luò)是由多個(gè)稀疏自編碼器堆疊而成的深層神經(jīng)網(wǎng)絡(luò),能夠采用逐層訓(xùn)練的方式實(shí)現(xiàn)無(wú)監(jiān)督學(xué)習(xí),是常用的深度學(xué)習(xí)網(wǎng)絡(luò)之一。SSAE通過(guò)與Softmax、SVM等分類算法相結(jié)合,可用于解決模式分類問(wèn)題。如圖6所示,在SSAE網(wǎng)絡(luò)中,首先利用輸入的樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)的第一個(gè)SAE進(jìn)行預(yù)訓(xùn)練,得到權(quán)重矩陣W11、W21和偏置向量b11、b21,保存W11和b11;然后將第一個(gè)SAE的隱含層輸出向量h1作為第二個(gè)SAE的輸入,對(duì)第二個(gè)SAE進(jìn)行預(yù)訓(xùn)練,得到權(quán)重矩陣W12、W22和偏置向量b12、b22,保存W12和b12;依次對(duì)網(wǎng)絡(luò)的所有SAE進(jìn)行訓(xùn)練直到最后一層。最終,在給定期望的數(shù)據(jù)標(biāo)簽之后,通過(guò)反向傳播(back propagation,BP)算法對(duì)整個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào),其代價(jià)函數(shù)可以表示為:

(8)

圖6 堆棧稀疏自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

3.2 堆棧稀疏自編碼器網(wǎng)絡(luò)的設(shè)計(jì)

堆棧稀疏自編碼器網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)方式之一,其網(wǎng)絡(luò)結(jié)構(gòu)目前主要通過(guò)經(jīng)驗(yàn)確定,尚無(wú)規(guī)范的設(shè)計(jì)方法。為此,本研究提出一種規(guī)范的自編碼器網(wǎng)絡(luò)設(shè)計(jì)方法。首先,基于輸入數(shù)據(jù)維數(shù)采用二進(jìn)制遞減方法設(shè)計(jì)各隱含層的神經(jīng)元數(shù)量;然后,根據(jù)輸出分類的類別數(shù)選擇特征輸出隱含層的位置,從而確定自編碼器網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),其原理如圖7所示。

圖7 自編碼器網(wǎng)絡(luò)拓?fù)湓O(shè)計(jì)方法

具體地,自編碼器的隱含層神經(jīng)元數(shù)量通常小于輸入層神經(jīng)元數(shù)量,輸入信號(hào)的特征可以通過(guò)壓縮后的隱含層輸出來(lái)表示。假設(shè)輸入層神經(jīng)元數(shù)量為N,則將第一個(gè)隱含層的神經(jīng)元數(shù)量設(shè)計(jì)為2n,其中n為滿足2n≤N的最大正整數(shù),如N=100,則可將n設(shè)計(jì)為6。然后,在第二個(gè)隱含層的神經(jīng)元數(shù)量設(shè)計(jì)為2n-1,第三個(gè)隱含層的神經(jīng)元數(shù)量設(shè)計(jì)為2n-2,即當(dāng)前隱含層的神經(jīng)元數(shù)量是上一層的一半,以此類推。這樣,最后一個(gè)隱含層的神經(jīng)元數(shù)量為20=1,則整個(gè)堆棧稀疏自編碼網(wǎng)絡(luò)的最大層數(shù)為n+1。

然后,將隱含層的輸出送入一個(gè)選擇器,并將提取的隱含層特征送入分類器進(jìn)行特征分類。其中,進(jìn)入分類器的隱含層特征值數(shù)量一般應(yīng)大于分類器的輸出類別。于是,假設(shè)分類器的輸出類別數(shù)量為M,進(jìn)入分類器的是第m個(gè)隱含層的輸出特征,則可將m設(shè)計(jì)為滿足2n-m+1≥M的最大正整數(shù)。綜上,上述自編碼器網(wǎng)絡(luò)拓?fù)涞脑O(shè)計(jì)方法可總結(jié)為算法1。

算法 1 自編碼器網(wǎng)絡(luò)拓?fù)湓O(shè)計(jì)算法 1) 初始化:設(shè)定輸入層神經(jīng)元數(shù)量 N 和分類器輸出類別數(shù)量 M; 2) 選擇滿足 2 n ≤ N 的最大正整數(shù) n,并將第一個(gè)隱含層神經(jīng)元數(shù)量設(shè)計(jì)為 2 n ; 3) 選擇滿足 2 n-m+1 ≥ M 的最大正整數(shù) m,并將第 m 個(gè)隱含層神經(jīng)元數(shù)量設(shè)計(jì)為 2 n-m+1 ; 4) 從第二個(gè)隱含層開(kāi)始,將隱含層神經(jīng)元數(shù)量設(shè)計(jì)為上一個(gè)隱含層神經(jīng)元數(shù)量的一半,直到第 m 個(gè)隱含層; 5) 輸出自編碼器網(wǎng)絡(luò)拓?fù)洹?/p>

以上自編碼器網(wǎng)絡(luò)采用Softmax(歸一化指數(shù)函數(shù))分類器。Softmax分類器是Logistic回歸在多分類問(wèn)題上的推廣,目前被廣泛用于機(jī)器學(xué)習(xí)算法中,同時(shí)還用于在深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào),其定義為:

(9)

式中:θ1,θ2,…,θK為模型參數(shù);K為模型輸出的類別數(shù)。式(9)表示對(duì)輸入數(shù)據(jù)xi,先通過(guò)指數(shù)運(yùn)算將其變?yōu)檎龜?shù),然后進(jìn)行歸一化,從而得到將xi分類成第j類數(shù)據(jù)的概率。實(shí)際上,Softmax分類器常用于神經(jīng)網(wǎng)絡(luò)的最后一層進(jìn)行多類別分類,其結(jié)構(gòu)如圖8所示,圖中K=3。

圖8 Softmax分類器結(jié)構(gòu)

3.3 實(shí)驗(yàn)結(jié)果

本節(jié)通過(guò)仿真實(shí)驗(yàn),驗(yàn)證上述堆棧稀疏自編碼器網(wǎng)絡(luò)在逆變器開(kāi)關(guān)管開(kāi)路故障診斷中的有效性和優(yōu)越性。實(shí)驗(yàn)數(shù)據(jù)來(lái)自上述電機(jī)運(yùn)動(dòng)控制仿真平臺(tái),數(shù)據(jù)處理采用MATLAB/Simulink仿真平臺(tái)。實(shí)驗(yàn)中采用三相電壓或三相電流中的a相信號(hào)作為自編碼網(wǎng)絡(luò)的輸入信號(hào)。在采樣開(kāi)始后以10 kHz的采樣頻率采集3 s內(nèi)的實(shí)驗(yàn)數(shù)據(jù),則每種故障情況總共可以獲得30 000個(gè)采樣數(shù)據(jù)。

實(shí)驗(yàn)中,通過(guò)將驅(qū)動(dòng)信號(hào)置零模擬開(kāi)關(guān)管的開(kāi)路故障,并設(shè)定開(kāi)路故障發(fā)生在采樣開(kāi)始后的0.2 s。同一類故障的每一個(gè)樣本由2 400個(gè)連續(xù)采樣點(diǎn)組成。為增加樣本數(shù)量,采用重疊采樣的方式制作數(shù)據(jù)集,數(shù)據(jù)采集的滑動(dòng)步長(zhǎng)為10,如圖9所示。實(shí)驗(yàn)中的數(shù)據(jù)集包括訓(xùn)練樣本數(shù)1 600×22=35 200個(gè),測(cè)試樣本數(shù)600×22=13 200個(gè)。實(shí)驗(yàn)中的自編碼網(wǎng)絡(luò)共設(shè)有7個(gè)隱含層,第一個(gè)和最后一個(gè)隱含層分別有2 048和32個(gè)神經(jīng)元。

圖9 數(shù)據(jù)采樣示意圖

為對(duì)比分析,除采用設(shè)計(jì)的自編碼器網(wǎng)絡(luò)進(jìn)行故障診斷實(shí)驗(yàn)外,分別采用4種常用的故障診斷方法,即BP網(wǎng)絡(luò)、FFT+BP網(wǎng)絡(luò)、PCA+BP網(wǎng)絡(luò)、WPT+BP網(wǎng)絡(luò)進(jìn)行故障診斷實(shí)驗(yàn)。其中,BP網(wǎng)絡(luò)方法直接將原始信號(hào)輸入BP網(wǎng)絡(luò)進(jìn)行分類;FFT+BP網(wǎng)絡(luò)方法先采用FFT算法對(duì)原始信號(hào)進(jìn)行特征提取,然后輸入BP網(wǎng)絡(luò)進(jìn)行分類;PCA+BP網(wǎng)絡(luò)方法先采用PCA對(duì)原始信號(hào)進(jìn)行降維,然后輸入BP網(wǎng)絡(luò)進(jìn)行分類;WPT+BP網(wǎng)絡(luò)方法先采用小波包變換對(duì)原始信號(hào)進(jìn)行特征提取,然后輸入BP網(wǎng)絡(luò)進(jìn)行分類。為方便比較,除BP網(wǎng)絡(luò)方法外,其他方法都將從原始信號(hào)中提取的32維特征數(shù)據(jù)輸入BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的其他參數(shù)分別為:隱含層神經(jīng)元個(gè)數(shù)100,輸出層神經(jīng)元個(gè)數(shù)22,學(xué)習(xí)率0.02,慣性因子0.01,激活函數(shù)為Sigmoid,損失函數(shù)為均方誤差。以上網(wǎng)絡(luò)均采用表2的數(shù)據(jù)標(biāo)簽進(jìn)行訓(xùn)練。

圖10～14為采用電流信號(hào)作為輸入信號(hào)的故障分類結(jié)果,圖15～19為采用電壓信號(hào)作為輸入信號(hào)的故障分類結(jié)果。為便于比較,全部分類結(jié)果的統(tǒng)計(jì)見(jiàn)表3。

表3 故障診斷準(zhǔn)確率

圖10 基于電流數(shù)據(jù)的自編碼網(wǎng)絡(luò)分類結(jié)果

圖11 基于電流數(shù)據(jù)的BP網(wǎng)絡(luò)分類結(jié)果

圖12 基于電流數(shù)據(jù)的FFT+BP網(wǎng)絡(luò)分類結(jié)果

圖13 基于電流數(shù)據(jù)的PCA+BP網(wǎng)絡(luò)分類結(jié)果

圖14 基于電流數(shù)據(jù)的WPT+BP網(wǎng)絡(luò)分類結(jié)果

圖16 基于電壓數(shù)據(jù)的BP網(wǎng)絡(luò)分類結(jié)果

圖17 基于電壓數(shù)據(jù)的FFT+BP網(wǎng)絡(luò)分類結(jié)果

圖18 基于電壓數(shù)據(jù)的PCA+BP網(wǎng)絡(luò)分類結(jié)果

圖19 基于電壓數(shù)據(jù)的WPT+BP網(wǎng)絡(luò)分類結(jié)果

由表3可見(jiàn),盡管幾種方法(FFT+BP、PCA+BP、WPT+BP)是先提取故障特征,然后通過(guò)分類器進(jìn)行分類,但由于提取的故障特征不能準(zhǔn)確反映各類故障現(xiàn)象,得到的故障分類結(jié)果反而不如直接將原始故障信號(hào)輸入網(wǎng)絡(luò)后得到的故障分類準(zhǔn)確率高。WPT+BP的方法盡管在基于電流數(shù)據(jù)的分類結(jié)果中表現(xiàn)優(yōu)異,但采用電壓信號(hào)數(shù)據(jù)則分類準(zhǔn)確率驟降,說(shuō)明該方法僅適合于特定的故障信號(hào)形式,不能從故障信號(hào)中準(zhǔn)確挖掘故障特征信息。相比較而言,基于自編碼器網(wǎng)絡(luò)的方法,無(wú)論采用電流信號(hào)還是電壓信號(hào),都能得到較高的故障分類準(zhǔn)確率,主要由于該方法能夠從故障信號(hào)中自動(dòng)提取最有效的故障特征,從而能夠準(zhǔn)確地進(jìn)行故障分類。因此,基于自編碼器網(wǎng)絡(luò)的故障診斷方法,不僅能得到較高的故障分類正確率,而且相比其他方法具有對(duì)輸入信號(hào)類型不敏感、魯棒分類能力的特點(diǎn)。

4 結(jié)論

研究了基于深度自編碼器網(wǎng)絡(luò)的逆變器開(kāi)關(guān)管開(kāi)路故障診斷方法,在對(duì)逆變器開(kāi)關(guān)管開(kāi)路故障模型分析和故障編碼的基礎(chǔ)上,提出一種自編碼器網(wǎng)絡(luò)的規(guī)則化設(shè)計(jì)方法。該方法能夠快速確定隱含層神經(jīng)元的數(shù)量和網(wǎng)絡(luò)深度,有效利用故障數(shù)據(jù)自動(dòng)學(xué)習(xí)開(kāi)關(guān)管的故障特征,實(shí)現(xiàn)端到端的智能故障診斷。實(shí)驗(yàn)表明,本研究提出的自編碼器網(wǎng)絡(luò)能夠利用不同類型的故障數(shù)據(jù),自動(dòng)挖掘故障信號(hào)中的關(guān)鍵特征信息得到穩(wěn)定的故障識(shí)別率。與BP網(wǎng)絡(luò)等傳統(tǒng)方法相比,所提方法具有較強(qiáng)的故障識(shí)別準(zhǔn)確率和分類穩(wěn)定性。