[发明专利]卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法

权利要求书

1.一种卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法，其特征在于，包括：

S1：采集所述AC/DC变换器的母线电压数据；

S2：对所述母线电压数据进行预处理，形成训练样本和待检样本；

S3：使用所述训练样本深度训练并评估不同结构卷积神经网络模型，获取所述不同结构卷积神经网络模型的准确率；

S4：输出所述不同结构卷积神经网络模型，并根据所述准确率获取所述不同结构卷积神经网络模型的可靠性因子r_j和重要性因子w_j；

S5：将所述不同结构卷积神经网络模型应用于所述待检样本，获取所述待检样本的所述AC/DC变换器的故障状态的证据；

S6：根据所述可靠性因子和所述重要性因子对所述证据进行融合，输出所述待检样本的所述AC/DC变换器的故障状态的诊断结果。

2.根据权利要求1所述的卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法，其特征在于，在所述S1中，所述AC/DC变换器由6个IGBT组成，分别表示为IGBT1、IGBT2、IGBT3、IGBT4、IGBT5、IGBT6，存在每个IGBT单独出现开路故障及所有IGBT均未出现故障的7种状态，分别收集所述AC/DC变换器的所述7种状态对应的所述母线电压数据作为初始数据以及未知故障状态的所述母线电压数据作为待检数据。

3.根据权利要求2所述的卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法，其特征在于，所述S2包括：

S21：将所述初始数据重塑成初始数据图片样本，形成训练样本，将所述待检数据重塑成待检数据样本，形成待检样本；

S22：为所述训练样本定义数据标签值，所述6个IGBT均未出现故障的所述数据标签值定义为(1,0,0,0,0,0,0)，所述IGBT1单独出现故障的所述数据标签值定义为(0,1,0,0,0,0,0)，依此类推，所述IGBT6单独出现故障的所述数据标签值定义为(0,0,0,0,0,0,1)；

S23：将所述训练样本按比例分为训练集、验证集和测试集。

4.根据权利要求3所述的卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法，其特征在于，所述S3包括：

S31：使用所述训练集和所述验证集深度训练所述不同结构卷积神经网络模型，所述深度训练包括以下步骤：

S311：卷积层，通过所述卷积层的卷积核对输入的所述初始数据图片样本进行特征提取，然后利用激活函数生成特征图，参照公式(1)的RELU函数，

其中，W_i和b_i分别用来表示第i层L_i的权重和偏置，L_i-1用来表示第(i-1)层特征图，符号计算本地像素和内核的点积，f(·)是一个非线性的活动函数；

S312：池化层，池的形式采用最大池层，以减少所述卷积神经网络模型中的参数和计算量，

其中，p_i(k)表示i层中第k像素的值，k∈[(j-1)W+1,jW]，W是池区域的大小；

S313：softmax分类器，采用公式(3)的softmax函数使神经元的对数符合所述7种状态的概率分布，

S314：采用公式(4)的损失函数表示所述数据标签值与所述卷积神经网络模型的预测输出之间的差异，在所述深度训练的过程中将所述损失函数最小化，以对参数进行更新，

其中，m为所述初始数据图片样本的数量，I{·}是一个指示性函数，如果y(i)等于J则返回1，如果y(i)不等于J则返回0。

5.根据权利要求4所述的卷积神经网络与证据推理融合的AC/DC变换器故障诊断方法，其特征在于，在所述S314中，采用公式(5)的亚当学习算法对所述不同结构卷积神经网络模型进行训练，采用公式(6)的自适应学习速率法，根据训练迭代次数调整学习速率，

其中，β₁＝0.9，β₂＝0.999；

其中，lr为学习速率，n为迭代次数，n_iter为迭代次数的设定值。