[发明专利]一种基于混合卷积神经网络的三相逆变器故障识别方法

说明书

本发明公开了一种基于混合卷积神经网络的三相逆变器故障识别方法，包括以下步骤：S1、采集故障数据，对数据预处理；S2、建立并训练融合卷积神经网络HCNN模型；模型包括1D‑CNN和2D‑CNN两个网络；两个网络通过两个卷积层和汇聚层交替连接，实现故障样本数据的特征提取；从两个网络中提取的故障特征向量在全连接层进行融合，生成HCNN的故障特征向量；S3、基于HCNN进行故障诊断：将预处理后的数据分别以一维和二维形式同时输入1D‑CNN和2D‑CNN中，在全连接层融合两个网络提取的特征样本，最后利用softmax分类器完成故障模式识别。本发明避免了出现过拟合的问题，且具有较强的泛化能力。

技术领域

本发明属于神经网络技术领域，具体地涉及一种基于混合卷积神经网络的三相逆变器故障识别方法。

背景技术

随着新能源汽车的发展，无刷直流电机(BLDCM)系统的可靠性直接关乎整车性能与安全，为此受到越来越多领域关注与重视。BLDCM驱动系统作为一种典型的电力电子变换装置，其故障主要来自典型部件，如功率MOSFET、电容器、连接器等易损元件。功率MOSFET作为驱动系统的核心部件，由于其频繁开关动作以及热应力与电应力的综合影响，致使其更容易发生故障。因此，若功率MOSFET故障不能被有效地及时检测出来，将会对电机驱动系统产生不利影响，造成不可估量的经济损失。

功率MOSFET的故障类型可分为开路故障(OCF)和短路故障(SCF)。通常情况下，SCF发生的速度很快，硬件电路配备了相应的保护措施，如在驱动电路中串联一个快速熔断器，将SCF转化为OCF。然而，当发生开路故障时，由于电路在一段时间内仍可继续工作，导致逆变器OCF不易检测。若无法及时修复OCF故障，将导致功率MOSFET甚至整个电力电子电路发生二次故障，其主要原因为通过其它功率MOSFET和器件的电流会大大增加电应力。同时，谐波干扰还会对故障工作模式下的器件造成损坏。因此，电力电子系统故障诊断技术可以保证电力电子系统的可靠性和可用性，使电力电子系统更加智能化和安全化。

随着人工智能的不断发展，越来越多的机器学习方法被应用到故障诊断领域。CNN以其强大的特征提取能力被广泛应用于语音识别、图像处理和图像识别等领域。CNN无需明确输入的具体特征，可通过网络训练学习从而实现特征提取。然而，在实际电力电子系统复杂变化的工况下，单一神经网络存在故障诊断精度低、泛化能力差等问题。为此，本发明提出一种基于混合卷积神经网络的三相逆变器故障识别方法，将一维CNN以及二维CNN所提特征进行融合，以挖掘更深层次故障信息，并实现不同故障模式识别与定位，以解决故障特征难以有效提取、识别率低等难题。

发明内容

本发明针对现有技术中的不足，提供一种基于混合卷积神经网络的三相逆变器故障识别方法。

为实现上述目的，本发明采用以下技术方案：一种基于混合卷积神经网络的三相逆变器故障识别方法，包括以下步骤：

S1、采集故障数据，对数据预处理；

S2、建立并训练融合卷积神经网络HCNN模型；

模型包括1D-CNN和2D-CNN两个网络；两个网络通过两个卷积层和汇聚层交替连接，实现故障样本数据的特征提取；从两个网络中提取的故障特征向量在全连接层进行融合，生成HCNN的故障特征向量；

S3、基于HCNN进行故障诊断：将预处理后的数据分别以一维和二维形式同时输入1D-CNN和2D-CNN中，在全连接层融合两个网络提取的特征样本，最后利用softmax分类器完成故障模式识别。

为优化上述技术方案，采取的具体措施还包括：

进一步地，1D-CNN和2D-CNN都由两个卷积层、两个池层和一个完全连接层组成。

进一步地，步骤S3中，基于HCNN的故障诊断流程如下：

1)采集直流-交流驱动电路A、B、C三相电流信号ia、ib、ic作为故障信号；