[发明专利]基于GASF和CNN的三电平T型逆变器故障诊断方法

权利要求书

1.一种基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于，包括以下步骤：

步骤S1：多个传感器同时采集三电平T型逆变器输出端的时序电压信号，并进行数据增强和数据分割的预处理；

步骤S2：将分割好的一维时序数据采用GASF算法转化为格拉姆矩阵图；

步骤S3：搭建CNN网络模型，初始化网络模型参数；

步骤S4：将格拉姆矩阵图作为CNN网络的输入，对CNN网络模型进行训练，通过前向传播计算识别误差；然后通过反向传播算法将误差从输出层反向传播到每个神经元并计算梯度，选择优化器对权重和偏差进行更新；

步骤S5：判断CNN网络模型是否收敛，如果收敛执行下一步，否则重复执行步骤S4；

步骤S6：通过验证集检验模型的误差，微调超参数，并回到步骤S3直到验证误差最小；最后确定超参数并保存训练好的故障诊断模型；

步骤S7：根据测试集对保存好的模型进行故障分类测试，如果模型在测试集上精度高损失小则进行下一步，否则跳转到步骤S3重新调整网络模型参数；

步骤S8：得到故障诊断结果，故障诊断流程结束。

2.根据权利要求1所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：步骤S2具体为：先通过格拉姆求和角场GASF算法，将逆变器输出端的时序电流信号进行极坐标编码，然后利用生成角度进行格拉姆矩阵变换转换为格拉姆矩阵图。

3.根据权利要求1所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：在步骤S4中，利用Adam优化的softmax分类器对CNN网络提取的故障特征进行分类。

4.根据权利要求2所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：在步骤S2中：

先对一维的时序数据进行极坐标编码，再用生成的角度进行格拉姆矩阵变换，具体过程如下：

给定n个实际观测的时间序列X＝{x₁，x₂，x₃…x_i…x_n}，使用一个限定在[-1，1]的最小-最大定标器把时间序列缩放到[-1，1]里，如式(1)所示：

将缩放后的时间序列转换到极坐标表示，的值映射为角度θ_i，时间映射为半径r_i，如式(2)所示，从而把时间序列在极坐标中重新表示出来：

式中，i为时间戳，将[0，1]分为N等份，得到N+1个分隔点[0，1]，然后丢弃0，并连续地将这些点与时间序列关联起来；

格拉姆矩阵是n维欧式空间中任意k个向量之间两两内积所组成的矩阵；GASF生成格拉姆矩阵表示为：

式中I是单位行向量，θ_i，θ_j(i，j＝1，…，n)为两个向量的夹角，通过考虑每个点之间的三角函数关系实现不同时间间隔内的时间关联，原始时间序列信号X＝{x₁，x₂，x₃…x_i…x_n}随夹角的变化自左上角到右下角依次转换。

5.根据权利要求1所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：步骤S1中，采用随机切片采样的方式对采集到的一维时序电流信号进行数据增强，随机改变采样的起点，截取一定长度的信号作为一个样本。

6.根据权利要求1所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：所述CNN网络模型采用改进的AlexNet网络模型，在原生的AlexNet网络的基础上：减少了卷积核的大小和卷积层输出节点的数量；增加了卷积层和最大池化层的数量；减少了全连接层输出节点的数量；并去除了局部响应归一化层。

7.根据权利要求6所述的基于GASF和CNN的三电平T型逆变器故障诊断方法，其特征在于：在所述改进的AlexNet网络模型中采用Leaky ReLU激活函数。