[发明专利]基于深度残差网络和联合分布的逆变器参数故障诊断方法

权利要求书

1.基于深度残差网络和联合分布的逆变器参数故障诊断方法，其特征在于：所述诊断方法以三相逆变器多种已知工况下的故障数据建立训练集，建立构建由多个残差块组成的深度残差网络模型，同时运用Adam算法及批归一化BN技术防止该模型过拟合，接着加入伪标签学习，对源域与目标域之间的联合分布差异进行度量，通过联合分布适配方法来实现两个域特征的联合分布对齐，并以差异最小化为目标对网络进行优化。

2.根据权利要求1所述的基于深度残差网络和联合分布的逆变器参数故障诊断方法，其特征在于：所述诊断方法用于解决实际工程的应用场景中多种工况下故障数据分布不同，导致传统的深度诊断模型泛化能力及效率发生下降的问题，具体包括以下步骤；

步骤一：基于三相逆变器多种工况下的故障数据，建立域自适应诊断模型，给定带数据标签的源域D_S以及无数据标签的目标域D_t，并且共享一个标签空间，即y_s＝y_t＝{1,2,...,C}；域自适应的目标是找到一个映射函数作为领域共享的分类器来将源域和目标域映射在一个共同的特征空间中，即f(P(X_s))＝f(P(X_t))；

步骤二：建立残差网络，保持残差结构可以通过捷径连接将某一层输出恒等映射至后面某一层网络，将学习的目标由传统的映射F(x)＝H(x)转换成输入与映射相减的结果F(x)＝H(x)-x，形成残差基本单元结构；

步骤三：联合分布适配，描述为：学习最优特征表示f(·)满足两个条件；

条件(1)：两个域间的边缘概率分布P(x_s)、P(x_t)的差异最小化；

条件(2)：两个域间的条件概率分布Q(y_s|x_s)、Q(y_t|x_t)的差异最小化；

同时度量两个域的边缘分布差异和条件分布差异，并将其作为优化目标；使用最大均值差异MMD对数据间的分布进行度量，将源域和目标域同时映射到无穷维的再生和希尔伯特空间RKHS；

步骤四：求解两个域数据之间在映射后的均值，最后将均值平均化得到两个域之间的MMD；MMD的定义如下：

式中：X_s、X_t为两个数据集、φ:x|→H为由数据空间映射至RKHS的非线性映射函数；

为了解决计算量大的问题，采用计算样本间核函数的方法，采用高斯函数，即：

步骤五：边缘分布适配度量样本分布间的差异时，采用公式一；该步骤无需数据的标签信息；

步骤六：以伪标签的学习方法提供条件分布适配所需的目标域的标签，初始化时候将源域数据训练的预训练网络对目标域进行分类的预测值作为目标域的伪标签；条件分布采用MMD作为度量；公式为

公式三；

式中，c∈{1,...,C}，C为标签的类别数，

D_s^(c)＝{x_i:x_i∈D_s∩y(x_i)＝c}，

y(x_i)表示源域数据中的真实标签，表示源域中类c别的数目；

表示源域中类别c的数目，表示目标域数据中的伪标签；

步骤六：对逆变器核心部件的薄膜电容进行建模，得到薄膜电容的等效电路；

步骤七：对三相逆变器进行故障分类设置，具体分成八种三相逆变器运行模式，包括正常运行状态和七种参数性故障运行模式；

步骤八：由特征提取器模块，故障分类器模块和联合分布适配模块组成网络；其中特征提取器作用为从不同的域的故障数据中提取同时适应任务的特征，即找到一个空间源域和目标域的数据在此空间的分布差异最小；特征提取模块采用一维深度残差神经网络；

步骤九：进行分类器优化：对具有N个故障类别的故障数据集，其网络的输出值使用Softmax函数来转化成标准的概率形式，故障分类的误差用交叉熵形式定义如下：

步骤十：联合分布适配优化，改善层正价与提取特征特殊性变强的问题，针对网络的全连接层进行联合分布适配优化：

L_J＝D_H(FC2^s,FC2^t)    公式五；

步骤十一：权重正则化项优化：增加特殊投影对应的权值对网络的影响，引入权值正则化项：

式中，为表征特征特殊性的网络层权值的集合，K为网络层数；σ为惩罚因子，决定正则化项在总目标函数中的比重。当增大时意味着L_w越小；

步骤十二：综合分类器优化、联合分布适配优化、权重正则化项优化的优化目标，网络的总损失函数如下：

L_total＝L_c+λL_J+L_w    公式七。