故障诊断方法的电力电子变换器基于广泛的学习

文摘

为了实现无监督故障特征的提取和识别在电力电子电路中,我们提出了一种基于稀疏autoencoder故障诊断方法(SAE)和广泛的学习系统(BLS)。首先,提取的特征是由稀疏autoencoder和故障样本和特征向量作为输入的广泛的学习系统。广泛的学习系统培训是基于误差精度一步更新方法,和系统故障类型识别。仿真结果的晶闸管三相桥式整流电路的故障诊断表明,该方法是有效的,比其他传统方法更好的性能。

1。介绍

近年来,电力电子转换器已被广泛应用于新能源汽车、工业机器人、高压直流输电、电解大功率,电机驱动系统(1- - - - - -4]。然而,由于暴露在恶劣的工作环境,整流器是容易遭受严重的故障,因为设备老化,重载,意想不到的操作条件等。据报道,约38%的电力电子系统的故障是由于失败的电力电子开关。开关故障主要包括开路和短路。由于电路中继电保护设备的存在,大部分失败的开关开路故障;虽然开路故障不会立即破坏系统,它将逐渐降低整流器的性能,如果不及时处理,它会导致严重损害其他组件,甚至整个电力系统。虽然有各种方法来提高稳定性的电力电子转换器,错误总是不可避免的。因此,电力电子变换器开关管的故障诊断研究起着至关重要的作用在提高系统的稳定性,确保系统的安全高效运行(5- - - - - -7),它也已成为一个热点近年来电力电子研究[8- - - - - -12]。

故障诊断方法通常分为基于模型和数据驱动的方法。该方法在13- - - - - -15)使用分析模型方法分析详细的电路故障方程通过建立故障模型。然而,这种方法是对参数敏感,极易受外部干扰,所以故障数学模型很难建立16,17]。与基于模型的方法、机器学习方法是有效的和不依赖电路模型,它只需要历史数据(18]。Khomfoi和特尔伯特19]提出了一种多电平逆变器驱动(MLID)故障诊断方法基于人工智能(AI)技术的神经是由相电压训练后,主成分分析(PCA)的网络故障分类器。马丁斯et al。20.)提出了三相感应电动机定子故障算法基于无监督神经网络。该算法需要较少的电机的数学模型。黄等。21)提出了一个基于多态数据处理的故障诊断算法和分段波动分析,可实现multiopen光伏逆变器的故障诊断。在[22),一种多尺度自适应故障诊断(MAFD)方法,提出了基于信号对称重建预处理(SSRP)的人工神经网络(ANN)是用于检测开关故障的类型和位置。因为大多数网络影响耗时的训练过程和复杂的结构,许多研究需要高性能计算和强大的设施。最近,陈和刘开发了一个快速和有效的广泛学习系统(BLS) [23]。在缺乏stacked-layer结构,设计神经网络广泛地扩展了神经节点和增量更新的重量神经网络时需要额外的节点和作为输入数据不断进入神经网络。因此,劳工统计局结构是适合时变大数据环境下的建模和学习(24,25]。因此,在本文中,我们将尝试使用劳工统计局作为故障分类的培训模式的电力电子转换器改善我们整个模型的故障诊断的效率。如今,随着系统仍然是复杂的,除了增加的数据量,数据维度将大幅增加。如果你直接使用高维原始数据,它不仅能提高系统运行时还降低效率。主要解决高维数据特征提取的问题。金等。26)提出了利用小波变换提取故障特征向量。的故障诊断方法27,28)过度依赖于功能需要先天的认知,而稀疏self-encoder深一个无监督机器学习方法(29日,30.]。使用稀疏编码器进行故障特征提取,很容易降低输入维度和提高故障诊断效率。因此,在本文中,学习算法结合劳工统计局和SAE应用于三相整流电路的故障诊断,以提高我们整个模型的故障诊断的效率。此外,由于大多数算法的步骤参数通常是固定的,我们提出了一种新的基于误差精度的自适应步更新方法;收敛速度慢的缺点造成的固定步长可以有效地解决。最近的故障诊断电力电子变换器相比,两个方面的主要贡献是:首先,我们使用劳工统计局作为故障分类的培训模式的电力电子转换器改善我们整个模型的故障诊断的效率。其次,根据美国劳工统计局的故障分类模型,我们提出一个新的一步更新策略来提高模型的训练速度。

本文的第二部分主要介绍了SAE-BLS故障诊断方法的实现步骤。它主要分为三个部分。第一部分是介绍如何通过SAE故障特征的提取。第二部分主要介绍如何建立劳工统计局网络模型。第三部分是介绍劳工统计局网络训练的改进方法。第三部分是验证了该方法的有效性通过仿真实验。第四部分是本文的结论。

2。基于SAE-BLS故障诊断方法

2.1。从SAE中提取故障特征

稀疏autoencoding意味着隐藏层特性有一个稀疏响应特性(隐层的尺寸特性通常是小于输入),其结构如图1。

通常,稀疏的引入使得信号清晰和容易计算。考虑之间的关系维度的输入层、隐藏层和介绍了稀疏约束使用KL距离。输出显示与隐藏的功能由以下方程: 在哪里W₁和b₁分别代表了重量和偏见的输出输入层和过渡层特性Z获得后乙状结肠激活函数变换;由方程(显示了计算方法2)。同样,实际的输出y可以获得的(3)。 在哪里W₂和b₂代表重建的层的重量和偏见,和每个节点的平均价值在中间层输出可以通过以下方程:

代表的平均激活程度j单位在中间层。预计中的每个节点的平均产值中间层是尽可能为零。为了量化中间层的特点,通常假定每个节点在中间层以一定的概率,响应和节点是相互独立的,和预期的价值ρ(例如,ρ= 0.05)的每个点响应通常是事先给定的。然后,利用KL距离构造稀疏正则条件: 在KL距离代表平均激活值之间的差异和期望值。越接近ρ是零,中间层的平均激活程度越小。添加稀疏正则化项获得SAE网络优化目标函数E: 在哪里y_n和r_n分别代表的实际输出和期望输出。平均激活程度越接近期望值,越接近误差函数E是收敛值。β是一个参数的基础上添加稀疏的原始误差函数来控制体重。培训网络,必须不断地调整参数,以便β达到一个最小值。神经网络、SAE的训练也使用反向传播算法调整权重。故障特征Z通过SAE将劳工统计局输入的一部分。

2.2。广泛的学习系统

假设我们现在输入数据X和项目数据,使用Φ_j(XW_ei+β_ei),成为我th映射功能Z_我,在那里W_ei与随机的重量是正确的尺寸。类似地,jth群增强节点,Φ_k(Z_我W_沪江+β_沪江),是表示H_j。此外,Φ_j和Φ_k可以不同的功能。结构见图2。

在美国,W_ei可以调节SAE。所以,n映射可以表示为

功能节点表示Zⁿ= (Z₁、…Z_n),W_沪江和β_沪江是随机权重。增强的节点表示

因此,劳工统计局的输出可以表示为 在哪里Wⁿ表示输出层的重量。自W_沪江和β_沪江是随机生成的,Hⁿ和Zⁿ不能建立通信。如图3,我们简化劳工统计局模型,因为我们只需要观察三相全桥电路的输出电压来确定故障类型。

在哪里ϕ代表了神经网络激活函数W^n+米代表输入层的重量。为了减少过度拟合的情况在网络训练过程中,本文使用了L2范数作为损失函数E(W由以下方程)惩罚项,如图所示: 在哪里σ和代表了广泛的神经网络的实际输出和期望输出图3,问代表输出的维度,代表了L2正则化项,α是指定的参数。代表弗罗贝尼乌斯规范,其计算方法所示以下方程:

广义神经网络的权重也更新的梯度算法。通过推导误差函数获得一个给定的点的梯度,调整值误差较大时可以增加。可以表达的重量调整值(14)。同样,更新方程W^n+米可以获得的(15)。 在哪里J代表了步长参数并用于调整重量根据错误的程度。代表了重量更新值。

2.3。步长参数更新策略

大多数神经网络算法的步长一般是固定和frequency-independent常数(例如,J= 0.1)。方法不依赖于固定的步骤分离错误。由于样品的特殊性,可能会有收敛速度缓慢的情况下,甚至无法收敛。

图4显示的主要问题使用固定步长。如果有外界噪声或其他环境变化,导致曲线比之前估计的曲线更陡,更新的数量W应该减少。如果使用一个固定的步长,更新后的数量将会增加。所以,当分离误差高,步长应设置为更大的值。相反,当分离误差很小,步长应设置为一个较小的值。该方法可以加速收敛方法成正比E(W)梯度E′(W由以下方程),如图所示:

使用这个步长自适应方法;分离时的步长增加误差高,低当误差小。然而,当样本的数据量很小,误差梯度消失在培训过程中,也就是说, 在哪里代表元素问th行和(n+米)th列的 。梯度消失,培训提前停止,但实际精度没有达到理想值。因此,在实际的计算过程中,梯度补偿值 应该是人为的添加,这样误差梯度不会降至零。新的步长是计算

理论上,这种自适应步长更新方法可以加快网络训练的收敛。假设梯度接近临界值时,错误往往是常数ε。在这个时候,步长相关的参数γ和ε。

方程(19)表明,梯度往往临界值时,步长是一个常数与分离错误没有关系。因此,分离误差不是减少,而是增加。为了解决这个问题,我们提出了一个方法,当误差达到的参考价值η,步长自动更新为一个常数l为了避免错误的增加,如图所示,下列方程:

自η通常是大于错误收敛因子ε,我们需要使用一个新的一步更新策略来加快收敛速度的错误。当错误不到达的参考价值,可以更新步长根据以下方程:

图5表明,训练误差随迭代次数的增加,和梯度也减少,但速度总是大于1。它可以看到从A点,使用J_年代步长,误差降低η速度比使用固定步长。

使用新的一步更新策略不仅可以加快算法的收敛,也避免情况的误差曲线差异是由于过度的步长。总之,我们可以获得SAE-BLS故障诊断方法的流程图如图6。

3所示。实验结果和分析

本文使用Matlab进行仿真实验平台。共有22个开路故障类型提取从一个开关,同一桥臂开关,和不同的桥臂开关。为了便于分析,我们代码的故障类型,如表所示1。

为了验证自适应步长更新策略的有效性基于误差精度,本文与固定步长算法相比较,结果显示在图7。

从图可以看出7(一)在BP分类培训背景、步长J_年代错误减少到A点(错误的参考价值η)超过了固定的步长。图7 (b)表明,在劳工统计局分类背景,收敛误差更小,当我们使用新的一步更新策略。参数如表所示2。

为了验证SAE-BLS故障诊断方法的有效性,我们应用分类实验的故障类型识别与分类方法提出了三相整流器和比较其他论文。实验结果如表所示3。

表3表明,该方法的测试精度超过90%,当信噪比大于30 dB,和测试精度是100%,当信噪比35分贝,这是高于其他方法的分类精度。

4所示。结论

摘要为了实现电力电子变换器的无监督故障诊断,SAE用于提取故障信号的特征生成的开关。基于误差精度的一种自适应步长更新方法用于优化劳工统计局分类器组合起来SAE特征提取方法在电力电子转换器故障诊断。三相桥式整流电路的仿真实验开关管故障诊断显示了该方法的可行性,并且它与其他传统方法相比具有较高的精度。值得一提的是,该方法也可以扩展到其他类型的电力电子电路的故障诊断。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家自然科学基金批准号下51879118,福建省科技办公室的支持下军队批准号B19101,优秀人才支持计划资助下福建省高等学校新世纪。B17159,渔业的科研重点实验室的基础设备和工程,中华人民共和国农业部的批准号。2018001和2018001下,人工智能的科学研究基础下的四川省重点实验室批准号2017 ryj02,江苏省重点实验室的科研基础下的输电与配电设备技术批准号2017 jsspd01。

引用

1. l, m .曹歌,j . Zhang y . Liu和f . e . Alsaadi”开路故障诊断电力整流器使用基于稀疏autoencoder深层神经网络,”Neurocomputing卷,311年,页1 - 10,2018。视图:出版商的网站|谷歌学术搜索
2. t·史,y,邓,j .通t . Wang和l .史”扳动开关故障的在线诊断方法在PWM电压源整流器基于瞬时交流电流畸变,”专业电力的应用,12卷,不。3、447 - 454年,2018页。视图:出版商的网站|谷歌学术搜索
3. h . j . Zhang丹,l . Empringham l . De签约和p·惠勒,“矩阵变换器开路故障行为分析和诊断模型预测控制策略,”IEEE新兴和选定的主题在电力电子杂志》上》第六卷,没有。4、1831 - 1839年,2018页。视图:出版商的网站|谷歌学术搜索
4. 大肠Jamshipour和p . Poure光伏系统可靠性改进实时fpga开关故障诊断和容错电源转换器,”IEEE工业电子产品,卷62,不。11日,第7255 - 7247页,2015年。视图:谷歌学术搜索
5. 吴x h . Wang裴,y, y, y康,“串并联切换故障诊断方法提出直流-直流变换器系统,”IEEE工业电子产品,卷66,不。6,4684 - 4695年,2019页。视图:出版商的网站|谷歌学术搜索
6. h .赵和l . Cheng扳动开关背靠背转换器的故障诊断方法双馈风力发电系统中,“IEEE电力电子,33卷,不。4、3452 - 3461年,2018页。视图:出版商的网站|谷歌学术搜索
7. x通用电气,j . Pu、b .郭台铭和研究。刘”,一个开路故障诊断方法单相三级neutral-point-clamped转换器,”IEEE电力电子,33卷,不。3、2559 - 2570年,2018页。视图:出版商的网站|谷歌学术搜索
8. b, b .周、朱y x秦,j . Lei, n .汉”开路故障分析和诊断间接矩阵变换器,”IEEE新兴和选定的主题在电力电子杂志》上》第六卷,没有。2、770 - 781年,2018页。视图:出版商的网站|谷歌学术搜索
9. b . j ., a .医生,t . Li Aksun-Guvenc,和g, Rizzoni”故障诊断和故障线控系统的扭矩安全缓解,“IEEE车辆技术,卷67,不。9日,第8054 - 8041页,2018年。视图:出版商的网站|谷歌学术搜索
10. 聂,x裴,陈y, y Kang”故障诊断基于磁组件电压PWM直流-直流转换器的方程,”IEEE电力电子卷,29号9日,第4988 - 4978页,2014年。视图:出版商的网站|谷歌学术搜索
11. h .赵和l . Cheng”开路故障诊断在DF风力涡轮机背靠背的转换器,”专业可再生发电,11卷,不。4、417 - 424年,2017页。视图:出版商的网站|谷歌学术搜索
12. t . Pao、h·b·丹和j .杨”扳动开关故障诊断和容错与有限的矩阵变换器控制集模型预测控制,”IEEE工业电子产品,卷63,不。9日,第5963 - 5953页,2016年。视图:谷歌学术搜索
13. c .蜀l .魏、d .容军和c . Te-Fang”开路故障的故障诊断和容错控制方案在三步桥转换器,”IEEE电力电子,32卷,不。3、2203 - 2214年,2017页。视图:出版商的网站|谷歌学术搜索
14. 郑胜耀金姆和k .南”故障诊断的ZVS直流-直流转换器基于直流母线电流脉冲形状,”IEEE工业电子产品,55卷,不。3、1491 - 1494年,2008页。视图:谷歌学术搜索
15. Cai, y赵,h·刘,m .谢“数据驱动的故障诊断方法在三相逆变器的永磁同步电动机驱动系统,”IEEE电力电子,32卷,不。7,5590 - 5600年,2017页。视图:出版商的网站|谷歌学术搜索
16. 高z, c . Cecati和s . x叮”故障诊断和容错techniques-Part我的调查:与基于模型的故障诊断和ieee方法,”IEEE工业电子产品,卷62,不。6,3757 - 3767年,2015页。视图:出版商的网站|谷歌学术搜索
17. 陈y, z,赵,x,, y Kang”设计和实现的模块化和分层多级转换器电动船舶MVDC系统冗余能力,”IEEE新兴和选定的主题在电力电子杂志》上,5卷,不。1,第202 - 189页,2017。视图:出版商的网站|谷歌学术搜索
18. 刘口和c .“故障诊断电力电子转换器基于深前馈网络和小波压缩,”电力系统研究卷,185 - 2020页。视图:出版商的网站|谷歌学术搜索
19. 美国Khomfoi和l·m·托尔博特”故障诊断和多电平逆变器驱动使用基于ai技术,重新配置”IEEE工业电子产品,54卷,不。6,2954 - 2968年,2017页。视图:谷歌学术搜索
20. j·f·马丁斯,v f·皮雷和a·j·皮雷”无人监督的神经元网络算法对三相感应电动机定子故障的在线诊断,”IEEE工业电子产品,54卷,不。1,第264 - 259页,2007。视图:出版商的网站|谷歌学术搜索
21. 张黄z z . Wang和h,“多个开路故障诊断基于多态数据处理和分段波动分析光伏逆变器,”IEEE仪表和测量,卷67,不。3、516 - 526年,2018页。视图:出版商的网站|谷歌学术搜索
22. 黄z z . Wang, c的歌,和h·张,“多尺度自适应故障诊断基于对称调整信号预处理的微型智能电网"逆变器改变负载条件下,“IEEE智能电网,9卷,不。2、797 - 806年,2018页。视图:出版商的网站|谷歌学术搜索
23. c·l·p·陈和刘z”,广泛学习系统:一个有效和高效的增量式学习系统不需要深架构,”IEEE神经网络和学习系统卷,29号1,10 - 24,2018页。视图:出版商的网站|谷歌学术搜索
24. 冯和c·l·p·陈,“模糊广泛学习系统:一种新的去噪模型回归和分类,“IEEE控制论,50卷,不。2、1 - 11,2020页。视图:出版商的网站|谷歌学术搜索
25. c·l·p·陈,z .刘冯,“万能逼近广泛学习系统的功能及其结构变化,“IEEE神经网络和学习系统,30卷,不。4、1191 - 1204年,2019页。视图:出版商的网站|谷歌学术搜索
26. y, c, y, y, y,和l .曾“液压密封磨损和内部泄漏故障诊断使用小波和小波神经网络,”IEEE仪表和测量,卷68,不。4、1026 - 1034年,2019页。视图:出版商的网站|谷歌学术搜索
27. x赵、张,c .周z, r·李和j .江”液压缸泄漏的试验研究和基于小波包分析的故障特征提取,”电脑&液体卷。106年,33-40,2015页。视图:出版商的网站|谷歌学术搜索
28. j .徐美国通,f .琮和j·陈,“滑汉克尔矩阵系列,奇异值分解及其应用的故障特征提取,”专业科学、测量及技术,11卷,不。4、464 - 472年,2017页。视图:出版商的网站|谷歌学术搜索
29. w .太阳,邵,r·赵r .严张x, x陈,“稀疏auto-encoder-based深感应电动机故障分类的神经网络方法,”测量卷,89年,第178 - 171页,2016年。视图:出版商的网站|谷歌学术搜索
30. Y.-B。王,Z.-H。你,L.-P。李,D.-S。黄之。周,美国杨”,提高自动调节蛋白质的预测使用堆叠稀疏auto-encoder PSSM概要文件,”国际生物科学杂志》上,14卷,不。8,983 - 991年,2018页。视图:出版商的网站|谷歌学术搜索
31. w .太阳、郑胜耀邵和r .严问:“感应电动机故障诊断基于深层神经网络的稀疏auto-encoder,”机械工程学报,52卷,不。9日,第71 - 65页,2016年。视图:出版商的网站|谷歌学术搜索
32. x赞美国x张h .高,y,和c。汉”,设备的故障诊断方法研究基于BP神经网络功能重要的仪器,“课堂讲稿机械工程施普林格,柏林,德国,2018年。视图:谷歌学术搜索

版权

版权©2020汉族等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。