级联H桥逆变器的多特征融合CNN故障诊断

发布时间：2021-02-27 03:04

　　针对级联H桥七电平逆变器不同故障表现相似程度高以及浅层分类器难以应对高维特征输入而制约故障诊断准确性的问题,该文提出一种基于多特征融合CNN的级联H桥七电平逆变器故障诊断策略。首先,采集原始三相电流信号,并结合参考电流信号求取电流偏差信号;其次,多尺度主元分析（multi-scale principal component analysis,MSPCA）算法通过将变分模态分解与主元分析相结合筛选故障信息存在的尺度分量,并将得到的各尺度分量直接重构作为高维时域特征输入,对得到的各尺度分量进行希尔伯特黄（HHT）变换,提取边际谱作为高维时频域特征输入;最后,将上述两种特征作为双通道CNN模型的输入进行训练,建立最终的多特征融合CNN故障诊断模型。结果表明:所提方法的故障诊断准确率达到95%,相较于单一特征与浅层分类器相结合的故障诊断策略,具有更高的识别率和更强的适应性,可为基于电信号的高相似度故障的分类识别提供一定参考。 

【文章来源】：中国测试. 2020,46(07)北大核心

【文章页数】：10 页

【部分图文】：

电路拓扑结构

鉴于此，为实现多种特征的融合处理，提升故障诊断的可靠性与精准性，通过构建一个双输入通道的CNN网络-双流CNN，以2.1节提取的两种特征作为输入，并结合所属故障标签来构建多特征融合CNN模型，结构如图2所示。所提多特征融合CNN首先是在传统一维卷积神经网络的基础上增加一个输入通道构成双流CNN，其次将不同的特征通过两个通道输入进双流CNN进行训练与学习，并将两个通道的特征向量通过全连接层进行融合，最后结合故障标签实现误差计算与反向传播，实现整个网络的参数更新。

从图3(b)与图3(e)（或(c)与(d)）可以看出，单元内同方向上两个IGBT分别故障时，故障电流信号表现相似。从图3(b)～(f)可以看出，同一相不同单元的相同位置IGBT分别出现开路，故障表现相似，可见原始故障特征相互交叉，部分故障相似度高难以区分，使得故障诊断与故障元件定位变得困难，因此特征提取方法的选择尤为重要。3.2 特征提取

【参考文献】：
期刊论文
[1]级联H桥七电平逆变器故障的SKSNN-LPP特征提取方法[J]. 彭丽维,张彼德,孔令瑜.  电子测量与仪器学报. 2019(02)
[2]VMD小波能量的光伏逆变器软故障诊断[J]. 姜媛媛,程浩,崔江,罗慧.  电力系统及其自动化学报. 2018(11)
[3]基于电流矢量特征分析的逆变器开路故障快速诊断与定位方法[J]. 陈勇,刘志龙,陈章勇.  电工技术学报. 2018(04)
[4]模块化五电平逆变器子模块开路故障的智能诊断方法[J]. 尹桥宣,段斌,沈梦君,屈相帅.  电力系统自动化. 2018(12)
[5]单相级联H桥整流电路非线性控制策略[J]. 孙玉巍,刘教民,李永刚,付超,杨喆明.  电工技术学报. 2017(11)
[6]多通道卷积神经网络图像识别方法[J]. 易超人,邓燕妮.  河南科技大学学报(自然科学版). 2017(03)
[7]基于小波包能量谱和ELM的光伏逆变器多故障在线诊断[J]. 姜媛媛,王友仁,吴,孙权,罗慧.  仪器仪表学报. 2015(09)
[8]H桥逆变器IGBT开路故障诊断方法研究[J]. 杨晓冬,王崇林,史丽萍.  电机与控制学报. 2014(05)
[9]基于多神经网络的三电平逆变器器件开路故障诊断方法[J]. 陈丹江,叶银忠.  电工技术学报. 2013(06)

硕士论文
[1]光伏逆变器故障诊断方法研究[D]. 胡超.安徽理工大学 2015



本文编号：3053588