一种基于数据驱动的三相PFC转换器间歇故障检测方法

技术领域

本发明涉及电子测量技术领域，是一种基于数据驱动的三相PFC转换器间歇故障检测方法。

背景技术

三相功率因数矫正(PFC)转换器广泛应用于交直流转换装置中，可实现高功率因数和低谐波失真。由于三相PFC转换器在当今工业中的重要性，确保三相PFC转换器的连续安全运行是必要的。但是由于元器件长时间使用等原因，三相PFC转换器会发生间歇故障。虽然间歇故障持续时间短，但是如果没有及时检测并采取措施，会导致灾难性后果。

现有三相PFC转换器故障检测方法可以检测出开关管开路故障。现在也有可以对PFC变换器中电容器的参数进行观测的方法。然而，现有的方法都针对的是永久性故障。因此，基于数据驱动的三相PFC转换器检测故障检测方法被提出。

发明内容

本发明为克服现有技术的不足，针对现有三相PFC转换器故障检测方法可以检测出开关管开路故障。现在也有可以对PFC变换器中电容器的参数进行观测的方法。然而，现有的方法都针对的是永久性故障，本发明提供了一种基于数据驱动的三相PFC转换器间歇故障检测方法。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

一种基于数据驱动的三相PFC转换器间歇故障检测方法，所述方法包括以下步骤：

一种基于数据驱动的三相PFC转换器间歇故障检测方法，所述方法包括以下步骤：

步骤1：采集三相PFC转换器的输出x(t)，采样频率100kHz，持续时间4ms；

步骤2：基于经验模态分解EMD方法对x(t)进行分解，得到n个IMFs；

步骤3：在n个IMFs中选取与原输出数据最相关，且彼此最不相关的m个IMFs进行统计特征值提取；

步骤4：对选取的特定的IMF进行统计特征提取；

步骤5：训练卷积神经网络；

步骤6：采集待测三相PFC的输出数据，根据得到的特征值将特征值作为训练好的卷积神经网络的输入，得到神经网络的输出，判断三相PFC转换器是否出现故障。

优选地，所述步骤3具体为：

为了选择IMFs，引入相关关系评价指标W，令每个IMF与原始输出信号x(t)之间的皮尔逊相关系数为p

令IMF两两之间的皮尔逊相关系数为q

最终选择的IMFs层数的集合为M，则相关关系评价指标W通过下式表示为：

其中，k

优选地，所述步骤4中提取的特征有均值、方差、标准偏差、峰值、均方根、峰值指标、峭度指标、脉冲指标和形状指。

优选地，所述步骤5中神经网络具体为:

深度学习神经网络有卷积层，池化层，全连接层，卷积神经网络参数设置如下：卷积核大小为3，卷积核个数为16，使用relu激活函数，最后有两层全连接层，神经元个数均设为384。

优选地，训练过程的输入数据为N组正常状态三相PFC的输出数据，经过步骤1至步骤4得到的特征值，训练过程输出数据均为0。

优选地，所述步骤6中判断过程具体为:

设定一个正数阈值ε，当输出的绝对值大于该阈值，则判定三相PFC转换器为故障状态，反之则为正常状态。

一种基于数据驱动的三相PFC转换器间歇故障检测系统，所述系统包括：

采集模块，所述采集模块采集三相PFC转换器的输出x(t)，采样频率100kHz，持续时间4ms；

分解模块，所述分解模块基于经验模态分解EMD方法对x(t)进行分解，得到n个IMFs；

统计特征值提取模块，所述统计特征值提取模块在n个IMFs中选取与原输出数据最相关，且彼此最不相关的m个IMFs进行统计特征值提取；

特征提取模块，所述特征提取模块对选取的特定的IMF进行统计特征提取；

神经网络模块，所述神经网络模块训练卷积神经网络。

优选地，所述系统还包括判断模块，所述判断模块采集待测三相PFC的输出数据，根据得到的特征值将特征值作为训练好的卷积神经网络的输入，得到神经网络的输出，判断三相PFC转换器是否出现故障。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现一种基于数据驱动的三相PFC转换器间歇故障检测方法。

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行一种基于数据驱动的三相PFC转换器间歇故障检测方法。

本发明具有以下有益效果：

通过仿真可以验证，此方法可以实现三相PFC转换器的间歇性故障的检测。现有故障检测方法针对的是永久性故障，间歇性故障检测存在困难。然而，由于电子元件的生产过程、故障降级特性和外部环境应力，电路容易出现间歇性故障。而不同于永久性故障，间歇性故障是一种特殊的故障表现形式，具有随机性、周期性、时有时无、可以自行恢复等特点。正是由于以上特点，间歇性故障特征难以提取，它的存在对于复杂的电子装备系统具有严重影响。提出的方法利用EMD进行特征提取，可以提取持续时间短暂的间歇故障的故障特征；利用CNN进行故障检测，得到较高的故障检测率。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是三相PFC转换器结构图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

以下结合具体实施例，对本发明进行了详细说明。

具体实施例一：

根据图1所示，本发明为解决上述技术问题采取的具体优化技术方案是：本发明涉及一种基于数据驱动的三相PFC转换器间歇故障检测方法。

一种基于数据驱动的三相PFC转换器间歇故障检测方法，所述方法包括以下步骤：

所述方法包括以下步骤：

步骤1：采集三相PFC转换器的输出x(t)，采样频率100kHz，持续时间4ms；

步骤2：基于经验模态分解EMD方法对x(t)进行分解，得到n个IMFs；

步骤3：在n个IMFs中选取与原输出数据最相关，且彼此最不相关的m个IMFs进行统计特征值提取；

步骤4：对选取的特定的IMF进行统计特征提取；

步骤5：训练卷积神经网络；

步骤6：采集待测三相PFC的输出数据，根据得到的特征值将特征值作为训练好的卷积神经网络的输入，得到神经网络的输出，判断三相PFC转换器是否出现故障。

具体实施例二：

本申请实施例二与实施例一的区别仅在于：

所述步骤3具体为：

为了选择IMFs，引入相关关系评价指标W，令每个IMF与原始输出信号x(t)之间的皮尔逊相关系数为p

令IMF两两之间的皮尔逊相关系数为q

最终选择的IMFs层数的集合为M，则相关关系评价指标W通过下式表示为：

其中，k

具体实施例三：

本申请实施例三与实施例二的区别仅在于：

所述步骤4中提取的特征有均值、方差、标准偏差、峰值、均方根、峰值指标、峭度指标、脉冲指标和形状指。

具体实施例四：

本申请实施例四与实施例三的区别仅在于：

所述步骤5中神经网络具体为:

深度学习神经网络有卷积层，池化层，全连接层，卷积神经网络参数设置如下：卷积核大小为3，卷积核个数为16，使用relu激活函数，最后有两层全连接层，神经元个数均设为384。

具体实施例五：

本申请实施例五与实施例四的区别仅在于：

训练过程的输入数据为N组正常状态三相PFC的输出数据，经过步骤1至步骤4得到的特征值，训练过程输出数据均为0。

具体实施例六：

本申请实施例六与实施例五的区别仅在于：

所述步骤6中判断过程具体为:

设定一个正数阈值ε，当输出的绝对值大于该阈值，则判定三相PFC转换器为故障状态，反之则为正常状态。

具体实施例七：

本申请实施例七与实施例六的区别仅在于：

本发明提供一种基于数据驱动的三相PFC转换器间歇故障检测系统，所述系统包括：

采集模块，所述采集模块采集三相PFC转换器的输出x(t)，采样频率100kHz，持续时间4ms；

分解模块，所述分解模块基于经验模态分解EMD方法对x(t)进行分解，得到n个IMFs；

统计特征值提取模块，所述统计特征值提取模块在n个IMFs中选取与原输出数据最相关，且彼此最不相关的m个IMFs进行统计特征值提取；

特征提取模块，所述特征提取模块对选取的特定的IMF进行统计特征提取；

神经网络模块，所述神经网络模块训练卷积神经网络。

具体实施例八：

本申请实施例八与实施例七的区别仅在于：

所述系统还包括判断模块，所述判断模块采集待测三相PFC的输出数据，根据得到的特征值将特征值作为训练好的卷积神经网络的输入，得到神经网络的输出，判断三相PFC转换器是否出现故障。

具体实施例九：

本申请实施例九与实施例八的区别仅在于：

本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现一种基于数据驱动的三相PFC转换器间歇故障检测方法。

具体实施例十：

本申请实施例十与实施例九的区别仅在于：

本发明提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行一种基于数据驱动的三相PFC转换器间歇故障检测方法。

具体实施例十一：

本申请实施例十一与实施例十的区别仅在于：

步骤一：采集三相PFC转换器的输出x(t)。采样频率100kHz，持续时间4ms。

步骤二：基于经验模态分解(EMD)方法对x(t)进行分解，得到n个IMFs。

步骤三：在n个IMFs中选取与原输出数据最相关，且彼此最不相关的m个IMFs进行统计特征值提取。

为了选择IMFs，引入相关关系评价指标W。令每个IMF与原始输出信号x(t)之间的皮尔逊相关系数为p

其中k

步骤四：对选取的特定的IMF进行统计特征提取，提取的特征有均值、方差、标准偏差、峰值、均方根、峰值指标、峭度指标、脉冲指标和形状指标，具体计算方法如表1所示。

表1特征值计算公式

步骤五：训练卷积神经网络。该深度学习网络有卷积层，池化层，全连接层。卷积神经网络参数设置如下：卷积核大小为3，卷积核个数为16，使用relu激活函数，最后有两层全连接层，神经元个数均设为384。训练过程的输入数据为N组正常状态三相PFC的输出数据，经过步骤一至步骤四得到的特征值，训练过程输出数据均为0。

步骤六：采集待测三相PFC的输出数据，经步骤一至步骤四得到特征值。然后将特征值作为步骤五训练好的卷积神经网络的输入，得到神经网络的输出。设定一个正数阈值ε，当输出的绝对值大于该阈值，则判定三相PFC转换器为故障状态，反之则为正常状态。

其中，va,vb,vc为PFC转换器输入的三相电压源，L1,L2,L3,L4,L5,L6为与电压源串联的电感，ia,ib,ic为该位置的电流，GA1,GA2,GB1,GB2,GC1,GC2为IGBT。C为电容，uo为输出电压。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

以上所述仅是一种基于数据驱动的三相PFC转换器间歇故障检测方法的优选实施方式，一种基于数据驱动的三相PFC转换器间歇故障检测方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。