一种基于Inception的卷积神经网络变流器故障诊断方法

技术领域

本发明涉及一种诊断聚变内真空室电源领域，具体是一种基于Inception的卷积神经网络变流器故障诊断方法。

背景技术

实验先进超导托卡马克的内真空室电源需要PWM电压源变流器工作于整流模式或者逆变模式下。由于驱动系统的复杂性以及电磁干扰、高温、高电应力等运行情况的多样性，PWM变流器系统容易发生严重故障。如果出现故障，将执行不平衡操作和停机，这可能导致等离子体垂直稳定性意外失控，甚至导致等离子体击穿。

而调查表明，功率转换系统中31％的故障是由于功率半导体的故障。通常，半导体开关器件故障分为短路故障和开路故障。短路故障常引起过电流。保险丝或断路器等硬件设备可以检测并防止短路故障进一步损坏。但开路故障会导致电流不平衡，无法立即检测到，进而可能导致二次故障。现有技术中的诊断方法也只能应用于脉宽调制电压源变流器的整流模式或者逆变模式下，不能同时诊断整流或逆变两象限工作模式。为此我们设计出一种基于Inception的卷积神经网络变流器故障诊断方法，来解决上述问题。

发明内容

对于现有的产生的问题，本发明的目的在于提供一种基于Inception的卷积神经网络变流器故障诊断方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于Inception的卷积神经网络变流器故障诊断方法，包括聚变电源，所述的聚变电源由多个电源单元串联或并联组成，每个所述电源单元的前级由一个三相PWM变流器组成，所述的聚变PWM变流器指的是聚变电源的每个电源单元的前级三相PWM变流器，所述三相PWM变流器工作整流或逆变两象限状态下，其三相网侧电流为I

步骤一：分析聚变PWM变流器的功率管开路故障情况；

所述聚变PWM变流器可工作在两种象限：整流状态和逆变状态；所述PWM变流器开路故障具有22种情况；

步骤二：确定聚变PWM变流器的功率管开路故障的编码方式；

所述故障状态的表示采用one-hot编码方式，将六个功率开关管的状态分别映射到二进制向量，0表示健康状态，1表示功率管开路故障；

步骤三：分析聚变PWM变流器的功率管开路故障特征量；

步骤四：采集聚变PWM变流器的功率管开路故障的历史数据作为模型训练和验证数据；

步骤五：将采集到的历史数据进行数据预处理；

所述数据预处理包括：重采样块、数据扩充块、数据标准化块和数据洗牌块；

步骤六：建立基于Inception的卷积神经网络模型架构；

所述基于Inception的卷积神经网络模型的核心部分是Inception块；

步骤七：以工作在整流或逆变两象限状态下PWM变流器的三相网侧电流传感器的电流数据I

将预处理后的数据按一定比例分为训练集和验证集，输入到基于Inception的卷积神经网络模型，并得到模型损耗曲线，根据训练集的损耗曲线和验证集的损耗曲线，采用回调和检查点的手段，选择最优训练模型；

步骤八：将被检测的实时输入信号，经预处理块后的标准化数据，输入到步骤七训练好的最优模型中，并得到所需的故障二进制向量，得到各开关管故障状态量将预处理后的数据输入到基于Inception的卷积神经网络模型，对聚变内真空室三相PWM变流器的功率管开路故障进行实时诊断，判断变流器各功率管状态，并确定故障位置。

作为本发明进一步的方案：步骤二中所述PWM变流器的功率管开路故障情况包括如下22种情况：1种各开关管均处于健康状态、6种单个开关管开路故障、3种双开关管开路故障且故障两开关位于同相、6种双开关管开路故障且故障两开关位于桥臂的一侧、6种双开关管开路故障且故障两开关即不位于同相，也不位于桥臂的一侧。

作为本发明进一步的方案：步骤三中所述的所述的聚变内真空室三相PWM变流器的功率管开路故障情况下，分别工作在整流或逆变两象限运行状态，其三相网侧电流特征均不相同；所述电流正方向为网侧到整流器方向；所述网侧A或B、C相分别连接在三相PWM变流器的桥臂1或2、3，其中A相连接桥臂1，B相连接桥臂2，C相连接桥臂3；所述网侧A或B、C相的正方向电流流通通道是桥臂1或2、3的下桥开关管，网侧A或B、C相的负方向电流流通通道是桥臂1或2、3的上桥开关管；所述电路未出现故障时，各相电流正常流通，呈现三相对称正弦波状态，且伴有少量网侧谐波；所述电路中桥臂1或2、3的上或下功率管发生单管开路故障时，在PWM变流器工作在整流状态下，故障开关管两端并联二极管可作为整流器组件持续运行，相应网侧A或B、C相的负或正方向电流的断续流通，带有故障功率管的整流器交替工作在受控和非受控模式；而在PWM变流器工作在有源逆变器状态下，故障功率管和其两端并联二极管均不工作，相应网侧A或B、C相电流的负或正方向无法流通；所述电路发生双开关故障时，其变化最恶劣的电流可理解为单开管故障的叠加；因而选取一个工频周期的三相电流作为故障特征向量。

作为本发明进一步的方案：步骤四采用迁移学习的方法，通过大量的仿真数据和少量的实验数据做训练集和验证集；实验数据在多个真实的三相PWM变流器上获得，通过将三相PWM变流器的6个开关管的驱动信号分别置0V，模拟变流器开关管在其相应二极管导通时开路故障；仿真数据是利用电路仿真软件获得，通过将仿真软件中三相PWM变流器的6个开关管的驱动信号分别置0V，模拟变流器开关管在其相应二极管导通时开路故障。

作为本发明进一步的方案：所述重采样块采用简单移动平均方法消除高频波动，并对数据集重新采样，简单移动平均方法计算特定时间范围值的平均值，简单移动平均方法使用前一时间的信息来防止数据泄漏；

所述数据增强块在训练神经网络模型时，通过移相将原始数据有效地乘以n倍；

所述数据标准化块：在统计学中，z分数是指原始分数的值高于或低于所观察或测量的平均值的标准偏差数，z-得分通过z＝(x-μ)/σ计算，其中μ是总体的平均值；σ是总体的标准偏差，当获得所有源数据时，z分数将用于标准化；

所述数据洗牌块使用洗牌方法来洗牌整个数据集的顺序，以提高泛化能力。

作为本发明进一步的方案：步骤六中所述Inception块是所有层的组合，其输出滤波器组串联成单个输出向量，形成下一级的输入；所述Inception块由四条平行路径组成；前三条路径使用窗口大小为1×1、3×3和5×5的卷积层从不同的空间大小提取信息；中间两条路径对输入执行1×1卷积，以减少通道数量；第四条路径使用3×3最大池层，然后是1×1卷积层来更改通道数；这四条路径都使用适当的填充，以使输入和输出具有相同的高度和宽度；最后输出沿通道维度连接，并构成块的输出。

作为本发明进一步的方案：步骤七中所述的整流或逆变两象限状态下的开关管三相电流数据，进行数据预处理；将预处理后的数据按一定比例分为训练集和验证集，输入到基于Inception的卷积神经网络模型，并得到模型损耗曲线，根据训练集的损耗曲线和验证集的损耗曲线，采用回调和检查点的手段，选择最优训练模型。

作为本发明进一步的方案：步骤八中所述的基于Inception的卷积神经网络模型将多个卷积层、最大池层、全局平均池层和完全连接层堆叠在一起以实现特征提取功能。

与现有技术相比；本发明的有益效果是：

1、本发明基于Inception卷积神经网络的聚变PWM变流器开路故障诊断方法，以PWM变流器的三相网侧电流为神经网络模型输入，以Inception块为核心的卷积神经网络模型为模型基础，将几个卷积层、最大池层、全局平均池层和完全连接层堆叠在一起，以实现特征提取功能。采用这种架构，可以更好地利用现有的卷积神经网络等方法的计算资源，提高诊断性能，能够对系统进行快速准确的实时故障检测，尽可能避免变流器二次故障，为下一步的容错过程留出充足的时间裕量，避免了因变流器故障而引发的安全事故与经济损失，极大地提高聚变领域中变流器系统的稳定性和工作效率；

2、本发明的卷积神经网络模型的训练需要大量数据。而相对于仿真数据，实验数据的获得更加困难，本发明采用迁移学习的方法，采用大量的仿真数据和少量的实验数据做训练集和验证集；

3、本发明故障诊断方法简单，对运行CPU性能要求低；无需额外增设硬件电路，利用系统中原有的电流传感器提取故障特征向量，节约成本；可扩展性强，可诊断各种参数的三相PWM变流器的功率管开路故障；可以精准、实时识别三相PWM变流器单、双管开路故障；可以精准、实时识别三相PWM变流器工作在整流或逆变两种象限下的开关管开路故障；

附图说明

图1为本发明中聚变PWM变流器的拓扑结构和控制算法；

图2为本发明中聚变PWM变流器拓扑结构；

图3为本发明中聚变PWM变流器的控制算法；

图4为本发明中Inception块的拓扑结构；

图5为本发明中基于Inception卷积神经网络的架构；

图6为本发明中聚变PWM变流器三相网侧电流数据神经网络结构。

具体实施方式

下面将结合本发明实施例中的附图；对本发明实施例中的技术方案进行清楚、完整地描述；显然；所描述的实施例仅仅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。

本发明涉及的是托卡马克电源系统的电压型PWM变流器的功率开关管的故障诊断方法。尤其是诊断聚变内真空室电源应用领域下，整流或逆变两象限运行的PWM变流器的功率管单开关和双开关开路故障。旨在利用该系统检测易造成二次故障，且不易被电源系统立刻发现的功率管开路故障。属于机器学习、电源领域、聚变领域。

根据本发明的实施例，请参阅图1-6所示，提出了一种基于Inception卷积神经网络的聚变PWM变流器开路故障诊断方法，所述的聚变电源的由多个电源单元串联或并联组成，其中每个电源单元的前级由一个三相PWM变流器组成，所述的聚变PWM变流器指的是聚变电源的每个电源单元的前级三相PWM变流器。该三相PWM变流器需要工作整流或逆变两象限状态下，其三相网侧电流为I

所述的聚变PWM变流器的功率管开路故障诊断方法，以工作在整流或逆变两象限状态下PWM变流器网侧三相电流I

步骤一：分析聚变PWM变流器的功率管开路故障情况。

所述聚变PWM变流器可工作在两种象限：整流状态和逆变状态。

所述故障类型具体包括如下22种情况：各开关管均处于健康状态(1种)、单个开关管开路故障(6种)、双开关管开路故障且故障两开关位于同相(3种)、双开关管开路故障且故障两开关位于桥臂的一侧(6种)、双开关管开路故障且故障两开关即不位于同相，也不位于桥臂的一侧(6种)。由于故障造成三相电流的失真情况各有不同，因而故障情况的电流有21×2＝42种。

步骤二：确定聚变PWM变流器的功率管开路故障的编码方式。

所述故障状态的表示采用one-hot编码方式，将故障变量转换为容易被机器学习算法接受的简单形式。具体实施方法就是将六个功率开关管的状态分别映射到二进制向量。0表示健康状态，1表示功率管开路故障。

步骤三：分析聚变PWM变流器的功率管开路故障特征量。

所述电流正方向为网侧到整流器方向。所述网侧A(或B、C)相分别连接在三相PWM变流器的桥臂1(或2、3)，其中A相连接桥臂1，B相连接桥臂2，C相连接桥臂3。所述网侧A(或B、C)相的正方向电流流通通道是桥臂1(或2、3)的下桥开关管，网侧A(或B、C)相的负方向电流流通通道是桥臂1(或2、3)的上桥开关管。所述电路未出现故障时，各相电流正常流通，呈现三相对称正弦波状态，且伴有少量网侧谐波。所述电路中桥臂1(或2、3)的上(或下)功率管发生单管开路故障时，在PWM变流器工作在整流状态下，故障开关管两端并联二极管可作为整流器组件持续运行，相应网侧A(或B、C)相的负(或正)方向电流的断续流通，带有故障功率管的整流器交替工作在受控和非受控模式；而在PWM变流器工作在有源逆变器状态下，故障功率管和其两端并联二极管均不工作，相应网侧A(或B、C)相电流的负(或正)方向无法流通。所述电路发生双开关故障时，其变化最恶劣的电流可理解为单开管故障的叠加。因而选取一个工频周期的三相电流作为故障特征向量。

步骤四：采集聚变PWM变流器的功率管开路故障的历史数据作为模型训练和验证数据。

所述基于Inception的卷积神经网络模型的训练需要大量数据。而相对于仿真数据，实验数据的获得更加困难。本发明采用迁移学习的方法，采用大量的仿真数据和少量的实验数据做训练集和验证集。实验数据在多个真实的三相PWM变流器上获得，它是通过将三相PWM变流器的6个开关管的驱动信号分别置0V，模拟变流器开关管在其相应二极管导通时开路故障。仿真数据是利用电路仿真软件(如Matlab/Simulink、simplorer)获得，它是通过将仿真软件中三相PWM变流器的6个开关管的驱动信号分别置0V，模拟变流器开关管在其相应二极管导通时开路故障。

步骤五：将采集到的历史数据进行预处理。

所述基于Inception的卷积神经网络模型的训练和验证数据在输入模型之前，首先需要经过数据预处理块，得到标准化数据。该数据预处理块4个模块：重采样块、数据扩充块、数据标准化块和数据洗牌块。

重采样块：在实际应用中，由于设备设置的不同，原始信号的采样率存在显著差异。输入信号数据集应同时对齐，数据集应重新采样。重采样率的选择需要慎重考虑。较低的重采样率意味着较低的时间分辨率和较差的建模质量，而较高的重采样率意味着更大的计算资源需求和较低的建模效率。本发明采用简单移动平均方法消除高频波动，并对数据集重新采样。简单移动平均方法计算特定时间范围值的平均值。由于该应用环境是创建在线建模，因此我们无法提前知道当前时间点之后的信息，简单移动平均方法使用前一时间的信息来防止数据泄漏。

数据扩充块：考虑到现有训练和验证数据量可能不满足条件，在训练神经网络模型时，通过移相将原始数据有效地乘以n倍。

数据标准化块：三相网侧电流通常具有不同的电流赋值。因此，当获得所有源数据时，z分数将用于标准化。在统计学中，z分数是指原始分数的值高于或低于所观察或测量的平均值的标准偏差数。z-得分通过z＝(x-μ)/σ计算，其中μ是总体的平均值；σ是总体的标准偏差。

数据洗牌块：神经网络的学习能力很强。如果数据不受干扰，模型将按顺序重复学习数据的特征，并达到过拟合状态。此外，神经网络可以只学习数据的序列特征。因此，需要使用洗牌方法来洗牌整个数据集的顺序，以提高泛化能力。值得一提的是，模拟数据和实验数据是分开处理的。

步骤六：建立基于Inception的卷积神经网络模型架构。

所述基于Inception的卷积神经网络模型的核心部分是Inception块。Inception块的拓扑结构如图3。使用Inception模型，是为了更好地利用现有的卷积神经网络等方法的计算资源，提高诊断性能。所述Inception块是所有层(即1×1卷积层、3×3卷积层、5×5卷积层)的组合，其输出滤波器组串联成单个输出向量，形成下一级的输入。所述Inception块由四条平行路径组成。前三条路径使用窗口大小为1×1、3×3和5×5的卷积层从不同的空间大小提取信息。中间两条路径对输入执行1×1卷积，以减少通道数量，这在很大程度上降低了模型的复杂性。第四条路径使用3×3最大池层，然后是1×1卷积层来更改通道数。这四条路径都使用适当的填充，以使输入和输出具有相同的高度和宽度。最后，输出沿通道维度连接，并构成块的输出。

所述基于Inception卷积神经网络仅使用Inception无法有效地提取足够的特征。因此，在所述架构中，需要将几个卷积层、最大池层、全局平均池层和完全连接层堆叠在一起以实现特征提取功能。当数据流动时，数据的深度逐渐变大，宽度和高度变小。前两个块(块0和块1)是一个典型的卷积，用于从输入序列中识别一组低级特征。然后将这些识别出的低级特征合并，以降低输出的维数，并将其作为块2的输入，块2使用一组Inception块和最大池层来识别先前识别出的低级特征中的高级特征。这将持续几个块，其中每个块使用来自上一块的输入来识别比上一层更高级别的特征。最后，最后一个卷积层的输出被传递到一组完全连接的层，用于最终分类。基于Inception卷积神经网络的架构如图4所示。聚变PWM变流器三相网侧电流数据神经网络结构如图5所示。

步骤七：将步骤五预处理后的数据导入步骤六的神经网络模型训练，并在多次训练种选择最优训练模型。

将预处理后的数据按一定比例分为训练集和验证集，输入到基于Inception的卷积神经网络模型，并得到模型损耗曲线，根据训练集的损耗曲线和验证集的损耗曲线，采用回调和检查点的手段，选择最优训练模型。

步骤八：将被检测的实时输入信号，经预处理块后的标准化数据，输入到步骤七训练好的最优模型中，并得到所需的故障二进制向量，得到各开关管故障状态量。

所述实时被检测输入信号的预处理模块，与步骤五的预处理步骤有所不同，仅包括重采样块、数据标准化块。

本发明基于Inception卷积神经网络的聚变PWM变流器开路故障诊断方法，以PWM变流器的三相网侧电流为神经网络模型输入，以Inception块为核心的卷积神经网络模型为模型基础，将几个卷积层、最大池层、全局平均池层和完全连接层堆叠在一起，以实现特征提取功能。采用这种架构，可以更好地利用现有的卷积神经网络等方法的计算资源，提高诊断性能，能够对系统进行快速准确的实时故障检测，尽可能避免变流器二次故障，为下一步的容错过程留出充足的时间裕量，避免了因变流器故障而引发的安全事故与经济损失，极大地提高聚变领域中变流器系统的稳定性和工作效率。

本发明的卷积神经网络模型的训练需要大量数据。而相对于仿真数据，实验数据的获得更加困难。本发明采用迁移学习的方法，采用大量的仿真数据和少量的实验数据做训练集和验证集。

本发明故障诊断方法简单，对运行CPU性能要求低；无需额外增设硬件电路，利用系统中原有的电流传感器提取故障特征向量，节约成本；可扩展性强，可诊断各种参数的三相PWM变流器的功率管开路故障；可以精准、实时识别三相PWM变流器单、双管开路故障；可以精准、实时识别三相PWM变流器工作在整流或逆变两种象限下的开关管开路故障。

本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

对于本领域技术人员而言；显然本发明不限于上述示范性实施例的细节；而且在不背离本发明的精神或基本特征的情况下；能够以其他的具体形式实现本发明。因此；无论从哪一点来看；均应将实施例看作是示范性的；而且是非限制性的；本发明的范围由所附权利要求而不是上述说明限定；因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外；应当理解；虽然本说明书按照实施方式加以描述；但并非每个实施方式仅包含一个独立的技术方案；说明书的这种叙述方式仅仅是为清楚起见；本领域技术人员应当将说明书作为一个整体；各实施例中的技术方案也可以经适当组合；形成本领域技术人员可以理解的其他实施方式。