一种基于数据驱动的单相整流器故障诊断方法

本发明涉及单相整流器故障检测，尤其是一种基于数据驱动的单相整流器故障诊断方法。

背景技术：

1、交-直-交牵引传动系统在高速铁路牵引系统领域应用广泛。电力电子变压器在牵引驱动系统中起着功率转换的作用，主要包括高频变压器和电力电子变换器。电力电子变压器结构复杂，部件数量多，隐藏故障频繁。电力电子变压器主要器件的故障往往会导致电压和电流的异常波动，危及高速列车的运行安全。现有的电力电子变压器故障诊断方法大多是基于模型的，其基本思想是利用数学模型计算故障残差，通过残差分析进行故障诊断。然而，在实际工程应用中，开关器件的非线性和离散性限制了解析模型的精度。因此，在复杂非线性系统的故障诊断中，研究对模型依赖性小的故障诊断方法显得迫在眉睫。在此过程中，基于数据的故障诊断方法更倾向于充分利用系统检测数据中所包含的丰富的设备状态信息，探索这些数据与故障模式之间的内在联系。

2、单相脉宽调制(pwm)整流器作为牵引驱动系统的重要组成部分，其性能将直接影响驱动系统的性能，其中功率半导体器件是最脆弱的。因此，绝缘栅双极晶体管(igbt)的开路和短路故障已成为电网侧整流器的常见故障。一般情况下，当短路故障发生时，电压和电流会在短时间内急剧上升，然后由短路故障转化为开路故障。因此，igbt的开路故障分析与诊断是整流器故障诊断的核心。此外，反并联二极管开路故障引起的异常电压应力远高于igbt的阻塞电压，可能导致igbt在短时间内发生过压故障。对于中间直流电路，串联谐振电路元件故障的诊断方法研究比较少。

3、基于模型的方法是igbt开路故障诊断中应用最广泛的方法，其诊断性能高度依赖于模型精度，但是模型精度难以获得保证，特别是考虑到牵引系统的复杂性以及电流方向变化对反并联二极管工作的影响。基于信号和基于机器学习的故障诊断方法与基于模型的故障诊断方法的不同之处在于，不需要精确建模，而是通过分析电压和电流的幅频特征来诊断故障。 因此，数据驱动方法的有效性很大程度上受到特征提取性能的影响。基于信号处理的方法基本只使用与浅层特征的提取，浅层特征包括振幅信息、频率信息、能量信息等。通过对上述特征信息的分析，可以建立故障信号与故障模式的对应关系。然而，通常很难直接通过数据本身的特征来建立这种关系。目前来看，利用数据驱动的方法进行单相整流器故障诊断必须要解决的三个关键问题是：（1）方法必须具备良好的泛化性和鲁棒性，对于不同的单相整流器上的igbt、二极管和串联谐振电路元件，都可以进行故障诊断，代替人工诊断以实现智能诊断。（2）方法必须具有时间短的特点，因为关键部件出现异常，会使模块电流等参数出现较大变化，进而导致整个模块在短时间里工作异常。（3）算法模型必须具备高精度、高稳定性，单相整流器具有复杂的系统结构，组成部件繁多，需要能够精准诊断故障器件，保证列车稳定运行。

技术实现思路

1、针对现有的数据驱动方法进行单相整流器故障诊断存在的上述问题，本发明提供了一种基于数据驱动的单相整流器故障诊断方法。通过结合变分模态分解（vmd）方法和双模型卷积循环神经网络（crnn）来实现对单相整流器的全面故障诊断。

2、本发明提供的基于数据驱动的单相整流器故障诊断方法，步骤如下：

3、s1、通过dspace硬件电路测试平台搭建单相pwm整流器的模型，通过该平台获得单相pwm整流器正常状态、igbt开路、反并联二极管开路、串联谐振电路电感开短路、以及电容开短路的网测电流和直流侧电压故障数据。

4、s2、将获得的正常状态数据和故障数据进行vmd分解，获得本征模态分量imf，将其作为后续故障诊断网络的输入特征向量。具体包括以下子步骤：

5、s21、通过约束变分模型，寻求k个具有特定稀疏性的imf分量，使得各分量的估计带宽和最小，限定约束条件为各分量之和，且等于原始信号。其中，特定稀疏性是指矩阵或数据集中零元素相对于数据集中元素总数的百分比。

6、s22、为获取限定带宽的k个imf，先通过hilbert变换，得到各imf分量 u k(t)的单边际谱，然后估计各imf的中心频率 ω k与其指数信号相乘，将模态的频谱调制到相应基频带，再计算解析信号梯度平方范数l2，构造变分模态。

7、s23、引入惩罚因子 α及lagrange乘子λ将约束变分问题转变为非约束变分问题,以求解上述变分问题，得到增广lagrange表达式。

8、s24、采用交替方向乘子算法更新迭代求解鞍点, 获得最优解, 以将原始信号分解为k个imf分量。

9、s3、搭建基于crnn的单相整流器故障诊断子模型，包括crnn电流子模型和crnn电压子模型。

10、步骤s3包括以下子步骤：

11、s31、搭建基于1d-cnn的特征一次提取模块，cnn的卷积层由两部分组成： 第一部分为卷积层c1和c2，执行卷积操作以提取相邻域的结构特征；第二部分为池化层s1和s2，执行下采样操作以剔除特征图的冗余信息。

12、在该步骤中，正常状态和故障下的各个信号作为输入通过一维卷积滤波器传递到cnn层；通过 l-th卷积层的卷积运算得到特征图 x l j：其中， k ij l和 b j l分别代表第j层卷积滤波器的权重和偏置值，mj是输入特征图的数量；

13、池化过程在卷积过程之后，最大池化运算公式如下：其中，β j l和 b j l代表最大池化层的权重和偏置值， dowm( )代表最大池化函数。

14、s32、搭建基于sru的特征二次提取模块，sru网络采用矩阵相乘的方式进行运算，每一个门控结构都需要通过激活函数处理输入 x t，最后通过重置门与细胞内部状态和输入 x t获得输出 ht；计算公式如下：

15、式中， 为线性表示、 f t 为遗忘门、 r t 为重置门， c t代表的是内在状态；α f和α r分别是遗忘门gate f和重置门gate r的s激活函数；w、w f和w r分别是线性表示、遗忘门gate f和重置门gate r的权重；b f和b r分别表示遗忘门gate f和重置门gate r的偏差；表示对应元素相乘； tanh（）表示为隐状态的双曲正切激活函数。

16、s33、在全连接层之前引入注意力机制。本发明使用senet（squeeze-and-excitation network），其考虑了特征通道之间的关系，在特征通道上加入了注意力机制。首先通过squeeze操作，对每个特征图做全局池化，平均成一个实数值；然后进行excitaton操作，该过程中先对c个通道降维再扩展回c通道；最后将exciation的输出看作是经过特征选择后的每个通道的重要性，通过乘法加权的方式乘到先前的特征上，实现提升重要特征，抑制不重要特征这个功能。

17、s34、分别将网侧电流和直流侧电压经过vmd分解后获得的imf作为所搭建的网络模型的输入，形成一个双模型的架构，即crnn电流子模型和crnn电压子模型，在电流和电压子模型中进行训练和计算。

18、s4、通过flatten层将两个子模型提取的特征进行整合，通过全连接层将提取到的特征信息转换到标签空间以完成数据分类，其输出表示为：式中，d i、b i为全连接层的学习参数，、分别为输入数据和输出数据；

19、输出数据经softmax转换为对应类别的概率值，其表达式为：式中， y  i为向量 y第 i个参数值（ i=1, 2 , . . .， j）。

20、混淆矩阵和t-sne可视化作为分析测试样本识别结果的可视化工具，前者以矩阵形式可视化算法性能，后者通过特征映射呈现样本分布的可视化效果。

21、与现有技术相比，本发明的有益之处在于：

22、 1、本发明通过dspace硬件电路测试平台搭建单相pwm整流器的模型来获取数据，解决了故障数据难以获取，数据量少的问题，在保证诊断安全性的前提下提升了故障诊断的全面性和可靠性。

23、2、本发明通过vmd的信号处理方法，将原本相似的故障信号之间的差异增大，从海量的数据中获取稳定的故障特征，解决了当igbt或二极管发生开路故障时，同一个桥臂上的igbt和二极管由于故障特征类似而识别困难的问题。这种方法可以指定所需要分解的模态数，避免出现有无用分量的情况，减少了后续特征处理的步骤，并且通过镜像扩展的方法解决了常规信号处理方法容易出现的端点效应和模态混叠问题。

24、3、本发明设计了一种crnn网络，解决了1d-cnn网络在提取信号相邻域的结构特征时，对其中蕴含的时序特征挖掘不充分和rnn网络的递归结构有利于模型提取时序特性，但牺牲模型运算速度，容易产生梯度消失和过拟合现象这两大痛点。该crnn网络使得故障识别模型兼具cnn训练速度快和rnn识别精度高的两大优势。

25、4、本发明设计了一种双模型架构，通过分别建立电压、电流子模型，将经过vmd分解后的网侧电流和直流侧电压imf分量分别作为子模型的输入。解决了igbt和反并联二极管故障信号对于直流侧电压不敏感而串联谐振电路元件故障信号对于网侧电流不敏感的问题，充分利用网侧电流和直流侧电压，达到精准定位故障元件的目的。

26、本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。