[发明专利]一种基于卷积神经网络的电压源逆变器故障诊断方法及系统

权利要求书

1.一种基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：包括以下步骤，

S1、获取待诊断电压源逆变器的故障电流数据，并将所述故障电流数据进行预处理，得到故障电流数据集；

S2、将所述故障电流数据集输入至预先训练好的电压源逆变器故障诊断模型中，得到所述待诊断电压源逆变器在多个故障类型分类下的故障诊断概率；其中，所述电压源逆变器故障诊断模型包括：输入层、特征提取层以及输出层，所述输入层将所述待诊断电压源逆变器的时域电流信号进行标准化处理和数据增强处理后得到所述故障电流数据集后，通过所述特征提取层对所述故障电流数据集进行特征提取得到多个特征矢量；

所述特征提取层包括卷积层和全局最大池化层，所述故障电流数据集通过卷积层的卷积核卷积运算进行特征提取，提取得到的特征利用所述全局最大池化层进行特征降维和数据压缩处理后得到所述特征矢量；

所述输出层包括softmax层，多个所述特征矢量通过所述softmax层对所述待诊断电压源逆变器的时域电流信号根据预设的多个故障类型得到所述待诊断电压源逆变器的故障诊断概率；

S3、根据多个所述故障诊断概率对所述待诊断电压源逆变器进行故障诊断。

2.根据权利要求1所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于，所述卷积层包括首层宽卷积核卷积层和多层连续卷积层，所述首层宽卷积核卷积层的卷积核至少为30×1，多层所述连续卷积层的卷积核为3×1。

3.根据权利要求2所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述卷积层还包括批规范化操作，所述故障电流数据集利用所述宽卷积核层中进行随机失活后，通过所述常规卷积层和所述款卷积层的卷积运算进行特征提取，所述宽卷积核层和所述常规卷积层的净输入都进行了批量规范化。

4.根据权利要求1所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述S1具体为，获取所述待诊断电压源逆变器的时域电流信号，将所述时域电流信号进行预处理后得到所述故障电流数据集。

5.根据权利要求1所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述S2中的所述预先训练好的电压源逆变器故障诊断模型是通过以下步骤获得：

采集电压源逆变器的时域电流信号，并进行数据增强处理和标准化处理后，得到故障电流训练数据集，且按照预设的比例将所述故障电流数据集分为训练集、验证集以及测试集；

基于卷积神经网络模型构建电压源逆变器故障诊断模型；

用所述训练集对所述电压源逆变器故障诊断模型进行多次迭代训练，利用所述验证集对每次训练后的电压源逆变器故障诊断模型进行验证，选取收敛的卷积神经网络模型作为初步训练完成的电压源逆变器故障诊断模型；利用所述测试集对初步训练的电压源逆变器故障诊断模型进行测试，根据测试集的精确度判断所述初步训练的电压源逆变器故障诊断模型是否收敛，来得到训练好的电压源逆变器故障诊断模型。

6.根据权利要求5所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述数据增强处理具体为：通过重叠采样法对所述时域电流信号进行数据增强处理。

7.根据权利要求4或5所述的基于卷积神经网络的电压源逆变器故障诊断方法，其特征在于：所述标准化处理的具体步骤为，

对所述时域电流信号按照以下公式进行标准差标准化处理：

其中，X为所述时域电流信号，μ_X为所述时域电流信号X的所有数据的均值，σ_X为所述时域电流信号X的所有数据的标准差。

8.一种计算机可读存储介质，其特征在于：包括存储器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的基于卷积神经网络的电压源逆变器故障诊断方法。

9.一种电压源逆变器故障诊断装置，其特征在于，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如权利要求1至7任一所述的基于卷积神经网络电压源逆变器故障诊断检测方法。