基于CNN的三相逆變器開路故障診斷及其樣本條件分析*

申皓瀾，唐 欣，羅毅飛，肖 飛，艾 勝，樊亞翔

(海軍工程大學(xué) 艦船綜合電力技術(shù)國防科技重點實驗室， 湖北 武漢 430033)

基于絕緣柵雙極型晶體管(insulated gate bipolar transistor, IGBT)等半導(dǎo)體開關(guān)器件的電能變換裝置已被廣泛應(yīng)用于電網(wǎng)、艦船、高鐵、電動汽車等重要領(lǐng)域，其安全可靠運行至關(guān)重要。然而，由于長期受電、熱、振動等應(yīng)力沖擊，開關(guān)器件及其驅(qū)動、連接件面臨著嚴(yán)峻的健康風(fēng)險，是裝置的主要故障源。據(jù)統(tǒng)計，裝置中約38%的故障與開關(guān)器件有關(guān)[1]。

開關(guān)器件的故障主要包括短路和開路故障，其中短路故障伴隨著大幅過電流現(xiàn)象，基于此已有集成于驅(qū)動的退飽和檢測、集電極電流檢測、快速熔斷等成熟的硬件檢測及保護(hù)方法，可在10 μs內(nèi)迅速結(jié)束短路狀態(tài)[1]。然而，開路故障的隱蔽性較強(qiáng)，可由IGBT鍵絲斷裂、端子松動及破裂、驅(qū)動異常等眾多因素引起，故障發(fā)生后裝置通常能在一段時間內(nèi)帶故障運行而不觸發(fā)系統(tǒng)保護(hù)。但是，開路故障仍會引起電壓、電流畸變，如不及時診斷容易誘發(fā)嚴(yán)重的次生故障[2]。因此，對開路故障進(jìn)行在線診斷具有重要的現(xiàn)實意義。

對電能變換裝置整體輸出電壓或電流波形進(jìn)行分析，是在較少傳感條件下進(jìn)行開路故障診斷的普遍途徑[1-2]。其中，傳統(tǒng)方法需要針對具體裝置，人為地完成數(shù)據(jù)特征選擇與提取、特征-故障解析建模、故障診斷機(jī)制設(shè)計等工作，當(dāng)裝置拓?fù)鋸?fù)雜度較高或結(jié)構(gòu)發(fā)生改變時，存在建模難度大、診斷機(jī)制通用性弱等不足[3-4]。近年來，以數(shù)據(jù)驅(qū)動為基本特征的新一輪人工智能(artificial intelligence, AI)浪潮為開路故障診斷提供了如圖1所示的重要思路，即利用裝置的歷史數(shù)據(jù)樣本，采用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)相關(guān)算法對樣本與故障模式之間的復(fù)雜映射關(guān)系進(jìn)行訓(xùn)練，自動建立具備故障診斷能力的“黑箱”模型[5-9]。

圖1 基于“黑箱”模型的故障診斷基本思路Fig.1 Basic idea of data-driven fault diagnosis

對于各類具有一定數(shù)量規(guī)模和較高復(fù)雜度的裝置，這種基于數(shù)據(jù)驅(qū)動和AI的“黑箱”方法在建模難度、診斷精度等方面具有明顯優(yōu)勢，已逐漸在航空、風(fēng)力發(fā)電、重型機(jī)械等領(lǐng)域成為保障裝備可靠性的重要手段[10-12]。隨著電能變換裝置應(yīng)用規(guī)模的增長、拓?fù)鋸?fù)雜度的提高，對其運行數(shù)據(jù)的積累及基于數(shù)據(jù)驅(qū)動和AI的故障診斷研究正日益凸顯價值。

已有研究中，基于數(shù)據(jù)驅(qū)動和AI的電能變換裝置開路故障診斷方法主要分為：將傳統(tǒng)故障特征提取與支持向量機(jī)、淺層神經(jīng)網(wǎng)絡(luò)等相結(jié)合的機(jī)器學(xué)習(xí)方法；依靠深層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法[4]。其中，機(jī)器學(xué)習(xí)方法是在人為提取方差、頻譜峰值、小波能量等信號特征的基礎(chǔ)上，利用機(jī)器學(xué)習(xí)來實現(xiàn)特征-故障模式映射；深度學(xué)習(xí)方法則采用多層神經(jīng)網(wǎng)絡(luò)，在較統(tǒng)一的訓(xùn)練方法下自動實現(xiàn)故障特征提取、故障診斷的完整過程，且往往能利用一些比人工特征診斷能力更優(yōu)的深層抽象特征[13-14]。因此，深度學(xué)習(xí)方法具有更顯著的智能化特點且容易得到更好的診斷結(jié)果。

在與神經(jīng)網(wǎng)絡(luò)有關(guān)的AI算法中，傳統(tǒng)的誤差反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)憑借清晰的多層全連接結(jié)構(gòu)、較快的訓(xùn)練速度被廣泛應(yīng)用。然而，BP網(wǎng)絡(luò)存在“參數(shù)膨脹”和“局部模糊”兩個顯著問題，即：全連接結(jié)構(gòu)中待訓(xùn)練的權(quán)值數(shù)量會隨著網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)量的增加而大幅增加；全連接結(jié)構(gòu)難以深入提取和利用不同樣本中一些存在位移、旋轉(zhuǎn)、縮放等變換的局部特征[15-16]。這使BP網(wǎng)絡(luò)較難構(gòu)建層數(shù)較多的深層網(wǎng)絡(luò)，且網(wǎng)絡(luò)訓(xùn)練容易陷入局部最優(yōu)和產(chǎn)生過擬合,需要進(jìn)行優(yōu)化[17-18]。目前，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)已成為深度學(xué)習(xí)的重要分支，其網(wǎng)絡(luò)各層之間具有“網(wǎng)絡(luò)局部連接”和“卷積核權(quán)值共享”兩個鮮明特點，能夠從改變“全連接”的根本上有效克服“參數(shù)膨脹”“局部模糊”帶來的負(fù)面影響[19-20]。文獻(xiàn)[21]利用CNN對電機(jī)振動信號進(jìn)行處理，研究了一種考慮驅(qū)動速度因素的電機(jī)故障診斷方法，在降低診斷網(wǎng)絡(luò)復(fù)雜度的同時提高了診斷準(zhǔn)確性[21]。文獻(xiàn)[22]利用CNN從感應(yīng)電機(jī)定子電流的頻率分量中提取故障特征，用于軸承故障在線診斷[22]。文獻(xiàn)[23]將列車牽引電機(jī)的定子電流預(yù)處理為灰度圖像，利用CNN全自動地提取特征并對變頻器的IGBT開路進(jìn)行診斷[23]。文獻(xiàn)[24]使用CNN對三相電流進(jìn)行處理，實現(xiàn)了對逆變器中單個IGBT開路的診斷[24]。但是，在基于神經(jīng)網(wǎng)絡(luò)的電能變換裝置開路故障診斷研究中，普遍未充分分析樣本條件對網(wǎng)絡(luò)訓(xùn)練及診斷的影響，而直接使用數(shù)量較多、時長超基波周期的長樣本來保證診斷準(zhǔn)確率[24-25]。這會顯著增加樣本積累難度、硬件開銷及耗時，不利于方法應(yīng)用。

綜上，本文以電能變換裝置中典型的三相兩電平逆變器為代表，將受負(fù)載影響較小的三相脈寬調(diào)制(pulse width modulation，PWM)電壓作為開路故障樣本，著重分析樣本時長、樣本數(shù)量變化時，CNN診斷方法相較于BP網(wǎng)絡(luò)方法在網(wǎng)絡(luò)權(quán)值數(shù)量、網(wǎng)絡(luò)訓(xùn)練穩(wěn)定性、診斷準(zhǔn)確率上的優(yōu)勢，為實際應(yīng)用中樣本條件的選取提供有益參考。

1 三相兩電平逆變器建模仿真與故障樣本生成

1.1 三相兩電平逆變器的Simulink建模

在MATLAB R2020a的仿真環(huán)境Simulink中，基于電氣仿真模塊Specialized Power Systems，搭建了如圖2所示的三相兩電平逆變器模型。主電路拓?fù)渲邪幪枮?#～6#的6個IGBT模塊，采用典型的空間矢量脈寬調(diào)制方式。

圖2 三相兩電平逆變器的Simulink模型及IGBT編號Fig.2 Simulink model and IGBT order of the three-phase two-level inverter

為使模型的運行條件接近真實工況，模型的母線電壓、調(diào)制比、線路雜散電感、濾波及負(fù)載設(shè)置等均參考真實的1 MW逆變器。其中線路雜散電感、濾波等參數(shù)在完成設(shè)置后就成為系統(tǒng)中確定的一部分，不再對不同位置開路時監(jiān)測信號的差異性造成影響。此外，即使考慮長期運行時的參數(shù)退化，以及負(fù)載在一定范圍內(nèi)的變化，它們也不是影響本文所監(jiān)測的三相PWM電壓的關(guān)鍵因素。總之，這些參數(shù)設(shè)置對后文開路診斷方法的建立及效果評價影響較小，因此不再做詳細(xì)討論。考慮到實際傳感器的測量噪聲影響，在模型輸出電壓上疊加了最大幅值約為0.5 V的高斯噪聲。

該模型運行在50 Hz基波頻率、5 kHz開關(guān)頻率工況下。綜合考慮：生成的故障樣本須有效包含反映故障信息的IGBT開關(guān)狀態(tài)，以保證開路診斷的準(zhǔn)確率，此時要求采樣頻率應(yīng)至少大于2倍開關(guān)頻率；在保證足夠信息量的前提下應(yīng)盡可能減少冗余數(shù)據(jù)，從而減小CNN規(guī)模及計算量，即采樣頻率不應(yīng)過大。最終設(shè)置模型采樣頻率為20 kHz，可較好權(quán)衡上述診斷準(zhǔn)確率與計算量之間的矛盾。

模型使用1臺便攜式計算機(jī)進(jìn)行仿真，硬件資源主要包括Intel i7-7700HQ CPU(主頻2.8 GHz)、NVIDIA GeForce GTX 1050Ti GPU、16 GB RAM。未發(fā)生開路故障時，模型采集的一段30 ms三相PWM電壓波形如圖3所示，仿真耗時約為4.5 s，波形符合預(yù)期。

圖3 模型無故障運行時的三相PWM電壓數(shù)據(jù)Fig.3 Three-phase PWM voltage data when the model runs without fault

1.2 開路故障樣本生成

電力電子逆變器通常為指定輸出電壓的電壓源，根據(jù)其工作原理，當(dāng)調(diào)制比、開關(guān)頻率、基波頻率等控制參數(shù)已確定時，逆變器輸出的三相PWM電壓波形也基本固定，使得與三相電流相比，三相PWM電壓受負(fù)載變化的影響較小。在發(fā)生開路故障后，不同開路位置對三相PWM電壓的影響也遠(yuǎn)遠(yuǎn)大于負(fù)載變化的影響，使得PWM電壓能夠清晰地反映開路故障信息。因此，本文利用三相PWM電壓對負(fù)載變化不敏感的優(yōu)勢，將其采集為故障數(shù)據(jù)樣本，用于CNN開路診斷模型的訓(xùn)練及測試。

將模型中不同的IGBT設(shè)置為常斷開，即可模擬不同位置的開路(不同故障模式)并生成故障樣本。單個故障樣本包含兩方面數(shù)據(jù)：①樣本標(biāo)簽，即對應(yīng)故障模式的編碼；②對應(yīng)故障模式下一定時長的三相PWM電壓數(shù)據(jù)。該樣本時長內(nèi)各IGBT均受到多次開關(guān)驅(qū)動作用，由此組合成各種驅(qū)動狀態(tài)并產(chǎn)生不同狀態(tài)下的三相PWM電壓數(shù)據(jù)， 它們共同提供可區(qū)分不同開路故障模式的故障特征。

1.2.1 故障模式分類及樣本標(biāo)簽

考慮到多個IGBT同時發(fā)生開路故障的概率極小，因此僅對單管、雙管故障進(jìn)行研究，加上“無故障”共計有22種故障模式。為了便于編程和神經(jīng)網(wǎng)絡(luò)訓(xùn)練，根據(jù)IGBT編號順序及開路情況將22種故障模式編碼成如圖4所示長度為6的布爾向量。

圖4 三相兩電平逆變器開路故障的編碼規(guī)則Fig.4 Open-circuit fault coding rule of the three-phase two-level inverter

22種故障模式的標(biāo)準(zhǔn)編碼如表1所示，即不同故障模式所對應(yīng)樣本的樣本標(biāo)簽，將被用作CNN診斷模型訓(xùn)練時網(wǎng)絡(luò)的標(biāo)準(zhǔn)輸出。

表1 22種故障模式的樣本標(biāo)簽

1.2.2 仿真樣本生成及預(yù)處理

根據(jù)表1中各類故障模式，在圖2所示模型中設(shè)置相應(yīng)IGBT為常斷開，隨后仿真獲取相應(yīng)故障模式下的三相PWM電壓樣本。為了較好權(quán)衡診斷準(zhǔn)確率與計算量之間的矛盾，設(shè)置采樣頻率為20 kHz，即4倍于5 kHz的開關(guān)頻率(具體參見1.1節(jié))。為了使樣本具有一般性，設(shè)置每條樣本的初始相位為隨機(jī)。每種故障模式保存350個20 ms(單基波周期)樣本，后續(xù)通過樣本抽取及截斷來分析樣本時長、數(shù)量對CNN訓(xùn)練及診斷效果的影響。

對于單個樣本，預(yù)處理時首先將三相數(shù)據(jù)序列并列組合為二維矩陣，以便于CNN對存在于三相電壓局部差異中的大量故障細(xì)節(jié)信息進(jìn)行卷積提取；然后，根據(jù)式(1)將矩陣元素歸一化至[-1,1]范圍，有利于避免網(wǎng)絡(luò)權(quán)值過小和神經(jīng)元飽和等數(shù)值問題、加速網(wǎng)絡(luò)訓(xùn)練的收斂、提高網(wǎng)絡(luò)在工況改變時的泛化能力。

(1)

其中，Dnor為對樣本D進(jìn)行歸一化后得到的樣本，|d|max為樣本D中絕對值最大的元素。如圖5所示，經(jīng)上述預(yù)處理后，單個樣本可被近似看作一幅像素為L×3的灰度圖像，L為樣本時長所對應(yīng)的單相采樣點數(shù)。

(a) 無故障(a) Normal

2 基于CNN的逆變器開路故障診斷方法

2.1 CNN診斷方法的建立流程

CNN及其他神經(jīng)網(wǎng)絡(luò)故障診斷方法的建立均參照圖6所示流程，可大致分為網(wǎng)絡(luò)訓(xùn)練和網(wǎng)絡(luò)測試兩個部分。首先將樣本按一定比例分組為訓(xùn)練集、測試集。訓(xùn)練時，將訓(xùn)練集中的電壓數(shù)據(jù)樣本逐個輸入搭建的神經(jīng)網(wǎng)絡(luò)，以網(wǎng)絡(luò)輸出與對應(yīng)樣本標(biāo)簽之間的誤差最小化(損失函數(shù)值最小)為目標(biāo)，對網(wǎng)絡(luò)各連接權(quán)重及閾值進(jìn)行迭代更新。網(wǎng)絡(luò)被訓(xùn)練后，將測試集中的電壓數(shù)據(jù)樣本(對網(wǎng)絡(luò)而言是未知樣本)逐條輸入網(wǎng)絡(luò)，隨后將輸出歸類到最接近的樣本標(biāo)簽，對歸類標(biāo)簽與樣本實際標(biāo)簽進(jìn)行對比分析，進(jìn)而評估網(wǎng)絡(luò)的診斷能力是否滿足需求。若滿足，即完成診斷模型的建立；若未滿足，則對網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)、激活函數(shù)等超參數(shù)進(jìn)行優(yōu)化調(diào)整，并重復(fù)網(wǎng)絡(luò)訓(xùn)練、測試流程。

圖6 神經(jīng)網(wǎng)絡(luò)故障診斷方法的建立流程Fig.6 Establishment process of neural network-based fault diagnosis methods

上述方法流程的目標(biāo)是使網(wǎng)絡(luò)能自動提取和利用樣本的故障特征，進(jìn)而形成由樣本中的電壓數(shù)據(jù)向樣本標(biāo)簽映射的能力，實現(xiàn)故障診斷。

2.2 CNN構(gòu)建及訓(xùn)練

基于BP網(wǎng)絡(luò)或CNN的方法均遵循圖6所示流程，并使用如圖7(a)所示的同種M-P神經(jīng)元模型，其區(qū)別主要體現(xiàn)在神經(jīng)元不同的層間連接方式，如圖7(b)、圖7(c)所示。

單個M-P神經(jīng)元的輸入輸出關(guān)系可表示為：

(2)

式中，f(·)為神經(jīng)元的激活函數(shù)，wi為神經(jīng)元第i個輸入的連接權(quán)重，θ為神經(jīng)元的閾值，這些權(quán)重和閾值即為網(wǎng)絡(luò)的待訓(xùn)練權(quán)值。

(a) M-P神經(jīng)元模型(a) M-P neuron model

可以看出，對于圖7(b)中BP網(wǎng)絡(luò)的全連接結(jié)構(gòu)而言，待訓(xùn)練的權(quán)值數(shù)量會隨著網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)量的增加而大幅增加。CNN中則大量采用與如圖7(c)所示的卷積層、池化層相配合的結(jié)構(gòu)。卷積層中的每個神經(jīng)元通過由卷積核(一組連接權(quán)值)構(gòu)成的濾波器與前一層的局部區(qū)域連接，濾波器可視作按一定步長滑動從而提取不同區(qū)域的局部特征，即網(wǎng)絡(luò)局部連接；可使用多個濾波器來加深信息提取的深度，但每個濾波器的卷積核保持不變，即卷積核權(quán)值共享。池化層中的元素一般取上一層的局部最大值或均值，可壓縮神經(jīng)元數(shù)量并增強(qiáng)網(wǎng)絡(luò)的泛化能力。CNN的“網(wǎng)絡(luò)局部連接”“卷積核權(quán)值共享”及池化層的使用，使網(wǎng)絡(luò)可在大幅縮減待訓(xùn)練權(quán)值的條件下，對樣本局部特征進(jìn)行深度提取，并改善網(wǎng)絡(luò)訓(xùn)練的“局部最優(yōu)”及“過擬合”問題[21]。

由于三相PWM電壓之間的相對差異是故障診斷的重要依據(jù)，因此自然做法是在某一算子支持下對三相數(shù)據(jù)進(jìn)行逐段的局部對比，進(jìn)而從局部差異中提取出大量的故障細(xì)節(jié)信息。這一過程符合CNN的“網(wǎng)絡(luò)局部連接”“卷積核權(quán)值共享”特點，使CNN有望實現(xiàn)較好的診斷效果。對適合較小規(guī)模問題的LeNet-5網(wǎng)絡(luò)模型進(jìn)行了適應(yīng)性優(yōu)化，作為本文的CNN結(jié)構(gòu)，同時建立BP網(wǎng)絡(luò)用于對比，如表2所示。兩種網(wǎng)絡(luò)結(jié)構(gòu)均是多次測試后的擇優(yōu)結(jié)果。

即先上后下，先高后低，先粗后細(xì)：（1）載物臺的高度從上往下調(diào)節(jié)，可避免壓碎載玻片；（2）物鏡頭轉(zhuǎn)換先低倍鏡后高倍鏡，便于定位目標(biāo)；（3）先用粗調(diào)節(jié)螺旋找到大致的焦點范圍，再用細(xì)調(diào)節(jié)螺旋調(diào)節(jié)清晰的物像。

表2中的各隱藏層普遍采用ReLU激活函數(shù)，有利于加速訓(xùn)練收斂和改善“過擬合”問題[26]；輸出層采用Sigmoid激活函數(shù)，促使網(wǎng)絡(luò)輸出較好逼近與樣本標(biāo)簽相對應(yīng)的0、1布爾值。CNN由卷積層、池化層完成局部特征提取后，仍使用全連接層來完成特征-樣本標(biāo)簽映射，但其規(guī)模已遠(yuǎn)遠(yuǎn)小于BP網(wǎng)絡(luò)中的全連接層，可有效避免權(quán)值過多問題。

表2 CNN與BP網(wǎng)絡(luò)的主要結(jié)構(gòu)參數(shù)對比

網(wǎng)絡(luò)訓(xùn)練時，樣本時長分別取2 ms，4 ms，…，20 ms，各故障模式的樣本個數(shù)分別取20，40，…，300，以分析樣本時長、訓(xùn)練樣本數(shù)量對訓(xùn)練及診斷的影響；測試集中各故障模式取40個樣本，用于評估診斷效果。網(wǎng)絡(luò)訓(xùn)練采用自適應(yīng)性優(yōu)化器Adam[27]，損失函數(shù)為均方誤差(mean square error，MSE)。此外，設(shè)置批訓(xùn)練樣本量Batch Size為40，在本文條件下可取得較好的網(wǎng)絡(luò)訓(xùn)練收斂速度及收斂穩(wěn)定性；訓(xùn)練停止條件為“近5輪訓(xùn)練的損失函數(shù)不再下降”，可較好權(quán)衡欠擬合、過擬合問題。該CNN模型基于Python 3.8.5和TensorFlow-GPU 2.4.0深度學(xué)習(xí)框架搭建，使用便攜式計算機(jī)的NVIDIA GeForce GTX 1050Ti GPU進(jìn)行訓(xùn)練和推理。經(jīng)測試，樣本時長10 ms、各故障模式訓(xùn)練樣本數(shù)為160時，上述CNN模型訓(xùn)練耗時約30 s，單樣本推理耗時約0.14 ms。

圖8對比了不同時長樣本輸入時CNN、BP網(wǎng)絡(luò)的待訓(xùn)練權(quán)值數(shù)量，以及同條件多次訓(xùn)練中損失函數(shù)值的變化情況(樣本時長10 ms、各故障模式訓(xùn)練樣本數(shù)160)。可見，CNN在網(wǎng)絡(luò)層數(shù)更多(深度更深)的情況下，其權(quán)值數(shù)量卻遠(yuǎn)少于BP網(wǎng)絡(luò)，例如當(dāng)樣本時長為20 ms時，BP網(wǎng)絡(luò)的權(quán)值數(shù)量為256 766，而CNN的權(quán)值數(shù)量僅為40 822。訓(xùn)練中的損失函數(shù)值變化反映了訓(xùn)練過程收斂于全局最優(yōu)解的趨勢，可見CNN的收斂速度顯著快于BP網(wǎng)絡(luò)，且CNN可較穩(wěn)定地收斂于較小的損失函數(shù)值，即CNN訓(xùn)練更容易接近全局最優(yōu)解。

(a) 權(quán)值數(shù)量對比(a) Comparison of weight number

2.3 網(wǎng)絡(luò)輸出結(jié)果的故障模式歸類器設(shè)計

將一個測試樣本輸入上述CNN、BP網(wǎng)絡(luò)后，網(wǎng)絡(luò)輸出的6維向量處于(0,1)區(qū)間內(nèi)，尚未與表1中的樣本標(biāo)簽一一對應(yīng)。為此，按式(3)對輸出向量與各標(biāo)簽之間的歐氏距離進(jìn)行計算，以距離最小作為判斷標(biāo)準(zhǔn)將輸出向量歸類至對應(yīng)標(biāo)簽，從而實現(xiàn)故障模式診斷。

(3)

式中，a1，a2，…，aN為輸出向量A中的元素；b1，b2，…，bN為某一標(biāo)簽B中的元素。歸類器在完成輸出歸類的同時，也使診斷過程具備了一定的容錯能力。

完成上述CNN診斷模型訓(xùn)練及故障模式歸類器設(shè)計后，單次診斷過程如圖9所示(以1#IGBT開路為例)，主要包括三相PWM電壓采集及歸一化、CNN診斷模型推理、故障模式歸類三個環(huán)節(jié)。

圖9 單次開路故障診斷過程示例Fig.9 An example of open-circuit fault diagnosis

3 結(jié)果分析

在不同樣本時長、訓(xùn)練樣本數(shù)量條件下進(jìn)行CNN、BP網(wǎng)絡(luò)的訓(xùn)練及診斷測試對比。

3.1 評價指標(biāo)

使用訓(xùn)練結(jié)束時的損失函數(shù)值Lfinal、診斷準(zhǔn)確率Drate作為評價指標(biāo)。Lfinal越小，表明訓(xùn)練使網(wǎng)絡(luò)越準(zhǔn)確地提取和利用了訓(xùn)練樣本中的故障特征；Drate越高，表明訓(xùn)練后的網(wǎng)絡(luò)對測試樣本具有越強(qiáng)的診斷能力。

圖10為某次訓(xùn)練后(樣本時長10 ms、各故障模式訓(xùn)練樣本數(shù)160)CNN、BP網(wǎng)絡(luò)在測試集上的診斷結(jié)果分布圖。

圖10 CNN與BP網(wǎng)絡(luò)在一次訓(xùn)練后的診斷結(jié)果分布Fig.10 Distribution of diagnosis results of CNN and BP network after a training

可以看出，在總計880個測試樣本中，BP對17個樣本診斷有誤，CNN對3個樣本診斷有誤。根據(jù)診斷分布結(jié)果，由式(4)對診斷準(zhǔn)確率進(jìn)行計算。

(4)

式中，Nc為測試中被正確判斷及定位的開路故障數(shù)量，Na為測試樣本中的開路故障總數(shù)。在同一樣本時長、訓(xùn)練樣本數(shù)量條件下，后續(xù)均對網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練，記錄如圖11所示的多個Lfinal和Drate(圖中重復(fù)30次)，再計算均值以體現(xiàn)結(jié)果的一般性。可以看出，與BP網(wǎng)絡(luò)相比，CNN在該條件下的Lfinal普遍較小、Drate普遍較高，且數(shù)值波動較小，表明CNN可更有效提取和利用訓(xùn)練樣本中的故障特征，實現(xiàn)更準(zhǔn)確且穩(wěn)定的診斷。

(a) 30次訓(xùn)練及測試的Lfinal對比(a) Comparison of Lfinal in 30 training and diagnoses

3.2 不同樣本時長下CNN與BP網(wǎng)絡(luò)的結(jié)果對比

圖12為各類故障模式的訓(xùn)練樣本數(shù)為160，樣本時長分別取2 ms，4 ms，…，20 ms時，CNN與BP網(wǎng)絡(luò)Lfinal和Drate的變化趨勢，圖中每個數(shù)據(jù)點均為5次訓(xùn)練及測試后的平均結(jié)果。可以看出，Lfinal隨樣本時長的增加總體呈減小趨勢，Drate則隨樣本時長的增加總體呈上升趨勢，這表明增加樣本長度總體有利于改善網(wǎng)絡(luò)的訓(xùn)練及診斷效果，這是因為較長的樣本中包含了更充分的故障信息。此外，CNN的Lfinal比BP網(wǎng)絡(luò)整體較小、Drate整體較高，且隨著樣本時長的增加更快收斂至較優(yōu)值，這意味著CNN方法可在樣本較短(網(wǎng)絡(luò)權(quán)值亦較少)時取得相同的診斷精度，實現(xiàn)更高的診斷效率。具體而言，CNN在樣本時長為4 ms時就達(dá)到了99.21%的診斷準(zhǔn)確率(文中診斷準(zhǔn)確率的計算方法如式(4)所示)。

(a) 不同樣本時長下的Lfinal對比(a) Comparison of Lfinal under different sample durations

3.3 不同訓(xùn)練樣本數(shù)量下CNN與BP網(wǎng)絡(luò)的結(jié)果對比

圖13是樣本時長為10 ms(半基波周期)，各故障模式的訓(xùn)練樣本數(shù)分別取20，40，…，300時，CNN與BP網(wǎng)絡(luò)Lfinal和Drate的變化趨勢，圖中每個數(shù)據(jù)點均為5次訓(xùn)練及測試后的平均結(jié)果。可以看出，Lfinal隨訓(xùn)練樣本數(shù)量的增加總體呈減小趨勢，Drate則隨訓(xùn)練樣本數(shù)量的增加總體呈上升趨勢，這表明增加訓(xùn)練樣本數(shù)量有利于改善網(wǎng)絡(luò)的訓(xùn)練及診斷效果，這是因為較多的訓(xùn)練樣本可為網(wǎng)絡(luò)訓(xùn)練提供更豐富和全面的故障信息。此外， CNN與BP網(wǎng)絡(luò)相比，Lfinal整體較小、Drate整體較高，當(dāng)訓(xùn)練樣本數(shù)較少時優(yōu)勢十分顯著，且隨著訓(xùn)練樣本數(shù)量的增加更快收斂至較優(yōu)值，這意味著CNN方法可在明顯較少樣本的支持下得到相同的診斷精度，從而顯著降低應(yīng)用中對實際故障樣本的積累要求并縮短網(wǎng)絡(luò)訓(xùn)練時間。具體而言，CNN在各類故障模式的訓(xùn)練樣本數(shù)量為40時就可達(dá)到99.82%的診斷準(zhǔn)確率。

(a) 不同訓(xùn)練樣本數(shù)量下的Lfinal對比(a) Comparison of Lfinal under different training sample numbers

4 結(jié)論

本文以電能變換裝置開路故障的智能診斷需求為牽引，針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法存在的“參數(shù)膨脹”“局部模糊”問題，研究了基于CNN的開路故障診斷方法，并以三相兩電平逆變器為代表，著重開展了不同樣本時長、訓(xùn)練樣本數(shù)量條件下的方法仿真對比及驗證。結(jié)果表明，利用CNN“網(wǎng)絡(luò)局部連接”“卷積核權(quán)值共享”等特點，可建立比BP網(wǎng)絡(luò)權(quán)值更少、深度更深的深度學(xué)習(xí)網(wǎng)絡(luò)模型，使診斷網(wǎng)絡(luò)具備權(quán)值少、訓(xùn)練收斂快、穩(wěn)定性強(qiáng)、診斷準(zhǔn)確率高等優(yōu)勢。對于本文的三相兩電平逆變拓?fù)涠裕?dāng)各類故障模式的訓(xùn)練樣本數(shù)為160時，基于CNN的診斷方法僅需4 ms樣本時長就達(dá)到99.21%的診斷準(zhǔn)確率；當(dāng)樣本時長為10 ms時，各類故障模式只需40個訓(xùn)練樣本就達(dá)到99.82%的診斷準(zhǔn)確率。本文的樣本條件分析過程及相關(guān)結(jié)果可為實際應(yīng)用中合理確定樣本條件，從而為提高神經(jīng)網(wǎng)絡(luò)診斷模型的訓(xùn)練及診斷效率提供有益參考。

下一步計劃結(jié)合實驗裝置搭建，進(jìn)行實機(jī)環(huán)境下充分考慮噪聲、線路雜散參數(shù)、多類故障耦合等干擾因素的診斷方法優(yōu)化，同時綜合考慮AI終端硬件的計算能力、診斷準(zhǔn)確率等因素，研究在線診斷時樣本時長、采樣率的最優(yōu)選擇策略，從而進(jìn)一步提高方法的魯棒性和工程適應(yīng)性。