论文部分内容阅读
当前,基于传统方法的逆变器故障诊断技术存在提取特征不足和冗余信息多的问题,导致诊断准确率不高,并且大数据信息时代带给信号处理技术的难题日益增多,尤其针对逆变器复杂故障,建立在传统奈奎斯特采样定理的信号采样方法逐渐不再适用。因此将CS(Compressed Sensing,压缩感知)采样方法结合CNN(Convolution Neural Network,卷积神经网络)诊断方法应用于大数据复杂逆变器故障诊断研究将有效解决传统方法难以应对的大数据信息存储和传输压力,同时实现特征提取自适应和故障诊断一体化,为提高逆变器复杂故障诊断技术的高准确率和智能化具有重要的研究意义。首先,搭建逆变器仿真模型,仿真逆变器IGBT管三管及以下开路故障的所有输出电压波形,获得不同电压等级和负载功率下的多种逆变器正常运行及故障电压波形,选择表征信号特征量更多的三相输出电压为研究信号参量。然后,设计CS理论的稀疏矩阵,对正交傅里叶稀疏基添加延时和扩展因子使其变为非正交的延扩傅里叶稀疏基,并通过Matlab仿真软件验证其稀疏性能和重构性能。接着,利用仿真软件建立大容量逆变器故障及正常运行的输出电压样本集,以Tensorflow软件设计适用于逆变器电压信号样本特征的CNN模型,通过实验获得基于CNN网络的逆变器故障诊断效果。实验表明,CNN网络在逆变器故障诊断研究应用中,实现了自适应智能化特征提取和故障类型识别,故障诊断率较小波变换结合BP神经网络方法明显提高,但模型训练时间和样本成本成倍增加。为进一步提高故障诊断率,设计Arc-CNN模型(Adaptive Regularization Coefficient Convolution Neural Network,自适应正则化系数卷积神经网络),该模型依据每轮迭代损失函数梯度下降值对正则化系数λ做自适应调整,并通过实验验证该方法的可行性和有效性。最后,利用延扩傅里叶稀疏基的CS信号处理方法对逆变器故障及无故障三相电压信号样本进行压缩降维,组成具有新特征量和数据维度的样本输入CNN网络,以CS-CNN(Compressed Sensing Convolutional Neural Network,压缩感知卷积神经网络)模型进行逆变器故障诊断实验。实验表明,相比基于原始信号CNN、Arc-CNN模型,CS-CNN模型在适当降低CNN结构和参数要求基础上,提高故障特征全面深层的学习及提取能力,加快模型收敛速度,减少模型训练时间,最终将诊断准确率提高至99.82%。