本發(fā)明屬于變流器故障診斷領(lǐng)域，尤其涉及一種基于邊緣ai的牽引變流器多故障智能診斷方法。

背景技術(shù)：

1、多電平變流器具有器件電壓應(yīng)力低、電流諧波含量低、效率高等優(yōu)勢，被廣泛應(yīng)用于中壓大功率電能變換領(lǐng)域，如高壓直流輸電、交流電機(jī)傳動(dòng)等。在多電平變流器拓?fù)渲校娖接性粗悬c(diǎn)箝位型(anpc)拓?fù)湟蚱渚哂袚p耗分布均勻和容錯(cuò)能力強(qiáng)的特點(diǎn)，在高效電機(jī)驅(qū)動(dòng)應(yīng)用中具有廣闊的應(yīng)用前景。然而，隨著功率開關(guān)管數(shù)量的增加，變流器中開關(guān)管故障的風(fēng)險(xiǎn)也大大增加。開關(guān)管故障通常分為短路故障和開路故障。由于短路故障通常會(huì)導(dǎo)致系統(tǒng)產(chǎn)生異常的過流，因此可以通過硬件保護(hù)進(jìn)行檢測和隔離。另外，開路故障引起的電流和電壓畸變并不像短路故障那樣明顯，這使得故障診斷更加困難，如果不能及時(shí)檢測和隔離開路故障，將會(huì)對(duì)驅(qū)動(dòng)系統(tǒng)造成二次損壞和更高的維修成本。因此，針對(duì)三電平anpc變流器的開路故障，亟需設(shè)計(jì)一個(gè)快速且準(zhǔn)確的故障診斷策略，以提高電機(jī)驅(qū)動(dòng)系統(tǒng)的穩(wěn)定性和安全性。

2、目前，變流器開路故障的診斷策略可以大致分為基于模型、基于信號(hào)和基于數(shù)據(jù)驅(qū)動(dòng)的方法?；谀Ｐ偷姆椒ň哂休^高的通用性，但其實(shí)現(xiàn)依賴于精確的系統(tǒng)模型，這可能會(huì)受到參數(shù)的不確定性以及擴(kuò)展性差的限制?；谛盘?hào)的方法不需要精確的數(shù)學(xué)模型，但對(duì)負(fù)載的變化較為敏感，同時(shí)計(jì)算負(fù)擔(dān)大。為解決上述方法的缺點(diǎn)，數(shù)據(jù)驅(qū)動(dòng)的方法利用大量的歷史數(shù)據(jù)來提取故障特征，能夠簡單、高效地實(shí)現(xiàn)故障診斷。

3、隨著機(jī)器學(xué)習(xí)的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)的方法已被成功應(yīng)用于變流器的故障診斷，但目前大部分診斷策略是離線實(shí)現(xiàn)的。為了實(shí)現(xiàn)在線故障診斷，可以將離線訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)部署到邊緣設(shè)備中，以便快速準(zhǔn)確地進(jìn)行實(shí)時(shí)推理和在線診斷。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種基于邊緣ai的牽引變流器多故障智能診斷方法。

2、本發(fā)明的一種基于邊緣ai的牽引變流器多故障智能診斷方法，包括以下步驟：

3、步驟1：數(shù)據(jù)集的構(gòu)建。

4、建立三電平有源中點(diǎn)箝位型anpc變流器數(shù)饋電的永磁電機(jī)驅(qū)動(dòng)系統(tǒng)數(shù)學(xué)模型，在matlab/simulink環(huán)境下，搭建三電平有源中點(diǎn)箝位型anpc變流器饋電的永磁電機(jī)控制系統(tǒng)仿真模型，模擬三電平anpc變流器單開關(guān)管開路和多開關(guān)管開路等多故障模式，獲取正常模式和故障模式下的三相電流信號(hào)、中點(diǎn)電壓信號(hào)和轉(zhuǎn)速信號(hào)組成原始數(shù)據(jù)集，并進(jìn)行標(biāo)簽，用于后續(xù)的網(wǎng)絡(luò)訓(xùn)練和測試。

5、步驟2：對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

6、首先，將采集到數(shù)據(jù)進(jìn)行多源多維信息融合，具體來說，將三相電流、dq軸電流、中點(diǎn)誤差以及轉(zhuǎn)速七類信號(hào)融合成一個(gè)二維特征圖，從而提高模型提取特征效率；隨后，再對(duì)數(shù)據(jù)進(jìn)行[-1，1]范圍內(nèi)的歸一化處理，消除工況變化對(duì)診斷性能的影響，生成數(shù)據(jù)樣本；接著，按照一定的比例將數(shù)據(jù)樣本劃分為訓(xùn)練集、交叉驗(yàn)證集和測試集，分別用于訓(xùn)練、網(wǎng)絡(luò)參數(shù)設(shè)計(jì)和評(píng)估網(wǎng)絡(luò)性能。

7、步驟3：構(gòu)建二維卷積神經(jīng)網(wǎng)絡(luò)模型，并利用建立的數(shù)據(jù)集進(jìn)行離線訓(xùn)練；將劃分好的訓(xùn)練集和交叉驗(yàn)證集輸入到網(wǎng)絡(luò)中，根據(jù)adamw(adam?with?decoupled?weightdecay，adamw)訓(xùn)練算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和評(píng)估，以交叉熵?fù)p失函數(shù)作為評(píng)價(jià)指標(biāo)，選取最優(yōu)網(wǎng)絡(luò)參數(shù)，最后利用測試集來驗(yàn)證訓(xùn)練后網(wǎng)絡(luò)的泛化能力。

8、步驟4：輕量化設(shè)計(jì)和邊緣部署。

9、將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型轉(zhuǎn)換為onnx模型(open?neural?network?exchange，onnx)，onnx是一種開放式的文件格式，用于存儲(chǔ)和交換訓(xùn)練好的機(jī)器學(xué)習(xí)模型。它使得不同的人工智能框架(如pytorch、tensorflow)可以共享模型，促進(jìn)了模型在不同平臺(tái)之間的遷移和復(fù)用。并用tensorrt對(duì)其進(jìn)行輕量化設(shè)計(jì)；隨后將輕量級(jí)網(wǎng)絡(luò)部署到邊緣設(shè)備(gpu)中，實(shí)現(xiàn)不同工況下變流器開路故障的實(shí)時(shí)診斷，并設(shè)計(jì)診斷閾值防止誤診斷，提高診斷的準(zhǔn)確性。

10、進(jìn)一步的，步驟1中多故障模式既包括單個(gè)模塊開路故障，也包括兩個(gè)模塊開路故障，因此共有9種單個(gè)模塊開路故障以及36種(即)兩個(gè)功率模塊的開路故障。

11、進(jìn)一步的，步驟2中訓(xùn)練集、交叉驗(yàn)證集和測試集分別為70％、15％和15％。

12、進(jìn)一步的，步驟3中二維卷積神經(jīng)網(wǎng)絡(luò)由四個(gè)卷積模塊、一個(gè)扁平層和一個(gè)全連接層組成；其中，卷積模塊的框架由卷積層、批歸一化層、激活層和最大池化層組成，其中卷積層提取輸入層的特征，批歸一化層對(duì)卷積層的輸出進(jìn)行標(biāo)準(zhǔn)化，以提高二維卷積神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性，激活層使卷積層能夠進(jìn)行非線性特征提?。蛔畲蟪鼗瘜訙p小了特征映射的大小，以消除冗余信息；扁平層和全連接層將提取的特征轉(zhuǎn)換為分類結(jié)果，然后將這些結(jié)果傳到輸出層。

13、本發(fā)明與現(xiàn)有技術(shù)相比的有益技術(shù)效果為：

14、(1)本發(fā)明所提出的診斷方法利用pytorch深度學(xué)習(xí)開發(fā)工具構(gòu)建二維卷積神經(jīng)網(wǎng)絡(luò)，通過前向傳播與adamw反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在邊緣部署前，利用tensorrt完成了二維卷積神經(jīng)網(wǎng)絡(luò)的輕量級(jí)設(shè)計(jì)，從而顯著減小網(wǎng)絡(luò)參數(shù)大小，并且輕量級(jí)模型的計(jì)算需求僅為原訓(xùn)練網(wǎng)絡(luò)的5％，提高了計(jì)算效率，降低邊緣部署成本，加快了診斷速度。

15、(2)本發(fā)明將采集的電氣信號(hào)和機(jī)械信號(hào)集成到二維卷積神經(jīng)網(wǎng)絡(luò)專用的特征圖中，實(shí)現(xiàn)多源多維信息融合，以提高故障特征提取的有效性和全面性，進(jìn)一步提高診斷精度。

16、(3)本發(fā)明屬于數(shù)據(jù)驅(qū)動(dòng)方法，不會(huì)受到傳統(tǒng)方法中數(shù)學(xué)模型和先驗(yàn)知識(shí)的限制，利用訓(xùn)練好的網(wǎng)絡(luò)和實(shí)時(shí)運(yùn)行數(shù)據(jù)對(duì)故障進(jìn)行定位和辨識(shí)，方法簡單，對(duì)工況變化具有魯棒性。此外，本發(fā)明具有通用性，當(dāng)歷史數(shù)據(jù)庫涵蓋其他不同的變流器故障數(shù)據(jù)時(shí)，本發(fā)明方法依舊有效。

17、(4)本發(fā)明將輕量級(jí)的二維卷積網(wǎng)絡(luò)部署到邊緣設(shè)備中，實(shí)現(xiàn)對(duì)三電平anpc變流器中單個(gè)和多個(gè)開關(guān)管開路故障的實(shí)時(shí)診斷。并通過實(shí)驗(yàn)全面驗(yàn)證了所提出的在線診斷和誤診預(yù)防策略的可行性。同時(shí)，實(shí)驗(yàn)結(jié)果證明了該方法在不同工況下故障診斷的有效性和優(yōu)越性。

技術(shù)特征：

1.一種基于邊緣ai的牽引變流器多故障智能診斷方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求2所述的三電平anpc變流器單開關(guān)管開路和多開關(guān)管開路等多故障模式，其特征在于，所述步驟1中多故障模式既包括單個(gè)模塊開路故障，也包括兩個(gè)模塊開路故障，因此共有9種單個(gè)模塊開路故障以及36種兩個(gè)功率模塊的開路故障。

3.根據(jù)權(quán)利要求1所述的一種基于邊緣ai的牽引變流器多故障智能診斷方法，其特征在于，所述步驟2中訓(xùn)練集、交叉驗(yàn)證集和測試集分別為70％、15％和15％。

4.根據(jù)權(quán)利要求1所述的一種基于邊緣ai的牽引變流器多故障智能診斷方法，其特征在于，所述步驟3中二維卷積神經(jīng)網(wǎng)絡(luò)由四個(gè)卷積模塊、一個(gè)扁平層和一個(gè)全連接層組成；其中，卷積模塊的框架由卷積層、批歸一化層、激活層和最大池化層組成，卷積層提取輸入層的特征，批歸一化層對(duì)卷積層的輸出進(jìn)行標(biāo)準(zhǔn)化，以提高二維卷積神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性，激活層使卷積層能夠進(jìn)行非線性特征提??；最大池化層減小了特征映射的大小，以消除冗余信息；扁平層和全連接層將提取的特征轉(zhuǎn)換為分類結(jié)果，然后將這些結(jié)果傳到輸出層。

技術(shù)總結(jié)
本發(fā)明公開了一種基于邊緣AI的牽引變流器多故障智能診斷方法，包括以下步驟：建立永磁電機(jī)數(shù)學(xué)模型和三電平有源中點(diǎn)箝位型變流器數(shù)學(xué)模型，對(duì)三電平ANPC變流器饋電的永磁電機(jī)控制系統(tǒng)進(jìn)行仿真和實(shí)驗(yàn)，采集三相電流信號(hào)、中點(diǎn)電壓信號(hào)和轉(zhuǎn)速信號(hào)組成原始數(shù)據(jù)集；對(duì)仿真和實(shí)驗(yàn)數(shù)據(jù)進(jìn)行多源多維信息融合和歸一化，劃分訓(xùn)練集、交叉驗(yàn)證集和測試集；構(gòu)建二維卷積神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行離線訓(xùn)練；對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型輕量化設(shè)計(jì)和邊緣部署，實(shí)現(xiàn)不同工況下變流器多故障模式的實(shí)時(shí)診斷。本發(fā)明通過網(wǎng)絡(luò)模型的輕量化設(shè)計(jì)提高了邊緣計(jì)算效率，可實(shí)現(xiàn)多故障的智能診斷，具有較高的診斷精度與診斷速度。

技術(shù)研發(fā)人員：徐帥,姚春醒,吳思佳,馬光同
受保護(hù)的技術(shù)使用者：西南交通大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2