申请/专利权人：兰州理工大学

申请日：2024-01-26

公开（公告）日：2024-04-12

公开（公告）号：CN117872020A

主分类号：G01R31/00

分类号：G01R31/00;G06F18/213;G06F18/24;G06F18/25;G06N3/0464;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：基于轻量级Shuffle‑SimAM网络级联H桥变流器故障诊断方法，针对级联H桥多电平变流器不同功率器件故障特征相似度高、传统故障诊断特征提取不全和分类器选取困难问题，将深度可分离卷积引入ShuffleNet，建立并行网络模型，在保持网络性能的情况下减少参数量和计算量。利用小波变换后的电压与电流图像数据作为输入，并在网络内部构建基于SimAM无参数注意力机制的特征融合模块，有效增强对相似故障特征的提取能力。最后，将特征融合模块所提取的故障特征经完整卷积操作依次递进，通过softmax层进行分类。实验结果表明，所提方法在保持较高诊断准确率的同时有效降低了模型的复杂度。

主权项：1.基于轻量级Shuffle-SimAM网络级联H桥变流器故障诊断方法，所涉及的级联H桥变流器中H桥单元直流侧电压Udc由铅酸电池、或锂电池、或超级电容储能单元端电压提供，或由光伏电池、或整流桥电路、或直流斩波电路提供，所有H桥单元交流侧依次串联连接后经滤波器L滤波器、或LC滤波器、或LCL滤波再和负载或电网连接，其特征在于其步骤为：第1步：采集n个基波周期的级联H桥变流器滤波前输出的三相多电平相电压Vx和滤波后的三相负载电流Ix、或三相并网电流Isx共6个传感器波形数据，n为正整数，1≤n10，x＝a,b,c，用小波时频变换方法将所采集到的波形数据转化为二维图像，小波时频变换具体流程如下所示：分步骤1-1选择小波基函数ψa,τt及其尺度参数a，即： 其中τ为平移参数，ψt为母小波函数，t表示时间变量，a＞0；分步骤1-2从信号起始位置开始，将小波基函数和原始信号ft比较，计算小波系数WTfa,τ： 式中ψ*t为ψt的复共轭函数；分步骤1-3沿时间轴移动小波基函数，改变平移参数τ,在新的位置计算小波系数，直至信号ft结束，完成第一次分析；分步骤1-4改变尺度参数a，重复流程分步骤1-2、分步骤1-3进行第二次分析；分步骤1-5循环执行上述四个分步骤，直至满足分析要求为止；第2步：以ShuffleNet网络为基础，建立并行网络模型，将第1步转换得来的各个传感器图像数据分别输入各自的ShuffleNet网络中，初步识别特征图像；第3步：设计注意力特征融合模块，对第2步并行网络各层级所提取出的隐藏层特征后引入SimAM注意力机制，将经过注意力机制得到的相同维度特征图按元素相加，并进行空间维度的全局平均池化，获取其通道注意力信息，采用全连接层进行线性变换并进行softmax处理，根据注意力得分对特征图进行加权和融合，得到融合增强特征，其SimAM注意力机制流程如下所示：分步骤3-1定义最小能量函数： 其中t为单一通道中输入特征的目标神经元，和分别代表除t之外神经元的均值和方差，xi为单一通道中输入特征的相邻神经元，M表示每个通道有M个能量函数，λ为超参数；分步骤3-2能量函数越小，目标神经元与相邻神经元的差异越大，对故障分类越重要，因此，神经元重要性通过1e*得到，e*为最小能量函数，并对特征进行增强处理： 其中X为输入的特征，E是将所有通道和空间维度中的能量函数进行分类，用sigmoid函数限制E中较大的值；第4步：将第3步得到的各层级注意力特征融合模块通过完整卷积操作依次递进，最后的增强特征作为最终的分类特征，将分类特征拟和到全连接层并在Softmax层进行分类，得到故障诊断结果。

全文数据：

权利要求：

百度查询： 兰州理工大学 基于轻量级Shuffle-SimAM网络级联H桥变流器故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD