申请/专利权人：电子科技大学

申请日：2024-02-20

公开（公告）日：2024-05-17

公开（公告）号：CN118050580A

主分类号：G01R31/00

分类号：G01R31/00;G01R31/54;G06F18/241;G06F18/214;G06F18/213;G06N3/0464;G06N3/08

优先权：["20231212 CN 2023117108084"]

专利状态码：在审-实质审查的生效

法律状态：2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明公开了基于小样本故障诊断神经网络的变流器开路故障诊断方法，通过采集类似变流器的低成本故障样本来辅助被检查对象的模型训练，形成临域训练样本和少量的目标域训练样本；然后构建由特征提取器和故障分类器组成的故障诊断神经网络，特征提取器通过严格的特征分布对齐来提取域不变和判别故障特征，故障分类器来表征故障特征和故障标签的函数隐射关系；采用预训练、特征对齐和模型自适应来最优化目标函数以求取故障诊断神经网络的最优参数；最后将训练好的随故障诊断神经网络部署到嵌入式系统中，实时提取被检测对象故障特征并给出故障分类标签，实现故障诊断。

主权项：1.一种基于小样本故障诊断神经网络的变流器开路故障诊断方法，其特征在于，包括以下步骤：1、数据采集；1.1、设变流器共有m种特定运行工况，h种特定健康状态；1.2、在不同运行工况、不同健康状态条件下，以采样率Cn，采集k个不同类别变流器输出的电流数据，采集持续一个周期，组成k个采样序列；1.3、对每个采样序列归一化：求取采样序列的均值和方差，将采样序列中的每一个采样点减去均值后再除以方差，得到故障特征向量xi；1.4、构建临域训练数据集记为Sj代表每一类别变流器采集得到的数据集；其中，xi,yi,di为一个训练样本，在m种特定运行工况、h种特定健康状态下，通过枚举所有的特定运行工况和特定的健康状态共得到nj组样本，nj＝m*h；xi为故障特征向量，yi∈{1,2...h}为故障标签代表不同健康状态，di∈{1,2,...,k}为域标签代表不同类别变流器；1.5、按照步骤1.2-1.4采集被检测变流器输出的电流数据，构建被测域训练数据集为一个训练样本，在mt种特定运行工况、ht种特定健康状态下，通过枚举所有的特定运行工况和特定的健康状态共得到nt组样本，nt＝mt*ht；为故障特征向量，为故障标签代表不同健康状态，为域标签代表第k+1类变流器；2、构建故障诊断神经网络模型；故障诊断神经网络模型由特征提取器和故障分类器构成；其中，特征提取器由n个特征层构成，每一特征层以上一层提取的故障特征fl-1为输入，然后提取当前特征层的故障特征fl，其数学模型表示为： 其中，l＝1,2,…,n，为特征层的待训练模型参数；故障分类器Cefn,θCe以fn为输入，输出预测的故障标签y，其数学模型表示为： 其中，θCe为Cefn,θCe的待训练模型参数；3、故障诊断神经网络模型离线训练；3.1、利用临域训练数据集进行模型预训练；3.1.1、设置训练参数为待训练模型参数；3.1.2计算目标函数Opt： 其中，为待训练模型参数，MMDs为样本间的距离度量，记同种健康状态样本xs提取到的特征fnxs的平均距离为Ms，不同种健康状态样本xd提取的特征fnxd的平均距离为Md，MMDs定义为Ms与Md的加权差：MMDs＝MS+λsdMd其中，λsd和λm为权重系数；3.1.3、计算Opt相对于参数θpe的梯度： 3.1.4、更新参数θpe： 其中，ηpe为学习速率；3.1.5、采用更新后的参数θpe计算目标函数Opt，如果Opt大于设定的阈值，则重复步骤3.1.2～3.1.4；如果Opt小于等于设定的阈值，则结束预训练，进入步骤3.2；3.2、利用临域训练数据集进行特征对齐训练；3.2.1、设置训练参数：为待训练模型参数；3.2.2、计算目标函数Ofe1： 其中，LDlθfe为特征层损失函数，L.为交叉熵损失函数，Sxi为样本选择函数，代表只选择重要的故障样本进行训练，定义为： 其中，PC.|.代表联合概率分布，等于Sofetmax函数输出向量中的第c个取值，Thr为选择函数阈值，α为选择函数阈值变化率，Acc为模型分分类精度，N为训练样本总数，Ic为大小判别函数，a和b为任意的超参数，Ie为是否相等判别函数；3.2.3、计算Ofe1相对于参数θfe的梯度： 3.2.4、更新参数θfe： 其中，ηfe1为学习速率；3.2.5、计算目标函数Ofe2： 其中，γl为权重系数，且满足： 3.2.6、定义待训练参数：3.2.7、计算Ofe2相对于参数θfe1的梯度： 3.2.8、更新参数θfe1： 其中，ηfe2为学习速率；3.2.9、采用更新后的参数θfe1计算目标函数Ofe2，如果Ofe2大于设定的阈值，则重复步骤3.2.2～3.2.8；如果Ofe2小于等于设定的阈值，则结束特征对齐训练，进入到步骤3.3；3.3、利用临域训练数据集和被测域训练数据集St进行模型自适应训练；3.3.1、设置训练参数表示为：和分别待训练模型参数；3.3.2、计算目标函数Oad1： 3.3.3、计算Oad1相对于参数θad的梯度： 3.3.4、更新参数θad： 其中，ηad1为学习速率；3.3.5、更新参数后重新按照3.3.2计算Oad1，然后代入步骤3.3.6；3.3.6、计算目标函数Oad2： 3.3.7、计算Oad2相对于参数θad的梯度： 3.3.8、更新参数θad： 其中，ηad2为学习速率；3.3.9、采用更新后的参数θad重新计算目标函数Oad2，如果Oad2大于设定的阈值，则重复步骤3.3.2～3.3.8，如果Oad2小于等于设定的阈值，则结束训练；4、在线故障诊断；4.1、将训练好的故障诊断神经网络编译成.obj文件部署到嵌入式系统中；4.2、实时采样被测变流器在一个周期内输出的电流数据，再按照步骤1.3进行归一化处理，然后将归一化后的电流数据作为输入，输入到部署后的故障诊断神经网络中，输出预测的故障标签从而实现故障定位。

全文数据：

权利要求：

百度查询： 电子科技大学 基于小样本故障诊断神经网络的变流器开路故障诊断方法

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