【技術實現步驟摘要】
本專利技術提供一種基于特征遷移學習的牽引整流器開路故障診斷方法，屬于電力電子故障診斷。
技術介紹
1、作為電力牽引傳動系統能量變換的重要組成部分，列車牽引整流器由于長期處于高強度交變熱疲勞載荷下，材料和內部封裝結構加速老化，同時頻繁承受電熱應力沖擊，導致其故障占比在電力牽引傳動系統中較高，而igbt模塊作為實現電能變換的主體，在牽引整流器部件中故障率占比極高。因此，對牽引整流器igbt模塊進行故障診斷研究顯得尤為重要。現有牽引整流器的故障診斷對象集中于igbt模塊的開路故障，使用的故障診斷方法可分為基于模型、基于信號和基于知識三類。其中，基于模型的方法例如《高鐵牽引系統單相三電平整流器開路故障診斷方法》通過建立數學模型后比較殘差特征量與自適應閾值的關系來對開關管進行故障診斷及定位，但由于牽引系統的負載性，這類方法往往存在數學模型建立困難和精度不高的問題。基于信號和知識的方法，如cn114624630b公開的一種基于頻譜分析的三相整流器故障診斷方法和系統，cn114778969b公開了一種基于rbf-elman神經網絡的整流器故障診斷方法，通過提取整流器電壓、電流信號中的特征，以捕捉特征變化形式或機器學習人工神經網絡等方式進行故障診斷及定位，可以達到很高的診斷精度，但這兩種方法對數據的依賴性高，特別是基于知識的方法在訓練過程中需要使用海量歷史數據，而在實際應用中存在真實運行數據少、故障數據不平衡等問題，造成診斷模型建立困難。
2、綜上，現有針對牽引整流器開路故障的技術存在如下缺點：
3、1)沒有考慮牽引整流
4、2)沒有考慮實際運行情況下故障數據不平衡的問題。
技術實現思路
1、針對現有技術中的上述不足，本專利技術提供的一種基于特征遷移學習的牽引整流器開路故障診斷方法利用特征遷移學習思路，以減少樣本間的分布距離為目標，求解小功率整流器仿真數據和大功率整流器運行數據的特征遷移矩陣，結合隨機向量函數鏈網絡(random?vector?functional?link?network，rvfl)算法，得到適用于大功率整流器的故障診斷模型，解決了現有技術可能無法考慮到的牽引整流器實際運行數據少和故障數據不平衡的問題。
2、具體技術方案為：
3、一種基于特征遷移學習的牽引整流器開路故障診斷方法，包括以下步驟：
4、s1、數據準備；
5、s1具體包括以下子步驟：
6、s1-1、建立小功率單相兩電平脈沖整流器模型，采集正常情況及igbt模塊t1、t2、t3、t4管開路后的網側電流數據，每個基波周期(0.02s)的網側電流數據為一組，賦予不同故障類型標簽{y＝1,2,3,4,5}，得到源域數據庫
7、s1-2、建立大功率牽引整流器模型，采集正常情況及igbt模塊t1、t2、t3、t4管開路后的網側電流數據，每個基波周期(0.02s)的網側電流數據為一組，賦予不同故障類型標簽{y＝1,2,3,4,5}，得到目標域數據庫
8、s1-3、利用重采樣技術，保證目標域樣本和源域樣本特征數的一致性，并對源域和目標域數據進行歸一化處理。
9、s2、劃分測試集和訓練集；
10、源域數據全部用于遷移學習模型訓練；除個別帶標簽目標域數據外，其余目標域數據均用于測試診斷模型性能；
11、s2具體方法為，模擬真實數據情況，在目標域正常運行數據中抽取組樣本數據加入訓練集，故障數據每種故障類型僅抽取k組加入訓練集，表示為
12、
13、訓練集數據表示為
14、s3、基于訓練集數據，結合加權平衡分布自適應(weighted?balanceddistribution?adaptation，wbda)算法和隨機向量函數鏈網絡(random?vectorfunctional?linknetwork，rvfl)算法，訓練得到適用于大功率牽引整流器的igbt開路故障診斷模型；
15、s3具體包括以下子步驟：
16、s3-1、加載訓練集數據x和訓練集標簽y；
17、s3-2、設置wbda算法和rvfl算法的參數，包括wbda算法的核帶寬gamma、正則化參數λ、核類型kernel_type、迭代次數t、適應后的維度dim、平衡因子μ，以及rvfl算法的隱藏層數numberofhiddenneurons和激活函數類型；
18、s3-3、進行模型初始化，初始化中心化矩陣h和邊緣分布距離矩陣m0；
19、h＝i-(1/n)1?(1)
20、
21、式中，m表示訓練集x的樣本數，n表示每個樣本的特征數，為單位矩陣；
22、s3-4、使用rvfl算法對目標域訓練數據進行初步分類，rvfl算法的訓練輸入數據為帶標簽的源域和目標域數據，得到目標域數據偽標簽y_pseudo；
23、在rvfl中，通過將初始輸入數據x＝[x1，x2，…，xn]映射到隱含層，其中g(.)是一個非線性激活函數，ωj是第j個隱含節點的權重，bj是偏置；將直接節點和隱含節點結合起來，rvfl網絡就表示為：
24、
25、其中j是隱含節點的總數，n是輸入節點的總數，βj是第j個權重項；rvfl網絡的訓練是通過尋優最佳隱含層權重和輸出層權重來最小化平方輸出誤差(ε2)：
26、
27、其中bt由(j+n)個權重值組成，p是訓練樣本的總數，t是目標向量，d是包括輸出節點的向量，(p)是樣本索引；輸入層和隱含層神經元之間的權重從均勻分布中隨機采樣[-1，1]，然后通過最小二乘法優化隱含層和輸出層神經元之間的權重；
28、給定訓練樣本x，rvfl的多輸出節點由f(x)＝[f1(x),...,fe(x)]表示，其中e是輸出節點的數量，則具有多輸出的rvfl分類器的通用決策函數是：
29、
30、s3-5、使用目標域偽標簽y_pseudo和源域真實標簽初始化條件分布距離矩陣mc：
31、
32、s3-6、設置平衡因子μ，計算總分布距離矩陣m：
33、m＝(1-μ)×m0+μ×mc?????0≤μ≤1?(7)
34、s3-7、考慮最小化源域和目標域數據的分布距離，得到公式：
35、
36、其中，tr(·)表示矩陣的跡，a矩陣為特征遷移矩陣，是一個hermitian矩陣；
37、s3-8、考慮約束特征遷移前后數據的散度問題，得到公式：
38、
39、s3-9、結合式(8)式(9)，加入系數為λ＞0的正則化項，得到遷移學習的最終學習目標：
40、
41、s3-10、用拉格朗日法對式(10)進行求解，其拉格朗日函數表示為：
42、
43、令其導數得
44、
45、本文檔來自技高網...
【技術保護點】
1.一種基于特征遷移學習的牽引整流器開路故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于特征遷移學習的牽引整流器開路故障診斷方法，其特征在于，S1具體包括以下子步驟：
3.根據權利要求1所述的一種基于特征遷移學習的牽引整流器開路故障診斷方法，其特征在于，S2具體方法為，模擬真實數據情況，在目標域正常運行數據中抽取組樣本數據加入訓練集，故障數據每種故障類型僅抽取k組加入訓練集，表示為
4.根據權利要求1所述的一種基于特征遷移學習的牽引整流器開路故障診斷方法，其特征在于，S3具體包括以下子步驟：
5.根據權利要求1所述的一種基于特征遷移學習的牽引整流器開路故障診斷方法，其特征在于，S4中超參數尋優的對象有：WBDA算法的核帶寬gamma、正則化參數λ、適應后的維度dim、平衡因子μ，以及RVFL算法的隱藏層數NumberofHiddenNeurons；
【技術特征摘要】
1.一種基于特征遷移學習的牽引整流器開路故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于特征遷移學習的牽引整流器開路故障診斷方法，其特征在于，s1具體包括以下子步驟：
3.根據權利要求1所述的一種基于特征遷移學習的牽引整流器開路故障診斷方法，其特征在于，s2具體方法為，模擬真實數據情況，在目標域正常運行數據中抽取組樣本數據加入訓練集，故障數據每種故障類型僅抽取k組...
【專利技術屬性】
技術研發人員：茍斌，余江樂，葛興來，謝昆航，宋文勝，汪一龍，王青元，
申請(專利權)人：西南交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。