欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023104967802
申请人: 兰州理工大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于多源融合残差网络的级联H桥逆变器故障诊断方法,所涉及的级联H桥逆变器中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、或电网并联连接,其特征在于:其步骤为:第1步:采集n(n为正整数,且1≤n<10)个基波周期的级联H桥逆变器滤波前输出的三相多电平相电压Vx(x=a,b,c)和滤波后的三相负载电流Ix(x=a,b,c)、或三相并网电流Isx(x=a,b,c)共6个传感器波形数据,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:(1‑1)选择小波基函数ψa,τ(t)及其尺度参数a,即:

其中τ为平移参数,ψ(t)为母小波函数,t表示时间变量;

(1‑2)从信号起始位置开始,将小波基函数和原始信号f(t)比较,即计算小波系数WTf(a,τ):*

式中ψ(t)为ψ(t)的复共轭函数;

(1‑3)沿时间轴移动小波基函数,即改变平移参数τ,在新的位置计算小波系数,直至信号f(t)结束,完成第一次分析;

(1‑4)改变尺度参数a,重复流程(2)、(3)步进行第二次分析;

(1‑5)循环执行上述四个步骤,直至满足分析要求为止;

第2步:以ResNet34网络为基础,建立并行多源残差网络模型,即将第1步转换得来的各个传感器图像数据分别输入各自的ResNet34网络中,初步识别特征图像,其中,ResNet34网络由多个残差模块组成,残差模块相关理论如下:设x表示输入的故障信息,F(x)表示网络训练中要学习的残差,H(x)代表网络输出,满足:H(x)=F(x)+x               (3)

其中F(x)=W2σ(W1x),σ代表激活函数ReLu,W1和W2表示相应的权重系数;

在快捷连接时,线性变换Ws在输入维数和输出维数不同的情况下(如改变通道数目)对x进行操作:H(x)=W2σ(W1x)+Wsx                       (4)第3步:设计注意力特征融合模块,对第2步并行多源残差网络各层级所提取出的隐藏层特征后引入SK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(softmax是一种常用的分类函数,它将一个n维向量输入,并将其标准化为一个n维概率分布,其中每个元素的值都介于0和1之间,并且所有元素的和为1),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SK注意力机制主要流程如下所示:(3‑1)对于任意给定的特征图,采用3×3和5×5两种或其它不同尺寸的卷积核进行完整卷积操作,分别得到特征图 和 不同的卷积核可以让模型具有不同的感受野,从多尺度学习特征图的特征;

(3‑2)对流程(1)中两个输出 和 进行融合得到输出特征图U,通过全局平均池化集中全局信息,生成通道统计信息s,对整合特征信息的通道描述使用全连接层进行降维创建一个紧凑的特征z,为精确和自适应选择提供指导:c×1 c×1 d×1

其中s∈R ,Ffc为全连接层,我们使用其将s∈R 压缩成z∈R (d

(3‑3)通过softmax函数将紧凑特征z划分为两个分支,每个分支都是不同尺寸卷积核的权重向量,并将其通道数扩展回c*1*1,分别与流程(1)之后的特征图进行相应通道的相乘操作,最后再相加得到最终的特征图V,以加强必要特征信息,抑制非必要特征信息:H×W 1×d 1×d

其中V=[V1,V2,...,Vc],Vc∈R 矩阵,Ac∈R 表示A的第c行向量,Bc∈R 含义与其相同,a=(a1,a2,...,ac)和b=(b1,b2,...,bc)分别表示 和 的注意力向量,ac表示a的第c个元素值,bc含义与其相同,且bc=1‑ac,值得注意的是,这里提供了一个双分支情况,能够通过扩展方式推导出具有更多分支的情况;

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。