戴永壽，張志坤，李立剛

（中國石油大學(xué)（華東）海洋與空間信息學(xué)院，山東青島 266555）

隨著科技的不斷發(fā)展，變頻器憑借其高效的精準(zhǔn)調(diào)速優(yōu)勢在工業(yè)領(lǐng)域得到了廣泛的應(yīng)用。研究表明，變頻器故障以主電路產(chǎn)生的故障居多，其中逆變電路的功率開關(guān)器件（IGBT）開路故障是最容易出現(xiàn)的。文獻(xiàn)[1]通過傅里葉變換提取特征向量，采用BP神經(jīng)網(wǎng)絡(luò)對三電平變頻器進(jìn)行故障診斷。文獻(xiàn)[2]采用經(jīng)驗(yàn)?zāi)B(tài)法進(jìn)行特征提取，構(gòu)建基于長短期記憶網(wǎng)絡(luò)的三電平逆變器故障診斷模型。文獻(xiàn)[3]采用灰關(guān)聯(lián)分析的方法實(shí)現(xiàn)逆變器故障診斷。文獻(xiàn)[4-8]采用小波變換提取故障特征，利用BP 神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、卷積神經(jīng)網(wǎng)絡(luò)等方法，實(shí)現(xiàn)了對變頻器的故障診斷。文獻(xiàn)[9]采用堆棧自編碼器對多電平級聯(lián)H 橋逆變器進(jìn)行故障診斷。文獻(xiàn)[10]將深度殘差網(wǎng)絡(luò)在滾動軸承故障診斷上成功應(yīng)用，實(shí)現(xiàn)了對軸承故障的分類識別，不僅高效且準(zhǔn)確率高。

該文針對變頻器不同功率管開路故障診斷問題，以變頻器故障時(shí)的三相輸出電流作為檢測信號，提出一種基于改進(jìn)的深度殘差網(wǎng)絡(luò)的故障分類識別方法。該方法不僅能夠?qū)崿F(xiàn)故障診斷的高準(zhǔn)確度，而且可以解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)存在梯度消失的問題。

1 變頻器結(jié)構(gòu)和故障仿真分析

首先對變頻器主電路的基本結(jié)構(gòu)進(jìn)行分析，采用Matlab 中的Simulink 仿真工具箱，結(jié)合變頻器主電路的基本結(jié)構(gòu)，對變頻器故障進(jìn)行仿真實(shí)驗(yàn)[11]，為變頻器故障診斷方法研究提供可靠的基礎(chǔ)數(shù)據(jù)。

變頻器主要由整流電路、中間直流電路、逆變電路、控制電路等組成，電路仿真模型圖如圖1 所示。通過控制IGBT 的閉合、開斷，來滿足用電設(shè)備對不同供電頻率的需求。

圖1 變頻器仿真模型圖

變頻器主電路故障主要為六個(gè)IGBT 的開路故障。變頻器故障主要以單個(gè)IGBT 故障、兩個(gè)IGBT 故障兩種情況居多，三個(gè)IGBT 及以上同時(shí)開路的情況極少，可忽略不計(jì)。所以，該文研究只針對單個(gè)IGBT和兩個(gè)IGBT 故障的情況進(jìn)行研究。研究的變頻器故障類型統(tǒng)計(jì)表如表1 所示，共計(jì)21 類故障情況。

表1 變頻器故障類型統(tǒng)計(jì)表

為了模擬變頻器工作時(shí)，頻率、負(fù)載變化對三相輸出電流變化的影響，分別設(shè)置不同的頻率點(diǎn)和負(fù)載大小，確保在研究變頻器故障分類方法時(shí)，每一類故障類型能夠擁有足夠的樣本數(shù)據(jù)，該文通過改變變頻器頻率、負(fù)載值等參數(shù)模擬不同工況，保證同一類故障可以獲取多組故障仿真實(shí)驗(yàn)數(shù)據(jù)。因此，對每種故障類型設(shè)計(jì)3×3×3=27種工況條件，即每一種故障至少包含27個(gè)樣本。頻率、電阻和電感的參數(shù)設(shè)置如表2所示。

表2 變頻器仿真模型參數(shù)設(shè)置表

通過建立的變頻器故障仿真模型，可以獲取各類故障下變頻器工作時(shí)輸出的電流波形圖。該文以工作頻率為50 Hz，電阻值為2 Ω，電感值為20 mH 為變頻器的工作條件，分析IGBT 無故障、單個(gè)IGBT 開路、兩個(gè)IGBT同時(shí)開路情況下，三相輸出電流的變化情況。

在變頻器無故障的狀態(tài)下，三相輸出電流波形近似正弦波，如圖2 所示。當(dāng)單個(gè)IGBT 開路時(shí)，a 相電流的正向電流幅值衰減為零，而b、c 兩相的電流幅值未受影響，如圖3 所示。當(dāng)同一橋臂相同半橋兩個(gè)IGBT 開路時(shí)，a 相電流正向電流幅值衰減為零，b 相負(fù)向電流幅值衰減為零，c 相電流未受影響，如圖4 所示。

圖2 無故障時(shí)電流波形

圖3 T1開路時(shí)電流波形

圖4 T1、T4兩個(gè)IGBT開路時(shí)電流波形

綜上所述，當(dāng)不同的IGBT 發(fā)生開路故障時(shí)，輸出電流會發(fā)生不同程度的變化。因此，可以對變頻器故障類型進(jìn)行判斷。

2 變頻器故障診斷方法

在分析了變頻器結(jié)構(gòu)和變頻器故障特點(diǎn)的基礎(chǔ)上，提出一種基于改進(jìn)深度殘差網(wǎng)絡(luò)的變頻器故障診斷方法。將改進(jìn)Resnet50 模型與傳統(tǒng)深度殘差網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)故障分類方法進(jìn)行對比實(shí)驗(yàn)。

為了更直觀地了解變頻器故障診斷方法研究的基本路線，該文采用的故障診斷方法的基本流程如圖5 所示。

圖5 變頻器故障診斷方法的基本流程

2.1 深度殘差網(wǎng)絡(luò)的變頻器故障診斷方法

深度殘差網(wǎng)絡(luò)模型，在不同層之間提出采用殘差網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)構(gòu)采用捷徑連接的方式[12-13]，可以實(shí)現(xiàn)卷積的非線性輸入與輸出的恒等映射。

1）基本殘差網(wǎng)絡(luò)結(jié)構(gòu)原理

殘差網(wǎng)絡(luò)結(jié)構(gòu)采用捷徑連接的方式。殘差網(wǎng)絡(luò)結(jié)構(gòu)如圖6 所示，輸入樣本X在經(jīng)過多層網(wǎng)絡(luò)后得到輸出H(X)。所使用的激活函數(shù)為Relu[14]。殘差函數(shù)為H(X)=F(X)+X，在線性擬合中，殘差是指數(shù)據(jù)點(diǎn)距離擬合直線的函數(shù)值的差[15]。

圖6 殘差網(wǎng)絡(luò)結(jié)構(gòu)

2）特征提取層

特征提取層是深度殘差網(wǎng)絡(luò)進(jìn)行故障特征提取的核心，神經(jīng)網(wǎng)絡(luò)的特征提取層由卷積層和池化層、激活函數(shù)組成。卷積數(shù)學(xué)模型可表示為：

池化層又叫下采樣層，其主要作用是利用二次特征提取和特征降維減小參數(shù)數(shù)量。目前常見的池化方法有最大池化法和均值池化法。傳統(tǒng)網(wǎng)絡(luò)使用最大池化的方式，其中，最大池化法是取一個(gè)區(qū)域內(nèi)神經(jīng)元的最大值。

傳統(tǒng)的深度殘差網(wǎng)絡(luò)（Resnet50）模型，在建立變頻器故障診斷模型時(shí)，計(jì)算量較大、耗時(shí)較長，故障診斷效果可進(jìn)一步提升。因此，針對深度殘差網(wǎng)絡(luò)存在的以上問題對網(wǎng)絡(luò)進(jìn)行改進(jìn)。

2.2 改進(jìn)深度殘差網(wǎng)絡(luò)的變頻器故障診斷方法

1）改進(jìn)特征提取層

傳統(tǒng)的Resnet50 網(wǎng)絡(luò)結(jié)構(gòu)第一層卷積核大小為7×7，卷積核數(shù)量為64。一般來說，7×7 的卷積核被認(rèn)定為較大卷積核，變頻器故障樣本數(shù)據(jù)量較小，若使用卷積核過大，導(dǎo)致計(jì)算量增加，計(jì)算性能也會降低，不利于模型深度的增加。該文提出對Resnet50網(wǎng)絡(luò)結(jié)構(gòu)第一層卷積核進(jìn)行改進(jìn)，利用三個(gè)大小為3×3 的卷積核替換7×7 的卷積核。

在卷積層中，輸出的特征元素映射輸入圖像上的區(qū)域稱為“感受野”（Receptive Field），計(jì)算公式可表示為：

其中，RF0表示輸入層的感受野大小，fn代表第n層的卷積核大小，RFn-1代表第n-1 層的感受野大小,為第1 層到第n-1 層步長的積。

傳統(tǒng)Resnet50 結(jié)構(gòu)的第一層感受野可表示為：

改進(jìn)Resnet50 結(jié)構(gòu)以3×3 卷積核進(jìn)行三次卷積之后感受野可表示為：

對比式（3）和式（4）可知，改進(jìn)的Resnet50 經(jīng)過第一層卷積后，保證了模型感受野的數(shù)量不變，說明單個(gè)大卷積核可用多個(gè)小卷積核替換，結(jié)果相同。

改進(jìn)后卷積核的參數(shù)量為3×3×3=27，未改進(jìn)前為7×7×1=49，減少了約44%的參數(shù)，加快了模型訓(xùn)練速度，減小了計(jì)算機(jī)資源消耗。除此之外，為了進(jìn)一步減少網(wǎng)絡(luò)參數(shù)，在改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)第一層卷積核大小的基礎(chǔ)上，對其余卷積層中的卷積核數(shù)量進(jìn)行減半改進(jìn)。

2）改進(jìn)激活函數(shù)

傳統(tǒng)深度殘差網(wǎng)絡(luò)選用Relu 激活函數(shù)，其可以在一定程度上緩解梯度消失帶來的網(wǎng)絡(luò)參數(shù)無法更新的問題，加快網(wǎng)絡(luò)收斂速度。

但是，當(dāng)輸入信號X為負(fù)時(shí)，激活函數(shù)將忽略這部分信號，從而降低模型對變頻器故障診斷的準(zhǔn)確性。因此，該文提出了采用帶泄露的RELU(Leaky ReLU)進(jìn)行優(yōu)化，其函數(shù)定義為：

其中，β為一個(gè)很小的常數(shù)，使得當(dāng)X＜0 時(shí)，可以保證神經(jīng)元有一個(gè)非零的梯度，使網(wǎng)絡(luò)參數(shù)不斷優(yōu)化更新，避免了信息丟失，從而保證模型的最佳故障識別功能。

3 實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證改進(jìn)深度殘差網(wǎng)絡(luò)對變頻器故障診斷的效果，該文利用變頻器故障仿真數(shù)據(jù)，采用不同的故障診斷模型，對變頻器故障診斷效果進(jìn)行比較與分析。

3.1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

該文以10 kHz 為采樣頻率，采集不同故障類型下的三相輸出電流仿真數(shù)據(jù)，共獲取樣本數(shù)據(jù)27×22=594 組，每組樣本數(shù)據(jù)均包含A、B、C 三相電流值。為了增加訓(xùn)練樣本數(shù)據(jù)的數(shù)量，對每組仿真數(shù)據(jù)進(jìn)行循環(huán)截取，每次選取2 000 個(gè)樣本點(diǎn)，每次以50 個(gè)樣本點(diǎn)為移動距離，數(shù)據(jù)截取次數(shù)為5 次。

每個(gè)樣本數(shù)據(jù)包含三組電流值，其形式表示為(2 000，3)的數(shù)值矩陣格式。將樣本數(shù)據(jù)(2 000，3)重塑[16]成維度為(50，40，3)的樣本數(shù)據(jù)集。

3.2 實(shí)驗(yàn)結(jié)果分析

對所有變頻器故障仿真實(shí)驗(yàn)樣本數(shù)據(jù)進(jìn)行預(yù)處理后，采用不同的故障診斷方法進(jìn)行實(shí)驗(yàn)對比。

采用卷積神經(jīng)網(wǎng)絡(luò)對變頻器的故障進(jìn)行故障診斷，輸入?yún)?shù)為（50，40，3），通道數(shù)量設(shè)置為3，且不同的通道使用相同的模型參數(shù)。分類輸出層選用Softmax 函數(shù)。對輸出數(shù)據(jù)進(jìn)行處理后，卷積神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果訓(xùn)練集準(zhǔn)確率為94.21%，測試集準(zhǔn)確率為93.633%，測試集結(jié)果如圖7 所示。

圖7 測試集結(jié)果

為了量化Resnet50 故障診斷模型正確分類和錯(cuò)誤分類的樣本數(shù)量和位置，該文采用多分類混淆矩陣對診斷結(jié)果進(jìn)行量化。橫坐標(biāo)代表故障的預(yù)測類別，縱坐標(biāo)代表故障真實(shí)類別；每一類訓(xùn)練集樣本數(shù)據(jù)為95 個(gè)，共22 類故障類別，主對角線上的數(shù)字代表每一類正確診斷的樣本數(shù)量，實(shí)驗(yàn)結(jié)果如圖8-9 所示。

圖8 訓(xùn)練集結(jié)果

圖9 測試集結(jié)果

為了進(jìn)一步驗(yàn)證深度殘差網(wǎng)絡(luò)模型的優(yōu)越性，利用該文所提出Resnet50 與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)以及深度殘差網(wǎng)絡(luò)的兩種網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行實(shí)驗(yàn)對比分析。不同的故障診斷模型結(jié)果如表3 所示[17-18]。

表3 不同故障診斷方法結(jié)果對比

通過表3 的測試集結(jié)果可以看出，卷積神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率僅為93.633%，而Resnet 的三種不同結(jié)構(gòu)的深度殘差網(wǎng)絡(luò)的故障診斷結(jié)果準(zhǔn)確率分別為97.04%、98.20%和98.06%。通過實(shí)驗(yàn)結(jié)果對比可知，Resnet50 結(jié)構(gòu)的深度殘差網(wǎng)絡(luò)故障診斷效果最佳。

該文提出通過對網(wǎng)絡(luò)各卷積層的卷積核數(shù)量和大小、池化層池化方式以及激活函數(shù)三個(gè)關(guān)鍵點(diǎn)進(jìn)行優(yōu)化設(shè)置，從而達(dá)到減小模型參數(shù)，提高模型訓(xùn)練速度的效果。改進(jìn)后的深度殘差網(wǎng)絡(luò)結(jié)果如圖10所示。

圖10 改進(jìn)后測試集結(jié)果

改進(jìn)深度殘差網(wǎng)絡(luò)模型訓(xùn)練時(shí)間為4 分24 秒，相比之前的6 分18 秒，訓(xùn)練時(shí)間減少1 分54 秒，變頻器故障診斷結(jié)果為訓(xùn)練集準(zhǔn)確率為99.88%，測試集準(zhǔn)確率為99.212%。故障診斷結(jié)果對比如表4 所示。

表4 改進(jìn)Resnet50故障診斷結(jié)果對比

改進(jìn)深度殘差網(wǎng)絡(luò)通過卷積和池化兩個(gè)環(huán)節(jié)實(shí)現(xiàn)對變頻器故障特征的智能化自動提取，減少了模型參數(shù)，大大節(jié)省了故障診斷的時(shí)間。由表3～4 可知，針對變頻器復(fù)雜的故障情況，改進(jìn)Resnet50 在進(jìn)行故障識別中表現(xiàn)出傳統(tǒng)機(jī)器學(xué)習(xí)方法不可代替的優(yōu)異性，在訓(xùn)練集、測試集上都具有良好的識別效果，這對實(shí)現(xiàn)變頻器故障診斷具有十分重要的意義。

4 結(jié)論

該文提出一種基于改進(jìn)的深度殘差網(wǎng)絡(luò)（Resnet50）變頻器故障診斷方法，通過將變頻器輸出三相電流樣本數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換，建立變頻器故障樣本集，采用多種故障分類方法建立故障分類模型。通過與卷積神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)深度殘差網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)對比分析，結(jié)果表明，改進(jìn)的深度殘差網(wǎng)絡(luò)對變頻器故障診斷方法效果更優(yōu)，且中間耗時(shí)較短，不需要人為進(jìn)行特征信號的選取。但該文只對常用的兩電平變頻器結(jié)構(gòu)進(jìn)行故障診斷，目前工業(yè)還存在使用三電平變頻器設(shè)備，可采用該方法進(jìn)行后續(xù)的研究。