改進的卷積神經網絡在勵磁單元中的故障診斷

楊彥杰，元晶晶，張 賀

(1. 河北工業大學省部共建電工裝備可靠性與智能化國家重點實驗室，天津 300132；2. 河北工業大學河北省電磁場與電器可靠性重點實驗室，天津 300132)

1 引言

隨著電力電子技術的快速發展，三相橋式晶閘管整流電路是最廣泛的功率變換裝置。在勵磁功率單元中，整流單元應該能夠穩定地提供同步發電機的各種工況下所需要的勵磁電流，從而確保了同步發電機和整個電力系統的正常運轉[1]。若勵磁系統長期工作在惡劣的工作環境下，極易受到損壞，對發電機的可靠運行以及維持發電機輸出電能質量構成了嚴重威肋。因此，在勵磁功率單元主回路中對晶閘管故障問題進行實時在線、準確可靠的故障診斷極為重要。

故障診斷方法可劃分為數學模型[2，3]和人工智能[4，5]兩種。文獻[6]通過建立仿真模型獲取輸出電壓Ud，并用傅里葉分析算法對波形分解、提取特征幅值，將其歸一化后輸入人工神經網絡中，從而確定故障部位及故障點；文獻[7]利用小波包分析方法對信號波進行分解、提取故障特征，然后利用支持向量機對故障向量進行分類，該方法可以快速有效地完成電力電子整流裝置的故障診斷。但上述兩種方法均要對波形進行分解、特征提取等操作，其過程相對復雜，且造成嚴重的誤差，對分類結果也會產生較大的影響；文獻[8]提出了AlexNet網絡用于人臉識別，但該網絡結構復雜，計算量大，結果的準確率和損失率曲線存在震蕩問題。

因此，文章提出了一種改進的卷積神經網絡(Convolutional Neural Networks，CNN)的網絡故障診斷模型。該方法可以直接輸入原始圖片，不需要對信號進行特征分解與提取，具有很大的優勢；且模型簡單，運算速度快，可自動迭代更新參數，結果準確率穩定且收斂。主要工作如下：首先基于MATLAB/Simulink仿真軟件平臺，搭建三相橋式全控整流電路的仿真模型，了解每個晶閘管的正常工作狀態和故障狀態，完成負載整流電壓波形和三相母線電流圖的生成，并將其制作成網絡模型的圖片數據集；利用深度學習開源工具TensorFlow設計卷積神經網絡(CNN)故障診斷模型；最后，針對結構參數優化診斷模型，實現網絡模型訓練和最優結果。

2 勵磁系統功率單元

2.1 三相橋式全控整流電路

在勵磁系統中，勵磁功率柜的故障較為常見，尤其是勵磁功率單元主回路[9]中的三相橋式全控整流電路。其工作原理如圖1所示，工作結構簡單，利用率高，應用廣泛。

圖1 三相橋式全控整流電路圖

2.2 電路仿真

MATLAB是一款強大的商業數學軟件工具，其Simulink是一個集成的軟件包，用于動態系統的建模、仿真和綜合分析，是MATLAB的重要組成部分。使用者可以簡潔快速地搭建電路用來研究系統的各種運行狀態。圖2為搭建三相橋式全控整流仿真電路，仿真了電路的正常工作狀態和各晶閘管故障狀態的整流輸出電壓以及三相母線電流。

圖2 三相橋式全控整流電路仿真圖

仿真參數設置：三相電源UA、UB和UC電壓有效值為220V，頻率為50Hz，相位分別為0°、-120°、-240°；三相晶閘管整流器(SCR)參數使用默認值；RL負載參數設置：R=1Ω、L=1H；仿真時采用變步長方式下的ode23tb仿真算法。

2.3 故障分類

三相橋式全控整流電路正常工作時，每個周期輸出的直流電壓波由大小相同的六個脈動波組成。當晶閘管發生故障時，根據波形的相似性可分為五大類。同一類晶閘管故障時，其輸出電壓波形相似，僅在時間上發生平移。

第一類：無晶閘管故障，即正常工作狀態。

第二類：只有一個晶閘管故障。包括6種故障狀態，即：VT1、VT2、VT3、VT4、VT5、VT6。

第三類：同一相的兩個晶閘管故障。包括3種故障狀態，即VT1-VT4、VT2-VT5、VT3-VT6。

第四類：不同相的上下組兩個晶閘管故障。包括6種故障狀態，即VT1-VT2、VT1-VT6、VT2-VT3、VT3-VT4、VT4-VT5、VT5-VT6。

第五類：不同相的同一組的兩個晶閘管故障。包括6種故障狀態，即VT1-VT3、VT1-VT5、VT2-VT4、VT2-VT6、VT3-VT5、VT4-VT6。

取三相電源UA、UB和UC電壓有效值為220V，觸發角為30°時的部分電壓波形圖如圖3所示。整流橋正常運行時，在20ms(工頻一個周期)內，有六個相同的波形成分，均是交流輸入線電壓波形的一部分，且輸出電壓的平均值是正值。當晶閘管發生不同的故障時，輸出電壓波各不相同，與正常波形有較大區別，因此將其作為故障診斷的依據。

圖3 部分電壓波形數據集

根據輸出的電壓波形，僅僅能識別出是哪種類型，并不能具體的診斷出每個晶閘管的工作狀態，所以提出采用具有相差較明顯的三相母線電流波形圖進行故障診斷與識別。故障類型一共進行22種分類，即正常狀態和故障狀態VT1、VT2、VT3、VT4、VT5、VT6、VT1-VT2、VT1-VT3、VT1-VT4、VT1-VT5、VT1-VT6、VT2-VT3、VT2-VT4、VT2-VT5、VT2-VT6、VT3-VT4、VT3-VT5、VT3-VT6、VT4-VT5、VT4-VT6、VT5-VT6。取三相電源UA、UB和UC電壓有效值為220V，觸發角為30°時的部分三相母線電流波形圖如圖4所示。

圖4 部分電流波形數據集

3 卷積神經網絡的改進

3.1 卷積神經網絡

目前，卷積神經網絡(CNN)已經成為許多科學領域的研究熱點之一，尤其是在模式分類領域。CNN是由一系列層構成，數據在層與層之間流動。基本結構：輸入層、卷積層、激活函數、池化層、全連接層，即INPUT-CONV-RELU-POOL-FC。

卷積層是一個特征提取層，每個神經元的輸入連接到前一層的局部感受野，并提取局部的特征。卷積層的主要功能是根據卷積核卷積圖像，并降低噪音[11]，還具有“權值共享”原則。卷積層的計算公式如下所示：

(1)

激活函數是用于添加非線性因素，因為卷積方法來用于處理線性操作，即為每個像素點分配權值。線性模型的表達力不夠，因而引入激活函數。常見的激活函數有Sigmoid函數、Tanh函數、ReLU函數、Leaky ReLU函數等。

池化層是特征映射層，通過對每個特征映射圖的局部區域進行加權求和，增加偏置后通過一個非線性函數在池化層得到新的特征圖[12]。池化的作用是：①減小特征圖尺寸，簡化網絡計算復雜度；②進行特征壓縮，提取主要特征。池化層的操作公式如下所示：

(2)

全連接層用來連接所有的特征并將輸出值發送給分類器(如Softmax分類器)以用作分類。

最終輸出模型的測試準確率和誤差損失函數值。卷積神經網絡結構和參數如圖5所示。

圖5 卷積神經網絡結構

3.2 改進的卷積神經網絡

傳統的AlexNet模型結構復雜，參數龐大，運行速度慢，與此同時，模型分類結果的收斂快慢還收到初始化參數的方法和網絡權值更新的影響，且準確率和損失率曲線存在震蕩問題。綜上所述，文章進行了一下五個方面的改進，提出了性能更好的卷積神經網絡模型，可以規避以上不足。

1)用卷積層替代三個全連接層。因卷積層的計算是并行的，不需要同時讀入內存，這樣不僅提高運行速度，也使模型得到優化。

2)將全連接層2的節點數由4096調整為2048，減少參數和權值跟新，提高運行速度，縮短計算時間。

3)刪除了所有的LRN圖層并更改初始值程序。經實踐證明，經過簡單的參數初始化并使用Batch Normalization的歸一化操作。BN的使用有利于樣本的收斂和網絡的穩定。

4)使用Adam Optimization基于訓練數據迭代地更新神經網絡權值，根據輸出結果可進行權值的迭代更新。

5)使用xavier_initializer初始化，經試驗明比原random_normal_initializer會提升效果。

3.3 網絡算法流程圖

3.3.1 算法流程圖

文章提出的改進卷積神經網絡故障診斷模型的算法流程如圖6所示，主要分為4個階段：

圖6 算法流程

1)樣本圖像預處理。首先定點、定間隔的構建樣本數據集；其次對圖像的顏色、大小進行處理，便于網絡學習。

2)設計網絡故障診斷模型。在Python編譯環境及TensorFlow學習框架進行網絡程序的編寫與搭建。

3)訓練優化網絡模型。根據BP(Back Propagation，BP)算法進行權值和閾值的反復調整，使誤差信號減小到最低限度。

4)將得到的優化模型進行樣本圖像數據集的試驗，從而輸出診斷結果。

3.3.2 數據預處理

本文是利用MATLABSimulink搭建整流電路，將負載整流輸出的電壓波形和三相母線電流波形作為網絡故障模型的輸入。對數據的預處理分為以下幾個部分：數據采集，格式轉換，數據歸一化和圖像剔除。

1)數據采集。在仿真電路中，通過對觸發脈沖設置不同的觸發角來輸出負載整流電壓波形和三相母線電流波形。此時，示波器以固定頻率和采樣時間進行數據采集，保存為.mat格式文件。

2)格式轉化。基于Python語言使用TensorFlow框架中各種庫，將仿真生成的.mat格式的數據據進行轉化為網絡所能識別的.JPG格式圖片集。

3)圖像剔除。將數據轉化為.JPG格式圖片后，會產生一些圖像的重疊或特征模糊等問題，需要將這些有干擾的圖像進行挑選剔除，保證網絡訓練和測試結果準確性。

4)數據歸一化。由于圖像的數量級之間存在的差異，這種差異性會影響到數據分析結果。為了消除量綱之間的影響，需要進行數據歸一化處理。本文使用min-max標準化方法，是對數據的線性變換，是結果值映射到[0，1]區間，轉換函數如下

(3)

式中：max為樣本數據的最大值，min為樣本數據的最小值。

通過以上數據的預處理后，將特征顯著的圖片集作為卷積神經網絡的輸入。CNN模型對圖片集進行卷積、池化等各種操作處理，從而實現網絡模型的輸出。

4 實驗結果與分析

本文使用WIN10系統、Python3.6.6編譯環境以及TensorFlow學習框架進行網絡程序的編寫。由于本文所使用的圖像數據集簡單、規律性強，且數據量不是很大，所以采用了基于網絡搜獲[12]的方法進行調參來優化CNN模型。

4.1 參數選擇

4.1.1 學習率

在訓練網絡模型中，學習率是一個重要的超參數，控制著網絡權值調整的速度。一般來說，學習率越大，網絡的學習速率越快，但如果太大，超過了極值，將導致準確率降低，損失值停止下降并在某一位置反復震蕩；學習率越小，損失梯度下降的速度越慢，所需收斂時間越長。因而選擇合適的學習率至關重要。參考大量實驗與文獻，則該網絡模型的學習率設置為0.0001。

4.1.2 批處理樣本數量

通常將樣本數據集劃分為多個批次量實現網絡模型對參數的更新優化。即每次處理樣本的數量對模型的準確率有重要意義。在一定范圍內，增大批處理數量，將會提高內存利用率，加快處理速度，但增大到某些時候，影響最終的收斂精度和泛化性。如表1所示為不同批處理樣本數量下的時間結果，可選取批處理量為64時可達到最佳的測試結果。

表1 不同批處理數量的實驗結果

4.1.3 迭代次數

迭代次數是指神經網絡訓練一個完整樣本集的次數，每次迭代進行一次模型優化。因樣本數據集數量多且具有一定的相似性。選取不同的參數進行實驗，如表2所示，當迭代次數為200時，網絡模型的準確度為最優。

表2 不同迭代次數的實驗結果

4.2 實驗結果

經過多次實驗參數的選擇和網絡結構的優化，最終得到了最優網絡故障診斷模型，與原始提出的網絡模型相比較，其晶閘管輸出電壓和三相母線電流識別分類的平均準確率分別高達99%、98%，該方法使得對晶閘管故障的診斷更加方便可靠。通過PyCharm、TensorFlow框架生成準確率accuracy變化圖和損失值loss變化圖分別如下圖7和圖8所示。

圖7 CNN-電壓、電流準確率

圖8 CNN-電壓、電流損失率

由圖7和圖8可知，隨著訓練次數的增加，雖然分類結果稍有波動，但該模型對電壓、電流總的識別準確率呈增長的趨勢，損失率呈下降趨勢。在模型訓練200次后，電壓、電流的分類準確率平均高達99%、98%。結果表明，改進的卷積神經網絡對勵磁單元中晶閘管故障的識別具有良好的分類結果，在電力故障診斷領域將會有很好的發展前景。

5 結束語

文中對勵磁勵磁功率單元中整流部分的晶閘管進行了智能故障診斷識別。根據圖像識別技術和深度學習的結合，提出了改進的卷積神經網絡故障診斷模型，可以得出以下結論：

1)該模型可以直接對原始波形圖像進行故障診斷，不依賴人工處理信號，網絡模型穩定且收斂，運行速度快，從而準確定位故障的晶閘管。

2)使用了批量歸一化BN層、Adam優化器以及xavier_initializer初始化方法等，自動迭代更新權值，防止梯度消失或爆炸、加快訓練速度。

3)在實現勵磁功率單元故障診斷的基礎上，也可用于電力系統中其它部分故障的診斷。仿真結果表明，該方法在勵磁裝置故障診斷方面具有準確性和可靠性。