一种改进深度残差网络的变频器故障分类方法

戴永寿，张志坤，李立刚

（中国石油大学（华东）海洋与空间信息学院，山东青岛 266555）

随着科技的不断发展，变频器凭借其高效的精准调速优势在工业领域得到了广泛的应用。研究表明，变频器故障以主电路产生的故障居多，其中逆变电路的功率开关器件（IGBT）开路故障是最容易出现的。文献[1]通过傅里叶变换提取特征向量，采用BP神经网络对三电平变频器进行故障诊断。文献[2]采用经验模态法进行特征提取，构建基于长短期记忆网络的三电平逆变器故障诊断模型。文献[3]采用灰关联分析的方法实现逆变器故障诊断。文献[4-8]采用小波变换提取故障特征，利用BP 神经网络、支持向量机、卷积神经网络等方法，实现了对变频器的故障诊断。文献[9]采用堆栈自编码器对多电平级联H 桥逆变器进行故障诊断。文献[10]将深度残差网络在滚动轴承故障诊断上成功应用，实现了对轴承故障的分类识别，不仅高效且准确率高。

该文针对变频器不同功率管开路故障诊断问题，以变频器故障时的三相输出电流作为检测信号，提出一种基于改进的深度残差网络的故障分类识别方法。该方法不仅能够实现故障诊断的高准确度，而且可以解决传统神经网络存在梯度消失的问题。

1 变频器结构和故障仿真分析

首先对变频器主电路的基本结构进行分析，采用Matlab 中的Simulink 仿真工具箱，结合变频器主电路的基本结构，对变频器故障进行仿真实验[11]，为变频器故障诊断方法研究提供可靠的基础数据。

变频器主要由整流电路、中间直流电路、逆变电路、控制电路等组成，电路仿真模型图如图1 所示。通过控制IGBT 的闭合、开断，来满足用电设备对不同供电频率的需求。

图1 变频器仿真模型图

变频器主电路故障主要为六个IGBT 的开路故障。变频器故障主要以单个IGBT 故障、两个IGBT 故障两种情况居多，三个IGBT 及以上同时开路的情况极少，可忽略不计。所以，该文研究只针对单个IGBT和两个IGBT 故障的情况进行研究。研究的变频器故障类型统计表如表1 所示，共计21 类故障情况。

表1 变频器故障类型统计表

为了模拟变频器工作时，频率、负载变化对三相输出电流变化的影响，分别设置不同的频率点和负载大小，确保在研究变频器故障分类方法时，每一类故障类型能够拥有足够的样本数据，该文通过改变变频器频率、负载值等参数模拟不同工况，保证同一类故障可以获取多组故障仿真实验数据。因此，对每种故障类型设计3×3×3=27种工况条件，即每一种故障至少包含27个样本。频率、电阻和电感的参数设置如表2所示。

表2 变频器仿真模型参数设置表

通过建立的变频器故障仿真模型，可以获取各类故障下变频器工作时输出的电流波形图。该文以工作频率为50 Hz，电阻值为2 Ω，电感值为20 mH 为变频器的工作条件，分析IGBT 无故障、单个IGBT 开路、两个IGBT同时开路情况下，三相输出电流的变化情况。

在变频器无故障的状态下，三相输出电流波形近似正弦波，如图2 所示。当单个IGBT 开路时，a 相电流的正向电流幅值衰减为零，而b、c 两相的电流幅值未受影响，如图3 所示。当同一桥臂相同半桥两个IGBT 开路时，a 相电流正向电流幅值衰减为零，b 相负向电流幅值衰减为零，c 相电流未受影响，如图4 所示。

图2 无故障时电流波形

图3 T1开路时电流波形

图4 T1、T4两个IGBT开路时电流波形

综上所述，当不同的IGBT 发生开路故障时，输出电流会发生不同程度的变化。因此，可以对变频器故障类型进行判断。

2 变频器故障诊断方法

在分析了变频器结构和变频器故障特点的基础上，提出一种基于改进深度残差网络的变频器故障诊断方法。将改进Resnet50 模型与传统深度残差网络和卷积神经网络故障分类方法进行对比实验。

为了更直观地了解变频器故障诊断方法研究的基本路线，该文采用的故障诊断方法的基本流程如图5 所示。

图5 变频器故障诊断方法的基本流程

2.1 深度残差网络的变频器故障诊断方法

深度残差网络模型，在不同层之间提出采用残差网络结构，结构采用捷径连接的方式[12-13]，可以实现卷积的非线性输入与输出的恒等映射。

1）基本残差网络结构原理

残差网络结构采用捷径连接的方式。残差网络结构如图6 所示，输入样本X在经过多层网络后得到输出H(X)。所使用的激活函数为Relu[14]。残差函数为H(X)=F(X)+X，在线性拟合中，残差是指数据点距离拟合直线的函数值的差[15]。

图6 残差网络结构

2）特征提取层

特征提取层是深度残差网络进行故障特征提取的核心，神经网络的特征提取层由卷积层和池化层、激活函数组成。卷积数学模型可表示为：

池化层又叫下采样层，其主要作用是利用二次特征提取和特征降维减小参数数量。目前常见的池化方法有最大池化法和均值池化法。传统网络使用最大池化的方式，其中，最大池化法是取一个区域内神经元的最大值。

传统的深度残差网络（Resnet50）模型，在建立变频器故障诊断模型时，计算量较大、耗时较长，故障诊断效果可进一步提升。因此，针对深度残差网络存在的以上问题对网络进行改进。

2.2 改进深度残差网络的变频器故障诊断方法

1）改进特征提取层

传统的Resnet50 网络结构第一层卷积核大小为7×7，卷积核数量为64。一般来说，7×7 的卷积核被认定为较大卷积核，变频器故障样本数据量较小，若使用卷积核过大，导致计算量增加，计算性能也会降低，不利于模型深度的增加。该文提出对Resnet50网络结构第一层卷积核进行改进，利用三个大小为3×3 的卷积核替换7×7 的卷积核。

在卷积层中，输出的特征元素映射输入图像上的区域称为“感受野”（Receptive Field），计算公式可表示为：

其中，RF0表示输入层的感受野大小，fn代表第n层的卷积核大小，RFn-1代表第n-1 层的感受野大小,为第1 层到第n-1 层步长的积。

传统Resnet50 结构的第一层感受野可表示为：

改进Resnet50 结构以3×3 卷积核进行三次卷积之后感受野可表示为：

对比式（3）和式（4）可知，改进的Resnet50 经过第一层卷积后，保证了模型感受野的数量不变，说明单个大卷积核可用多个小卷积核替换，结果相同。

改进后卷积核的参数量为3×3×3=27，未改进前为7×7×1=49，减少了约44%的参数，加快了模型训练速度，减小了计算机资源消耗。除此之外，为了进一步减少网络参数，在改进网络结构第一层卷积核大小的基础上，对其余卷积层中的卷积核数量进行减半改进。

2）改进激活函数

传统深度残差网络选用Relu 激活函数，其可以在一定程度上缓解梯度消失带来的网络参数无法更新的问题，加快网络收敛速度。

但是，当输入信号X为负时，激活函数将忽略这部分信号，从而降低模型对变频器故障诊断的准确性。因此，该文提出了采用带泄露的RELU(Leaky ReLU)进行优化，其函数定义为：

其中，β为一个很小的常数，使得当X＜0 时，可以保证神经元有一个非零的梯度，使网络参数不断优化更新，避免了信息丢失，从而保证模型的最佳故障识别功能。

3 实验验证

为了验证改进深度残差网络对变频器故障诊断的效果，该文利用变频器故障仿真数据，采用不同的故障诊断模型，对变频器故障诊断效果进行比较与分析。

3.1 实验数据预处理

该文以10 kHz 为采样频率，采集不同故障类型下的三相输出电流仿真数据，共获取样本数据27×22=594 组，每组样本数据均包含A、B、C 三相电流值。为了增加训练样本数据的数量，对每组仿真数据进行循环截取，每次选取2 000 个样本点，每次以50 个样本点为移动距离，数据截取次数为5 次。

每个样本数据包含三组电流值，其形式表示为(2 000，3)的数值矩阵格式。将样本数据(2 000，3)重塑[16]成维度为(50，40，3)的样本数据集。

3.2 实验结果分析

对所有变频器故障仿真实验样本数据进行预处理后，采用不同的故障诊断方法进行实验对比。

采用卷积神经网络对变频器的故障进行故障诊断，输入参数为（50，40，3），通道数量设置为3，且不同的通道使用相同的模型参数。分类输出层选用Softmax 函数。对输出数据进行处理后，卷积神经网络故障诊断结果训练集准确率为94.21%，测试集准确率为93.633%，测试集结果如图7 所示。

图7 测试集结果

为了量化Resnet50 故障诊断模型正确分类和错误分类的样本数量和位置，该文采用多分类混淆矩阵对诊断结果进行量化。横坐标代表故障的预测类别，纵坐标代表故障真实类别；每一类训练集样本数据为95 个，共22 类故障类别，主对角线上的数字代表每一类正确诊断的样本数量，实验结果如图8-9 所示。

图8 训练集结果

图9 测试集结果

为了进一步验证深度残差网络模型的优越性，利用该文所提出Resnet50 与传统卷积神经网络以及深度残差网络的两种网络结构进行实验对比分析。不同的故障诊断模型结果如表3 所示[17-18]。

表3 不同故障诊断方法结果对比

通过表3 的测试集结果可以看出，卷积神经网络准确率仅为93.633%，而Resnet 的三种不同结构的深度残差网络的故障诊断结果准确率分别为97.04%、98.20%和98.06%。通过实验结果对比可知，Resnet50 结构的深度残差网络故障诊断效果最佳。

该文提出通过对网络各卷积层的卷积核数量和大小、池化层池化方式以及激活函数三个关键点进行优化设置，从而达到减小模型参数，提高模型训练速度的效果。改进后的深度残差网络结果如图10所示。

图10 改进后测试集结果

改进深度残差网络模型训练时间为4 分24 秒，相比之前的6 分18 秒，训练时间减少1 分54 秒，变频器故障诊断结果为训练集准确率为99.88%，测试集准确率为99.212%。故障诊断结果对比如表4 所示。

表4 改进Resnet50故障诊断结果对比

改进深度残差网络通过卷积和池化两个环节实现对变频器故障特征的智能化自动提取，减少了模型参数，大大节省了故障诊断的时间。由表3～4 可知，针对变频器复杂的故障情况，改进Resnet50 在进行故障识别中表现出传统机器学习方法不可代替的优异性，在训练集、测试集上都具有良好的识别效果，这对实现变频器故障诊断具有十分重要的意义。

4 结论

该文提出一种基于改进的深度残差网络（Resnet50）变频器故障诊断方法，通过将变频器输出三相电流样本数据进行格式转换，建立变频器故障样本集，采用多种故障分类方法建立故障分类模型。通过与卷积神经网络、传统深度残差网络进行实验对比分析，结果表明，改进的深度残差网络对变频器故障诊断方法效果更优，且中间耗时较短，不需要人为进行特征信号的选取。但该文只对常用的两电平变频器结构进行故障诊断，目前工业还存在使用三电平变频器设备，可采用该方法进行后续的研究。