针对级联H桥七电平逆变器不同故障表现相似程度高以及浅层分类器难以应对高维特征输入而制约故障诊断准确性的问题,该文提出一种基于多特征融合CNN的级联H桥七电平逆变器故障诊断策略。首先,采集原始三相电流信号,并结合参考电流信号求...针对级联H桥七电平逆变器不同故障表现相似程度高以及浅层分类器难以应对高维特征输入而制约故障诊断准确性的问题,该文提出一种基于多特征融合CNN的级联H桥七电平逆变器故障诊断策略。首先,采集原始三相电流信号,并结合参考电流信号求取电流偏差信号;其次,多尺度主元分析(multi-scale principal component analysis,MSPCA)算法通过将变分模态分解与主元分析相结合筛选故障信息存在的尺度分量,并将得到的各尺度分量直接重构作为高维时域特征输入,对得到的各尺度分量进行希尔伯特黄(HHT)变换,提取边际谱作为高维时频域特征输入;最后,将上述两种特征作为双通道CNN模型的输入进行训练,建立最终的多特征融合CNN故障诊断模型。结果表明:所提方法的故障诊断准确率达到95%,相较于单一特征与浅层分类器相结合的故障诊断策略,具有更高的识别率和更强的适应性,可为基于电信号的高相似度故障的分类识别提供一定参考。展开更多
文摘针对级联H桥七电平逆变器不同故障表现相似程度高以及浅层分类器难以应对高维特征输入而制约故障诊断准确性的问题,该文提出一种基于多特征融合CNN的级联H桥七电平逆变器故障诊断策略。首先,采集原始三相电流信号,并结合参考电流信号求取电流偏差信号;其次,多尺度主元分析(multi-scale principal component analysis,MSPCA)算法通过将变分模态分解与主元分析相结合筛选故障信息存在的尺度分量,并将得到的各尺度分量直接重构作为高维时域特征输入,对得到的各尺度分量进行希尔伯特黄(HHT)变换,提取边际谱作为高维时频域特征输入;最后,将上述两种特征作为双通道CNN模型的输入进行训练,建立最终的多特征融合CNN故障诊断模型。结果表明:所提方法的故障诊断准确率达到95%,相较于单一特征与浅层分类器相结合的故障诊断策略,具有更高的识别率和更强的适应性,可为基于电信号的高相似度故障的分类识别提供一定参考。
