趙瑩瑩，何怡剛，邢致愷，杜博倫

（武漢大學(xué) 電氣與自動化學(xué)院，湖北 武漢 430072）

0 引言

雙有源橋（dual active bridge，DAB）變換器廣泛應(yīng)用于電動汽車、直流輸電、儲能系統(tǒng)等新能源領(lǐng)域［1-3］，具有電能變換和功率雙向流動特性。調(diào)查表明［4］，功率半導(dǎo)體器件是電力電子變換器中最易出現(xiàn)故障的器件。短路故障和開路故障是其常見的故障模式。短路故障會觸發(fā)電路的過流保護(hù)，容易被檢測到。開路故障引起的電壓和電流畸變不如短路故障嚴(yán)重，難以檢測和定位。若診斷不及時，則產(chǎn)生的過應(yīng)力會損壞健康組件造成額外故障，甚至損壞設(shè)備導(dǎo)致系統(tǒng)較長時間的停運(yùn)，帶來巨大的經(jīng)濟(jì)損失［5］。

目前DAB變換器開路故障診斷主要為基于模型的方法［6-8］。文獻(xiàn)［6］通過分析DAB變換器開路故障的全橋輸出電壓來制定故障診斷策略，但DAB變換器結(jié)構(gòu)對稱，對稱位置的絕緣柵雙極型晶體管（insulated gate bipolar transistor，IGBT）開路故障等效而無法被區(qū)分。文獻(xiàn)［7-8］通過引入4個橋臂中點(diǎn)電壓作為診斷信號來解決上述問題，但由于使用了較多診斷信號，需設(shè)置診斷閾值且不具有普適性。另一方面，電力電子變換器中IGBT間的串?dāng)_和噪聲會使監(jiān)測信號失真，難以建立準(zhǔn)確的數(shù)學(xué)模型［9］。

近年來，基于數(shù)據(jù)驅(qū)動的方法被廣泛用于電力電子變換器故障診斷。該方法無需建立數(shù)學(xué)模型，而是通過深度學(xué)習(xí)挖掘各故障類型與數(shù)據(jù)樣本間的關(guān)系。文獻(xiàn)［10］結(jié)合變換器故障的瞬時特征和隨機(jī)森林診斷逆變器開路故障。文獻(xiàn)［11］采用小波神經(jīng)網(wǎng)絡(luò)診斷IGBT開路故障。盡管這些網(wǎng)絡(luò)可以學(xué)習(xí)輸入樣本的深層特征，但診斷信號中冗余特征及噪聲仍會影響故障診斷準(zhǔn)確度。文獻(xiàn)［12］在殘差神經(jīng)網(wǎng)絡(luò)（residual neural network，ResNet）基礎(chǔ)上引入軟閾值與注意力機(jī)制構(gòu)建深度殘差收縮網(wǎng)絡(luò)（deep residual shrinkage network，DRSN）來解決該問題，取得了較好的效果。

DAB變換器屬于多信號診斷問題，目前深度學(xué)習(xí)網(wǎng)絡(luò)多用于單個信號的故障診斷。多傳感器信號信息融合是工業(yè)領(lǐng)域的主要趨勢［13］，該思想已應(yīng)用于故障診斷領(lǐng)域。文獻(xiàn)［14-15］利用D-S證據(jù)理論融合變壓器多組故障數(shù)據(jù)以更真實(shí)反映變壓器故障信息。深度學(xué)習(xí)在圖像識別領(lǐng)域應(yīng)用較成熟。文獻(xiàn)［16］將多組傳感器數(shù)據(jù)轉(zhuǎn)化為圖像進(jìn)行融合，隨后輸入深度學(xué)習(xí)網(wǎng)絡(luò)以更準(zhǔn)確地診斷軸承故障。電力電子變換器故障診斷中，文獻(xiàn)［17］也采用圖像融合思想，將診斷信號不同時段數(shù)據(jù)轉(zhuǎn)化為圖像進(jìn)行融合以使故障特征明顯化，但該方法只適用于處理單個信號。

針對上述問題，本文提出一種基于信息融合和DRSN的DAB變換器開路故障診斷方法，并將故障診斷信號減少至3個。首先，使用遞歸圖（recurrence plot，RP）法將各診斷信號轉(zhuǎn)化為圖像，然后通過脈沖耦合神經(jīng)網(wǎng)絡(luò)（pulse-coupled neural network，PCNN）融合RP圖（稱為RP-PCNN），融合圖像綜合3個診斷信號的特征信息，可區(qū)分DAB變換器各故障狀態(tài)且便于輸入深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行分類。最后將融合圖像樣本輸入搭建的DRSN進(jìn)行故障診斷，該模型可以獲取輸入樣本的重要特征，且不需要設(shè)置固定的診斷閾值。

1 RP-PCNN信息融合與DRSN的模型原理

1.1 RP-PCNN信息融合模型原理

信息融合是對多個信息源獲取的數(shù)據(jù)和信息進(jìn)行綜合使用的理論體系，使用多源信息感知更貼近分析目標(biāo)的整體狀態(tài)［15］。按照信息融合的處理層次可將其分為數(shù)據(jù)級融合、特征級融合和決策級融合3種。目前普遍采用信息損失較少的數(shù)據(jù)級融合來融合多源數(shù)據(jù)。本文基于此構(gòu)建RP-PCNN信息融合模型，RP法和PCNN的模型原理如下。

1.1.1 RP法原理

RP法基于相空間重構(gòu)理論分析時間序列的周期性、混沌性和非平穩(wěn)性［18］，揭示時間序列各點(diǎn)間的關(guān)聯(lián)性。假設(shè)具有n個時間點(diǎn)的時間序列X={x1，x2，…，xn}。首先對X進(jìn)行相空間重構(gòu)，重構(gòu)序列為：

式中：e為嵌入維數(shù)；f為延遲時間。

RP矩陣R的元素由下式確定：

式中：xε為設(shè)定閾值；‖·‖為向量范數(shù)，一般用∞-范數(shù)計算；Θ(·)為Heaviside函數(shù)。

R由1和0組成，1表示相空間2點(diǎn)為遞歸狀態(tài)，0則表示不構(gòu)成遞歸狀態(tài)。以i為橫坐標(biāo)、j為縱坐標(biāo)繪出R的元素可得到RP。

1.1.2 PCNN原理

PCNN是由若干神經(jīng)元互連形成的反饋型單層神經(jīng)網(wǎng)絡(luò)［19］，無需訓(xùn)練與學(xué)習(xí)就可提取圖像信息，被廣泛用于圖像融合。PCNN神經(jīng)元數(shù)等于輸入圖像像素數(shù)，每個神經(jīng)元由接收域、調(diào)制域和脈沖產(chǎn)生域組成，數(shù)學(xué)表達(dá)式為：

式中：Fij(n)、Sij(n)和Lij(n)分別為神經(jīng)元反饋輸入、外部刺激輸入和鏈接輸入；Wij，kl、Uij(n)和Yij(n)分別為神經(jīng)元連接權(quán)重系數(shù)、內(nèi)部活動和輸出；αL、VL和β分別為鏈接輸入時間衰減常數(shù)、振幅放大系數(shù)和鏈接強(qiáng)度；αθ、Vθ和θij(n)分別為變閾值函數(shù)的時間衰減常數(shù)、振幅放大系數(shù)和動態(tài)閾值。

假設(shè)PCNN輸入的源圖像為A和B。外部刺激輸入Sij分別對應(yīng)A和B中(i，j)處的歸一化值。調(diào)制域中分別獲得A和B的內(nèi)部活動Uij和動態(tài)閾值θij后，將Uij和θij進(jìn)行比較。若Uij＞θij，則神經(jīng)元點(diǎn)火，Yij=1；否則神經(jīng)元不點(diǎn)火，Yij=0。重復(fù)此過程N(yùn)d次，所有神經(jīng)元點(diǎn)火次數(shù)分別構(gòu)成A和B的點(diǎn)火映射圖OA和OB。根據(jù)OA和OB融合輸入圖像，公式如下：

將該圖與[0，255]范圍像素映射可得到PCNN輸出的融合圖像。

1.2 DRSN原理

DRSN具有較強(qiáng)特征提取能力，可自適應(yīng)獲得輸入樣本的重要特征。殘差收縮模塊（residual shrinkage building unit，RSBU）是其主要功能模塊。RSBU包括恒等路徑、軟閾值函數(shù)和注意力機(jī)制。恒等路徑在中間層引入原始輸入信息，使梯度參數(shù)有效傳遞和更新，可解決網(wǎng)絡(luò)深度增加導(dǎo)致的梯度消失和網(wǎng)絡(luò)退化問題。軟閾值函數(shù)通過將特征部分置0實(shí)現(xiàn)對冗余特征的抑制。注意力機(jī)制學(xué)習(xí)輸入特征的重要性權(quán)重，并以權(quán)重為依據(jù)選擇重要特征，減少了網(wǎng)絡(luò)的復(fù)雜度和計算量。

RSBU的結(jié)構(gòu)如附錄A圖A1所示。圖中：C、W和H分別為特征圖U1的通道數(shù)、寬度和高度；K為卷積核個數(shù)；M為全連接神經(jīng)元數(shù)。RSBU首先通過2個批標(biāo)準(zhǔn)化、2個ReLU激活函數(shù)和2個卷積提取U1特征得到U2；接著通過注意力機(jī)制構(gòu)造獲取閾值的子網(wǎng)絡(luò)，該網(wǎng)絡(luò)對U2進(jìn)行取絕對值和全局平均池化操作得到一維向量β；然后通過2個全連接層和Sigmoid激活函數(shù)輸出范圍為[0，1]的一維縮放參數(shù)向量α，計算公式見式（5）。

式中：z為第二個全連接層的輸出。β和α相乘可得U2通道閾值的組合τ，計算公式如下：

將U2和τ輸入軟閾值函數(shù)fsoft（·，·）進(jìn)行特征選擇，計算公式如下：

式中：p、w和h分別為U2通道、寬度和高度的索引值；τp為U2第p通道的閾值；U3為輸出特征圖。將U3與恒等路徑連接的原始輸入特征圖U1相加，可得經(jīng)RSBU重構(gòu)后的特征圖U4，計算公式如下：

DRSN是多個RSBU的堆疊。DRSN中注意力機(jī)制和軟閾值結(jié)合可自適應(yīng)獲取通道閾值，消除與分類性能無關(guān)的特征，保留重要特征。

2 基于RP-PCNN與DRSN的DAB變換 器開路故障診斷方法

2.1 故障診斷信號的選擇

DAB變換器由對稱的2個全橋（BH1和BH2）組成，全橋之間由高頻變壓器連接，拓?fù)浣Y(jié)構(gòu)如圖1所示。圖中：Uin和Uo分別為變換器輸入電壓和輸出電壓；I1和I2分別為變換器輸入電流和輸出電流；C1和C2分別為變換器輸入電容和輸出電容；N為變壓器匝比；Lr為變壓器漏感；iLr為漏感電流。由于DAB變換器結(jié)構(gòu)對稱，處于對稱位置的IGBT開路故障時BH1的輸出電壓vab、BH2的輸出電壓vcd和iLr的波形相同，如：S1和S4開路故障時，vab、vcd和iLr的波形分別相同。處于不同對稱位置的IGBT，即S1／S4、S2／S3、Q1／Q4和Q2／Q3開路故障時，vab、vcd和iLr的波形各不相同。因此以vab、vcd和iLr為診斷信號只能識別不同對稱位置的IGBT故障，而無法進(jìn)行準(zhǔn)確定位。

圖1 DAB變換器拓?fù)浣Y(jié)構(gòu)Fig.1 Topology of DAB converter

文獻(xiàn)［6-7］引入4個橋臂中點(diǎn)電壓va、vb、vc和vd，通過分析其平均值變化來定位故障IGBT，但該方法需使用較多的信號傳感器。由文獻(xiàn)［6-7］的分析可知，IGBT開路故障時，僅故障IGBT所在橋臂的中點(diǎn)電壓波形會發(fā)生畸變，即S1／S2橋臂、S3／S4橋臂，Q1／Q2橋臂和Q3／Q4橋臂發(fā)生IGBT開路故障分別只影響va、vb、vc和vd波形變化。本文以此為依據(jù)，在va、vb、vc和vd基礎(chǔ)上結(jié)合iLr分析其波形變化與變換器各故障狀態(tài)的關(guān)系。分析結(jié)果如附錄A表A1所示，表中“N”表示波形正常，“F”表示波形畸變，F(xiàn)0—F4分別表示iLr的5種變化狀態(tài)。以對稱位置S1和S4的開路故障區(qū)分為例進(jìn)行分析，由表A1可看出，iLr波形變化類型可將開路故障定位至S1和S4，由va波形畸變而vb波形不畸變可判斷S1故障，由va波形不畸變而vb波形畸變可判斷S4故障，S2和S3故障也以此方法區(qū)分。因此結(jié)合iLr與va／vb波形可區(qū)分BH1中所有IGBT的開路故障。同樣結(jié)合iLr與vc／vd波形可區(qū)分BH2中所有IGBT的開路故障。因此將va／vb、vc／vd及iLr作為診斷信號可區(qū)分變換器所有的工作狀態(tài)。本文將診斷信號減少至3個，減少了信號傳感器的數(shù)量。本文以iLr、va和vc作為診斷信號為例研究DAB變換器的故障診斷。

2.2 基于RP-PCNN的信息融合模型

DAB變換器開路故障需結(jié)合多個診斷信號才能準(zhǔn)確定位故障IGBT。且DAB變換器不同開路故障的信號波形可能具有相同頻率成分，頻譜分析成像法無法區(qū)分故障信號的特征，需重點(diǎn)關(guān)注時域特征。本文提出了基于RP-PCNN的信息融合方法，該方法可以提取故障診斷信號的時域特征，將多個診斷信號的特征融合到一張圖像，適用于多信號故障診斷。RP-PCNN的框架如圖2所示。

圖2 RP-PCNN的框架Fig.2 Framework of RP-PCNN

首先，輸入樣本中3個時間序列iLr、va和vc至RP模型中，由式（1）對iLr、va和vc序列進(jìn)行相空間重構(gòu)后，通過式（2）將重構(gòu)后的iLr、va和vc序列轉(zhuǎn)化為二維RP；然后，將每個RP作為PCNN模型的外部刺激輸入，由式（3）計算得到iLr、va和vc的點(diǎn)火映射圖，并由式（4）根據(jù)3個點(diǎn)火映射圖和判決選擇算子融合iLr、va和vc的RP得到PCNN輸出的二 維 融 合圖像。該融合圖像包含3個診斷信號的故障特征，且本文采用灰度圖表示RP以及融合圖像，相較于RGB圖像，減少了數(shù)據(jù)量，可減小DRSN的計算時間。所有原始樣本經(jīng)RP-PCNN處理可得輸入DRSN的融合圖像樣本。

2.3 基于DRSN的故障診斷模型

基于模型的DAB變換器開路故障診斷需要設(shè)置診斷閾值。若閾值太小則會將信號正常波動視為故障，若閾值太大則難以診斷出故障，降低了診斷準(zhǔn)確度。閾值設(shè)置后需經(jīng)多次實(shí)驗(yàn)修正，且隨變換器工作狀態(tài)和電路參數(shù)改變而改變，不具普適性。此外，融合圖像包含3個診斷信號的故障特征，需深度提取其分類特征。DRSN特征提取和降維能力較強(qiáng)，可以自適應(yīng)學(xué)習(xí)閾值，能夠有效提取融合RP中與故障分類有關(guān)的重要特征，消除冗余特征，有利于故障診斷性能的提升。因此本文構(gòu)建了基于DRSN的開路故障診斷框架如圖3所示。在每個RSBU中，由式（5）和式（6）自適應(yīng)計算得到特征圖的通道閾值，進(jìn)而由軟閾值函數(shù)式（7）消除與DAB變換器故障診斷無關(guān)的特征，最后由式（8）引入靠近輸入層的特征圖，完成重要特征的重構(gòu)。該模型用于DAB變換器故障診斷時不需要設(shè)置診斷閾值。

圖3 基于DRSN的開路故障診斷框架Fig.3 Framework of open-circuit fault diagnosis based on DRSN

理論上RSBU越多，特征提取效果越好，但網(wǎng)絡(luò)深度增加，網(wǎng)絡(luò)計算量和復(fù)雜度隨之增加，因此本文使用3個RSBU構(gòu)建DRSN，并設(shè)卷積核大小為3×3。首先，預(yù)處理融合圖像，裁剪圖像尺寸并標(biāo)準(zhǔn)化為1×128×128大小；然后，對預(yù)處理圖像進(jìn)行卷積操作，卷積核個數(shù)設(shè)為4，輸出特征圖大小為4×128×128，將該特征圖輸入3個RSBU中逐步提取重要特征，卷積核個數(shù)分別為4、8和16，“/2”表示卷積步長為2，得到的最后一個RSBU輸出特征圖的大小為16×16×16，并對該特征圖進(jìn)行批標(biāo)準(zhǔn)化、ReLU激活和全局平均池化操作后展開為一維向量；最后，將該向量輸入Softmax函數(shù)得到故障分類結(jié)果。

2.4 基于RP-PCNN與DRSN的DAB變換器開路故障診斷方法

基于RP-PCNN與DRSN的DAB變換器開路故障診斷流程如附錄A圖A2所示，其具體步驟如下。

1）數(shù)據(jù)采集。分別采集DAB變換器正常工作狀態(tài)和各IGBT開路故障狀態(tài)下的iLr、va、vc數(shù)據(jù)樣本并進(jìn)行編碼。

2）基于RP-PCNN進(jìn)行信息融合。將各數(shù)據(jù)樣本中的時間序列iLr、va和vc輸入RP-PCNN模型得到融合圖像樣本。

3）基于DRSN構(gòu)建故障診斷網(wǎng)絡(luò)。按照4∶1比例隨機(jī)劃分融合圖像樣本為訓(xùn)練集和測試集。首先輸入訓(xùn)練集到DRSN中進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練效果調(diào)整網(wǎng)絡(luò)參數(shù)；然后輸入測試集到訓(xùn)練好的DRSN中測試，輸出診斷結(jié)果并進(jìn)行分析。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)平臺

本文在RT-LAB中搭建DAB變換器半實(shí)物系統(tǒng)，系統(tǒng)框架如附錄A圖A3所示。OP5700實(shí)時模擬器模擬DAB變換器，DSP28335-L產(chǎn)生IGBT的脈寬調(diào)制（pulse width modulation，PWM）信號。OP5700模擬器的輸出電壓輸入DSP28335-L進(jìn)行擴(kuò)展移相控制，OP5700模擬器的數(shù)字輸入電路接收PWM信號。DAB變換器輸入電壓Uin為100 V，輸出電壓Uo為60 V。變壓器匝數(shù)比N為1，漏感Lr為100 μH，IGBT開關(guān)頻率為10 kHz。

通過撤去IGBT的PWM信號來模擬其開路故障。DAB變換器的故障類別分為9種，工作狀態(tài)及編碼設(shè)置如表1所示。每個工作狀態(tài)收集1 000個樣本，每個樣本1 000個點(diǎn)。

表1 故障類別及故障編碼Table 1 Fault class and fault code

3.2 RP-PCNN模型信息融合結(jié)果

RP法中閾值xε設(shè)置為0.15，嵌入維數(shù)d為3，延遲時間f為4。本文僅展示DAB變換器處于對稱位置的S1和S4開路故障時診斷信號的RP，分別如附錄A圖A4和圖A5所示。iLr、va和vc都是周期信號，生成的RP也具有周期性，圖像大小為1 000×1 000像素。S1和S4開路故障時iLr波形相同。S1開路故障時，va波形畸變，vc波形正常；S4開路故障時，va波形正常，vc波形正常。因此S1和S4開路故障時iLr和vc的RP相同，va的RP不相同，與附錄A表A1分析一致。

PCNN中設(shè)置αL、VL和β分別為1、1和3，αθ、Vθ、迭代次數(shù)Nd分別為0.2、10和200。使用PCNN分別融合S1和S4開路故障時iLr、va和vc的RP及其相同位置的局部放大圖分別如圖4和圖5所示，圖像大小為1 000×1 000像素。由于S1和S4開路故障時va的RP存在差異，而融合圖像同時包含iLr、va和vc的故障信息，因此生成的融合圖像也存在差異。使用相同方法分別處理各故障狀態(tài)下的診斷信號數(shù)據(jù)樣本，生成的融合圖像可區(qū)分所有IGBT開路故障，解決了對稱位置的IGBT開路故障無法區(qū)分的問題。

圖4 S1開路故障時的PCNN融合圖像Fig.4 Fused image of S1open-circuit fault by PCNN

圖5 S4開路故障時的PCNN融合圖像Fig.5 Fused image of S4open-circuit fault by PCNN

3.3 DRSN模型故障診斷結(jié)果及對比分析

3.3.1 模型參數(shù)設(shè)置

本文采用10折交叉驗(yàn)證進(jìn)行實(shí)驗(yàn)，保證每個數(shù)據(jù)樣本都作為訓(xùn)練集學(xué)習(xí)。DRSN的批次大小設(shè)置為64。迭代次數(shù)設(shè)為100，前40次的學(xué)習(xí)速率為0.001，接下來40次的學(xué)習(xí)速率衰減為前40次的1/10，最后20次的學(xué)習(xí)速率再衰減為之前40次的1/10。該設(shè)置使參數(shù)在訓(xùn)練初始以較大步長更新，訓(xùn)練結(jié)束時以較小步長更新，避免陷入局部最小值。設(shè)置L2正則化系數(shù)為0.000 1，通過限制權(quán)重大小來降低模型的復(fù)雜度和不穩(wěn)定度，避免模型過擬合。

3.3.2 DRSN模型訓(xùn)練結(jié)果及對比分析

將融合圖像樣本輸入DRSN進(jìn)行訓(xùn)練與測試，迭代過程訓(xùn)練準(zhǔn)確度和測試準(zhǔn)確度變化如圖6所示。DRSN在訓(xùn)練與測試后均可達(dá)到較高的準(zhǔn)確度，說明融合圖像包含3個診斷信號iLr、va和vc的故障信息，可以區(qū)分DAB變換器所有IGBT的開路故障。

圖6 訓(xùn)練準(zhǔn)確度和測試準(zhǔn)確度曲線Fig.6 Curves of training accuracy and testing accuracy

將DRSN與使用較多的分類方法（如DBN、AlexNet和ResNet）進(jìn)行對比分析。各方法的平均準(zhǔn)確度和計算時間如表2所示。由表可以看出：本文構(gòu)建的DRSN具有較高的訓(xùn)練準(zhǔn)確度和測試準(zhǔn)確度，其中測試準(zhǔn)確度高達(dá)98.76 %，相比DBN、AlexNet和ResNet分別提升了5.91 %、3.33 %和1.47 %；同時DRSN具有訓(xùn)練時間和測試時間較短的優(yōu)勢，其訓(xùn)練時間為203 s，測試時間為0.018 s。

表2 平均準(zhǔn)確度和計算時間Table 2 Average accuracy and computational time

3.3.3 DRSN模型診斷結(jié)果及對比分析

為驗(yàn)證本文方法的有效性，分別將訓(xùn)練好的模型重復(fù)50次診斷實(shí)驗(yàn)。各算法的最大診斷精度、最小診斷精度和平均診斷精度如表3所示。由表可見：DRSN的最小診斷精度和最大診斷精度均優(yōu)于DBN、AlexNet和ResNet；DRSN的平均診斷精度達(dá)98.44 %，相比DBN、AlexNet和ResNet分別提升了6.06 %、3.09 % 和0.93 %，具有較高的平均診斷精度。

表3 對比算法的故障診斷精度Table 3 Fault diagnosis accuracy of comparative methods

將實(shí)驗(yàn)結(jié)果繪制成故障診斷箱型圖，如圖7所示。上四分位數(shù)為數(shù)據(jù)從小到大排序后分布在數(shù)據(jù)75 % 位置上的數(shù)，下四分位數(shù)是分布在數(shù)據(jù)25 % 位置上的數(shù)。故障診斷箱型圖中，上四分位數(shù)和下四分位數(shù)間的距離可衡量故障診斷的穩(wěn)定性，距離越小，穩(wěn)定性越好。由圖7可看出，本文構(gòu)建的DRSN故障診斷精度箱型圖中上四分位數(shù)和下四分位數(shù)之間距離較小，說明具有較好的故障診斷穩(wěn)定性。

圖7 故障診斷箱型圖Fig.7 Boxplot of fault diagnosis

進(jìn)一步統(tǒng)計了DBN、AlexNet、ResNet和DRSN對各故障類別的診斷狀況，如表4所示。由于BH2中各IGBT開路故障診斷信號波形區(qū)分度較小，4種方法對故障0、5—8的診斷精度普遍低于對故障1—4的診斷精度。由表4可以看出：DBN對各故障類別的診斷效果最差；ResNet和AlexNet的診斷效果有所提升；DRSN對各故障類別的診斷精度均優(yōu)于前3種方法，對故障1—3的診斷精度可達(dá)99 %。

表4 各故障類別的診斷精度Table 4 Diagnosis accuracy of each fault class

DRSN結(jié)合了軟閾值函數(shù)和注意力機(jī)制，可以自適應(yīng)獲取閾值來選擇輸入樣本中與分類性能有關(guān)的重要特征，忽略次要特征，因此對于DAB變換器的開路故障診斷具有較高的診斷精度。

4 結(jié)論

本文將信息融合和機(jī)器學(xué)習(xí)引入DAB變換器的故障診斷，提出一種基于RP-PCNN和DRSN的DAB變換器開路故障診斷方法，解決了DAB變換器的多信號故障診斷及診斷閾值設(shè)置問題，可為對稱性變換器的開路故障診斷提供思路。本文研究結(jié)論如下：

1）由DAB變換器的變壓器漏感電流、原邊側(cè)任一橋臂中點(diǎn)電壓和副邊側(cè)任一橋臂中點(diǎn)電壓組合成的3個診斷信號可區(qū)分所有IBGT的開路故障，減少了DAB變換器開路故障診斷中信號傳感器的數(shù)量；

2）RP-PCNN信息融合方法將每個樣本中3個診斷信號的時間序列融合為一張圖像，該圖像包含3個診斷信號的特征信息，能夠反映并區(qū)分DAB變換器不同故障狀態(tài)下的故障特征；

3）本文構(gòu)建的DRSN模型結(jié)合軟閾值函數(shù)和注意力機(jī)制進(jìn)行故障診斷，無需設(shè)置診斷閾值，能夠有效、準(zhǔn)確地對各故障狀態(tài)進(jìn)行分類，平均故障診斷精度達(dá)98.44 %。

基于本文研究結(jié)果，筆者將進(jìn)一步研究DAB變換器實(shí)驗(yàn)平臺的搭建以更準(zhǔn)確地收集變換器故障信息，同時將改進(jìn)故障診斷網(wǎng)絡(luò)結(jié)構(gòu)來提高故障診斷準(zhǔn)確度和診斷速度。

附錄見本刊網(wǎng)絡(luò)版（http：//www.epae.cn）。