一种多电平逆变器功率器件故障诊断方法与流程

1.本发明涉及一种基于共享学习型神经网络的多电平逆变器功率器件故障诊断方法，属于电力电子设备故障诊断技术领域。


背景技术：

2.多电平逆变器因具备效率高、谐波特性好、功率器件应力低等优势，在工业生产中得到了广泛的关注和应用。然而，与传统的两电平逆变器相比，多电平逆变器包含更多的功率半导体器件，图1为一种多电平逆变器的典型拓扑，t型三电平逆变器的原理图。根据工业统计报告[1]可知，电力电子系统中功率半导体开关是最易发生故障的脆弱部件之一，而多电平逆变器通常通过增加功率开关的数量提高输出的电平数，因此其故障将对逆变器的可靠运行的产生巨大威胁。开路故障作为功率半导体器件常见的表现形式，不会造成短时间内电气量的瞬态突变，因而故障特征较难识别，但若未能得到及时处理，开路故障将导致逆变器输出失真和电气应力增加，引发电路中其他部分的二次损坏，最终导致灾难性故障。因此，设计快速可靠的功率半导体开关管开路故障诊断方法，对确保系统安全具有重要意义。
[0003]
现今，围绕功率半导体开关的故障诊断方法主要可分为基于电路模型的诊断方法和基于数据驱动的诊断方法。前者通过对目标电路进行精确建模，利用电路模型对传感器采集的电压、电流信号进行分析，根据分析结果的评估，结合相应的诊断规则推导故障发生的类型和位置，如观测电流残差法(专利申请号201310743597.4)、输出端电压平均值法[2]，桥臂间电压残差法[3]及线电压包络线的方法(专利申请号201610286526.x)等。图2给出了这类方法的实现原理图。当电路拓扑不同时，需要建立的电路模型和诊断规则均不相同。随着功率开关管数量的增多，电路的故障模式增加，导致诊断方法的逻辑框架设计也更加复杂。此外，该方法对电路参数的敏感性较高。上述问题均限制了电路模型法的实际应用。
[0004]
基于数据驱动的诊断方法无需详细分析逆变器的工作机理或模型，通过从采集数据中提取特征信息评估系统的运行状态，如人工神经网络(专利申请号201610438466.9，[4])、极限学习机[5]、随机森林[6]及向量机(专利申请号201410005022.7)等方法。人工神经网络(ann)作为一个具有多输入-多输出的非线性模型，在模拟逆变器输入和输出的特征关系方面具有良好表现，得到了广泛的关注和应用，其诊断原理图如图3所示。很多研究也将信号分析策略与ann相结合，进一步提高诊断精度，如基于傅里叶变换的ann诊断模型[7]和基于离散小波变换的ann诊断方法等[8]。但上述方法通常需要从大量数据中提取故障特征，计算量大，不仅对电路控制器性能提出了较高要求，还会延长诊断时间，较难实现快速在线诊断。
[0005]
参考文献：
[0006]
[1]s.yang,a.bryant,p.mawby,d.xiang,l.ran,and p.tavner,“an industry-based survey of reliability in power electronic converters,”ieee trans.ind.appl.,vol.47,no.3,pp.1441
–
1451,may/jun.2011.
[0007]
[2]z.li,h.ma,z.bai,y.wang,and b.wang,“fast transistor open-circuit faults diagnosis in grid-tied three-phase vsis based on average bridge arm pole-to-pole voltages and error-adaptive thresholds,”ieee trans.power electron.,vol.33,no.9,pp.8040
–
8051,sep.2018.
[0008]
[3]l.m.a.caseiro and a.m.s.mendes,“real-time igbt open-circuit fault diagnosis in three-level neutral-point-clamped voltage-source rectifiers based on instant voltage error,”ieee trans.ind.electron.,vol.62,no.3,pp.1669
–
1678,mar.2015.
[0009]
[4]s.s.moosavi,a.n’diaye,a.djerdir,et al.artificial neural network based fault diagnosis in the ac
–
dc converter of the power supply of series hybrid electric vehicle.iet electr.syst.transp.,vol.6,no.2,pp.96-106,jun.2016.
[0010]
[5]xia y,xu y.a transferrable data-driven method for igbt open-circuit fault diagnosis in three-phase inverters[j].ieee trans.power electron.,2021,36(12):13478-13488.
[0011]
[6]kou l,liu c,cai g w,et al.fault diagnosis for open-circuit faults in npc inverter based on knowledge-driven and data-driven approaches[j]iet power electron.,2020,13(6):1236-1245.
[0012]
[7]han p,he x,ren h,et al.fault diagnosis and system reconfiguration strategy of single-phase three level neutral-point-clamped cascaded inverter[j].ieee transactions on industry applications，2019，55(4)：3863-3876.
[0013]
[8]zhang h，an q，hu z，et al.fault detection wavelet fractal method of circuit of three-phase bridge rectifier[c].2010international conference on intelligent system design and engineering application.ieee，2010：725-729.
[0014]
[9]gong w，chen h，zhang z，et al.a data-driven-based fault diagnosis approach for electrical power dc-dc inverter by using modified convolutional neural network with global average pooling and 2-d feature image[j].ieee access，2020，8：73677-73697.
[0015]
[10]m.lin，q.chen，and s.c.yan，“network in network，
″
in proc.int.conf.learn.represent.，2014，pp.1-10.


技术实现要素：

[0016]
本发明要解决的技术问题是：基于电路模型的诊断方法可以在诊断精度和诊断速度方面表现较好，但需要建立逆变器系统的精确模型和参数，应用于不同拓扑时需要重新建模，通用性较差。基于数据驱动的方法对电路模型和参数的精度要求较低，但需要对数据进行大量的计算和分析，诊断时间较长且会占用较多的计算资源，不适于逆变器系统的在线故障监测。
[0017]
为了解决上述技术问题，本发明的技术方案是提供了一种多电平逆变器功率器件故障诊断方法，其特征在于，使用前馈卷积-池化网络和辅助神经网络对多电平逆变器各相
的运行模式进行辨识，获得诊断结果，其中，将辅助神经网络学习的权值和偏置参数迁移到前馈卷积-池化网络的卷积核中，来共享辅助神经网络的学习能力，使前馈卷积-池化网络具备对多电平逆变器运行模式的特征辨识。
[0018]
优选地，输入所述前馈卷积-池化网络和所述辅助神经网络的数据为基于传感器采集的三相一维时序信号转变重构得到的hd×
3sd的二维信号矩阵m
fm
。
[0019]
优选地，采用以下方法获得所述二维信号矩阵m
fm
：
[0020]
步骤1、利用传感器采集多电平逆变器的三相输出电流信号i
x
并进行park变换后对电流幅值进行归一化处理，然后将归一化的三相电流信号进行衰减加速处理，获得三相一维时序诊断信号，其中，x＝a，b，c分别表示a相、b相、c相，三相一维时序诊断信号是与采样时间对应的一维时序信号序列，x相的一维时序诊断信号表示为{i
x.n3
[1]，i
x.n3
[2]，...，i
x.n3
[n]，...}，i
x.n3
[n]表示第n个采样时刻x相的诊断信号；
[0021]
步骤2、设置尺寸为1
×ndw
的滑动检测窗口，利用该滑动检测窗口收集各相的一维时序诊断信号，则多电平逆变器三相的滑动检测窗口每次收集3n
dw
个诊断信号；
[0022]
步骤3、根据下式将收集的三相一维时序信号转变重构为一个hd×
3sd的二维信号矩阵m
fm
，二维信号矩阵m
fm
为前馈卷积-池化网络和辅助神经网络的输入特征图：
[0023][0024]
式中：k＝1：hd，l＝1：sd，且满足hd·
sd＝n
dw
；x
k，l
表示二维信号矩阵m
fm
中第k行、第l列上的数据。
[0025]
优选地，所述辅助神经网络包括输入层、隐藏层和输出层，输入层的神经元个数r与所述二维信号矩阵m
fm
的尺寸关系满足r＝3sd；输入特征图输入输入层后，分别经隐藏层和输出层的神经元处理后，输入softmax层进行分类，得到最终的运行模式分类结果，其中，隐藏层、输出层对信号的处理分别由下式表示。
[0026][0027][0028]
式中：zj表示第j个隐藏层神经元的输出信息；f
hid
()为隐藏层的激活函数；yj表示第j个隐藏层神经元接收的信息；为信息由第n个输入层神经元传递至第j个隐藏层神经元的权值；xn表示特定时刻第n个输入层神经元接收的信息；aj为神经元接收信息的偏置；o
l
表示第l个输出层神经元的输出信息；f
out
()为输出层的激活函数；为信息由第k个隐藏层神经元传递至第l个输出层神经元的权值；b
l
表示输出层神经元接收信息的偏置。
[0029]
优选地，所述前馈卷积-池化网络包括两个卷积层和一个全局池化层，将两个卷积层分别定义为卷积层一以及卷积层二，其中：
[0030]
卷积层能够对所述输入特征图直接进行处理，将n
dw
个采样周期内的信息纳入感受
野分析，综合提取该时间段内多电平逆变器运行状态的特征信息，卷积操作过程下式所示：
[0031][0032]
式中：z
l
表示第l个输出特征图的信息矩阵；f
conv
()为卷积层的激活函数；w
l，k
表示第l组卷积核中第k个通道的权值矩阵；表示卷积运算符；xk表示输入特征图中第k个通道的信息矩阵；β
l
表示卷积层对第l个输出特征图的信号偏置；
[0033]
所有经卷积层处理后的特征利用全局池化层进行维度压缩，最后利用softmax函数对压缩后的信息进行分类，得到输入特征图属于各运行模式的概率结果，以指示多电平逆变器的运行状态。
[0034]
优选地，所述前馈卷积-池化网络共享辅助神经网络的学习能力的共享条件为：
[0035][0036][0037]
式中：式中：表示卷积层一的第j个卷积核数组；表示卷积层一的第j个卷积核数组；表示卷积层二的第l个卷积核数组；卷积层二的第l个卷积核数组；表示辅助网络隐藏层第j个神经元的权值数组；权值数组；表示辅助网络输出层第l个神经元的权值数组；表示卷积层一的信号偏置；表示卷积层二的的信号偏置；p为辅助神经网络的隐藏层的神经元个数；f
convi
表示卷积层一的激活函数；f
convii
表示卷积层二的激活函数。
[0038]
优选地，所述卷积层采用多通道卷积层，每组卷积核参数能够被所有的通道共享，各通道分别接收所述滑动检测窗口在多电平逆变器各相收集的诊断信号，经卷积核的处理，过滤其包含特征。
[0039]
采用本发明提出的诊断方法，有效改善了传统电路模型法和数据驱动法的固有问题，即模型依赖性和诊断速度间的矛盾。首先，本发明公开的方法基于神经网络和训练数据学习电路的运行特征，无需分析电路模型和参数，无需额外传感器，通用性强，易实现。与传统的神经网络诊断方法相比，本发明提出的诊断网络通过共享学习能力和简化卷积神经网络结构，具备高诊断精度的同时，降低了对训练样本的需求，加快了信号处理速度，有助于在线故障诊断。为验证本发明方法的性能，基于t型三电平逆变器的电流信号进行了训练和测试。结果表明，本发明提出的诊断模型能够取得更好的诊断性能，有效改善了多电平逆变器的可靠性。
附图说明
[0040]
图1为三相t型三电平逆变器拓扑示意图；
[0041]
图2为基于电路模型的诊断方法示意图；
[0042]
图3为基于数据驱动的诊断方法示意图；
[0043]
图4示意了具有共享特征学习能力的神经网络；
[0044]
图5为本发明中诊断方法的示意图；
[0045]
图6示意了基于多信号序列重构的特征图形成原理；
[0046]
图7为卷积运算示意图；
[0047]
图8为基于训练数据诊断结果的混淆矩阵图。
具体实施方式
[0048]
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
[0049]
本发明设计了一种多电平逆变器故障诊断的神经网络架构，如图4所示，其由一个前馈卷积-池化网络和一个辅助神经网络组成，可实现逆变器功率开关管开路故障的诊断和定位。基于该模型的故障诊断方法的原理如图5所示，实现步骤如下：
[0050]
步骤1、电流信号预处理
[0051]
首先利用传感器采集逆变器正常和故障运行模式下的三相输出电流信号i
x
(x＝a，b，c)并进行park变换，对电流幅值进行归一化处理，如式(1)、(2)所示。
[0052][0053][0054]
式(1)、(2)中：id表示三相电流在park坐标系下d轴分量；iq表示三相电流在park坐标系下q轴分量；ω为三相正弦电流的角速度；φ
x
表示x相的初始相角，x＝a，b，c；i
x.n
[n]表示第n个采样时刻归一化的x相电流值；i
x
[n]表示第n个采样时刻x相电流值；id[n]表示第n个采样时刻电流分量id的值；iq[n]表示第n个采样时刻电流分量iq的值。
[0055]
然后将归一化的三相电流信号进行如式(3)所示的衰减加速处理。经上述预处理后的电流信号作为三相一维时序诊断信号i
a.n3
、i
b.n3
、i
c.n3
。
[0056][0057]
式(3)中：i
x.n3
[n]表示第n个采样时刻x相的诊断信号。
[0058]
步骤2、诊断信号序列重构
[0059]
本发明提出了一种多信号序列重构方法，将三相一维时序诊断信号转换为一个二维信号矩阵，如图6所示。逆变器三相一维时序诊断信号是与采样时间对应的一维时序信号序列，表示为{i
x.n3
[1]，i
x.n3
[2]，...，i
x.n3
[n]，...}，n表示第n个采样时刻。首先通过设置滑动窗口，分批次对各相一维时序诊断信号进行收集，例如使用尺寸为1
×ndw
的滑动检测窗口收集各相的一维时序诊断信号，且每次在一维时序诊断信号上滑动n
dw
位以更新收集信号，则逆变器三相的滑动窗口每次收集3n
dw
个诊断信号。然后根据公式(4)将收集的三相一维时
序信号转变重构为一个hd×
3sd的二维信号矩阵m
fm
，亦称卷积网络的输入特征图。
[0060][0061]
式(4)中：k＝1：hd，l＝1：sd，且满足hd·
sd＝n
dw
；x
k，l
表示二维信号矩阵m
fm
中第k行、第l列上的数据。
[0062]
步骤3、辅助神经网络的训练
[0063]
将二维信号矩阵m
fm
每个列向量中的数据分别送至图4中的辅助神经网络输入层的各个神经元中，进行训练。辅助神经网络是一个简单的三层人工神经网络，其输入层神经元个数r与二维信号矩阵m
fm
的尺寸关系满足r＝3sd。输入数据分别经隐藏层和输出层的神经元处理后，输入softmax层进行分类。隐藏层、输出层对信号的处理分别由公式(6)、(7)表示。
[0064][0065][0066]
公式(6)、(7)中：zj表示第j个隐藏层神经元的输出信息；f
hid
()为隐藏层的激活函数；yj表示第j个隐藏层神经元接收的信息；为信息由第n个输入层神经元传递至第j个隐藏层神经元的权值；xn表示特定时刻第n个输入层神经元接收的信息；aj为神经元接收信息的偏置；o
l
表示第l个输出层神经元的输出信息；f
out
()为输出层的激活函数；为信息由第k个隐藏层神经元传递至第l个输出层神经元的权值；b
l
表示输出层神经元接收信息的偏置；n，j，k，l＝1，2，...。
[0067]
对辅助神经网络的训练基于对输入信号的期望输出与实际输出间的误差的评估，经过不断调节辅助神经网络的参数(权值和偏置aj、b
l
)，使误差最小化，即输入的诊断信号与所属运行模式能正确对应。该过程使用传统的交叉熵损失函数计算神经网络输出误差，基于误差反向传递算法(bp算法)通过微分偏置校正与更新各层权值和偏置参数[9]。
[0068]
步骤4、卷积-池化网络的构建与学习参数的迁移
[0069]
本发明设计的卷积-池化网络如图4所示，其由两个卷积层和一个全局池化层组合形成。其中卷积层可对二维信号矩阵m
fm
直接进行处理，将n
dw
个采样周期内的信息纳入感受野分析，综合提取该时间段内逆变器运行状态的特征信息。卷积操作过程如公式(8)表示。
[0070][0071]
公式(8)中：z
l
表示第l个输出特征图的信息矩阵；f
conv
()为卷积层的激活函数；w
l，k
表示第l组卷积核中第k个通道的权值矩阵；表示卷积运算符；xk表示输入特征图中第
k个通道的信息矩阵；β
l
表示卷积层对第l个输出特征图的信号偏置。
[0072]
图7为一个三通道卷积层对信息的处理过程，每组卷积核参数可被所有的通道共享。各通道分别接收滑动窗口在逆变器各相收集的诊断信号，经卷积核的处理，过滤其包含特征。所有经卷积层处理后的特征利用全局池化层进行维度压缩[10]，即对特征图中的每个行向量直接进行平均化处理，池化操作如公式(9)所示。最后利用softmax函数对压缩后的信息进行分类，得到输入信号属于各工作模式的概率结果，以指示逆变器的运行状态。
[0073][0074]
公式(9)中：o
n，j
表示池化后特征图中(n，j)位置的信息；h
p
和s
p
表示池化窗口的高度和宽度；z
k，l
表示经过卷积层处理后得到的特征图中第k行、第l列上的数据。
[0075]
本发明中提出的神经网络共享学习的方法，是通过将辅助神经网络学习的权值和偏置参数迁移到卷积-池化网络的卷积核中，来共享辅助神经网络的学习能力，使卷积-池化网络也具备对逆变器运行模式的特征辨识。依据公式(6)-(8)中辅助神经网络和卷积网络处理信息的过程，可总结学习能力的共享条件为：
[0076][0077][0078]
公式(10)、(11)中：公式(10)、(11)中：表示卷积层i的第j个卷积核数组；表示卷积层i的第j个卷积核数组；表示卷积层ii的第l个卷积核数组；表示卷积层ii的第l个卷积核数组；表示辅助网络隐藏层第j个神经元的权值数组；络隐藏层第j个神经元的权值数组；表示辅助网络输出层第l个神经元的权值数组；表示卷积层i的信号偏置；表示卷积层ii的的信号偏置；r、p和g分别为辅助神经网络的输入层、隐藏层和输出层的神经元个数；f
convi
表示卷积层i的激活函数；f
convii
表示卷积层ii的激活函数。
[0079]
为验证本发明所提诊断方法的性能，将其应用于图1所示的三相t型三电平逆变器运行模式检测(包括1种正常模式和对应开关管的12种故障模式)。考虑到逆变器三相拓扑的对称性，仅对其a相的诊断结果进行分析。图4的神经网络模型参数如下表所示。
[0080][0081]
首先训练本发明所提神经网络模型的学习能力，对t型三电平逆变器三相电流进行采集，采样间隔10μs，每种工作模式下每相采集800个标记信号，三相电流信号作为一个训练样本，800个训练样本可以形成50个特征图。所有工作模式的训练集包含样本总数为10400个。基于训练集样本获得诊断信号并对辅助神经网络进行训练，将训练后的学习参数迁移至卷积-池化网络并对t型三电平逆变器a相的运行模式进行辨识，诊断结果使用混淆矩阵表示，如图8所示。虽然该方法在对t
a3
管故障的辨识上出现少量的误诊断，诊断准确率可达到99.7％。
[0082]
然后，将本专利提出的神经网络模型与传统神经网络模型的性能比较。其对逆变器正常与故障的诊断精度如下表示。
[0083][0084]
表中ann为传统人工神经网络，其参数和结构与辅助神经网络相同，cpn为共享了学习能力的前馈卷积-池化网络。比较模型i、ii和模型iii、iv可以看出，仅对采集的电流信号做归一化处理，网络模型的诊断精度较低，而利用本专利提出的电流预处理方法得到诊断信号i
x.n3
，会明显增加网络模型的诊断精度。同时，比较模型ii和模型iv也可看出，通过共享学习能力，卷积-池化网络相比传统神经网络能有效提高对系统运行模式的辨识精度。
[0085]
最后，测试该模型的故障检测时间。模拟t
a1
管故障在一个电流基波周期上平均触发20次(基于a相电流基波相角表示)，各个故障发生时刻与对应的故障诊断时间如下表所
示。
[0086][0087]
由于t
a1
管故障直接影响逆变器a相在电流正半周的运行，因此故障在正半周触发时诊断时间较短，最短诊断时间为2.2ms。故障在负半轴触发时由于不影响逆变器运行，故而诊断时间较长，最长时间为14.6ms。

技术特征：
1.一种多电平逆变器功率器件故障诊断方法，其特征在于，使用前馈卷积-池化网络和辅助神经网络对多电平逆变器各相的运行模式进行辨识，获得诊断结果，其中，将辅助神经网络学习的权值和偏置参数迁移到前馈卷积-池化网络的卷积核中，来共享辅助神经网络的学习能力，使前馈卷积-池化网络具备对多电平逆变器运行模式的特征辨识。2.如权利要求1所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，输入所述前馈卷积-池化网络和所述辅助神经网络的数据为基于传感器采集的三相一维时序信号转变重构得到的h
d
×
3s
d
的二维信号矩阵m
fm
。3.如权利要求2所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，采用以下方法获得所述二维信号矩阵m
fm
：步骤1、利用传感器采集多电平逆变器的三相输出电流信号i
x
并进行park变换后对电流幅值进行归一化处理，然后将归一化的三相电流信号进行衰减加速处理，获得三相一维时序诊断信号，其中，x＝a，b，c分别表示a相、b相、c相，三相一维时序诊断信号是与采样时间对应的一维时序信号序列，x相的一维时序诊断信号表示为{i
x.n3
[1]，i
x.n3
[2]，...，i
x.n3
[n]，...}，i
x.n3
[n]表示第n个采样时刻x相的诊断信号；步骤2、设置尺寸为1
×
n
dw
的滑动检测窗口，利用该滑动检测窗口收集各相的一维时序诊断信号，则多电平逆变器三相的滑动检测窗口每次收集3n
dw
个诊断信号；步骤3、根据下式将收集的三相一维时序信号转变重构为一个h
d
×
3s
d
的二维信号矩阵m
fm
，二维信号矩阵m
fm
为前馈卷积-池化网络和辅助神经网络的输入特征图：式中：k＝1：h
d
，l＝1：s
d
，且满足h
d
·
s
d
＝n
dw
；x
k，l
表示二维信号矩阵m
fm
中第k行、第l列上的数据。4.如权利要求3所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，所述辅助神经网络包括输入层、隐藏层和输出层，输入层的神经元个数r与所述二维信号矩阵m
fm
的尺寸关系满足r＝3s
d
；输入特征图输入输入层后，分别经隐藏层和输出层的神经元处理后，输入softmax层进行分类，得到最终的运行模式分类结果，其中，隐藏层、输出层对信号的处理分别由下式表示。理分别由下式表示。式中：z
j
表示第j个隐藏层神经元的输出信息；f
hid
()为隐藏层的激活函数；y
j
表示第j个隐藏层神经元接收的信息；为信息由第n个输入层神经元传递至第j个隐藏层神经元的权值；x
n
表示特定时刻第n个输入层神经元接收的信息；a
j
为神经元接收信息的偏置；o
l
表示第l个输出层神经元的输出信息；f
out
()为输出层的激活函数；为信息由第k个隐藏层神经元传递至第l个输出层神经元的权值；b
l
表示输出层神经元接收信息的偏置。
5.如权利要求4所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，所述前馈卷积-池化网络包括两个卷积层和一个全局池化层，将两个卷积层分别定义为卷积层一以及卷积层二，其中：卷积层能够对所述输入特征图直接进行处理，将n
dw
个采样周期内的信息纳入感受野分析，综合提取该时间段内多电平逆变器运行状态的特征信息，卷积操作过程下式所示：式中：z
l
表示第l个输出特征图的信息矩阵；f
conv
()为卷积层的激活函数；w
l，k
表示第l组卷积核中第k个通道的权值矩阵；表示卷积运算符；x
k
表示输入特征图中第k个通道的信息矩阵；β
l
表示卷积层对第l个输出特征图的信号偏置；所有经卷积层处理后的特征利用全局池化层进行维度压缩，最后利用softmax函数对压缩后的信息进行分类，得到输入特征图属于各运行模式的概率结果，以指示多电平逆变器的运行状态。6.如权利要求5所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，所述前馈卷积-池化网络共享辅助神经网络的学习能力的共享条件为：池化网络共享辅助神经网络的学习能力的共享条件为：式中：表示卷积层一的第j个卷积核数组；表示卷积层二的第l个卷积核数组；表示辅助网络隐藏层第j个神经元的权值数组；表示辅助网络输出层第l个神经元的权值数组；表示卷积层一的信号偏置；表示卷积层二的的信号偏置；p为辅助神经网络的隐藏层的神经元个数；f
convi
表示卷积层一的激活函数；f
convii
表示卷积层二的激活函数。7.如权利要求5所述的一种多电平逆变器功率器件故障诊断方法，其特征在于，所述卷积层采用多通道卷积层，每组卷积核参数能够被所有的通道共享，各通道分别接收所述滑动检测窗口在多电平逆变器各相收集的诊断信号，经卷积核的处理，过滤其包含特征。

技术总结
本发明提供了一种多电平逆变器功率器件故障诊断方法，其特征在于，使用前馈卷积-池化网络和辅助神经网络对多电平逆变器各相的运行模式进行辨识，获得诊断结果，其中，将辅助神经网络学习的权值和偏置参数迁移到前馈卷积-池化网络的卷积核中，来共享辅助神经网络的学习能力，使前馈卷积-池化网络具备对多电平逆变器运行模式的特征辨识。采用本发明提出的诊断方法，有效改善了传统电路模型法和数据驱动法的固有问题，即模型依赖性和诊断速度间的矛盾。本发明提出的诊断网络通过共享学习能力和简化卷积神经网络结构，具备高诊断精度的同时，降低了对训练样本的需求，加快了信号处理速度，有助于在线故障诊断。有助于在线故障诊断。有助于在线故障诊断。


技术研发人员：王伯荣 陈国栋 宋晋峰 彭陈仡
受保护的技术使用者：上海电气集团股份有限公司
技术研发日：2023.06.13
技术公布日：2023/9/7