基于模式识别的变频负荷设备故障诊断与优化方法与流程

本发明属于智能故障诊断领域，具体是指基于模式识别的变频负荷设备故障诊断与优化方法。

背景技术：

1、变频负荷设备在工业和商业领域中广泛应用，变频负荷设备的故障会导致设备性能下降、能效降低以及意外停机等问题，故障诊断的目标是及时发现和准确诊断设备故障的类型和原因，以便采取适当的维修和维护措施，现常见的故障包括电路故障、控制器故障，现有的故障诊断与优化方法主要为对电路与控制器进行人工故障检查与基于神经网络的故障检查，但是人工检查效率非常低，现有的基于神经网络的故障检查准确率也有待提高。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于模式识别的变频负荷设备故障诊断与优化方法，针对人工故障检查效率较低的问题，本发明使用电路模拟软件进行故障模拟，并采用离散小波变换的思想对故障电路的输出电压进行快速的特征提取，最后利用神经网络对特征进行分类，达到快速的故障诊断；针对现有的基于神经网络的故障检查分类准确率有待提高的问题，本发明采用基于遗传算法改进的最小二乘向量机模型对特征进行分类，该模型具有更好的全局搜索能力，提高故障诊断的准确率，并根据全局搜索结果对不同故障进行针对性的优化，同时采用遗传算法改进可使最小二乘向量机更好的适应复杂的数据分布和模式，提高模型的泛化能力与可解释性。

2、本发明采用的技术方案如下：本发明提供的基于模式识别的变频负荷设备故障诊断与优化方法，具体包括以下步骤：

3、步骤s1：数据采集，采集变频负荷设备的电源标准输入电流电压、整流器的标准结构与参数、逆变器的标准结构与参数、控制器的控制策略以及实际电路故障信息；

4、步骤s2：电路模拟，将变频负荷设备的电源标准输入电流电压、整流器的标准结构与参数、逆变器的标准结构与参数、控制器的控制策略输入电路模拟软件，得到模拟电路，并使用模拟电路采集电路输出的电压时序图；

5、步骤s3：故障模拟，将模拟电路中的电源输入电流电压的改变定义为模式1，将整流器的短路处理定义为模式2，将整流器的断路处理定义为模式3，将逆变器的短路处理定义为模式4，将逆变器的断路处理定义为模式5，将控制器控制策略的改变定义为模式6，对6种模式进行随机选择，得到包含2的6次方种模式的模式集合，使用模式集合对模拟电路进行故障模拟，并采集所有模式对应的电路输出的电压时序图，得到总数为1000张的64种电压时序图；

6、步骤s4：数据预处理，对64种电压时序图进行去除噪声、异常值处理与数据归一化处理，得到预处理后的电压时序图；

7、步骤s5：特征提取，应用离散小波变换将预处理后的电压时序图转换为结合时间信息与频谱信息的小波时频表示图像，使用gcn模型提取小波时频表示图像中的节点以及节点数据，使用gat模型对节点进行特征提取，得到最终输出的特征向量；

8、步骤s6：遗传算法模型优化，采用遗传算法对最小二乘支持向量机进行参数优化，得到最终的最小二乘支持向量机；

9、步骤s7：模型训练与优化，对离散小波变换模型、gat模型与最终的最小二乘支持向量机进行模型训练与优化，得到训练好的模型；

10、步骤s8：故障诊断与分类，使用训练好的模型对实际电路故障进行诊断与分类，得到真实诊断与分类结果；

11、步骤s9：优化策略实施，根据真实诊断与分类结果，对变频负压设备中电源部分、整流器部分、逆变器部分、控制器部分存在的不同故障进行修复，并针对出现频率较高的故障进行对应的电路优化、材料优化以及控制策略优化。

12、进一步的，步骤s5，具体包括以下步骤：

13、步骤s51：初始化离散小波变换参数，初始化离散小波变换的尺度参数为s，初始化离散小波变换的平移参数为t，初始化离散小波变换的分解级数为c，将预处理后的电压时序图表示为长度为m的离散时间序列；

14、步骤s52：多级haar小波分解，根据尺度参数，将预处理后的电压时序图进行级数为c级的haar小波分解，得到c个高频细节与1个低频近似；

15、步骤s53：时频域表示，计算c个高频细节的幅度与1个低频近似的幅度，将c+1个幅度进行重构，得到预处理后的电压时序图在时频域上分布的小波时频表示图像；

16、步骤s54：节点信息提取，使用gcn模型对小波时频表示图像进行基于节点信息的特征提取，得到小波时频表示图像的节点数量、节点特征向量、节点特征维度；

17、步骤s55：初始化gat模型参数，初始化gat模型的注意力权重向量、学习的权重矩阵；

18、步骤s56：注意力分数计算，通过注意力机制计算所有节点与其邻居节点之间的注意力分数，所用公式如下：

19、；

20、式中，是节点和节点之间的注意力分数，是学习的注意力权重向量，为学习的注意力权重向量的转置，是学习的权重矩阵，与分别为节点及其邻居节点的特征向量，表示将线性转换之后的特征向量的进行拼接操作，是激活函数；

21、步骤s57：注意力分数正则化，使用softmax函数对注意力分数正则化，得到正则化的注意力分数；

22、步骤s58：特征激活，将所有节点的正则化的注意力分数与其邻居节点的特征向量进行加权求和，并通过激活函数进行非线性变换，得到节点的特征传播结果，得到每个节点的最终输出的特征向量，所用公式如下：

23、；

24、式中，为最终输出的特征向量，代表激活函数，代表节点总个数。

25、进一步的，步骤s6，具体包括以下步骤：

26、步骤s61：参数初始化，初始化遗传算法的种群大小、迭代次数、交叉率，初始化最小二乘支持向量机的核函数类型、核函数参数、正则化参数；

27、步骤s62：初始化种群，随机生成个体数量，每个个体代表一组最小二乘支持向量机的核函数类型、核函数参数、正则化参数、权重系数向量；

28、步骤s63：特征分类，针对所有个体，使用最小二乘支持向量机对最终输出的特征向量进行分类，得到所有个体对应的特征分类结果，所用公式如下：

29、；

30、式中，是特征分类结果，为特征向量，为权重系数向量的矩阵转置，为核函数，为偏置项；

31、步骤s64：适应度评估与个体选择，计算所有个体对应的特征分类结果的准确率，将准确率定义为适应度，设置适应度阈值，选择适应度大于所设阈值对应的个体，得到父代个体；

32、步骤s65：个体参数交叉，从父代个体随机选择两个个体，将两个个体代表的最小二乘支持向量机的核函数类型、核函数参数、正则化参数、权重系数向量进行均匀交叉，得到子代个体集；

33、步骤s66：个体变异，对子代个体集中所有子代个体对应的核函数参数、正则化参数、权重系数进行幅度在±1%以内的随机变换，得到变异后的子代个体；

34、步骤s67：种群更新，将变异后的子代个体与父代个体合并，形成新的种群；

35、步骤s68：种群迭代，重复步骤s62至步骤s67，直至达到最大迭代次数，得到最终种群；

36、步骤s69：模型定格与特征分类，根据最终种群中所有个体对应的核函数类型、核函数参数、正则化参数、权重系数向量，使用最小二乘支持向量机计算特征分类结果以及适应度，选择最高适应度的个体对应的核函数类型、核函数参数、正则化参数、权重系数向量作为最终的最小二乘支持向量机的模型参数。

37、采用上述方案本发明取得的有益成果如下：

38、（1）针对人工故障检查效率较低的问题，本发明使用电路模拟软件进行故障模拟，并采用离散小波变换的思想对故障电路的输出电压进行快速的特征提取，最后利用神经网络对特征进行分类，达到快速的故障诊断；

39、（2）针对现有的基于神经网络的故障检查分类准确率有待提高的问题，本发明采用基于遗传算法改进的最小二乘向量机模型对特征进行分类，该模型具有更好的全局搜索能力，提高故障诊断的准确率，并根据全局搜索结果对不同故障进行针对性的优化，同时采用遗传算法改进可使最小二乘向量机更好的适应复杂的数据分布和模式，提高模型的泛化能力与可解释性。