0 引　言

新能源船舶近年来发展迅速，逆变器作为船舶动力系统和船舶电力供应系统的重要电能转换关键设备，有效的故障监测与诊断技术是保障航行安全的重要手段^[1]。根据相关文献显示，在船舶电机的驱动系统中逆变器的故障占比为整体驱动系统故障的82.5%^[2]。由于功率器件的短路故障发生时间极短，很难被发现，因此短路故障的诊断和系统保护通常采用硬件电路设计的方法来解决^[3]。功率器件的开路故障发生后，设备仍然可以在一段时间保持运行，而不会触发系统保护，停止运行。开路故障意味着电压和电流畸变^[4]，如果不进行故障诊断排除，终将会造成电机损坏。因此，对船舶逆变器开路故障诊断方法的研究具有很高的价值。

现阶段，深度学习在电力电子故障诊断中有着巨大的优势和潜力。传统的神经网络只有一层或两层。而具有更多层的模型，如深度神经网络（DNN）、卷积神经网络（CNN）^[5]等，卷积自编码器（Convolution Auto-Encoder, CAE）使用卷积结构来进行编码和解码。与传统的全连接的自编码器相比，卷积自编码器结合了卷积神经网络的优点和自编码器的特性，特别适用于处理具有空间结构的数据，如图像和时间序列数据。船舶逆变器的电流信号作为一维序列信号。如果转换成二维形式，会增加数据处理时间，降低算法效率^[6]，而且可能会造成原始数据中有用信息的丢失，容易引起故障识别错误，诊断准确率下降。又由于传统卷积结构的参数共享^[7]和单一尺度不足以提取信号中更多的细节特征，多尺度卷积结构，可以在不同尺度上对信号进行广泛的特征提取，进而提高模型的泛化性能和鲁棒性。

根据以上分析，本文提出使用一维原始数据的多尺度卷积特征融合和降噪卷积自编码器（Multi-Scale Feature fusion and Denoising Convolutional Autoencoder ，MSF-DCA）相结合的船舶逆变器故障特征提取和诊断方法，旨在提高故障诊断速度和准确率。保障船舶逆变器正常运行和船舶安全航行。

1 船舶逆变器故障特征提取结构原理 1.1 船舶逆变器结构及其故障种类

船舶逆变器结构包含6个开关管（T₁～T₆）如图1所示。逆变器的输出的电流分别为A、B、C三相，U_dc为直流电压。PMSM为逆变器驱动的永磁同步电机。

由于同时出现3个开关管发生故障导致开路的情况极少，故本文只研究了单管开路和双管开路的情况。一共21种故障位置。包括正常运行情况，一共22种类型及其划分标签，如表1所示。

1.2 降噪自编码器原理

降噪自编码器结构与普通自编码器结构相同，如图2所示。区别在于降噪自动编码器在训练时引入了噪声^[8]，旨在模拟船舶逆变器电流数据的实际噪声，并希望从含噪声数据中学习到数据的高级特征，从而提高模型的鲁棒性和实用性^[9]。如果自编码器能够对它的原始输入能进行良好重构，那么就认为它保留了原始数据含有的大部分特征信息。其优点是泛化性强，模型无监督训练不需要数据标注，通过降低维数结构提取的数据特征可以帮助更好地理解数据内在结构，被用做特征提取模型，以更好地完成数据分类任务。

设向量$ X=\left(x_1,x_2,\cdot\cdot\cdot\cdot x_{n-1},x_n\right) $为采集的原始信号，通过数据点随机添加高斯噪声的方法，得$ X' = ({x'_1}, {x'_2}, \cdot \cdot \cdot \cdot {x'_{n - 1}},{x'_n}) $，当样本经过式(1)被编码成为${y_j}$，即

$ {{{y}}_j} = f({{{W}}_1}{{{x'}}_i} + {{{b}}_1})，$

(1)

设解码器的输出为$({\bar x_1},{\bar x_2}, \cdot \cdot \cdot ,{\bar x_{i - 1}},{\bar x_i})$满足式(2)，即

$ {{{\bar x}}_i} = g({{{W}}_2}{{{y}}_j} + {{{b}}_2}) 。$

(2)

式中：$ {W_1} $和$ {W_2} $为网络权重；$ {b_1} $和$ {b_2} $为偏置；$ f $和$ g $为激活函数。再对误差反向传播并不断降低解码器的输出与原始信号的训练损失。再通过验证集调整模型的超参数，使得训练损失和验证损失达到最低，得到最佳的网络权重和偏置。

1.3 卷积结构和多尺度卷积基本理论

常用的卷积结构包括卷积核和池化层，滤除无效特征的作用，卷积计算具有局部连接的稀疏性和卷积核权重共享的低参数量的优点。一维卷积常于处理离散信号，设有长度为$I$的一维离散信号为${x_1},{x_2}, \cdot \cdot \cdot ,{x_i}$，现有一个固定长度$L$的卷积核为${w_1},{w_2}, \cdot \cdot \cdot ,{w_l}$，则卷积核与信号的卷积结果如式(3)所示，其中$I$一般大于$L$。

$ {y_i} = \sum\limits_{l = 1}^L {{w_l}{x_{i - l + 1}}}。$

(3)

Szegedy等^[10]提出一种多尺度卷积模块，来捕捉图像的更多细节特征。根据原始信号的特点，设计了一个拥有3种不同尺寸卷积核的一维多尺度特征融合层，如图3所示。

1.4 提出的模型结构

本文提出一种由多尺度卷积与降噪卷积自编码器进行特征提取的模型结构（MSF-DCA），模型结构及其训练流程如图4所示。图中的模型包含了编码器、解码器和分类器，其中编码器由一个多尺度卷积模块和两层卷积结构组成，解码器由一层转置卷积构成，在多尺度卷积模块和每个卷积层后都接有批量归一化（Batchnorm1d）层；解码器由一层一维转置卷积（ConvTranspose1d）构成，每层均添加批量归一化层，激活函数选用整流线性单元（Rectified Linear Unit, ReLU） 。

降噪自编码器训练的损失函数为均方差（MSE）损失，如下式：

$ MSE_{{\mathrm{Loss}}} = \min \left(\sum\limits_{i = 1}^n {||{x_i} - {{\bar x}_i}|{|^2}} \right)。$

(4)

式中：$ {x_i} $为原始数据；$ {\bar x_i} $为解码器输出数据。

分类器的训练需要结合固定了权重参数的编码器来完成。编码器提取的数据特征，经由分类器预测标签和真实数据标签进行计算，要求使得预测标签尽可能符合真实标签。分类器的目标损失函数为交叉熵损失函数，即：

$ \mathrm{Loss}(\hat{Y},Y)=\displaystyle\sum_{n=1}^n-Ylog\hat{Y}。$

(5)

式中：$n$为分类类别数；$\hat{Y} $为分类器预测标签；$Y$为真实标签。$\hat{Y} $值通过softmax函数计算，是一种概率分布，即：

$ P(\hat{Y}=i)=\frac{e^{z_i}}{\displaystyle\sum_{j=0}^{K-1}e^{z_i}}。$

(6)

式中：${z_i}$为神经网络的最后一层输出数据。${z_i}$不经过激活函数的输出值。

故障诊断过程是测试数据通过训练好的编码器提取数据特征，再由训练好的分类器完成分类，进而得到诊断结果。

2 实验分析

实验中使用的故障诊断算法均在PyCharm软件下执行，算法框架为PyTorch 1.12.0，操作环境为Windows10(64位)操作系统，中央处理器（CPU）为Intel i7-10700 F，内存为16 G，GPU为RTX2060。

2.1 故障数据采集及数据预处理

在船舶电机驱动控制平台中模拟逆变器开关管的单管或双管开路故障情况，采集21种开路故障的电流数据。3种三相故障电流波形如图5所示，分别为单管开路电流波形、同相的双管开路电流波形、不同相的双管开路电流波形。

数据预处理流程为，划分数据为训练数据、验证数据和测试数据，再将数据使用Zscore方法进行标准化，最后采集数据集。每种故障类型的数据样本采集都通过滑动窗口采样法采集训练集，用随机窗口采样法采集验证集和测试集，数据划分及样本采集方法涉及的参数如表2所示。

对采集到的原始信号进行Zscore标准化，如下式：

$ X = \frac{{(X - \mu )}}{\sigma } 。$

(7)

式中：$ \mu $和$ \sigma $分别为原始信号的均值和标准差。

由于逆变器一般工作环境恶劣，采集的数据中包含各种噪声信号，为了模拟实际情况，在数据集中添加不同程度信噪比（SNR = 2～10 dB）的高斯白噪声，如式(8)所示，含噪声电流波形如图6所示。

$ SNR = 10 \cdot \lg \dfrac{{{p_{{\mathrm{signal}}}}}}{{{p_{{\mathrm{noise}}}}}} 。$

(8)

式中：$ {p_{{\mathrm{signal}}}} $为原始信号功率；$ {p_{{\mathrm{noise}}}} $为噪声信号功率。

2.2 实验结果

模型的训练结果如图7所示。自编码器在经过5次训练之后开始收敛，分类器收敛需要大约10次训练。由于分类器利用了编码器的输出特征进行训练，其训练时长小于自编码器的训练时长，如表3所示。

t-SNE会将相似的样本点会被放置在接近的位置，其横纵坐标表示数据点的位置关系没有特定的物理或数学含义。为了验证完成训练模型的特征提取能力，使用t-SNE算法可视化在每种故障类型的测试集中选取的随机样本，并与编码器输出的数据特征进行对比，结果如图8和图9所示。模型训练完成之后，不同类型的故障分布在二维空间的不同区域，差异显著，证明了该模型在特征提取方面的有效性。再经过原始信号测试，以验证模型的诊断准确率，故障分类结果如图10所示。

混淆矩阵显示了22种类别，每种类别包含300个测试集，纵坐标表示实际类别，横坐标表示预测类别，在混淆矩阵中对角线上的元素即表示模型正确预测的样本数量。经过10次原始数据测试，结果表明，针对原始数据模型预测达到了100%的准确率，本文提出的方法可以有效地完成故障诊断任务。

其次，用添加了高斯噪声的信号进行鲁棒性和泛化性能测试，信噪比越大，噪声越少。测试10次取均值作为结果，如表4所示。可以看出，随着数据添加的噪声越少，模型的测试准确率也越来越高，而在2 dB噪声下本文提出的模型仍然有98.61%准确率。

2.3 对比实验

为了进一步体现本文提出模型的性能，将模型与表5中的几种模型对比分类性能和参数数量多少。每个模型经过充分训练后再进行测试，选择每个模型的最高准确率作为测试结果，如表5所示。

由于输入信号是一维信号，为避免有效数据丢失，上述卷积神经网络模型中均不设置池化层，所有模型均选用整流线性单元（Rectified Linear Unit, ReLU）作为激活函数。卷积层或转置卷积层均包含一个卷积运算和一个批量归一化层。

降噪卷积自编码器的编码器部分由4层卷积层组成，解码器由一层转置卷积层组成。降噪自编码器的编码器和解码器分别由2层全连接层构成，每个线性层包含一个线性运算和一个批量归一化层。

经过降噪训练的自编码器，在原始数据上均有优秀的表现，抗噪性能一般，但表现均不如MSF-DCA模型，这说明添加了多尺度卷积模块之后的卷积自编码器拥有更强的鲁棒性和泛化性能。

卷积神经网络使用4层卷积层，通过添加2层Dropout层（rate分别为0.5和0.3）来提高模型的泛化性能，经过多次调试，模型的噪声测试准确率最高保持在92%左右，但在原始数据测试中表现不佳，说明CNN存在对噪声的过拟合现象。

3 结　语

针对船舶逆变器的故障诊断问题，提出一种基于多尺度卷积模块和降噪卷积自编码器（MSF-DCA）的故障诊断方法，实验结果表明：

1） 模型具有训练速度快和优秀的泛化性能和鲁棒性。

2） 模型针对原始数据可以实现端到端（end to end）的故障诊断，诊断速度快。

3） 模型的特征提取效果好，可以减少所需分类器模型神经元数量，从而得到轻量化的整体模型结构。