CN102928791B - 雷达发射机高压电源多参数融合实时健康预报方法 - Google Patents
雷达发射机高压电源多参数融合实时健康预报方法 Download PDFInfo
- Publication number
- CN102928791B CN102928791B CN201210397480.0A CN201210397480A CN102928791B CN 102928791 B CN102928791 B CN 102928791B CN 201210397480 A CN201210397480 A CN 201210397480A CN 102928791 B CN102928791 B CN 102928791B
- Authority
- CN
- China
- Prior art keywords
- power supply
- output
- voltage power
- parameter
- voltage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000010354 integration Effects 0.000 title abstract 3
- 239000013598 vector Substances 0.000 claims abstract description 73
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims description 14
- 230000036541 health Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000012843 least square support vector machine Methods 0.000 abstract 1
- 230000035800 maturation Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种雷达发射机高压电源多参数融合实时健康预报方法,首先,通过在线实时监测高压电源输入电压、电流与输出电压、电流信号,实时计算并获取输出电压、输出电阻、输出纹波、电源效率四参数值,并构成四维向量作为高压电源故障特征向量;然后,根据输出电压、输出电阻、输出纹波、电源效率四个参数历史时间序列数据,采用遗传算法和最小二乘支持向量机算法实现四参数的相空间重构;采用多元时间序列局部预测融合法得到未来某时刻四参数值及对应故障特征向量;最后,对未来某时刻高压电源故障特征向量归一化后,计算其与标准故障特征向量的欧氏距离,用以评估高压电源健康状况。本发明能够实现雷达发射机高压电源实时状态监测与故障预测,为雷达发射机高压电源健康状况评估和视情维修提供准确及时的信息。
Description
技术领域
本发明涉及大功率开关电源故障预测与健康管理技术领域,尤其涉及一种应用于雷达发射机高压电源的健康预报方法。
背景技术
雷达是利用电磁波探测目标的电子装备。雷达发射机中的高压电源不仅供给行波管大功率的能量,且对发射机输出射频信号的性能指标、发射机的体积和重量都起着至关重要的影响,是雷达系统中的关键部件。然而,雷达发射机中的高压电源长期工作在高电压大电流状态下,且工作空间环境复杂,难免会导致雷达电源系统运行异常,故障率一直居高不下。因此,迫切需要对雷达电源进行实时状态监测与健康预报,以便对其进行预防性维修,降低故障风险,为雷达发射机可靠工作提供保障。
雷达发射机电源为高压直流开关电源,输出高压或大电流的直流电,功率可达几十千瓦,对功率、纹波、稳定性等指标要求极高。开关电源电路中含有功率开关器件,具有强非线性、高频高噪声等特点,数学模型难以建立。此外,由于不同元器件的寿命与可靠性不同,电路中各元器件性能退化及交互耦合作用,很难对由它们组成的电路或设备做准确预测。现阶段,开关电源的故障预测多为电路中关键元器件的预测,而电路级的故障预测研究很少,且仅以电路输出电压值等单一参数评估电路状况,不能真实反映电路故障特征,无法准确预测电路健康状况。
本发明结合雷达发射机高压电源性能指标要求,采用基于多参数融合的故障预测方法实现雷达发射机高压电源的电路级预测,无需建立高压电源等效失效数学模型。本发明的预测方法中基于遗传算法与最小二乘支持向量机算法对监测到的多参数时间序列进行相空间重构,解决了依靠单参数时间序列重构进行预测不准确问题,能够实现雷达发射机高压电源的准确故障预测。
发明内容
本发明的目的在于提供一种雷达发射机高压电源多参数融合实时健康预报方法,用于实时进行高压电源的状态监测与故障预测,以提前预知故障发生时间,准确评估高压电源健康状况。
为了达成上述目的,本发明的解决方案是:
一种雷达发射机高压电源多参数融合实时健康预报方法,包括以下步骤(1)~(5):
(1)实时采集高压电源输入电压、电流和输出电压、电流信号,实时计算并获取输出电压、输出电阻、输出纹波、电源效率四参数值,并构成四维向量作为高压电源故障特征向量;
(2)对步骤(1)中获取的输出电压、输出电阻、输出纹波、电源效率四个参数历史及当前时刻的时间序列数据,结合遗传算法与最小二乘支持向量机(Least squares support vector machine,LSSVM)进行四参数相空间重构;
(3)依据步骤(2)中建立的相空间重构模型,采用多元时间序列局部预测融合法获取未来某时刻输出电压、输出电阻、输出纹波、电源效率参数值;
(4)对高压电源的额定输出电压规定最大输出电阻规定最大输出纹波规定电源效率η*四参数值对应故障特征向量归一化,得到向量V0,将其作为标准故障特征向量,对未来某时刻高压电源的故障特征向量归一化后得到向量V,计算V与V0的欧氏距离d;
(5)将步骤(4)中获取的未来某时刻欧氏距离d与设定故障阈值df比较,若d≥df,则判定高压电源故障,若d<df,则判定高压电源尚未发生故障。
本发明的雷达发射机高压电源多参数融合实时健康预报方法,利用输出电压、输出电阻、输出纹波、电源效率四个参数融合对高压电源健康状况进行评估;所述健康预报方法步骤(2)中,结合遗传算法与最小二乘支持向量机算法,对输出电压、输出电阻、输出纹波、电源效率四个参数时间序列数据的四元相空间重构,具体步骤为(a1)~(a4):
设输出电压、输出电阻、输出纹波、电源效率四个参数1~k时刻的时间序列数据分别为 相空间重构的状态向量为 ,n=k0,k0+1,...,k,k0=max{(ml-1)τl+1},τl、ml分别为延迟时间间隔和嵌入维数,其中l=1,2,3,4;
(a1)确定τl、ml的取值范围分别为1≤τl≤100,1≤ml≤100,且均为正整数,并给定初始值τl,0=1、ml,0=1,其中l=1,2,3,4;
(a2)采用最小二乘支持向量机算法,利用输出电压、输出电阻、输出纹波、电源效率四个参数时间序列数据进行相空间重构,获取状态空间演化方程xn+1=G(xn),其中xn+1为n+1时刻相空间重构的状态向量,具体步骤为(b1)~(b2):
(b1)设置最小二乘支持向量机的核函数为径向基核函数,核函数参数gam=1000, sig2=0.1;
(b2)以相空间重构的状态向量xn为输入,xn+1为输出,此处n=k0,k0+1,...,k-1,训练最小二乘支持向量机(LSSVM),即确定状态空间演化方程xn+1=G(xn)。
(a3)对步骤(a2)中由训练好的最小二乘支持向量机(LSSVM)所建立的状态空间演化方程xn+1=G(xn),以xk-1为输入,可获取最小二乘支持向量机(LSSVM)输出值以与xk的误差作为适应度函数,采用遗传算法寻优,获取最小误差下的τl、ml值,记为τl,p、ml,p,本步骤中的遗传算法为现有成熟方法,具体不再赘述;
(a4)取τl=τl,p、ml=mlp,采用最小二乘支持向量机回归拟合得到最优相空间重构下的状态空间演化方程xn+1=Gp(xn)。
本发明的雷达发射机高压电源多参数融合实时健康预报方法,步骤(3)中采用的多元时间序列局部预测融合法,具体步骤为(c1)~(c3):
设T时刻的最优相空间重构状态向量为
(c1)采用多元局部平均预测法得T+q时刻的预测值xa,T+q,其权重为wa=0.4;
(c2)采用步骤(a4)所建的状态演化方程xn+1=Gp(xn),由设T时刻的最优相空间重构状态向量逐步迭代计算,得到T+q时刻的预测值xb,T+q,其权重为wb=0.6;
(c3)根据步骤(c1)~(c2)中的各预测值及相应权重,得到最终高压电源在T+q时刻的预测值xT+q=wa·xa,T+q+wb·xb,T+q,即可得到T+q时刻的输出电压、输出电阻、输出纹波、电源效率四参数值及对应故障特征向量,步骤(c1)中的局部平均预测法为现有成熟方法,此处具体不再赘述。
本发明中,高压电源故障的判定依据是:高压电源故障特征向量与标准故障特征向量的欧氏距离d超过故障阈值df。高压电源故障阈值df的设定方法为:对输出电压为(1±20%) 输出电阻为(1±20%)输出纹波为120%电源效率为80%η*时相应的故障特征向量进行归一化,得到向量Vf,计算Vf与V0的欧氏距离,即为df。
附图说明
图1是典型雷达发射机高压电源结构框图;
图2是雷达发射机高压电源多参数融合实时健康预报方法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
如图1所示,雷达发射机高压电源工作原理为:单相或三相交流电路滤波后经全桥整流变成直流电,再经DC/AC逆变得到高频交流电,最后经高频整流并滤波后得到所需高压直流电。
如图2所示,本发明的雷达发射机高压电源多参数融合实时健康预报方法,具体实施包括如下步骤:
(1)实时采集高压电源输入电压、电流和输出电压、电流信号,实时获取并计算输入电压、输入电流、输出电压、输出电流、输出电阻、输出纹波、电源效率各参数,并以输出电压、输出电阻、输出纹波、电源效率四参数值构成四维向量,作为高压电源故障特征向量。
输出电阻为输出电压的变化量ΔUo与负载电流的变化量ΔIL的比值(取绝对值),记为Ro,计算公式为式(1)。
Ro=|ΔUo/ΔIL| 式(1)
输出纹波为输出电压信号中的峰峰值,记为UPP。
电源效率指输出有功功率与输入有功功率之比,记为η,计算公式为式(2)。
式(2)中Ui、Ii、Uo、Io分别为输入电压、输入电流、输出电压、输出电流的平均值。
(2)对步骤(1)中获取的输出电阻、输出电压、输出纹波、电源效率四个参数历史及当前时刻的时间序列数据,结合遗传算法与最小二乘支持向量机(Least squares support vector machine,LSSVM)进行四参数相空间重构。
使用遗传算法与最小二乘支持向量机算法,对输出电压、输出电阻、输出纹波、电源效率四个参数时间序列数据的四元相空间重构,具体步骤为(a1)~(a4):
设输出电压、输出电阻、输出纹波、电源效率四个参数1~k时刻的时间序列数据分别为 相空间重构的状态向量为 ,n=k0,k0+1,...,k,k0=max{(ml-1)τl+1},τl、ml分别为延迟时间间隔和嵌入维数,其中l=1,2,3,4;
(a1)确定τl、ml的取值范围分别为1≤τl≤100,1≤ml≤100,且均为正整数,并给定初始值τl,0=1、ml,0=1,其中l=1,2,3,4;
(a2)采用最小二乘支持向量机算法利用输出电压、输出电阻、输出纹波、电源效率四个参数时间序列数据进行相空间重构,获取状态空间演化方程xn+1=G(xn),其中xn+1为n+1时刻相空间重构的状态向量,具体步骤为(b1)~(b2):
(b1)设置最小二乘支持向量机的核函数为径向基核函数,核函数参数gam=1000,sig2=0.1;
(b2)以相空间重构的状态向量xn为输入,xn+1为输出,此处n=k0,k0+1,...,k-1,训练最小二乘支持向量机(LSSVM),即确定状态空间演化方程xn+1=G(xn)。
(a3)对步骤(a2)中由训练好的最小二乘支持向量机(LSSVM)所建立的状态空间演化方程xn+1=G(xn),以xk-1为输入,可获取最小二乘支持向量机(LSSVM)输出值 与xk的误差作为适应度函数,采用遗传算法寻优,获取最小误差下的τl、ml值,记为τl,p、ml,p。
本步骤(a3)中采取的遗传算法,根据τl、ml的取值范围采用二进制编码及解码方案;初始种群随机生成,采用“轮盘赌”选择方法,每个个体进入下一代的概率为其适应度值与整个种群中个体适应度之和的比值;以与xk的误差作为适应度函数;对两个随机选择配对的染色体个体按单点交叉方式相互交换其部分基因(交叉点按照概率选择,交叉概率Pc=0.6),在每一代个体中,若产生的随机数小于设定的交叉概率,则随机选择两个染色体,且随机选择交叉点位置,在交叉点处交换基因实现父代的交叉;变异过程是对染色体基因位进行概率变异,设置初始变异概率Pm=0.1,并随着进化代数的增加逐渐减小变异概率;当达到预定的进化代数,或者最优个体的误差为某一阈值时,则进化过程终止,设定终止代数为4000代,误差为0.1。利用遗传算法进化搜索得到最小误差时的个体,最优个体解码就对应最优的τl、ml,即τl,p、ml,p;
(a4)取τl=τl,p、ml=ml,p,采用最小二乘支持向量机回归拟合得到最优相空间重构下的 状态空间演化方程xn+1=Gp(xn)。
(3)依据步骤(2)中建立的相空间重构模型,采用多元时间序列局部预测融合法获取未来某时刻输出电压、输出电阻、输出纹波、电源效率参数值。
本步骤中采用的多元时间序列局部预测融合法,具体步骤为(c1)~(c4):
设T时刻的最优相空间重构状态向量为
(c1)采用多元局部平均预测法得T+q时刻的预测值xa,T+q,其权重为wa=0.4;
(c2)采用步骤(a4)所建的状态演化方程xn+1=Gp(xn),由T时刻的最优相空间重构状态向量逐步迭代计算,得到T+q时刻的预测值xb,T+q,其权重为wb=0.6;
(c3)根据步骤(c1)~(c2)中的各预测值及相应权重,得到最终开关电源在T+q时刻的预测值xT+q=wa·xa,T+q+wb·xb,T+q,即可得到T+q时刻的输出电压、输出电阻、输出纹波、电源效率四参数值及对应故障特征向量,步骤(c1)中的局部平均预测法为现有成熟方法,此处具体不再赘述。
(4)对高压电源的额定输出电压规定最大输出电阻规定最大输出纹波规定电源效率η*四参数值对应故障特征向量归一化,得到向量V0,将其作为标准故障特征向量,对未来某时刻高压电源的故障特征向量归一化后得到向量V,计算V与V0的欧氏距离d。
设高压电源的故障特征向量S=[s1 s2 s3 s4],其中s1、s2、s3、s4分别为高压电源的输出电压值、输出电阻值、输出纹波值、电源效率值。对S进行归一化后得到向量V,具体方法为:
其中,max(si)为取最大值,min(si)为取最小值,i=1,2,3,4。
则:
对高压电源的额定输出电压规定最大输出电阻规定最大输出纹波规定电源效率η*四参数值对应故障特征向量,按照式(3)归一化,得到标准故障特征向量V0为 则V与V0的欧氏距离d计算如式(4):
(5)将步骤(4)中获取的未来某时刻欧氏距离d与设定故障阈值df比较,若d≥df,则判定高压电源故障,若d<df,则判定高压电源尚未发生故障。
Claims (5)
1.一种雷达发射机高压电源多参数融合实时健康预报方法,其特征在于,包括以下步骤:
(1)实时采集高压电源输入电压、电流和输出电压、电流信号,实时计算并获取输出电压、输出电阻、输出纹波、电源效率四参数值,并构成四维向量作为高压电源故障特征向量;
(2)对步骤(1)中获取的输出电压、输出电阻、输出纹波、电源效率四个参数历史及当前时刻的时间序列数据,使用遗传算法与最小二乘支持向量机进行四参数相空间重构;
(3)依据步骤(2)中建立的相空间重构模型,采用多元时间序列局部预测融合法获取未来某时刻输出电压、输出电阻、输出纹波、电源效率四参数值及对应故障特征向量;
(4)对高压电源的额定输出电压规定最大输出电阻规定最大输出纹波规定电源效率η*四参数值对应故障特征向量归一化,得到向量V0,将其作为标准故障特征向量;对未来某时刻高压电源的故障特征向量归一化后得到向量V,计算V与V0的欧氏距离d;
(5)将步骤(4)中获取的未来某时刻欧氏距离d与设定故障阈值df比较,若d≥df,则判定高压电源故障,若d<df,则判定高压电源尚未发生故障。
2.如权利要求1所述雷达发射机高压电源多参数融合实时健康预报方法,其特征在于,所述健康预报方法步骤(2)中,使用遗传算法与最小二乘支持向量机算法,对输出电压、输出电阻、输出纹波、电源效率四个参数时间序列数据的四元相空间重构,具体步骤为:
设输出电压、输出电阻、输出纹波、电源效率四个参数1~k时刻的时间序列数据分别为 相空间重构的状态向量为 ,n=k0,k0+1,...,k,k0=max{(ml-1)τl+1},τl、ml分别为延迟时间间隔和嵌入维数,其中l=1,2,3,4;
(2.1)确定τl、ml的取值范围分别为1≤τl≤100,1≤ml≤100,且均为正整数,并给定初始值τl,0=l、ml,0=1,其中l=1,2,3,4;
(2.2)采用最小二乘支持向量机算法利用四个参数时间序列数据进行相空间重构,获取状态空间演化方程xn+1=G(xn),其中xn+1为n+1时刻相空间重构的状态向量;
(2.3)对步骤(2.2)中由训练好的最小二乘支持向量机所建立的状态空间演化方程xn+1=G(xn),以xk-1为输入,可获取最小二乘支持向量机输出值以与xk的误差作为适应度函数,采用遗传算法寻优,获取最小误差下的τl、ml值,记为τl,p、ml,p;
(2.4)取τl=τl,p、ml=ml,p,采用最小二乘支持向量机回归拟合得到最优相空间重构下的状态空间演化方程xn+1=Gp(xn)。
3.如权利要求2所述雷达发射机高压电源多参数融合实时健康预报方法,其特征在于,所述健康预报方法步骤(2.2)中,采用最小二乘支持向量机算法利用四个参数时间序列数据进行相空间重构,获取状态空间演化方程xn+1=G(xn),具体步骤为:
(3.1)设置最小二乘支持向量机的核函数为径向基核函数,核函数参数gam=1000,sig2=0.1;
(3.2)以相空间重构的状态向量xn为输入,xn+1为输出,此处n=k0,k0+1,...,k-1,训练最小二乘支持向量机,即确定状态空间演化方程xn+1=G(xn)。
4.如权利要求2所述雷达发射机高压电源多参数融合实时健康预报方法,其特征在于,所述健康预报方法步骤(3)中,所述多元时间序列局部预测融合法,具体步骤为:
设T时刻的最优相空间重构状态向量为
(4.1)采用多元局部平均预测法得T+q时刻的预测值xa,T+q,其权重为wa=0.4;
(4.2)采用步骤(2.4)所建的状态演化方程xn+1=Gp(xn),由T时刻的最优相空间重构状态向量逐步迭代计算,得到T+q时刻的预测值xb,T+q,其权重为wb=0.6;
(4.3)根据步骤(4.1)~(4.2)中的各预测值及相应权重,得到最终高压电源在T+q时刻的预测值xT+q=wa·xa,T+q+wb·xb,T+q,即可得到T+q时刻的输出电压、输出电阻、输出纹波、电源效率四参数值及对应故障特征向量。
5.如权利要求1所述雷达发射机高压电源多参数融合实时健康预报方法,其特征在于,所述健康预报方法步骤(5)中,高压电源故障阈值df的设定方法为:对输出电压为(1±20%) 输出电阻为(1±20%)输出纹波为电源效率为80%η*时相应的故障特征向量进行归一化,得到向量Vf,计算Vf与V0的欧氏距离,即为df。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210397480.0A CN102928791B (zh) | 2012-10-16 | 2012-10-16 | 雷达发射机高压电源多参数融合实时健康预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210397480.0A CN102928791B (zh) | 2012-10-16 | 2012-10-16 | 雷达发射机高压电源多参数融合实时健康预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102928791A CN102928791A (zh) | 2013-02-13 |
CN102928791B true CN102928791B (zh) | 2015-02-11 |
Family
ID=47643635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210397480.0A Expired - Fee Related CN102928791B (zh) | 2012-10-16 | 2012-10-16 | 雷达发射机高压电源多参数融合实时健康预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102928791B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197557A (zh) * | 2013-03-27 | 2013-07-10 | 首都师范大学 | 一种实时监测闭环控制系统及其工作方法 |
KR20170103657A (ko) * | 2016-03-03 | 2017-09-13 | 램 리써치 코포레이션 | 매칭 네트워크 모델의 파라미터들을 결정하도록 하나 이상의 픽스처들 및 효율을 사용하기 위한 시스템들 및 방법들 |
CN106786579A (zh) * | 2016-12-08 | 2017-05-31 | 国网青海省电力公司 | 一种离网光伏电站内部谐波负荷指数预测方法 |
CN110222399B (zh) * | 2019-05-29 | 2022-12-09 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种电源健康评估方法及装置 |
CN110703214B (zh) * | 2019-10-15 | 2023-04-07 | 和尘自仪(嘉兴)科技有限公司 | 一种气象雷达状态评估和故障监测方法 |
CN110764065B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及系统 |
CN112816898B (zh) * | 2021-01-26 | 2022-03-01 | 三一重工股份有限公司 | 电瓶故障预测方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1174332A (zh) * | 1996-08-16 | 1998-02-25 | 富士通株式会社 | 雷达设备的故障确定装置 |
CN101119119A (zh) * | 2007-08-23 | 2008-02-06 | 华为技术有限公司 | 一种发射机开路故障的检测方法和装置 |
CN102455412A (zh) * | 2010-10-20 | 2012-05-16 | 徐鑫 | 雷达天线电源故障检测电路 |
-
2012
- 2012-10-16 CN CN201210397480.0A patent/CN102928791B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1174332A (zh) * | 1996-08-16 | 1998-02-25 | 富士通株式会社 | 雷达设备的故障确定装置 |
CN101119119A (zh) * | 2007-08-23 | 2008-02-06 | 华为技术有限公司 | 一种发射机开路故障的检测方法和装置 |
CN102455412A (zh) * | 2010-10-20 | 2012-05-16 | 徐鑫 | 雷达天线电源故障检测电路 |
Non-Patent Citations (6)
Title |
---|
Automation》.2004,第5卷第4486-4491页. * |
D.Thukaram等.Artificial Neural Network and Support Vector Machine Approach for Locating Faults in Radial Distribution Systems.《IEEE TRANSACTIONS ON POWER DELIVERY》.2005,第20卷(第2期),第710-720页. * |
Gianluca Antonelli等.Fault Diagnosis for AUVs Using Support Vector Machines.《Proceedings of the 2004 IEEE International Conference on Robotics& * |
姚年春.专家系统的故障树测试法对雷达电源的故障诊断.《科技经济市场》.2008,(第11期),第15-16页. * |
张莉等.独立电源多智能体信息融合故障诊断方法.《北京航空航天大学学报》.2010,第36卷(第8期),第936-939页. * |
栾家辉等.基于小波分析和LSSVW的高压直流电源故障诊断.《南京航空航天大学学报》.2011,第43卷第125-128页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102928791A (zh) | 2013-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102928791B (zh) | 雷达发射机高压电源多参数融合实时健康预报方法 | |
Wai et al. | Design of backstepping control for high‐performance inverter with stand‐alone and grid‐connected power‐supply modes | |
Gao et al. | Dynamic distribution network reconfiguration using reinforcement learning | |
CN104616061B (zh) | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 | |
CN102230948B (zh) | 有源式高压直流开关振荡回路参数在线测量系统及其方法 | |
CN105830330A (zh) | 多相eap系统以及用于控制该系统的方法 | |
Hernando-Gil et al. | Reliability performance of smart grids with demand-side management and distributed generation/storage technologies | |
CN104297577A (zh) | 基于超级电容器的老化状态估算检测系统及方法 | |
CN102708305A (zh) | 一种基于卡尔曼滤波融合的风速序列预测方法 | |
Pavani et al. | Reconfiguration of radial distribution networks with distributed generation for reliability improvement and loss minimization | |
Łukaszewski et al. | Methods of electrical appliances identification in systems monitoring electrical energy consumption | |
Majidpour et al. | Fast demand forecast of electric vehicle charging stations for cell phone application | |
Zhu et al. | Co-optimization of supply and demand resources for load restoration of distribution system under extreme weather | |
Jia et al. | Real-time response-based fault analysis and prognostics techniques of nonisolated dc–dc converters | |
Çunkaş et al. | Efficiency determination of induction motors using multi-objective evolutionary algorithms | |
Liu et al. | Reinforcement learning for cyber-physical security assessment of power systems | |
Salam et al. | Partial shading in building integrated PV system: Causes, effects and mitigating techniques | |
CN110689186A (zh) | 基于风电出力随机性的配电网供电可靠性评估方法及系统 | |
Pirisi et al. | Optimization of an energy harvesting buoy for coral reef monitoring | |
Jaramillo et al. | Distributed energy resources electric profile identification in low voltage networks using supervised machine learning techniques | |
Ali et al. | Implementation of DSP-based optimal fuzzy logic speed controller for IM drive using quantum lightning search algorithm | |
CN103135023A (zh) | 在电力网络中检测短路的方法和装置 | |
Catelani et al. | Fault detection of resonant inverters for wireless power transmission using MLMVNN | |
Welte | A rule-based approach for establishing states in a Markov process applied to maintenance modelling | |
Davoodi et al. | System-level reliability analysis of a repairable power electronic-based power system considering non-constant failure rates |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150211 Termination date: 20191016 |