CN104318305A - 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 - Google Patents
一种基于小波与神经网络的逆变器低频噪声故障诊断方法 Download PDFInfo
- Publication number
- CN104318305A CN104318305A CN201410605501.2A CN201410605501A CN104318305A CN 104318305 A CN104318305 A CN 104318305A CN 201410605501 A CN201410605501 A CN 201410605501A CN 104318305 A CN104318305 A CN 104318305A
- Authority
- CN
- China
- Prior art keywords
- inverter
- neural network
- fault
- frequency noise
- carried out
- 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.)
- Granted
Links
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明是一种基于小波与神经网络的逆变器低频噪声故障诊断方法,其特点是:包括以下步骤:分别对正常及故障逆变器进行无源测试数据输出,通过对输出的正常信号和故障信号分别进行小波变换并分解,将能量转换后得到的数值矩阵差值处理作为特征量,将特征量输入进神经网络进行训练,并对神经网络的输出做出判断实现故障等级的裁定。具有方法科学合理,适用,诊断准确且速度快等优点。
Description
技术领域
本发明涉及一种逆变器的故障诊断方法,特别涉及一种基于小波与神经网络的逆变器低频噪声故障诊断方法,属于模拟电路故障诊断检测技术领域。
背景技术
随着逆变器在人们生产生活中的广泛应用,人们对其有着越来越高的可靠性要求。传统的人工检测并判定故障状态的方法一方面由于维修人员的经验不足,一方面由于缺少详细的故障状态信息,使得快速准确的检测故障成为一大难题。近年来,研究学者们在逆变器的故障诊断方面已取得不少成就,例如键合图理论故障诊断法,开关函数模型故障诊断法,模糊理论,专家系统,粒子群,谱估计等各种故障诊断方法等,但这些方法大多由于实施过程复杂,故障诊断单一而使得应用受限,并且如何准确描述逆变器故障等级的过渡,目前为止还没有准确的诊断方法。并且未见基于小波与神经网络的逆变器低频噪声故障诊断方法的文献报道和实际应用。
本发明基于以下考虑:噪声在有用信号中是一种必须消除的信号,却也因其携带的信息而在故障诊断中占有重要地位。器件中由于电子的运动及硬件构成随时存在着可显示其状态的噪声信号。噪声含量的变化不仅可以预示器件的潜在故障,还可以判断器件的状态水平。低频噪声是模拟电路中常见的噪声信号,最具代表性的噪声为1/f噪声及产生-复合(g-r)噪声。逆变器的不同故障状态所具有的能量水平不同,初步测定,g-r噪声的过激噪声-爆裂噪声的能量值比1/f噪声的能量值至少高一个数量级。各个故障状态的判定为一可波动阈值。当器件正常状态,会含有少量的1/f噪声;当器件亚健康状态时,其中的1/f噪声会出现过激现象,使得其含量大幅增加,并掺杂少量的g-r噪声;当器件出现软故障时,过激1/f噪声及大量g-r噪声大幅度出现;当器件处于硬故障状态即器件可放弃时,g-r的过激噪声-爆裂噪声会大量出现。为逆变器正常工作,通过对其低频噪声的检测来准确判定其工作状态,及时检测其可靠性,对逆变器的故障管理机制提供了有效的依据。
发明内容
本发明的目的在于提出一种科学合理,适用,诊断准确且速度快的基于小波与神经网络的逆变器低频噪声故障诊断方法。
实现本发明目的采用的技术方案是:一种基于小波与神经网络的逆变器低频噪声故障诊断方法,其特征在于,步骤如下:
1)分别对无故障状态、有故障状态的待测逆变器进行数据采集,提取信号并滤波;
2)将滤波后的信号分别进行小波变换,利用阈值函数进行去噪,将数据中高频信号进行滤波处理,并将信号分解为尺度系数aj与小波系数dj,其中j=1,2,...,J,J为分解的最高层数;
3)分别将最高层数的尺度系数与各层次的小波系数进行能量转换并加和处理,得到得到分别代表正常值矩阵与故障值矩阵的En和Ef,i,其中,i为故障逆变器个数;
4)将能量值矩阵进行差值处理得到特征量ΔEi=Ef,i-En,i为逆变器个数;
5)将4)中特征量ΔEi输入到神经网络进行训练得到故障识别能力,根据逻辑输出及故障对应状态进行故障诊断,输出的二进制数值分别代表故障类型:00-逆变器正常;01-逆变器亚健康状态;10-软故障预警状态;11-硬故障可排除状态。
所述待测逆变器为无源检测。
所用小波变换采用多分辨率分析方法。
所述神经网络为三层前馈神经网络。
本发明与现有技术相比所具有的有益效果是:
无需外部信号激励,直接从装置中提取噪声信号;无需对待检测装置进行损坏检验;进行低频段的噪声能量级别的诊断,无需人工经验及参数不足的限制;形成一个智能化有效的评定系统,其方法科学合理,适用,诊断准确且速度快。
附图说明
图1是基于小波与神经网络的逆变器低频噪声故障诊断方法流程图;
图2是小波变换流程图;
图3是多分辨率分析框图;
图4是三层前馈神经网络结构图。
具体实施方式
参见图1,本发明的一种基于小波与神经网络的逆变器低频噪声故障诊断方法,其步骤是:
1)对正常状态下及故障状态下的逆变器进行无源数据采集,将采集到的数据输入进PC中,并进行低通滤波处理,截止频率为100KHz,确保获得低频噪声数据,从而获得正常状态数据xn及故障状态数据xf,i,i为故障逆变器个数;
2)对数据分别进行小波变换,利用多分辨率分析进行分解,由于处理的为100KHz以下的低频噪声,分解层数不易过多,4-5层为宜,选取合适的阈值函数,处理高频小波系数以消去白噪声,最后得到尺度系数aj与小波系数dj,其中j=1,2,...,J,j为小波分解层数,J为分解的最高层数;
3)分别将最高层数的尺度系数与各层次的小波系数进行能量转换并加和处理,得到得到分别代表正常值矩阵与故障值矩阵的能量值En和Ef,i;
4)差值处理ΔEi=Ef,i-En,得到所需特征量ΔEi,1/f噪声与g-r噪声或爆裂噪声的能量等级相差很多,故ΔEi有一定的取值范围;
5)将特征量ΔEi输入进神经网络,经过神经网络训练后得到故障识别能力,用二进制逻辑输出代表故障状态:00逆变器正常状态;01逆变器亚健康状态;10-软故障预警状态;11-硬故障可排除状态。
如图2所示,本发明的一种基于小波与神经网络的逆变器低频噪声故障诊断方法中,小波变换过程为:
(1)首先对信号进行小波变换多尺度分解,以得到小波系数与尺度系数;
(2)选择一定的阈值,作为处理小波系数与尺度系数的标准;
(3)选择判决用阈值函数,决定处理系数的判决方式;
(4)利用阈值及阈值判决函数后,得到所需的尺度系数aj与小波系数dj。
如图3所示,本发明的一种基于小波与神经网络的逆变器低频噪声故障诊断方法中,多分辨率分析过程为:
(1)对原信号进行高通及低通滤波({hm}、{gm})处理;
(2)对处理后的高通低通信号进行2抽取采样(↓2),得到第一层分解后的尺度系数a1及小波系数d1;
(3)对尺度系数a1重复步骤(1)(2)得到尺度系数a2和小波系数d2;
(4)以此类推,得到所需要的分解层数及各系数可以看出,分解只针对低频信号进行分解,其中为高通、低通滤波器,m代表分解的层数,为2抽取采样。
如图4所示,本发明的一种基于小波与神经网络的逆变器低频噪声故障诊断方法中,人工神经网络过程为:是在有监督的条件下进行学习,包括对输入的特征量进行学习,根据实际输入与目标值之间的误差实时调整权重,直至训练的平均误差达到期望值,就达到了训练目的。输出层为二进制逻辑输出,做出故障等级的判定。
Claims (4)
1.一种基于小波与神经网络的逆变器低频噪声故障诊断方法,其特征在于,步骤如下:
1)分别对无故障状态、有故障状态的待测逆变器进行数据采集,提取信号并滤波;
2)将滤波后的信号分别进行小波变换,利用阈值函数进行去噪,将数据中高频信号进行滤波处理,并将信号分解为尺度系数aj与小波系数dj,其中j=1,2,…,J,J为分解的最高层数;
3)分别将最高层数的尺度系数与各层次的小波系数进行能量转换并加和处理,得到j=1,2,…,J,得到分别代表正常值矩阵与故障值矩阵的En和Ef,i,其中,i为故障逆变器个数;
4)将能量值矩阵进行差值处理得到特征量ΔEi=Ef,i-En,i为逆变器个数;
5)将4)中特征量ΔEi输入到神经网络进行训练得到故障识别能力,根据逻辑输出及故障对应状态进行故障诊断,输出的二进制数值分别代表故障类型:00-逆变器正常;01-逆变器亚健康状态;10-软故障预警状态;11-硬故障可排除状态。
2.根据权利要求1所述的一种基于小波与神经网络的逆变器低频噪声故障诊断方法,其特征在于,所述待测逆变器为无源检测。
3.根据权利要求1所述的一种基于小波与神经网络的逆变器低频噪声故障诊断方法,其特征在于,所述的小波变换方法为多分辨率分析小波变换。
4.根据权利要求1所述的一种基于小波与神经网络的逆变器低频噪声故障诊断方法,其特征在于,所述神经网络为三层前馈神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410605501.2A CN104318305B (zh) | 2014-10-30 | 2014-10-30 | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410605501.2A CN104318305B (zh) | 2014-10-30 | 2014-10-30 | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318305A true CN104318305A (zh) | 2015-01-28 |
CN104318305B CN104318305B (zh) | 2017-02-01 |
Family
ID=52373533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410605501.2A Active CN104318305B (zh) | 2014-10-30 | 2014-10-30 | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318305B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243258A (zh) * | 2015-09-06 | 2016-01-13 | 西南交通大学 | 一种基于模型的crh3型动车组牵引逆变器igbt开路故障诊断方法 |
CN105625123A (zh) * | 2015-12-04 | 2016-06-01 | 中国铁路总公司 | 一种无砟轨道ca砂浆层病害检测方法及装置 |
CN106053988A (zh) * | 2016-06-18 | 2016-10-26 | 安徽工程大学 | 基于智能分析的逆变器故障诊断系统及方法 |
CN108398637A (zh) * | 2018-01-29 | 2018-08-14 | 合肥工业大学 | 一种非线性机电系统的故障诊断方法 |
CN109087300A (zh) * | 2018-09-20 | 2018-12-25 | 视睿(杭州)信息科技有限公司 | Led芯片支架故障自动检测方法和装置 |
CN112414446A (zh) * | 2020-11-02 | 2021-02-26 | 南昌智能新能源汽车研究院 | 一种数据驱动的变速器传感器故障诊断方法 |
CN112530449A (zh) * | 2020-10-20 | 2021-03-19 | 国网黑龙江省电力有限公司伊春供电公司 | 基于仿生小波变换的语音增强方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007198912A (ja) * | 2006-01-26 | 2007-08-09 | Sharp Corp | 画像検査装置、画像検査方法、コンピュータを画像検査装置として機能させるためのプログラムおよび記録媒体 |
CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
CN102279358A (zh) * | 2011-06-20 | 2011-12-14 | 湖南大学 | 一种基于mcskpca的神经网络模拟电路故障诊断方法 |
CN102636742A (zh) * | 2012-05-15 | 2012-08-15 | 长沙河野电气科技有限公司 | 基于小波神经网络的大规模模拟电路故障诊断方法 |
US20120300513A1 (en) * | 2011-05-26 | 2012-11-29 | Saleh Saleh A M | Wavelet modulated inverter |
-
2014
- 2014-10-30 CN CN201410605501.2A patent/CN104318305B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007198912A (ja) * | 2006-01-26 | 2007-08-09 | Sharp Corp | 画像検査装置、画像検査方法、コンピュータを画像検査装置として機能させるためのプログラムおよび記録媒体 |
CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
US20120300513A1 (en) * | 2011-05-26 | 2012-11-29 | Saleh Saleh A M | Wavelet modulated inverter |
CN102279358A (zh) * | 2011-06-20 | 2011-12-14 | 湖南大学 | 一种基于mcskpca的神经网络模拟电路故障诊断方法 |
CN102636742A (zh) * | 2012-05-15 | 2012-08-15 | 长沙河野电气科技有限公司 | 基于小波神经网络的大规模模拟电路故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
JORGE O. ESTIMA ETC.: ""A Novel Diagnostic Method for Single Power Switch Open-Circuit Faults in Voltage-Fed PWM Motor Drives"", 《POWER ELECTRONICS ELECTRICAL DRIVES AUTOMATION AND MOTION (SPEEDAM), 2010 INTERNATIONAL SYMPOSIUM ON》 * |
张作良等: ""一种新型电力电子电路故障诊断方法"", 《微计算机信息》 * |
张洪涛,安庆: ""基于小波变换和神经网络的逆变电路故障诊断方法"", 《计算机测量与控制》 * |
戴鹏等: ""基于小波包变换和神经网络的逆变器故障诊断"", 《电源技术应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243258A (zh) * | 2015-09-06 | 2016-01-13 | 西南交通大学 | 一种基于模型的crh3型动车组牵引逆变器igbt开路故障诊断方法 |
CN105243258B (zh) * | 2015-09-06 | 2018-05-01 | 西南交通大学 | 一种基于模型的crh3型动车组牵引逆变器igbt开路故障诊断方法 |
CN105625123A (zh) * | 2015-12-04 | 2016-06-01 | 中国铁路总公司 | 一种无砟轨道ca砂浆层病害检测方法及装置 |
CN105625123B (zh) * | 2015-12-04 | 2018-04-13 | 中国铁路总公司 | 一种无砟轨道ca砂浆层病害检测方法及装置 |
CN106053988A (zh) * | 2016-06-18 | 2016-10-26 | 安徽工程大学 | 基于智能分析的逆变器故障诊断系统及方法 |
CN108398637A (zh) * | 2018-01-29 | 2018-08-14 | 合肥工业大学 | 一种非线性机电系统的故障诊断方法 |
CN109087300A (zh) * | 2018-09-20 | 2018-12-25 | 视睿(杭州)信息科技有限公司 | Led芯片支架故障自动检测方法和装置 |
CN109087300B (zh) * | 2018-09-20 | 2020-10-16 | 视睿(杭州)信息科技有限公司 | Led芯片支架故障自动检测方法和装置 |
CN112530449A (zh) * | 2020-10-20 | 2021-03-19 | 国网黑龙江省电力有限公司伊春供电公司 | 基于仿生小波变换的语音增强方法 |
CN112530449B (zh) * | 2020-10-20 | 2022-09-23 | 国网黑龙江省电力有限公司伊春供电公司 | 基于仿生小波变换的语音增强方法 |
CN112414446A (zh) * | 2020-11-02 | 2021-02-26 | 南昌智能新能源汽车研究院 | 一种数据驱动的变速器传感器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104318305B (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318305A (zh) | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 | |
CN109974782B (zh) | 基于大数据敏感特征优化选取的设备故障预警方法及系统 | |
CN106124212A (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
CN103398769B (zh) | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 | |
Yang et al. | The intelligent fault diagnosis of wind turbine gearbox based on artificial neural network | |
CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
CN113609955B (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 | |
CN102491140A (zh) | 基于特征信号的电梯安全检测装置及电梯安全检测方法 | |
CN101226133B (zh) | 一种血细胞脉冲信号的分类识别方法 | |
CN102749572B (zh) | 基于iecmac参数辨识的功率电子电路故障预测方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
CN108535572B (zh) | 基于基波零序特征的计量系统二次回路监测方法及装置 | |
CN103439647A (zh) | 一种动态电源电流监测的模拟电路故障诊断方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN111170103B (zh) | 设备故障识别方法 | |
Li et al. | Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN103646013B (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN111562105A (zh) | 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法 | |
CN106533361A (zh) | 一种基于小波分析的光伏组件故障诊断方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 |
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 |