CN105790568A - 基于压缩感知的高频谐振软开关电路故障预测方法及装置 - Google Patents
基于压缩感知的高频谐振软开关电路故障预测方法及装置 Download PDFInfo
- Publication number
- CN105790568A CN105790568A CN201610201293.9A CN201610201293A CN105790568A CN 105790568 A CN105790568 A CN 105790568A CN 201610201293 A CN201610201293 A CN 201610201293A CN 105790568 A CN105790568 A CN 105790568A
- Authority
- CN
- China
- Prior art keywords
- signal
- input
- module
- tau
- frequency resonant
- 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M3/00—Conversion of dc power input into dc power output
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2843—In-circuit-testing
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M1/00—Details of apparatus for conversion
- H02M1/0048—Circuits or arrangements for reducing losses
- H02M1/0054—Transistor switching losses
- H02M1/0058—Transistor switching losses by employing soft switching techniques, i.e. commutation of transistors when applied voltage is zero or when current flow is zero
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/10—Technologies improving the efficiency by using switched-mode power supplies [SMPS], i.e. efficient power electronics conversion e.g. power factor correction or reduction of losses in power supplies or efficient standby modes
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了基于压缩感知的高频谐振软开关电路故障预测方法及装置,基于压缩感知对各特征参数采样,可避免产生海量数据,降低数据处理难度系数;基于混沌对高频谐振软开关进行故障预测,以当前和历史的恢复信号为数据基础,计算最大李氏指数,运用最大李氏指数预测高频谐振软开关电路的故障,提高故障预测的准确性;7个特征参数的恢复信号组建出多变量时间序列,具有信息完备性,还可克服噪声对故障预测准确性的影响;对各特征参数的输入信号进行稀疏变换,再根据稀疏变换基设计与之不相关的线性测量矩阵,基于压缩感知对各特征参数采样时,运用所得线性测量矩阵对原始信号进行线性测量,为信号恢复提供准确的数据基础。
Description
技术领域
本发明涉及开关电源的故障预测方法及装置,具体涉及基于压缩感知的高频谐振软开关电路故障预测方法及装置。
背景技术
开关电源因其体型小、效率高,被广泛应用于各种电路系统中。采用高频谐振软开关技术制作开关电源,能使开关电源效率更高、体积更小、开关频率更高、可靠性更高、噪声更低。在高频谐振软开关电源中,高频谐振软开关电路是其核心电路,其性能优劣直接关系到电路系统的技术指标及运行的稳定性,一旦发生故障,将导致整个电路系统发生故障或停止工作,造成经济损失,甚至危及人的生命。据故障研究统计,各种电路系统50%的故障皆是由开关电源故障引起。因此,在高频谐振软开关电路中引入故障预测方法及装置具有重大意义。
高频谐振软开关电路结构复杂,通常由小型计算机辅助控制,在电路中引入微机检测和控制,构成多功能实时监控系统,形成对高频谐振软开关电路的故障预测,提高高频谐振软开关电路以及电路系统的可靠性。智能化监控诊断与预测,能大大减少人员维护电路系统的成本。现有应用于高频谐振软开关电路电路的故障预测方法及装置,无需了解电路系统内部电路结构,便可实现电路系统的故障预测,但仍存在下述缺点:高频谐振软开关电路的谐振频率通常为几百赫兹,甚至兆赫兹,欲进行准确的故障预测,需同时检测很多反映故障征兆的特征参数;且采用传统的奈奎斯特采样定理实时采集高频谐振软开关电路的谐振电感电流、谐振电容电压、谐振频率等特征参数数据,将产生海量的数据,给数据信息的传输、存储和处理都带来了巨大的压力,过高的采样速率同时也增加了硬件电路设计的成本。
发明内容
本发明提供基于压缩感知的高频谐振软开关电路故障预测方法及装置,解决故障预测准确性低以及数据处理难度系数高的问题。
本发明通过以下技术方案解决上述问题:
基于压缩感知的高频谐振软开关电路故障预测方法,通过以下步骤实现:
(1)采样前:
采集特征参数压缩采样模块的输入信号x,输入信号x的长度为Z,其中,Z为正整数;对所述输入信号x进行稀疏变换,计算出稀疏变换基Ψ,计算与所述稀疏变换基Ψ不相关的线性测量矩阵Φ;
(2)采样时:
实时采样特征参数压缩采样模块的输入信号,标记为原始信号x',原始信号x'经线性测量矩阵Φ进行线性测量后,得到特征参数压缩采样模块的输出信号,标记为采样信号y',采样信号y'的长度为Z',Z'小于Z;采样信号y'输入至控制器模块进行信号恢复;
(3)恢复采样信号y'前,计算采样信号y'的稀疏度K':
(4)恢复采样信号y',获取恢复信号s';
(5)计算最大李氏指数λ:
51)以当前的及历史的恢复信号s'为数据基础,构建变量时间序列,所述变量时间序列的长度为N;
52)计算所述变量时间序列的嵌入维数M和延迟时间τ;
53)根据嵌入维数M和延迟时间τ重构相空间Yn:
Yn=(xn,xn-τ,xn-2τ,xn-3τ...,xn-(M-1)τ),式中,n=(N0,N0+1,...,N),其中,N0=(M-1)τ+1;
54)找出相空间Yn中每个点Yj的最邻近点Yη(j),|j-η(j)|大于预设的阈值;
55)计算相空间Yn中每个点Yj的最邻近点Yη(j)对应ii个时间步长后的dj(ii),dj(ii)=||Yj-Yη(j)||,ii=(N0,N0+1,...,N);
56)计算相空间Yn中每个点Yj对应的lndj(ii)的平均值y(ii),式中,q为非零dj(ii)的总数,Δt为样本周期;
lndj(ii)=lndj(0)+λ(iiΔt)≈lndj(0)+λln(iiΔt),
ii=1,2,...,min(N-N0+1-j,N-N0+1-η(j));
57)计算最大李氏指数λ:
(6)故障预测:当λ一直保持λ≤0时,高频谐振软开关电路运行正常;当λ值在0附近上下波动时,高频谐振软开关电路运行异常;当λ一直保持λ>0时,高频谐振软开关电路即将发生故障。
上述方案中,所述特征参数分别为输入电压、输入电流、谐振电感电流、谐振频率、谐振电容电压、输出电压以及输出电流。
上述方案中,步骤(3)采用正交匹配追踪法计算采样信号y'的稀疏度K',步骤如下:
31)采集m个采样信号y',构成m×1的采样信号序列y”,采集特征参数压缩采样模块的输入信号x”,令采样信号y'的稀疏度K=1;
32)为残差r0、索引集Λ0以及支撑集A0赋初始值,残差r0的初始值为采样信号y',索引集Λ0的初始值为空集,支撑集A0的初始值为空集;
33)进行第一次迭代,在感知矩阵A=ΦΨ中寻找与残差r0的内积最大的列所在的位置,式中,aj为感知矩阵A的第j列原子;将索引γ1更新至索引集Λ1中,即Λ1=Λ0∪{γ1};将索引γ1对应的原子更新至支撑集A1中,即计算采样信号序列y”在支撑集Α1的张成空间上的正交投影,得到稀疏信号θ1=(Α1 TΑ1)-1Α1 Ty”,更新残差,r1=y”-Α1θ1;
34)迭代次数增t增1,若符合t≤K,执行步骤35),否则执行步骤36);
35)进行第t次迭代,在感知矩阵A=ΦΨ中寻找与残差的内积最大的列所在的位置,式中,aj为感知矩阵A的第j列原子;将索引γt更新至索引集Λt中,即Λt=Λt-1∪{γt};将索引γt对应的原子更新至支撑集At中,即计算采样信号序列y”在支撑集Αt的张成空间上的正交投影,得到稀疏信号θt=(Αt TΑt)-1Αt Ty”,更新残差,rt=y”-Αtθt;执行步骤34);
36)从Λt中获取稀疏信号中非零元素的位置索引,稀疏信号中非零元素为第t次迭代所得的θt,即θ'(Λt)=θt,得到稀疏信号集θ';
37)恢复信号s=ψθ';
38)恢复误差Rk为(s-x)的l2范数除以x的l2范数,R为各恢复误差的集合,Rk稀疏度K对应的恢复残差;(s-x)的l2范数是(s-x)中所有元素模值平方的和再开方;
39)K增1,若K≤m,执行步骤32),否则执行步骤399);
399)找出恢复误差R集合中值最小的元素,该元素对应的K值为采样信号y'的稀疏度K'。
上述方案中,步骤(4)中,运用正交匹配追踪法恢复采样信号y',获取恢复信号s',步骤如下:
41)为残差r0'、索引集Λ0'以及支撑集A0'赋初始值,残差r0'的初始值为采样信号y',索引集Λ0'的初始值为空集,支撑集A0'的初始值为空集;
42)进行第一次迭代,式中,aj为感知矩阵A=ΦΨ的第j列原子;将索引γ1'更新至索引集Λ1'中,即Λ1'=Λ0'∪{γ1'};将索引γ1'对应的原子更新至支撑集A1'中,即计算采样信号y'在支撑集Α1'的张成空间上的正交投影,得到稀疏信号θ1'=(Α1'TΑ1')-1Α1'Ty',更新残差,r1'=y'-Α1'θ1';
43)若K'为1,执行步骤45),否则,迭代次数t'增1,执行步骤44);
44)式中,aj为感知矩阵A=ΦΨ的第j列原子;将索引γt'更新至索引集Λt'中,即Λt'=Λt-1'∪{γt'};将索引γt'对应的原子更新至支撑集At'中,即计算采样信号y'在支撑集Αt'的张成空间上的正交投影,得到稀疏信号θt'=(Αt'TΑt')-1Αt'Ty',更新残差,rt'=y'-Αt'θt';此时,若t'仍然符合1≤t'≤K',执行步骤43),否则执行步骤45);
45)θt'在Λt'处有非零项θt(Λt'),则非零项θt(Λt')的值均为第K'次迭代所得的θK',即θt(Λt')=θK',得到稀疏信号集θ”;
46)恢复信号s'=ψθ”,对应的残差为rt;rt大于预设的阈值时,说明恢复信号s与原始信号x'差距甚大,本次恢复进程失败,执行步骤41),否则执行步骤(5)。
上述方案中,步骤53)中,根据各嵌入维数和延迟时间重构相空间Yn:
式中,n=(N0,N0+1,...,N),其中,Mi为第i个时间序列的嵌入维数,τi为第i个时间序列的延迟时间,i为正整数。
一种运用上述方案基于压缩感知的高频谐振软开关电路故障预测方法的装置,与现有技术相同,包括高频谐振软开关电路,所述高频谐振软开关电路的输入端与外部直流输入的输出端相连,所述高频谐振软开关电路的输出端与外部负载相连,所述高频谐振软开关电路中含谐振电感和谐振电容,所述谐振电感和谐振电容串联连接,与现有技术不同的是,进一步包括特征参数压缩采样模块和控制器模块;所述特征参数压缩采样模块包括矩阵电路,所述矩阵电路的输入端与特征参数采样位置相连,所述矩阵电路的输出端与控制器模块相连。
上述方案中,所述特征参数压缩采样模块包括输入电压压缩采样模块、输入电流压缩采样模块、谐振电感电流压缩采样模块、谐振频率压缩采样模块、谐振电容电压压缩采样模块、输出电压压缩采样模块和输出电流压缩采样模块;上述7个采样模块分别包括有矩阵电路,各矩阵电路的输入端分别与之对应的采样位置相连,各矩阵电路的输出端分别与控制器模块相连。
上述方案中,进一步包括输入滤波模块;所述输入滤波模块的输入端与外部直流输入的输出端相连,所述输入滤波模块的输入端与输入电压采样模块的输入端相连,所述输入滤波模块的输入端与输入电流采样模块的输入端相连,所述输入滤波模块的输出端与高频谐振软开关电路的输入端相连。
上述方案中,进一步包括输出滤波模块;所述输出滤波模块的输入端与高频谐振软开关电路的输出端相连,所述输出滤波模块的输出端与外部负载相连,所述输出滤波模块的输出端与输出电压采样模块的输入端相连,所述输出滤波模块的输出端与输出电流采样模块的输入端相连,所述输出滤波模块的输出端与输出电流采样模块的输入端相连。
上述方案中,进一步包括故障报警模块;所述故障报警模块的输入端与控制器模块相连。
本发明的优点与效果是:
1、基于压缩感知对各特征参数采样,可降低采样频率,减少数据传输、存储和处理量,避免产生海量数据,从而降低数据处理难度系数;基于混沌对高频谐振软开关进行故障预测,以当前和历史的恢复信号为数据基础,计算最大李氏指数,运用最大李氏指数预测高频谐振软开关电路的故障,提高故障预测的准确性;7个特征参数的恢复信号组建出多变量时间序列,具有信息完备性,还可克服噪声对故障预测准确性的影响;
2、运用小波变换或短时傅里叶变换对各特征参数的输入信号进行稀疏变换,再根据稀疏变换基计算与之不相关的线性测量矩阵,基于压缩感知对各特征参数采样时,运用所得线性测量矩阵对原始信号进行线性测量,为信号恢复提供准确的数据基础。
附图说明
图1为本发明单次进行故障预测的流程图。
图2为本发明的结构原理框图。
图3为本发明的高频谐振软开关电路中谐振电容电压的原始信号和恢复信号效果图。
图4为本发明的高频谐振软开关电路中电容的劣化程度与李氏指数的关系图。
具体实施方式
以下结合实施例对本发明作进一步说明,但本发明并不局限于这些实施例。
在高频谐振软开关电源中,高频谐振软开关电路是核心部分,由DC-DC变换器和功率变换器组成。DC-DC变换器对直流输入信号进行电压值转换,并进行隔离、降噪、稳压及过压保护,其输出端信号为平滑直流,无交流谐波分量,且输出阻抗为零,具有快速动态响应的能力,且抑制能力强。功率变换器采用谐振开关变换技术,利用谐振型开关进行变换,是一种部分谐振变换的过程,其开关损耗小,控制恰当时可使开关损耗为零;功率变换器中,开关管在导通期间或关断期间进行半周期的谐振,分别使得导通电流或关断电压为正弦波。直流信号经DC-DC变换器变换后,输入至功率变换器,功率变换器作为零电压谐振开关或零电流谐振开关,将经DC-DC变换以及功率变换后的直流信号导通至外部负载。
在高频谐振软开关电路中,开关器件在零电压或零电流条件下切换,理论上开关损耗为零,在采用同一类型开关器件时,高频谐振软开关能在高出硬开关电路一个、甚至几个数量级的开关频率下工作。高频谐振软开关的优点还在于噪音低、电磁干扰低、输出的波形谐波成分少;另外,由于开关器件在零电压或零电流的条件下动作,开关器件的动态过程大为改善,因此无需缓冲电路,散热器尺寸也明显减小,使用高频谐振软开关电路的尺寸及重量也随之大大减小,且开关器件在高可靠性和高频率条件下工作。硬开关电路是指在开关切换瞬间,开关两端有电压或电流,不可以避免地产生开关损耗和低电磁干扰的问题;软开关技术是让开关在两端电压或电流为零或极小的瞬间切换,从而避免,开关损耗和低电磁干扰的问题。产生零电压或零电流瞬间的方法是在硬开关电路拓扑结构的基础上增加由电感、电容及其它辅助开关元器件组成的谐振网络,使得主开关两端的电压或电流始终在零点附近振荡或穿过零点,进而给开关的零电压/零电流切换提供了可能的条件。
功率变换器包含谐振单元,在谐振单元中,谐振电感和谐振电容串联连接。从高频谐振软开关电路中选择易于测量的、适量的特征参数,这些特征参数能够反映故障征兆,通常选择高频谐振软开关电路由正常到故障过程中有不同程度变换的电路参数作为特征参数,所选择的特征参数既包含故障信息,又反映故障产生及变化过程的机理,为故障预测处理提供有效数据,且还需避免产生海量数据,降低数据处理的难度系数。设置多个关键的特征参数可以克服部分噪声对获取高频谐振软开关电路性能参数的准确度的影响,提高故障预测的可靠性。
特征参数为至少1个,本发明采样7个特征参数,分别为输入电压、输入电流、谐振电感电流、谐振频率、谐振电容电压、输出电压以及输出电流,这7个特征参数,能充分反映出高频谐振软开关电路由正常到故障的变化,具有信息完备性;对应有7个特征参数压缩采样模块,分别为输入电压压缩采样模块、输入电流压缩采样模块、谐振电感电流压缩采样模块、谐振频率压缩采样模块、谐振电容电压压缩采样模块、输出电压压缩采样模块以及输出电流压缩采样模块;用户可根据实际需求采样7个以上的特征参数,设置7个以上的特征参数压缩采样模块。本发明的硬件结构包括上述7个特征参数压缩采样模块、输入滤波模块、输出滤波模块、控制器模块以及故障报警模块。本发明选择这7个采样点,实现的电路结构简单、受到的干扰较小,容易准确获取特征参数的信号;输入滤波模块抑制外部直流输入的传导干扰和辐射干扰,抑制共模噪声和差模噪声;输出滤波模块滤除输出电流中的高次谐波,减小由高次谐波引起的附加影响,抑制浪涌电压;高频谐振软开关电路在控制器模块的控制下执行开关操作;预测即将出现故障时,控制器模块控制故障报警模块工作,进行报警。
外部直流输入的输出端与输入滤波模块的输入端相连,输入滤波模块的输出端经高频谐振软开关电路后,连接至输出滤波模块的输入端,输出滤波模块的输出端连接至外部负载的供电端;输入电压采样模块的输入端与外部直流输入的输出端相连,与输入滤波模块的输入端相连,输入电压采样模块的输出端与控制器模块相连;输入电流采样模块的输入端与外部直流输入的输出端相连,与输入滤波模块的输入端相连,输入电流采样模块的输出端与控制器模块相连;谐振电感电流采样模块的输入端与谐振电感相连,谐振电感电流采样模块的输出端与控制器模块相连;谐振频率采样模块的输入端连接在谐振电感和谐振电容之间,谐振频率采样模块的输出端与控制器模块相连;谐振电容电压采样模块的输入端与谐振电容相连,谐振电容电压采样模块的输出端与控制器模块相连;输出电压采样模块的输入端与输出滤波模块的输出端相连,输出电压采样模块的输入端与外部负载的供电端相连,输出电压采样模块的输出端与控制器模块相连;输出电流采样模块的输入端与输出滤波模块的输出端相连,输出电流采样模块的输入端与外部负载的供电端相连,输出电流采样模块的输出端与控制器模块相连;控制器模块的一路输出端与高频谐振软开关电路的控制端相连,控制器模块的另一路输出端与故障报警模块的输入端相连;输入滤波模块的负极输入端、输入滤波模块的负极输出端、输出滤波模块的负极输入端以及输出滤波模块的负极输出端均与模拟地相连,参见图2。
各特征参数压缩采样模块均由矩阵电路和A/D电路组成。在每个特征参数压缩采样模块中,矩阵电路的输入端与对应的采样位置点相连,矩阵电路的输出端与A/D电路的输入端相连,A/D电路的输出端与控制器模块的输入端相连。各矩阵电路分别为第一矩阵电路、第二矩阵电路、第三矩阵电路、第四矩阵电路、第五矩阵电路、第六矩阵电路、第七矩阵电路,各A/D电路分别为第一A/D电路、第二A/D电路、第三A/D电路、第四A/D电路、第五A/D电路、第六A/D电路、第七A/D电路。各A/D电路的电路结构完全相同;各矩阵电路不完全相同,每个矩阵电路分别对应一个线性测量矩阵Φ;对各特征参数的输入信号进行稀疏变换,计算出与稀疏变换基不相关的线性测量矩阵Φ;运用获得的线性测量矩阵Φ处理对应的特征参数的输入信号,处理后的数据经A/D转换后输入至控制器模块进行数据处理。基于压缩感知对各特征参数采样,对各A/D电路的转换效率则没有太高要求,各A/D电路为低速A/D电路即可满足要求。
外部直流输入信号经输入滤波模块滤波后,输出至高频谐振软开关电路,高频谐振软开关电路在控制器模块控制下执行开关动作,执行开动作时,直流信号输入至输出滤波模块,经输出滤波后,输出至外部负载;各采样模块采集特征参数,经线性测量矩阵进行线性测量后输出离散采样信号,再经A/D电路将离散采样信号转换为数字信号,由控制器模块对数字信号进行处理,发出控制信号至高频谐振软开关电路,控制器模块在即将出现故障时启动故障报警模块。
基于压缩感知的高频谐振软开关电路的故障预测方法,步骤如下:
(1)采样前:
使用数据采集设备采集特征参数压缩采样模块的输入信号x,输入信号x的长度为Z,其中,Z为正整数;
对输入信号x做稀疏变换,x=Ψθ,Ψ为稀疏变换基,θ为输入信号x在Ψ变换域的稀疏表示,多次更换稀疏变换基Ψ的值,通过观察θ的稀疏程度判断稀疏变换基的取值是否合适,获取最合适的稀疏变换基Ψ;稀疏变换基Ψ为Z×Z矩阵;合适的稀疏变换基能使得输入信号在该稀疏变换基下的变换系数尽可能稀疏,合适的稀疏变换基可降低信号采集难度、提高信号采样速度、降低恢复难度以及提高恢复精度;上述稀疏变换为小波变换或短时傅里叶变换;
根据获取的稀疏变换基Ψ,计算与之不相关的线性测量矩阵Φ:μ(Φ,Ψ)表示线性测量矩阵Φ与稀疏变换基Ψ的相关度,Φa表示线性测量矩阵Φ的第a列,Ψb表示稀疏变换基Ψ的第b列,1≤a≤Z,1≤b≤Z,表示线性测量矩阵Φ与稀疏变换基Ψ的任意两列的最大相关性,当μ(Φ,Ψ)=1时得到与稀疏变换基Ψ最不相关的线性测量矩阵Φ;为节约硬件成本,可采用随机矩阵或确定性矩阵作为本发明的线性测量矩阵,优选地,本发明选择随机矩阵;
(2)采样时,以低于奈奎斯特定理的采样频率fs实时采样特征参数压缩采样模块的输入信号,标记为原始信号x',原始信号x'经线性测量矩阵Φ进行线性测量后,得到特征参数压缩采样模块的输出信号,标记为采样信号y',采样信号y'的长度为Z',Z'小于Z;上述采样频率fs小于特征参数的原始信号最高频率的两倍,大于特征参数的原始信号的最大子带宽;基于压缩感知进行采样,可避免产生海量数据,便于控制器模块对采样得到的信号进行准确的恢复;
(3)恢复采样信号y'前,运用正交匹配追踪法计算采样信号y'的稀疏度K':
31)采集m个采样信号y',构成m×1的采样信号序列y”,采集特征参数压缩采样模块的输入信号x”,令采样信号y'的稀疏度K=1;
32)为残差r0、索引集Λ0以及支撑集A0赋初始值,残差r0的初始值为采样信号y',索引集Λ0的初始值为空集,支撑集A0的初始值为空集;
33)进行第一次迭代,在感知矩阵A=ΦΨ中寻找与残差r0的内积最大的列所在的位置,式中,aj为感知矩阵A的第j列原子;将索引γ1更新至索引集Λ1中,即Λ1=Λ0∪{γ1};将索引γ1对应的原子更新至支撑集A1中,即计算采样信号序列y”在支撑集Α1的张成空间上的正交投影,得到稀疏信号θ1=(Α1 TΑ1)-1Α1 Ty”,更新残差,r1=y”-Α1θ1;
34)迭代次数增t增1,若符合t≤K,执行步骤35),否则执行步骤36);
35)进行第t次迭代,在感知矩阵A=ΦΨ中寻找与残差的内积最大的列所在的位置,式中,aj为感知矩阵A的第j列原子;将索引γt更新至索引集Λt中,即Λt=Λt-1∪{γt};将索引γt对应的原子更新至支撑集At中,即计算采样信号序列y”在支撑集Αt的张成空间上的正交投影,得到稀疏信号θt=(Αt TΑt)-1Αt Ty”,更新残差,rt=y”-Αtθt;执行步骤34);
36)从Λt中获取稀疏信号中非零元素的位置索引,稀疏信号中非零元素为第t次迭代所得的θt,即θ'(Λt)=θt,得到稀疏信号集θ';
37)恢复信号s=ψθ';
38)恢复误差Rk为(s-x)的l2范数除以x的l2范数,R为各恢复误差的集合,Rk稀疏度K对应的恢复残差;(s-x)的l2范数是(s-x)中所有元素模值平方的和再开方;
39)K增1,若K≤m,执行步骤32),否则执行步骤399);
399)找出恢复误差R集合中值最小的元素,该元素对应的K值为采样信号y'的稀疏度K';
(4)恢复采样信号y':
运用正交匹配追踪法恢复采样信号y',获取恢复信号s':
41)为残差r0'、索引集Λ0'以及支撑集A0'赋初始值,残差r0'的初始值为采样信号y',索引集Λ0'的初始值为空集,支撑集A0'的初始值为空集;
42)进行第一次迭代,式中,aj为感知矩阵A=ΦΨ的第j列原子;将索引γ1'更新至索引集Λ1'中,即Λ1'=Λ0'∪{γ1'};将索引γ1'对应的原子更新至支撑集A1'中,即计算采样信号y'在支撑集Α1'的张成空间上的正交投影,得到稀疏信号θ1'=(Α1'TΑ1')-1Α1'Ty',更新残差,r1'=y'-Α1'θ1';
43)若K'为1,执行步骤45),否则,迭代次数t'增1,执行步骤44);
44)式中,aj为感知矩阵A=ΦΨ的第j列原子;将索引γt'更新至索引集Λt'中,即Λt'=Λt-1'∪{γt'};将索引γt'对应的原子更新至支撑集At'中,即计算采样信号y'在支撑集Αt'的张成空间上的正交投影,得到稀疏信号θt'=(Αt'TΑt')-1Αt'Ty',更新残差,rt'=y'-Αt'θt';此时,若t'仍然符合1≤t'≤K',执行步骤43),否则执行步骤45);
45)θt'在Λt'处有非零项θt(Λt'),则非零项θt(Λt')的值均为第K'次迭代所得的θK',即θt(Λt')=θK',得到稀疏信号集θ”;
46)恢复信号s'=ψθ”,对应的残差为rt;rt大于预设的阈值时,说明恢复信号s与原始信号x'差距甚大,本次恢复进程失败,执行步骤41),否则执行步骤(5);
(5)计算最大李氏指数λ:
混沌是由确定系统的内在特性引起的貌似无规律、类似随机的现象,利用混沌时间序列预测,可以用过去和现在的观测数据来推测序列的未来,通过分析时间序列可以得到系统在未来时刻的特性,可以通过计算最大李氏指数λ来判断系统是否发生了混沌;
运用小数据法计算最大李氏指数,能克服噪声,步骤如下:
51)以当前的及历史的恢复信号s'为数据基础,构建变量时间序列,变量时间序列的长度为N;
52)运用G-P法计算变量时间序列的嵌入维数M,运用自相关函数法计算变量时间序列的延迟时间τ;
53)根据嵌入维数M和延迟时间τ重构相空间Yn:
Yn=(xn,xn-τ,xn-2τ,xn-3τ...,xn-(M-1)τ),式中,n=(N0,N0+1,...,N),其中,N0=(M-1)τ+1;
54)找出相空间Yn中每个点Yj的最邻近点Yη(j),|j-η(j)|大于预设的阈值;
55)计算相空间Yn中每个点Yj的最邻近点Yη(j)对应ii个时间步长后的dj(ii),dj(ii)=||Yj-Yη(j)||,ii=(N0,N0+1,...,N);
56)计算相空间Yn中每个点Yj对应的lndj(ii)的平均值y(ii),式中,q为非零dj(ii)的总数,Δt为样本周期;
lndj(ii)=lndj(0)+λ(iiΔt)≈lndj(0)+λln(iiΔt)
ii=1,2,...,min(N-N0+1-j,N-N0+1-η(j));
57)运用最小二乘法计算最大李氏指数λ:
(6)根据最大李氏指数λ的值,对高频谐振软开关电路进行故障预测:
运用最大李氏指数λ检测高频谐振软开关电路的工作状态,当λ一直保持λ≤0时,电路系统拥有稳定的不动点,高频谐振软开关电路运行正常;当λ值在0附近上下波动时,电路系统出现周期现象,高频谐振软开关电路运行异常,需由用户进行相应处理;当λ一直保持λ>0时,高频谐振软开关电路产生了混沌现象,可能要发生故障,需由用户进行故障处理。单次进行故障预测的流程图,参见图1。
步骤(1)中,特征参数压缩采样模块为输入电压压缩采样模块、输入电流压缩采样模块、谐振电感电流压缩采样模块、谐振频率压缩采样模块、谐振电容电压压缩采样模块、输出电压压缩采样模块以及输出电流压缩采样模块。分别采集这7个压缩采样模块的输入信号,进行稀疏变换,计算出与稀疏变换基不相关的线性测量矩阵,各线性测量矩阵不同。步骤(2)中,基于压缩感知采样7个特征参数的输入信号,这些输入信号经各自的线性测量矩阵进行线性测量后,得到相应的采样信号,各采样信号的长度均为Z'。
步骤(3)中各特征参数的稀疏度不相同。步骤(4)中,各特征参数的恢复采样信号的方法相同,但最终得到的残差、索引集和支撑集各不相同。
步骤51)中,将各特征参数对应的恢复信号组建成7个变量时间序列l为1至7,N为每个变量时间序列的长度,N的增加有利于提高故障预测的准确度,但会增加计算难度,由技术人员根据实际需求选取N的长度;多变量时间序列具有一定的信息完备性,用多变量时间序列来预测可故障以克服部分噪声对预测精度的影响。
步骤52)中,7个变量时间序列的嵌入维数和延迟时间分别为M1,τ1,M2,τ2,M3,τ3,M4,τ4,M5,τ5,M6,τ6,M7,τ7。
步骤53)中,根据各嵌入维数和延迟时间重构相空间Yn:
式中,n=(N0,N0+1,...,N),其中,Mi为第i个时间序列的嵌入维数,τi为第i个时间序列的延迟时间,i为正整数。
步骤54)中,找出相空间Yn中每个点Yj的最邻近点Yη(j),限制短暂分离,要求|j-η(j)|>ω,i为1至7,j为相空间Yn中每个点的序号,dj(0)=||Yj-Yη(j)||。
步骤55)中,计算相空间Yn中每个点Yj的最邻近点Yη(j)对应ii个离散时间步长后的dj(ii),dj(ii)=||Yj-Yη(j)||,ii=(N0,N0+1,...,N)。
步骤56)中,计算相空间Yn中每个点Yj对应的lndj(ii)的平均值y(ii),式中,q为非零dj(ii)的总数,Δt为样本周期;
lndj(ii)=lndj(0)+λ(iiΔt)≈lndj(0)+λln(iiΔt),
ii=1,2,...,min(N-N0+1-j,N-N0+1-η(j))。
最大李氏指数λ值的变化规律反映高频谐振软开关电路内部物理变化过程,高频谐振软开关电路由正常到故障的演化过程是:正常时电路电路系统拥有稳定的不动点或周期运动,λ一直保持λ≤0;由于器件性能退化、工作环境等的影响,电路系统参数在发生变化,电路系统变得越来越不稳定,电路系统产生了周期震荡,λ值在0附近上下波动;随着情况的恶化,电路系统过渡到混沌状态,电路系统可能要发生故障,λ一直保持λ〉0。因此,当λ一直保持λ≤0时,预测高频谐振软开关电路正常工作;当λ值在0附近上下波动时,预测高频谐振软开关电路异常,需进行相应处理;当λ一直保持λ〉0时,预测高频谐振软开关电路可能要发生故障,需进行故障处理。λ一直保持的时间长短由电路的实际设计决定,λ值越大,电路系统的混沌特性越明显,故障使电路系统性能下降越多,高频谐振软开关电路发生故障损坏的程度越大。
高频谐振软开关电路中谐振电容电压的原始信号和恢复信号效果图,参见图3。图3横轴为信号长度n,纵轴为谐振电容电压V,图3给出了恢复信号和原始信号的曲线,曲线由Matlab仿真得出,恢复信号曲线为运用了压缩感知采样谐振电容电压的输入信号后,运用正交匹配追踪法进行恢复得到的信号。谐振电容电压信号含有高斯白噪声,感知矩阵A=ΦΨ,Φ为正太分布的随机矩阵,Ψ离散傅里叶变换基,取原始信号长度n=256,n的长度增加会使计算量增加且硬件设计的成本也增加,n的长度达到一定1024后,再增加n的长度对原始信号恢复质量提高效果不明显,原始信号的稀疏度K=7,压缩采样点数m=64,满足条件:
平均采样频率fs=100KhZ,谐振电容电压原始信号频率fc=400Khz,恢复后算出的恢复误差为0.0177。
高频谐振软开关电路中电容的劣化程度与李氏指数的关系,参见图4,图4横轴为电容参数值劣化程度(%),纵轴为李氏指数。本发明运用最大李氏指数对高频谐振软开关进行故障预测。由图4可知,电容参数值劣化程度在0~7%之间时,即电容值变大0~7%时,最大李氏指数λ一直保持λ≤0;电容参数值劣化程度在8~14%之间时,即电容值变大8~14%时,λ值在0附近上下波动,此时电容容易出现异常;电容参数值劣化程大于15%,即电容值变大了15%,λ一直保持λ〉0,电容可能即将损坏或者引发其它器件损坏,随着时间推移,电容参数值劣化程增加;电容参数值劣化程度在0~-7%之间,即电容值减小0~7%时,λ≤0;电容参数值劣化程度大概在-8~-14%之间时,即电容值减小8~14%,λ值在0附近上下波动,此时电容容易出现异常;电容参数值劣化程大于-15%,即电容值减小15%及以上时,λ〉0,电容可能要损坏或者引发其它器件损坏,随着时间推移电容参数值劣化程增加。由图4可知,运用特征参数信号的变化对应的混沌现象,可用于预测高频谐振软开关电路的故障,实现方法简单、准确。
本发明中,基于压缩感知采样高频谐振软开关电路的7个故障参数,对各故障参数的输入信号进行线性测量,获取各输入信号对应的恢复信号,恢复信号经A/D转换后,输入至控制器模块进行数据恢复,组建出多变量时间序列,基于混沌预测高频谐振软开关电路的故障,通过最大李氏指数预测高频谐振软开关电路的故障。
Claims (10)
1.基于压缩感知的高频谐振软开关电路故障预测方法,其特征在于,通过以下步骤实现:
(1)采样前:
采集特征参数压缩采样模块的输入信号x,输入信号x的长度为Z,其中,Z为正整数;对所述输入信号x进行稀疏变换,计算出稀疏变换基Ψ,计算与所述稀疏变换基Ψ不相关的线性测量矩阵Φ;
(2)采样时:
实时采样特征参数压缩采样模块的输入信号,标记为原始信号x',原始信号x'经线性测量矩阵Φ进行线性测量后,得到特征参数压缩采样模块的输出信号,标记为采样信号y',采样信号y'的长度为Z',Z'小于Z;采样信号y'输入至控制器模块进行信号恢复;
(3)恢复采样信号y'前,计算采样信号y'的稀疏度K':
(4)恢复采样信号y',获取恢复信号s';
(5)计算最大李氏指数λ:
51)以当前的及历史的恢复信号s'为数据基础,构建变量时间序列,所述变量时间序列的长度为N;
52)计算所述变量时间序列的嵌入维数M和延迟时间τ;
53)根据嵌入维数M和延迟时间τ重构相空间Yn:
Yn=(xn,xn-τ,xn-2τ,xn-3τ...,xn-(M-1)τ),式中,n=(N0,N0+1,...,N),其中,N0=(M-1)τ+1;
54)找出相空间Yn中每个点Yj的最邻近点Yη(j),|j-η(j)|大于预设的阈值;
55)计算相空间Yn中每个点Yj的最邻近点Yη(j)对应ii个时间步长后的dj(ii),dj(ii)=||Yj-Yη(j)||,ii=(N0,N0+1,...,N);
56)计算相空间Yn中每个点Yj对应的lndj(ii)的平均值y(ii),式中,q为非零dj(ii)的总数,Δt为样本周期;
lndj(ii)=lndj(0)+λ(iiΔt)≈lndj(0)+λln(iiΔt),
ii=1,2,...,min(N-N0+1-j,N-N0+1-η(j));
57)计算最大李氏指数λ:
(6)故障预测:当λ一直保持λ≤0时,高频谐振软开关电路运行正常;当λ值在0附近上下波动时,高频谐振软开关电路运行异常;当λ一直保持λ>0时,高频谐振软开关电路即将发生故障。
2.根据权利要求1所述的基于压缩感知的高频谐振软开关电路故障预测方法,其特征在于:所述特征参数分别为输入电压、输入电流、谐振电感电流、谐振频率、谐振电容电压、输出电压以及输出电流。
3.根据权利要求1所述的基于压缩感知的高频谐振软开关电路故障预测方法,其特征在于:
步骤(3)采用正交匹配追踪法计算采样信号y'的稀疏度K',步骤如下:
31)采集m个采样信号y',构成m×1的采样信号序列y”,采集特征参数压缩采样模块的输入信号x”,令采样信号y'的稀疏度K=1;
32)为残差r0、索引集Λ0以及支撑集A0赋初始值,残差r0的初始值为采样信号y',索引集Λ0的初始值为空集,支撑集A0的初始值为空集;
33)进行第一次迭代,在感知矩阵A=ΦΨ中寻找与残差r0的内积最大的列所在的位置,式中,aj为感知矩阵A的第j列原子;将索引γ1更新至索引集Λ1中,即Λ1=Λ0∪{γ1};将索引γ1对应的原子更新至支撑集A1中,即A1=A0∪{aγ1};计算采样信号序列y”在支撑集Α1的张成空间上的正交投影,得到稀疏信号θ1=(Α1 TΑ1)-1Α1 Ty”,更新残差,r1=y”-Α1θ1;
34)迭代次数增t增1,若符合t≤K,执行步骤35),否则执行步骤36);
35)进行第t次迭代,在感知矩阵A=ΦΨ中寻找与残差的内积最大的列所在的位置,式中,aj为感知矩阵A的第j列原子;将索引γt更新至索引集Λt中,即Λt=Λt-1∪{γt};将索引γt对应的原子更新至支撑集At中,即计算采样信号序列y”在支撑集Αt的张成空间上的正交投影,得到稀疏信号θt=(Αt TΑt)-1Αt Ty”,更新残差,rt=y”-Αtθt;执行步骤34);
36)从Λt中获取稀疏信号中非零元素的位置索引,稀疏信号中非零元素为第t次迭代所得的θt,即θ'(Λt)=θt,得到稀疏信号集θ';
37)恢复信号s=ψθ';
38)恢复误差Rk为(s-x)的l2范数除以x的l2范数,R为各恢复误差的集合,Rk稀疏度K对应的恢复残差;(s-x)的l2范数是(s-x)中所有元素模值平方的和再开方;
39)K增1,若K≤m,执行步骤32),否则执行步骤399);
399)找出恢复误差R集合中值最小的元素,该元素对应的K值为采样信号y'的稀疏度K'。
4.根据权利要求1所述的基于压缩感知的高频谐振软开关电路故障预测方法,其特征在于:
步骤(4)中,运用正交匹配追踪法恢复采样信号y',获取恢复信号s',步骤如下:
41)为残差r0'、索引集Λ0'以及支撑集A0'赋初始值,残差r0'的初始值为采样信号y',索引集Λ0'的初始值为空集,支撑集A0'的初始值为空集;
42)进行第一次迭代,式中,aj为感知矩阵A=ΦΨ的第j列原子;将索引γ1'更新至索引集Λ1'中,即Λ1'=Λ0'∪{γ1'};将索引γ1'对应的原子更新至支撑集A1'中,即计算采样信号y'在支撑集Α1'的张成空间上的正交投影,得到稀疏信号θ1'=(Α1'TΑ1')-1Α1'Ty',更新残差,r1'=y'-Α1'θ1';
43)若K'为1,执行步骤45),否则,迭代次数t'增1,执行步骤44);
44)式中,aj为感知矩阵A=ΦΨ的第j列原子;将索引γt'更新至索引集Λt'中,即Λt'=Λt-1'∪{γt'};将索引γt'对应的原子更新至支撑集At'中,即计算采样信号y'在支撑集Αt'的张成空间上的正交投影,得到稀疏信号θt'=(Αt'TΑt')-1Αt'Ty',更新残差,rt'=y'-Αt'θt';此时,若t'仍然符合1≤t'≤K',执行步骤43),否则执行步骤45);
45)θt'在Λt'处有非零项θt(Λt'),则非零项θt(Λt')的值均为第K'次迭代所得的θK',即θt(Λt')=θK',得到稀疏信号集θ”;
46)恢复信号s'=ψθ”,对应的残差为rt;rt大于预设的阈值时,说明恢复信号s与原始信号x'差距甚大,本次恢复进程失败,执行步骤41),否则执行步骤(5)。
5.根据权利要求1所述的基于压缩感知的高频谐振软开关电路故障预测方法,其特征在于:
步骤53)中,根据各嵌入维数和延迟时间重构相空间Yn:
式中,n=(N0,N0+1,...,N),其中,Mi为第i个时间序列的嵌入维数,τi为第i个时间序列的延迟时间,i为正整数。
6.一种运用权利要求1至5中任意一项所述的基于压缩感知的高频谐振软开关电路故障预测方法的装置,包括高频谐振软开关电路,所述高频谐振软开关电路的输入端与外部直流输入的输出端相连,所述高频谐振软开关电路的输出端与外部负载相连,所述高频谐振软开关电路中含谐振电感和谐振电容,所述谐振电感和谐振电容串联连接,其特征在于:
进一步包括特征参数压缩采样模块和控制器模块;所述特征参数压缩采样模块包括矩阵电路,所述矩阵电路的输入端与特征参数采样位置相连,所述矩阵电路的输出端与控制器模块相连。
7.根据权利要求6所述的基于压缩感知的高频谐振软开关电路故障预测装置,其特征在于:所述特征参数压缩采样模块包括输入电压压缩采样模块、输入电流压缩采样模块、谐振电感电流压缩采样模块、谐振频率压缩采样模块、谐振电容电压压缩采样模块、输出电压压缩采样模块和输出电流压缩采样模块;上述7个采样模块分别包括有矩阵电路,各矩阵电路的输入端分别与之对应的采样位置相连,各矩阵电路的输出端分别与控制器模块相连。
8.根据权利要求6所述的基于压缩感知的高频谐振软开关电路故障预测装置,其特征在于:
进一步包括输入滤波模块;所述输入滤波模块的输入端与外部直流输入的输出端相连,所述输入滤波模块的输入端与输入电压采样模块的输入端相连,所述输入滤波模块的输入端与输入电流采样模块的输入端相连,所述输入滤波模块的输出端与高频谐振软开关电路的输入端相连。
9.根据权利要求6所述的基于压缩感知的高频谐振软开关电路故障预测装置,其特征在于:
进一步包括输出滤波模块;所述输出滤波模块的输入端与高频谐振软开关电路的输出端相连,所述输出滤波模块的输出端与外部负载相连,所述输出滤波模块的输出端与输出电压采样模块的输入端相连,所述输出滤波模块的输出端与输出电流采样模块的输入端相连,所述输出滤波模块的输出端与输出电流采样模块的输入端相连。
10.根据权利要求6所述的基于压缩感知的高频谐振软开关电路故障预测装置,其特征在于:
进一步包括故障报警模块;所述故障报警模块的输入端与控制器模块相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610201293.9A CN105790568B (zh) | 2016-04-01 | 2016-04-01 | 基于压缩感知的高频谐振软开关电路故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610201293.9A CN105790568B (zh) | 2016-04-01 | 2016-04-01 | 基于压缩感知的高频谐振软开关电路故障预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105790568A true CN105790568A (zh) | 2016-07-20 |
CN105790568B CN105790568B (zh) | 2018-06-05 |
Family
ID=56395551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610201293.9A Active CN105790568B (zh) | 2016-04-01 | 2016-04-01 | 基于压缩感知的高频谐振软开关电路故障预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105790568B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106514434A (zh) * | 2016-12-30 | 2017-03-22 | 华中科技大学 | 一种基于数据的铣削刀具磨损监测方法 |
CN106658577A (zh) * | 2016-11-17 | 2017-05-10 | 厦门理工学院 | 一种联合空间‑时间稀疏性的传感网数据恢复方法 |
CN106705368A (zh) * | 2016-12-30 | 2017-05-24 | 美的集团股份有限公司 | 预判家用电器故障的方法、装置及家用电器 |
CN108897640A (zh) * | 2018-06-11 | 2018-11-27 | 上海交通大学 | 群智感知中错误位置数据的检测系统及方法 |
CN111832424A (zh) * | 2020-06-22 | 2020-10-27 | 淮阴工学院 | 一种开关电源滤波电容多模态故障检测方法 |
CN113675850A (zh) * | 2021-10-25 | 2021-11-19 | 山东大学 | 一种基于非线性鲁棒估计的电网信息快速精准感知方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103199919A (zh) * | 2013-04-19 | 2013-07-10 | 重庆邮电大学 | 一种多参数感知的高精度网络故障筛选定位系统及方法 |
CN104265577A (zh) * | 2014-04-16 | 2015-01-07 | 湘潭大学 | 一种基于压缩感知的风力发电机组异常检测方法 |
JP2015154256A (ja) * | 2014-02-14 | 2015-08-24 | 国立研究開発法人情報通信研究機構 | ネットワークの故障検出方法 |
CN105006837A (zh) * | 2015-07-23 | 2015-10-28 | 广西师范大学 | 基于非线性动力学特性的光伏微网灾变预测方法及装置 |
-
2016
- 2016-04-01 CN CN201610201293.9A patent/CN105790568B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103199919A (zh) * | 2013-04-19 | 2013-07-10 | 重庆邮电大学 | 一种多参数感知的高精度网络故障筛选定位系统及方法 |
JP2015154256A (ja) * | 2014-02-14 | 2015-08-24 | 国立研究開発法人情報通信研究機構 | ネットワークの故障検出方法 |
CN104265577A (zh) * | 2014-04-16 | 2015-01-07 | 湘潭大学 | 一种基于压缩感知的风力发电机组异常检测方法 |
CN105006837A (zh) * | 2015-07-23 | 2015-10-28 | 广西师范大学 | 基于非线性动力学特性的光伏微网灾变预测方法及装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106658577A (zh) * | 2016-11-17 | 2017-05-10 | 厦门理工学院 | 一种联合空间‑时间稀疏性的传感网数据恢复方法 |
CN106658577B (zh) * | 2016-11-17 | 2019-05-17 | 厦门理工学院 | 一种联合空间-时间稀疏性的传感网数据恢复方法 |
CN106514434A (zh) * | 2016-12-30 | 2017-03-22 | 华中科技大学 | 一种基于数据的铣削刀具磨损监测方法 |
CN106705368A (zh) * | 2016-12-30 | 2017-05-24 | 美的集团股份有限公司 | 预判家用电器故障的方法、装置及家用电器 |
CN106514434B (zh) * | 2016-12-30 | 2018-04-24 | 华中科技大学 | 一种基于数据的铣削刀具磨损监测方法 |
CN106705368B (zh) * | 2016-12-30 | 2019-07-30 | 美的集团股份有限公司 | 预判家用电器故障的方法、装置及家用电器 |
CN108897640A (zh) * | 2018-06-11 | 2018-11-27 | 上海交通大学 | 群智感知中错误位置数据的检测系统及方法 |
CN108897640B (zh) * | 2018-06-11 | 2021-08-27 | 上海交通大学 | 群智感知中错误位置数据的检测系统及方法 |
CN111832424A (zh) * | 2020-06-22 | 2020-10-27 | 淮阴工学院 | 一种开关电源滤波电容多模态故障检测方法 |
CN111832424B (zh) * | 2020-06-22 | 2023-10-03 | 淮阴工学院 | 一种开关电源滤波电容多模态故障检测方法 |
CN113675850A (zh) * | 2021-10-25 | 2021-11-19 | 山东大学 | 一种基于非线性鲁棒估计的电网信息快速精准感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105790568B (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105790568A (zh) | 基于压缩感知的高频谐振软开关电路故障预测方法及装置 | |
CN102879728B (zh) | Dc-dc变换器健康评估指标与故障预测方法 | |
Zhang et al. | An ESR quasi-online identification method for the fractional-order capacitor of forward converters based on variational mode decomposition | |
CN103116111B (zh) | 一种电力变压器绕组工作状态的诊断方法 | |
CN108872882B (zh) | 一种三电平级联逆变器的故障诊断装置及其诊断方法 | |
CN107807289B (zh) | 一种直流充电模块寿命预测和可靠性评估方法 | |
CN105891698B (zh) | 一种Boost电路多参数在线辨识方法 | |
CN107315991A (zh) | 一种基于小波阈值去噪的ifra频响曲线去噪方法 | |
CN112345917B (zh) | 一种变流器直流回路异常的监控方法及装置 | |
CN111082541B (zh) | 移动式无线电能传输系统的控制方法及装置 | |
CN115018181A (zh) | 一种轻轨机组减速机齿轮箱在线监测与寿命预测方法 | |
CN208060660U (zh) | 基于igbt控制的干式空心电抗匝间绝缘检测装置 | |
CN112861328B (zh) | 一种基于随机响应信号的发电机阻尼评估装置及方法 | |
CN100585366C (zh) | 一种同步齿轮箱初始故障的在线监测与诊断装置 | |
CN112928941A (zh) | 一种全桥变换器功率开关管健康监测方法及系统 | |
CN110161395B (zh) | 逆变器驱动电机的绝缘状态在线监测方法及其监测系统 | |
CN205453493U (zh) | 一种高频谐振软开关电路故障预测装置 | |
CN108020736A (zh) | 一种电能质量检测方法 | |
CN115343650A (zh) | 一种基于嵌入式系统的高精度数字电源系统 | |
CN112257997B (zh) | 一种基于神经网络的pcs转化率计算方法及系统 | |
CN114200213A (zh) | 一种低频输电矩阵换流器的电容在线监测方法及装置 | |
Jia et al. | Voltage Fluctuation Based Monitoring Scheme of Submodule Capacitors in Modular Multilevel Converter | |
CN116879636B (zh) | 一种LLC变换器输出侧DC-link电容在线监测系统与方法 | |
Hao et al. | Compression of Power Quality Disturbance Using Wavelet-Atomic Decomposition for Grid-Connected Wind Farms | |
Meng et al. | Multi information fusion and fault diagnosis system for motor drive system in high speed train |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |