CN106053988A - 基于智能分析的逆变器故障诊断系统及方法 - Google Patents
基于智能分析的逆变器故障诊断系统及方法 Download PDFInfo
- Publication number
- CN106053988A CN106053988A CN201610438466.9A CN201610438466A CN106053988A CN 106053988 A CN106053988 A CN 106053988A CN 201610438466 A CN201610438466 A CN 201610438466A CN 106053988 A CN106053988 A CN 106053988A
- Authority
- CN
- China
- Prior art keywords
- fault
- decomposition
- intelligent analysis
- wavelet
- inverter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 49
- 239000002245 particle Substances 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 230000007935 neutral effect Effects 0.000 claims description 34
- 238000002405 diagnostic procedure Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了一种基于智能化分析的逆变器故障诊断系统及方法,属于逆变器故障检测技术领域,方法步骤包括:步骤一、逆变器的故障输出电压输入到小波多分辨分解模型中;步骤二、通过db3小波作为基波对故障电压信号多分辨分解获得离散的细节变量信号和离散的平滑近似变量信号;步骤三、使用小波的能量换算公式分别计算出分解序列的能量值,并获得故障特征向量P;步骤四、通过使用粒子群算法对BP神经网络寻优;步骤五、将特征向量P作为BP神经网络的输入变量送入进行故障分类识别;步骤六、输出故障诊断结果。本发明得到比原来仅有BP神经网络更加快速,准确的训练结果和诊断效果,解决了逆变器故障检索慢,诊断结果不准确的问题。
Description
技术领域
本发明属于逆变器故障检测技术领域,涉及神经网络分析方向,具体涉及一种基于智能化分析的逆变器故障诊断系统及方法。
背景技术
随着工业社会对清洁能源的不断追求,光伏发电越来越受到人们的青睐,然而将光能转化为电能的重要控制电路为光伏逆变器,因此对光伏逆变器进行故障诊断判别出主控元件开关管的好坏具有重要的意义。由逆变器的实际运行状况表明,故障大多发生于逆变器主电路中的功率管开关管,功率开关管需要连续工作在开通和关断状态,且连续承受的电压、电流比较大,易损坏而出现某个开关或多个开关管断路现象。
基于数据驱动的思想,利用逆变系统运行过程中不断产生反应运行机理和状态的数据,通过适当有效的分析和提取,可以快速实现逆变系统的故障检测与识别,这比传统的只靠人工检测和维修去定位故障有效率得多。
小波变换是20世纪80年代中期发展起来的一种时频分析方法,比DCT(DiscreteCosine Transform)这样的傅里叶变换的性能更优越,具有多分辨分析功能,被誉为数学显微镜。粒子群算法(PSO)来源于Kennedy和Eberhart对鸟类捕食行为的探索,于1995年提出了这种仿生群体智能化寻优算法。在众多智能寻优算法中,PSO优化算法的操作简便,易于计算机程序实现,可调参数少,寻优的速度快,随着21世纪计算机技术和集成化快速的发展PSO算法已众多领域得到了应用。
发明内容
根据以上现有技术的不足,本发明所要解决的技术问题是提出一种基于智能化分析的逆变器故障诊断系统及方法,通过对光伏逆变器的输出电压进行多频率的小波多层次分解,利用小波对正常信号和故障信号进行多分辨率的分解可以得到多尺度上的信号的幅值并可以通过计算得到表征各尺度的能量特征,再通过标准化处理后可以得到故障信号的特征向量,并将其作为BP神经网络输入向量,并通过粒子群算法(PSO)对BP神经网络的初始权值和阈值进行寻优调整,从而得到比原来仅有BP神经网络更加快速,准确的训练结果和诊断效果,解决了逆变器故障检索慢,诊断结果不准确的问题。
为了解决上述技术问题,本发明采用的技术方案为:一种基于智能化分析的逆变器故障诊断系统,所述系统包括控制器和显示屏,控制器的输入端连接逆变器的电压输出端,输出工作电压到控制器进行小波分解和故障分类,控制器的输出端连接显示屏。
上述系统中,所述控制器中设依次连接传递信号的小波分解单元、样本训练单元、故障分类单元和输出单元,小波分解单元的输入端接收逆变器的输出电压,输出单元连接显示屏。所述小波分解单元中设有小波变换器对输入信号进行多分辨分解。所述故障分类单元中设有PSO-BP神经网络,用来故障分类识别。所述控制器中还设有故障类别单元,故障类别单元包括22种故障。
一种基于智能化分析的逆变器故障诊断方法,所述方法步骤包括:步骤一、逆变器的故障输出电压输入到小波多分辨分解模型中;步骤二、通过db3小波作为基波对故障电压信号多分辨分解获得离散的细节变量信号Dj(k)和离散的平滑近似变量信号Cj(k);步骤三、使用小波的能量换算公式分别计算出分解序列的能量值,并将获得的能量值标准归一化处理后获得故障特征向量P;j表示尺度,k表示采样点。步骤四、通过使用粒子群算法对BP神经网络寻优,通过粒子群算法不间断迭代获得BP网络初始最优权值阈值;步骤五、将特征向量P作为BP神经网络输入端的输入变量送入神经网络进行故障分类识别;步骤六、输出故障诊断结果。
所述方法步骤二中的多分辨分解公式为:
式中Cj(k)为离散平滑近似信号分量,Dj(k)为离散细节信号分量,为尺度函数,Ψj,k(t)为小波函数,j为尺度,k为采样点,t为时间变量。
所述方法步骤三中的故障特征向量的提取方法为:1)选取db3小波作为小波基函数,对逆变器输出电压多分辨率分解,可得到4个分解序列{A3,D3,D2,D1};2)通过分解序列的小波能量值计算方程:计算分解序列的能量:EA3,ED3,ED2,ED1;3)选取能量值标准化后的特征向量P作为故障分类判别特征向量:P={EA3,ED3,ED2,ED1},作为神经网络的输入。
所述方法步骤四的粒子群算法对BP神经网络寻优的具体过程为:A.随机产生初始粒子参数;B.计算粒子适应度值;C.通过粒子群优化算法找出全局最优位置;D.判断适应度函数F是否小于目标误差ε;E.如果不小于,则更新粒子位置和速度,继续步骤C;如果适应度函数F小于目标误差ε,则输出一组权值阈值作为优化结果。所述方法步骤四中粒子群算法对BP神经网络寻优后,BP神经采用梯度下降法。
本发明有益效果是:本文通过对光伏逆变器的输出电压进行多频率的小波多层次分解,利用小波对正常信号和故障信号进行多分辨率的分解可以得到多尺度上的信号的幅值并可以通过计算得到表征各尺度的能量特征,再通过标准化处理后可以得到故障信号的特征向量,并将其作为BP神经网络输入向量,并通过粒子群算法(PSO)对BP神经网络的初始权值和阈值进行寻优调整,从而得到比原来仅有BP神经网络更加快速,准确的训练结果和诊断效果。
附图说明
下面对本说明书附图所表达的内容及图中的标记作简要说明:
图1是本发明的具体实施方式的故障诊断方法流程示意图。
图2是本发明的具体实施方式的信号分解框图。
图3是本发明的具体实施方式的三相DC-AC逆变器拓扑结构图。
图4是本发明的具体实施方式的PSO-BP算法的流程图。
图5是本发明的具体实施方式的BP网络训练结果。
图6是本发明的具体实施方式的PSO-BP训练结果。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
一种基于智能化分析的逆变器故障诊断系统,所述系统包括控制器和显示屏,控制器的输入端连接逆变器的电压输出端,输出工作电压到控制器进行小波分解和故障分类,控制器的输出端连接显示屏。所述控制器中设依次连接传递信号的小波分解单元、样本训练单元、故障分类单元和输出单元,小波分解单元的输入端接收逆变器的输出电压,输出单元连接显示屏。所述小波分解单元中设有小波变换理论对输入信号进行多分辨分解。所述故障分类单元中设有PSO-BP神经网络,用来故障分类识别。所述PSO-BP神经网络是粒子群算法优化后的BP神经网络。所述控制器中还设有故障类别单元,故障类别单元包括22种故障。所述系统还包括仿真单元,仿真单元连接控制器。
一种基于智能化分析的逆变器故障诊断方法,方法流程示意图如图1所示,方法步骤包括:
步骤一、逆变器的故障输出电压输入到小波多分辨分解模型中。
步骤二、通过db3小波作为基波对故障电压信号多分辨分解获得离散的细节变量信号Dj(k)和离散的平滑近似变量信号Cj(k)。
步骤三、使用小波的能量换算公式分别计算出分解序列的能量值,并将获得的能量值标准归一化处理后获得故障特征向量P。故障特征向量的提取方法的具体内容:
1)选取db3小波作为小波基函数,对并网逆变器输出电压多分辨率分解,可得到4个分解序列{A3,D3,D2,D1}。
2)通过分解序列的小波能量值计算方程:计算分解序列的能量:EA3,ED3,ED2,ED1。
3)选取能量值标准化后的特征向量P作为故障分类判别特征向量:P={EA3,ED3,ED2,ED1},作为诊断神经网络的输入。
步骤四、通过使用粒子群算法对BP神经网络寻优,通过粒子群算法不间断迭代获得BP网络初始最优权值阈值。
步骤五、将特征向量P作为BP神经网络输入端的输入变量送入神经网络进行故障分类识别,特征向量与故障类别的部分关系如表1所示。
表格1部分数据
ED1 | ED2 | ED3 | EA3 | 编码 | 实际故障 |
0.0010 | 0.0001 | 0.0002 | 0.0000 | 00000 | 正常 |
0.0430 | 0.0024 | 0.0029 | 0.9500 | 00001 | T 1 |
0.0030 | 0.0029 | 0.0020 | 1.0000 | 00010 | T 2 |
0.0699 | 0.0520 | 0.0020 | 0.9989 | 00011 | T 3 |
0.0925 | 0.0030 | 0.0058 | 1.0000 | 00100 | T 4 |
0.0100 | 0.0029 | 0.0016 | 0.9798 | 00101 | T 5 |
步骤六、输出故障诊断结果。
小波多分辨率分解由S.Mallat根据空间概念提出,并第一次将小波变换理论统一在一起,Mallat于1989年受到塔式算法理论启发提出了塔式多分辨率分解与重构算法,即Mallat算法。多分辨率分析具体本质内容为使用小波函数的二进制伸缩性和平移性侧重处理整体函数集,而非个体函数。即利用小波的多分辨率分解能力将故障信号分解到不同的频段尺度上获得不同频段尺度上的Cj(k)为离散平滑近似信号,Dj(k)为离散细节信号,某一f(t)∈L2(R)信号的分解公式表示为:
式中分解系数为:
式(1.1)右边前半部分是f(t)在D维空间尺度vj(j=J)的投影,它是f(t)的近似分量,Cj(k)为离散平滑近似信号分量;后半是f(t)在小波空间Wj的投影,它是对f(t)的细节部分信号的补充,Dj(k)为离散细节信号分量,式中f(t)为信号源,为尺度函数,Ψj,k(t)为小波函数,j为尺度,k为采样点,m为采样点,t时间变量,R为向量空间。式(1.2)、(1.3)是小波多频率尺度分解系数推导公式。现以一个三层的分解事例进行分解说明,其小波分解图如图2所示。其中S表示原始信号,A表示低频分解量,D表示高频分解量。
如图3所示是三相DC-AC逆变器拓扑结构图,通过研究表明逆变器的主要故障源来源于功率开关管,因此本文只对开关管的故障作为研究对象,然而在实际系统中,大于两个及以上功率开关管同时出现故障的情况较少,因此本文只针对假设最多只有具有2个开关管同时出现故障的情况进行诊断。并将电路正常运行时作为一类故障类型可以分为5大类22种情况:
第一类:无故障,正常运行。
第二类:只有一个功电力开关管开路,包括6小类,即:T1,T2,T3,T4,T5,T6。
第三类:同一桥臂2只电力开关管开路,包括3小类,即:T1&T4、T2&T5、T3&T6。
第四类:同一半桥臂中相临位置的2只电力开关开路,包括6小类,即:T1&T2、T1&T3、T2&VT3、T4&T5、T4&T6、T5&T6。
第五类:同一半桥中相对位置的2只电力开关管开路,包括6小类,即:T1&T5、T1&T6、T2&T6、T2&T4、T3&T4、T3&T5。
粒子群算法基本原理:粒子群算法(PSO)来源于Kennedy和Eberhart对鸟类捕食行为的探索,于1995年提出了这种仿生群体智能化寻优算法。在众多智能寻优算法中,PSO优化算法的操作简便,易于计算机程序实现,可调参数少,寻优的速度快,随着21世纪计算机技术和集成化快速的发展PSO算法已众多领域得到了应用。我们假设有n个这样的粒子组成一个种群X=(X1,X2,...,Xn)。第i个粒子的位置为Xi=(xi1,xi2,...,xin),然后利用适应度函数计算和评价当前每一个粒子所处位置向量的好坏。第i粒子的速度为Vi=(Vi1,Vi2,...,Vid),个体极值为Pi=(Pi1,Pi2,...,Pid),种群的集体极值为Pg=(Pg1,Pg2,...,Pgd),每经过一次迭代之后,粒子即可更新一次位置,由于每一个粒子相对应的运动轨迹和速度是不同的,可用公式(2.2)和(2.3),更新种群中每一个粒子的位置X变量与运动速度V变量,则第k+1次迭代寻优计算后,第i个粒子所处的位置以及对应的速度为和位置分别为:
式中c1、c2取非负常数,r1、r2为[0,1]之间的随机数常数,ω为惯性权重,i为粒子个数,k为当前迭代次数,g为群体极值的变量含义,同时设置位置和速度的宽度[-Xmax,Xmax],[-Xmax,Xmax]来达到最好的搜索效果。通过对粒子速度和位置的不断更新,粒子群可以利用k次迭代计算过程中的个体最优解Pi k和种群最优解所包含的信息寻找出全局最优解。
基于PSO算法的BP网络学习算法,即利用粒子群算法优化BP神经网络:用PSO算法优化BP神经网络主要目的就是通过PSO算法寻优获得出更好的BP网络初始权值和阈值,使故障诊断的训练结果更加逼近期望。首先将神经网络的各连接层之间的权值和阈值作为粒子群算法中粒子的位置向量,即每一个网络权值和阈值作为一个微粒子群,初始化位置向量X,然后依照粒子群寻优算法过程,通过PSO不断的迭代和无穷的逼近能力寻优找出全局最优位置向量T,以此向量T作为BP神经网络的初始化权值w和阈值θ,使得适应度函数F小于目标误差ε。PSO-BP算法的流程示意图如图4所示,粒子群算法对BP神经网络寻优的具体过程为:
A.随机产生初始粒子参数;
B.计算粒子适应度值;
C.通过粒子群优化算法找出全局最优位置;
D.判断适应度函数F是否小于目标误差ε;
E.如果不小于,则更新粒子位置和速度,继续步骤C;如果适应度函数F小于目标误差ε,则输出一组权值阈值作为优化结果。
式中,N为样本集序列;是样本理论化输出值;yj,i是样本实际输出值;C是网络输出神经元的个数,d表示理想结果,j=1,2,...,C,t=1,2,...,N,N表示样本集,C表示网络输出神经元的个数。由PSO优化BP神经网络获得初始权值w和阈值θ之后,而BP神经网络的本身采用梯度下降法,该算法的学习过程主要为和“误差的逆传播”,即为权值和阈值不断的优化过程。通过实际输出值与期望值相类比比较,不断的对网络输入层与中间层,中间层与输出层之间的神经元连接权值与阈值的不断修正,最终使误差值最小从而达到期望误差目标值。
本文通过对光伏逆变器中主要故障源电力开关管进行模拟故障,从而获得光伏并网DC-AC逆变器故障输出电压波形,并通过小波多分辨率分解变换获得离散细节变量信号Dj(k)和离散近似变量信号Cj(k)通过量化处理提取特征变量,将所提取特征变量分为两个部分训练样本和测试样本,并用经过粒子群算法(PSO)优化过的BP神经网络对训练样本和测试样本进行故障分类并与实际故障比较。通过仿真并人为制造电力开关管故障(开路)获取光伏逆变器输出的故障电流波形,判断小波分解和PSO-BP网络对故障信号的分析效果。
针对光伏逆变器中的电力电子器件具有较强的非线性,本文利用小波变换具有多分辨率分析的能力可以将故障信号在不同尺度上分解开,使用各频率尺度上的能量值作为故障特征信号,并使用PSO算法优化出一个最优权值和阈值作为BP神经网络的初始值,通过图5和图6的结果比较,使用PSO-BP网络训练的准确性大幅度提高,同时也使得训练时间有效的缩短,有效增加了神经网络对光伏逆变器的故障诊断效果。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (10)
1.一种基于智能化分析的逆变器故障诊断系统,其特征在于,所述系统包括控制器和显示屏,控制器的输入端连接逆变器的电压输出端,输出工作电压到控制器进行小波分解和故障分类,控制器的输出端连接显示屏。
2.根据权利1所述的基于智能化分析的逆变器故障诊断系统,其特征在于,所述控制器中设依次连接传递信号的小波分解单元、样本训练单元、故障分类单元和输出单元,小波分解单元的输入端接收逆变器的输出电压,输出单元连接显示屏。
3.根据权利2所述的基于智能化分析的逆变器故障诊断系统,其特征在于,所述小波分解单元中设有对输入信号进行多分辨分解的小波变换器。
4.根据权利2所述的基于智能化分析的逆变器故障诊断系统,其特征在于,所述故障分类单元中设有用来故障分类识别的PSO-BP神经网络。
5.根据权利2所述的基于智能化分析的逆变器故障诊断系统,其特征在于,所述控制器中还设有故障类别单元,故障类别单元包括22种故障。
6.一种基于智能化分析的逆变器故障诊断方法,其特征在于,所述方法步骤包括:
步骤一、逆变器的故障输出电压输入到小波多分辨分解模型中;
步骤二、通过db3小波作为基波对故障电压信号多分辨分解获得离散的细节变量信号Dj(k)和离散的平滑近似变量信号Cj(k);
步骤三、使用小波的能量换算公式分别计算出分解序列的能量值,并将获得的能量值标准归一化处理后获得故障特征向量P;j表示尺度,k表示采样点;
步骤四、通过使用粒子群算法对BP神经网络寻优,通过粒子群算法不间断迭代获得BP网络初始最优权值阈值;
步骤五、将特征向量P作为BP神经网络输入端的输入变量送入神经网络进行故障分类识别;
步骤六、输出故障诊断结果。
7.根据权利要求6所述的基于智能化分析的逆变器故障诊断方法,其特征在于,所述方法步骤二中的多分辨分解公式为:式中Cj(k)为离散平滑近似信号分量,Dj(k)为离散细节信号分量,为尺度函数,Ψj,k(t)为小波函数,j为尺度,k为采样点,t为时间变量。
8.根据权利要求6所述的基于智能化分析的逆变器故障诊断方法,其特征在于,所述方法步骤三中的故障特征向量的提取方法为:
1)选取db3小波作为小波基函数,对逆变器输出电压多分辨率分解,可得到4个分解序列{A3,D3,D2,D1};
2)通过分解序列的小波能量值计算方程:计算分解序列的能量:EA3,ED3,ED2,ED1;
3)选取能量值标准化后的特征向量P作为故障分类判别特征向量:P={EA3,ED3,ED2,ED1},作为神经网络的输入。
9.根据权利要求6所述的基于智能化分析的逆变器故障诊断方法,其特征在于,所述方法步骤四的粒子群算法对BP神经网络寻优的具体过程为:
A.随机产生初始粒子参数;
B.计算粒子适应度值;
C.通过粒子群优化算法找出全局最优位置;
D.判断适应度函数F是否小于目标误差ε;
E.如果不小于,则更新粒子位置和速度,继续步骤C;如果适应度函数F小于目标误差ε,则输出一组权值阈值作为优化结果。
10.根据权利要求6所述的基于智能化分析的逆变器故障诊断方法,其特征在于,所述方法步骤四中粒子群算法对BP神经网络寻优后,BP神经采用梯度下降法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610438466.9A CN106053988A (zh) | 2016-06-18 | 2016-06-18 | 基于智能分析的逆变器故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610438466.9A CN106053988A (zh) | 2016-06-18 | 2016-06-18 | 基于智能分析的逆变器故障诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106053988A true CN106053988A (zh) | 2016-10-26 |
Family
ID=57167654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610438466.9A Pending CN106053988A (zh) | 2016-06-18 | 2016-06-18 | 基于智能分析的逆变器故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106053988A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153735A (zh) * | 2017-04-28 | 2017-09-12 | 无锡开放大学 | 电机驱动系统pwm逆变器故障诊断方法 |
CN107309213A (zh) * | 2017-08-16 | 2017-11-03 | 吉林省农业科学院 | 基于bp神经网络的红枣超声波清洗机控制方法 |
CN107463872A (zh) * | 2017-06-27 | 2017-12-12 | 广东石油化工学院 | 一种旋转机械转轴裂纹故障诊断方法 |
CN107588937A (zh) * | 2017-09-06 | 2018-01-16 | 成都大汇物联科技有限公司 | 一种水力发电机组设备健康分析方法 |
WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
CN110231529A (zh) * | 2019-06-11 | 2019-09-13 | 山东科技大学 | 一种控制柜智能故障诊断系统及故障诊断方法 |
CN110988673A (zh) * | 2019-11-05 | 2020-04-10 | 国网河北省电力有限公司电力科学研究院 | 电机转子故障检测方法、装置及终端设备 |
CN111539516A (zh) * | 2020-04-22 | 2020-08-14 | 谭雄向 | 基于大数据处理的电网故障诊断系统及方法 |
CN112083353A (zh) * | 2020-07-22 | 2020-12-15 | 国网上海市电力公司 | 一种基于开关模态特征对变流器开路故障进行检测的方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002042496A2 (en) * | 2000-11-27 | 2002-05-30 | The Regents Of The University Of California | Methods and devices for characterizing duplex nucleic acid molecules |
US6636841B1 (en) * | 1997-04-01 | 2003-10-21 | Cybula Ltd. | System and method for telecommunications system fault diagnostics |
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
CN103544526A (zh) * | 2013-11-05 | 2014-01-29 | 辽宁大学 | 一种改进粒子群算法及其应用 |
CN104251712A (zh) * | 2014-10-09 | 2014-12-31 | 哈尔滨工程大学 | 基于小波多尺度分析的mems陀螺随机误差补偿方法 |
CN104318305A (zh) * | 2014-10-30 | 2015-01-28 | 东北电力大学 | 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 |
CN105044624A (zh) * | 2015-08-11 | 2015-11-11 | 上海海事大学 | 带故障诊断功能的七电平逆变器及故障诊断方法 |
-
2016
- 2016-06-18 CN CN201610438466.9A patent/CN106053988A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6636841B1 (en) * | 1997-04-01 | 2003-10-21 | Cybula Ltd. | System and method for telecommunications system fault diagnostics |
WO2002042496A2 (en) * | 2000-11-27 | 2002-05-30 | The Regents Of The University Of California | Methods and devices for characterizing duplex nucleic acid molecules |
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
CN103544526A (zh) * | 2013-11-05 | 2014-01-29 | 辽宁大学 | 一种改进粒子群算法及其应用 |
CN104251712A (zh) * | 2014-10-09 | 2014-12-31 | 哈尔滨工程大学 | 基于小波多尺度分析的mems陀螺随机误差补偿方法 |
CN104318305A (zh) * | 2014-10-30 | 2015-01-28 | 东北电力大学 | 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 |
CN105044624A (zh) * | 2015-08-11 | 2015-11-11 | 上海海事大学 | 带故障诊断功能的七电平逆变器及故障诊断方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
CN107153735A (zh) * | 2017-04-28 | 2017-09-12 | 无锡开放大学 | 电机驱动系统pwm逆变器故障诊断方法 |
CN107463872A (zh) * | 2017-06-27 | 2017-12-12 | 广东石油化工学院 | 一种旋转机械转轴裂纹故障诊断方法 |
CN107309213A (zh) * | 2017-08-16 | 2017-11-03 | 吉林省农业科学院 | 基于bp神经网络的红枣超声波清洗机控制方法 |
CN107588937A (zh) * | 2017-09-06 | 2018-01-16 | 成都大汇物联科技有限公司 | 一种水力发电机组设备健康分析方法 |
CN107588937B (zh) * | 2017-09-06 | 2019-11-05 | 成都大汇物联科技有限公司 | 一种水力发电机组设备健康分析方法 |
CN110231529A (zh) * | 2019-06-11 | 2019-09-13 | 山东科技大学 | 一种控制柜智能故障诊断系统及故障诊断方法 |
CN110988673A (zh) * | 2019-11-05 | 2020-04-10 | 国网河北省电力有限公司电力科学研究院 | 电机转子故障检测方法、装置及终端设备 |
CN111539516A (zh) * | 2020-04-22 | 2020-08-14 | 谭雄向 | 基于大数据处理的电网故障诊断系统及方法 |
CN112083353A (zh) * | 2020-07-22 | 2020-12-15 | 国网上海市电力公司 | 一种基于开关模态特征对变流器开路故障进行检测的方法及系统 |
CN112083353B (zh) * | 2020-07-22 | 2023-01-06 | 国网上海市电力公司 | 一种基于开关模态特征对变流器开路故障进行检测的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106053988A (zh) | 基于智能分析的逆变器故障诊断系统及方法 | |
Li et al. | Dn-detr: Accelerate detr training by introducing query denoising | |
US11287470B2 (en) | Vector-valued regularized kernel function approximation based fault diagnosis method for analog circuit | |
CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN105548862B (zh) | 一种基于广义多核支持向量机的模拟电路故障诊断方法 | |
CN110543860B (zh) | 基于tjm迁移学习的机械故障诊断方法及系统 | |
CN103761372B (zh) | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 | |
CN105095566B (zh) | 一种基于小波分析和svm的逆变器故障诊断方法 | |
CN101794396B (zh) | 基于迁移网络学习的遥感图像目标识别系统及方法 | |
CN104536412B (zh) | 基于指标预报和解相似度分析的光刻工序动态调度方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN112115419A (zh) | 系统状态估计方法、系统状态估计装置 | |
CN103267941B (zh) | 一种集成开关电流电路故障模式测试方法 | |
CN102636742A (zh) | 基于小波神经网络的大规模模拟电路故障诊断方法 | |
CN110222953A (zh) | 一种基于深度学习的电能质量混合扰动分析方法 | |
CN113125992B (zh) | 基于dbn的npc三电平逆变器故障诊断方法及系统 | |
CN102262211A (zh) | 基于回声状态网络动态分类的模拟电路故障诊断方法 | |
CN104217251A (zh) | 基于k2算法的装备故障贝叶斯网络预测方法 | |
CN202119467U (zh) | 自适应小波神经网络异常检测故障诊断分类系统 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN116465628A (zh) | 一种基于改进多源域异构模型参数传递的滚动轴承故障诊断方法 | |
CN109782158A (zh) | 一种基于多级分类的模拟电路诊断方法 | |
Cheng | [Retracted] Employment Data Screening and Destination Prediction of College Students Based on Deep Learning | |
CN109902589A (zh) | 一种基于雷达一维距离像的目标识别方法及系统 | |
CN112329370A (zh) | 一种基于极限学习机的SiC功率管在线故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161026 |
|
RJ01 | Rejection of invention patent application after publication |