CN106093626B - 一种用于诊断crh5型高铁逆变器的微小故障的方法 - Google Patents
一种用于诊断crh5型高铁逆变器的微小故障的方法 Download PDFInfo
- Publication number
- CN106093626B CN106093626B CN201610379861.4A CN201610379861A CN106093626B CN 106093626 B CN106093626 B CN 106093626B CN 201610379861 A CN201610379861 A CN 201610379861A CN 106093626 B CN106093626 B CN 106093626B
- Authority
- CN
- China
- Prior art keywords
- data
- high ferro
- inverters
- diagnosing
- type high
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 101100346177 Arabidopsis thaliana MORC5 gene Proteins 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 7
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 7
- 210000000299 nuclear matrix Anatomy 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method 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
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开一种用于诊断CRH5型高铁逆变器的微小故障的方法,提出了多模态核主元分析方法,根据传感器获得的数据,先进行数据预处理,再得到正常工况下的系统模型。针对电气系统的特性,通过对在线数据的处理,来对系统是否存在故障进行检测,对于具体数据的处理和分析,采集到的数据是具有两个维度的,将原有的数据增加了周期与模态两个维度,从而将原来的数据投影到四维空间。这样就使得原来的非线性数据在高维空间具有更加精确的分布。而后,根据非线性特征提取的方法,提取每个模态的特征。对比于线性PCA算法以及非线性KPCA算法,本发明的方法对CRH5型高铁逆变器的微小故障的检测更加精确,诊断结果更加准确,漏报率低,具有明显的优势。
Description
技术领域
本发明涉及高铁故障检测诊断领域,具体是一种用于诊断CRH5型高铁逆变器的微小故障的方法。
背景技术
随着广泛的市场需求和科技的进步,近二十年国内外的高铁技术迅猛发展,并成功地应用于实际当中,高铁以强大的优势受到国际智能交通领域的广泛重视和关注。目前,高铁已逐步成为大众的交通工具。
然而,高铁系统频发的故障,日益受到人们的关注。当故障发生后,会影响到高铁运行的性能,甚至发生不可逆转的严重后果,比如财产损失和人员伤亡。因此,这就增加了对高铁故障诊断的必要性。
在中国的高铁系统中,为了保证高铁的安全运行,由于某个元器件性能的改变导致某些参数的变化,引起牵引系统参数自备的故障保护系统开始动作,这是对故障进行保护的一方面。但是,这样的保护系统显眼不能对微小故障或者复合故障进行准确的定位。另外,由于某些元器件的性能随着温度发生变化,当温度过高时,该元器件性能开始下降;当温度恢复正常时,元器件又回复到正常的性能。这就增加了对故障诊断的难度,因为元器件并没有损坏,如IGBT。
在目前的故障诊断领域,故障诊断的方法有三种:基于模型的,基于知识的和基于数据的;绝大部分方法是基于模型的。基于模型的方法不能应用于高铁主要有两个方面原因。第一,理论的研究已经与实际的系统严重脱轨,很难将理论的方法应用于实际的对象当中,这是基于模型的故障诊断的通病;第二,由于高铁的机理复杂,不可能建立完整的数学模型,尤其是动态的数学模型,这更加使得基于模型的方法的局限性。基于知识的故障诊断方法需要大量的专家知识,由于故障的很多故障目前专家也很难进行解释和判断,因此这个方法也是不适合的。
此外,国内外学者对微小故障的研究才刚起步。对于IGBT的微小故障,主要来自于自身老化导致性能的变化、工作环境的影响的波动以及内部温度的变化等。由于微小故障介于无故障与故障之间,其变化特性不是很明显,这对故障诊断算法的敏感性要求更高,原有的算法不适合于对微小故障的诊断。
发明内容
本发明要解决的技术问题是提供一种用于诊断CRH5型高铁逆变器的微小故障的方法,该方法是一种多模态核主元分析的算法,可以有效的对CRH5型高铁逆变器的微小故障进行检测和诊断。
为实现上述发明目的,本发明的诊断方法采用如下技术方案:
传感器采集到的数据是具有两个维度的,本发明将原有的数据增加了周期与模态两个维度,从而将原来的数据投影到四维空间。这样就使得原来的非线性数据在高维空间具有更加精确的分布。而后,根据非线性特征提取的方法,提取每个模态的特征,从而可以对高铁牵引系统中的微小故障进行诊断。
一种用于诊断CRH5型高铁逆变器的微小故障的方法,具体实施步骤如下:
第一阶段:建立离线数据模型
1)根据实际的CRH5型高铁牵引系统逆变器的原理,构建系统平台;
2)采集系统平台中的数据或离线存储数据,记为X;采集的数据变量有6个IGBT电流is1到is6,三相鼠笼式异步电机的输入电压vda,vdb,vdc,逆变器的线电压vab,vbc,vca和逆变器的相电压uan,ubn,ucn。
3)将上述采集到的数据或离线存储数据进行预处理,具体为:先按照周期进行分开,然后对每个周期的数据按模态进行划分,最后对数据进行标准化处理,将其转化为期望为0,方差为1的数据;即将采集的原始的二维数据增加两个维度,即周期与模态,从而使得在每个周期中,系统存在6个模态。
4)对预处理得到的数据进行特征提取,以建立模型用于后续检测;在提取正常运行工况的数据特征时,对每个模态分别进行提取,并且可以采用非线性的KPCA进行提取,可以很好的刻画出数据的非线性特性;计算T2和SPE的阈值;针对六个模态,需要得分别得到六个变化的T2和SPE的阈值,以自适应于不同模态的故障检测。
5)采集实际工作中的IGBT的数据xnew,根据每个周期采样的步数,将在线获取的运行数据分配到相应的模态中;对数据xnew进行标准化处理;
6)计算T2和SPE;
7)对IGBT是否存在故障进行决策。
进一步的,所述步骤3)中对每个周期的数据按模态进行划分后的数据X表示为:
X=[X-M(1),…X-M(j),...,X-M(6)],j=1,…,6 (1)
对于每个模态数据X-M(j),标准化过程为:
令X-M(j)=[xk(1),xk(2),…,xk(i)]∈RN×i,先得到数据的均值与方差
则对数据进行标准化处理后得到的数据表示为:
其中,N为采样步数,i为采样的变量数。
进一步的,所述步骤4)中为了使得数据可分,需要将其通过非线性函数映射到高维空间,如果训练数据很多,特征空间的维数将无穷大或趋于无穷,这使得算法的效率很低。因此,所述步骤4)对预处理得到的数据进行特征提取的过程中引入核函数来简化计算,而后对数据进行降维来提取主元特征。具体过程为:
首先,通过
Kij=<Φ(xi),Φ(xj)>=k(xi,xj) (5)
计算核矩阵,其中i,j=1,…,N.并且,
将通过(5)得到的核矩阵K进行中心化处理,得到:
根据数据降维技术,可以对进行主要特征提取。则核主元得分为:
所述步骤4)中计算T2的阈值的公式为:
计算SPE的阈值的公式为:
其中,l是特征的主元数,Cα是正态分布在显著水平为α下的临界值。
进一步的,所述步骤5)中对数据xnew进行标准化处理过程包括根据公式(15)和(16)得到的期望与方差,对数据xnew进行标准化处理。
所述步骤6)中计算T2的公式为:
T2=XTPpcΛpc -1Ppc TX (11)
计算SPE的公式为:
其中,Ppc为特征主元向量,Λpc=diag(λ1,λ2,…,λl)为主元特征值构成的对角矩阵。
所述步骤7)中,对IGBT是否存在故障进行决策使用的判断标准如下:
进一步的,所述步骤1)中CRH5型高铁逆变器采用异步调制、分段调制、预先计算角度和方波四种调制方式。
进一步的,从所述模拟系统平台中IGBT采集的数据或离线存储数据是动态的,该数据体现微小故障到故障的演变过程。
本发明的用于诊断CRH5型高铁逆变器的微小故障的方法,提出了多模态核主元分析方法,根据传感器获得的数据,先进行数据预处理,再得到正常工况下的系统模型。针对电气系统的特性,通过对在线数据的处理,来对系统是否存在故障进行检测。对微小故障及故障的检测结果验证了多模态核主元分析的有效性。对比于线性PCA算法以及非线性KPCA算法,本发明的方法对CRH5型高铁逆变器的微小故障的检测更加精确,诊断结果更加准确,漏报率低,具有明显的优势。
附图说明
图1是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中CRH5型高铁的三相电压型逆变器模型示意图;
图2是微小故障到故障的演变过程示意图;
图3是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中基于IGBT触发脉冲的模态分类示意图;
图4是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中IGBT正常工况下每个周期的数据模态;
图5是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中基于PCA的故障检测曲线;
图6是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中基于KPCA的故障检测曲线;
图7是本发明用于诊断CRH5型高铁逆变器的微小故障的方法一个实施例中基于多模态KPCA的故障检测曲线。
具体实施方式
下面结合附图,对本发明提出的一种通过控制前体涡改出尾旋的方法及流动控制激励器进行详细说明。
一种用于诊断CRH5型高铁逆变器的微小故障的方法,包括以下步骤:
第一阶段:建立离线数据模型
1)根据实际的CRH5型高铁牵引系统逆变器的原理,构建模拟系统平台;
2)采集系统平台中IGBT数据,记载为X;
3)将上述采集到的数据或离线存储数据进行预处理,具体为:先按照周期进行分开,然后对每个周期的数据按模态进行划分,最后对数据进行标准化处理,将其转化为期望为0,方差为1的数据;
4)对预处理得到的数据进行特征提取,以建立模型用于后续检测;在提取正常运行工况的数据特征时,对每个模态分别进行提取;计算T2和SPE的阈值;
第二阶段:在线故障检测
5)采集实际工作中的IGBT的数据xnew,根据每个周期采样的步数,将在线获取的运行数据分配到相应的模态中;对数据xnew进行标准化处理;
6)计算T2和SPE;
7)对IGBT是否存在故障进行决策。
CRH5型高铁逆变器采用异步调制、分段调制、预先计算角度和方波四种调制方式。如附图3所示,实验选取方波调制方式来驱动IGBT的通断。在附图1中,由S1到S6表示的IGBT由于内部温度变化、外部电磁干扰以及元器件老化等原因,产生微小故障,这对高铁牵引系统的性能造成微小的影响。但是由于IGBT的微小故障会随着时间进行演变,如附图2所示。在附图2中,0-t1时间内,IGBT正常工作。在时间t1-t2内,IGBT发生了微小故障,但随着时间的增大,流经IGBT的电流ig的幅值也在慢慢增大。当t2-t3时,IGBT内部特性发生变化,造成上下同一桥臂同时导通,而出现短路的结果。这时IGBT的电流会激增,并在瞬间发生断路。针对这种现象,本发明的用于诊断CRH5型高铁逆变器的微小故障的方法采用多域平台,搭建出三相电压型逆变器的系统模型,在系统正常运行过程中,先在某个IGBT特定的时间段注入微小故障。运行一段时间后,再注入故障。假设高铁逆变器中安装有15个电压和电流传感器。根据高铁运行的情况,实时在线的对数据进行记录与存储。
通过传感器从高铁模型采集到的数据是动态的。并且,该数据可以很好的体现微小故障到故障的演变过程。
所述步骤3)中,对采集到的数据或离线存储数据进行预处理具体实施步骤如下:
如附图2所示,根据采集到的数据或离线存储数据,先将其分按照周期进行分开,而后对每个周期的数据按模态进行划分。最后,对数据进行标准化处理,将其转化为期望为0,方差为1的数据。根据IGBT的触发脉冲,将采集的原始的二维数据增加两个维度,即周期与模态,从而使得在每个周期中,系统存在6个模态。根据附图3的模态划分,所有的数据均呈现在不同模态上,如附图4所示。因此,原来的数据X可表示为
X=[X-M(1),…X-M(j),…,X-M(6)],j=1,...,6 (1)
对于每个模态数据X-M(j),标准化过程为:
令X-M(j)=[xk(1),xk(2),…,xk(i)]∈RN×i,先得到数据的均值与方差
则标准化后的数据
其中,N为采样步数,i为采样的变量数。
所述步骤4)中,对预处理得到的数据进行特征提取具体实施步骤如下:
为了使得数据可分,需要将其通过非线性函数映射到高维空间,如果训练数据很多,特征空间的维数将无穷大或趋于无穷,这使得算法的效率很低。因此,需要引入核函数来简化计算,而后对数据进行降维来提取主元特征。
首先,通过
Kij=<Φ(xi),Φ(xj)>=k(xi,xj) (5)
计算核矩阵,其中i,j=1,…,N.并且,
将通过公式(5)得到的核矩阵K进行中心化处理,可知
根据数据降维技术,可以对进行主要特征提取。则核主元得分为:
此外,T2以及SPE阈值可以通过下式求的:
其中,l是特征的主元数,Cα是正态分布在显著水平为α下的临界值。
由于PWM调速系统得到的数据被分为六个模态,则数据预处理、核矩阵和主元得分等步骤需要进行六次计算,即对于每个模态,需要分别计算一次。
所述步骤5)中,需要根据每个周期采样的步数,将在线获取的运行数据分配到相应的模态中。然后根据式(2)和(3)得到的期望与方差,将数据xnew进行标准化处理。
所述步骤6)中需要参考步骤3)来计算Knew,和tk,以及统计量T2和SPE:
T2=XTPpcΛpc -1Ppc TX (11)
其中,Ppc为特征主元向量,Λpc=diag(λ1,λ2,…,λl)为主元特征值构成的对角矩阵。
所述步骤7)中,本发明专利的故障决策过程设计,具体实施步骤如下:
需要对在线检测的数据进行决策,来判断在线运行的系统是否发生了故障,其决策如下:
从附图5的曲线可以看出,在采样步数1000时,PCA算法可以对故障进行准确的检测。但是,在1200步到1400之间,T2和SPE的值又回到阈值之下,具有很大的漏报率。造成这种缺点的原因是一种线性的数据特征提取的算法,对于高铁逆变器的非线性的特征提取效果很差。并且,该算法对于微小的故障检测完全失效。
在附图6中的曲线,是采用KPCA算法得到的。虽然这种算法对高铁牵引系统的微小故障检测也完全失效,但是相对于线性PCA而言,在1200到1400之间,它仍可以对IGBT的短路故障进行有效的检测。
在附图7中,首先,该算法可以完全准确的对故障进行检测;此外,它也能对微小故障进行检测。对于采样步数400到1000之间发生的微小故障,400到600步和800到1000步之间,多模态KPCA算法得到的T2和SPE的值,反复波动在阈值附近,虽然存在一定的漏报率,但是相对于目前的算法而言,其效果还是很好的;并且,在600到800步之间,该算法可以实现对微小故障的准确检测。
本实施例通过对CRH5型高铁牵引系统中逆变器的IGBT微小故障以及故障进行设计和研究,验证了多模态KPCA算法的有效性。并且根据数据得到的实际曲线对比,可知本发明对高铁牵引系统逆变器部件故障检测的具有很好的优化效果,并且,这种方法在不增加额外硬件系统设计的情况下,就可以实现对故障的检测。
本发明具体应用途径有很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进也应视为本发明的保护范围。
Claims (9)
1.一种用于诊断CRH5型高铁逆变器的微小故障的方法,其特征在于,包括以下步骤:
1)根据实际的CRH5型高铁牵引系统逆变器的原理,构建模拟系统平台;
2)采集模拟系统平台的数据或离线存储数据,记载为X;
3)将上述采集到的数据或离线存储数据进行预处理,具体为:先按照周期进行分开,然后对每个周期的数据按模态进行划分,最后对数据进行标准化处理,将其转化为期望为0,方差为1的数据;
4)对预处理得到的数据进行特征提取,以建立模型用于后续检测;在提取正常运行工况的数据特征时,对每个模态分别进行提取;计算T2和SPE的阈值;
5)采集实际工作中的IGBT的数据xnew,根据每个周期采样的步数,将在线获取的运行数据分配到相应的模态中;对数据xnew进行标准化处理;
6)计算T2和SPE;
7)对IGBT是否存在故障进行决策。
2.根据权利要求1所述的用于诊断CRH5型高铁逆变器的微小故障的方法,其特征在于,所述步骤3)中对每个周期的数据按模态进行划分后的数据X表示为:
X=[X-M(1),…X-M(j),…,X-M(6)],j=1,…,6 (1)
对于每个模态数据X-M(j),标准化过程为:
令X-M(j)=[xk(1),xk(2),…,xk(i)]∈RN×i,先得到数据的均值与方差
则对数据进行标准化处理后得到的数据表示为:
其中,N为采样步数,i为采样的变量数。
3.根据权利要求1所述的用于诊断CRH5型高铁逆变器的微小故障的方法,其特征在于,所述步骤4)对预处理得到的数据进行特征提取的过程中引入核函数来简化计算,而后对数据进行降维来提取主元特征;具体过程为:
首先,通过
Kij=<Φ(xi),Φ(xj)>=k(xi,xj) (5)
计算核矩阵,其中i,j=1,…,N,并且,
将通过(5)得到的核矩阵K进行中心化处理,得到:
根据数据降维技术,可以对进行主要特征提取,则核主元得分为:
4.根据权利要求1所述的用于诊断CRH5型高铁逆变器的微小故障的方法,其特征在于,所述步骤4)中计算T2的阈值的公式为:
计算SPE的阈值的公式为:
其中,l是特征的主元数,Cα是正态分布在显著水平为α下的临界值。
5.根据权利要求2所述的用于诊断CRH5型高铁逆变器的微小故障的方法,其特征在于,所述步骤5)中对数据xnew进行标准化处理过程包括根据公式(2)和(3)得到的期望与方差,对数据xnew进行标准化处理。
6.根据权利要求1所述的用于诊断CRH5型高铁逆变器的微小故障的方法,其特征在于,所述步骤6)中计算T2的公式为:
T2=XTPpcΛpc -1Ppc TX (11)
计算SPE的公式为:
其中,Ppc为特征主元向量,Λpc=diag(λ1,λ2,…,λl)为主元特征值构成的对角矩阵。
7.根据权利要求1所述的用于诊断CRH5型高铁逆变器的微小故障的方法,其特征在于,所述步骤7)中,对IGBT是否存在故障进行决策使用的判断标准如下:
8.根据权利要求1至7任意一项所述的用于诊断CRH5型高铁逆变器的微小故障的方法,其特征在于,所述步骤1)中CRH5型高铁逆变器采用异步调制、分段调制、预先计算角度和方波四种调制方式。
9.根据权利要求8所述的用于诊断CRH5型高铁逆变器的微小故障的方法,其特征在于,从所述模拟系统平台中IGBT采集的数据或离线存储数据是动态的,该数据体现微小故障到故障的演变过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610379861.4A CN106093626B (zh) | 2016-05-31 | 2016-05-31 | 一种用于诊断crh5型高铁逆变器的微小故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610379861.4A CN106093626B (zh) | 2016-05-31 | 2016-05-31 | 一种用于诊断crh5型高铁逆变器的微小故障的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106093626A CN106093626A (zh) | 2016-11-09 |
CN106093626B true CN106093626B (zh) | 2018-10-16 |
Family
ID=57230635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610379861.4A Active CN106093626B (zh) | 2016-05-31 | 2016-05-31 | 一种用于诊断crh5型高铁逆变器的微小故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106093626B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106959397B (zh) * | 2017-04-24 | 2019-07-19 | 南京航空航天大学 | 一种用于高铁逆变器的微小故障诊断系统的设计方法 |
CN108319780A (zh) * | 2018-02-01 | 2018-07-24 | 南京航空航天大学 | 基于数据驱动的电气牵引系统故障检测方法 |
CN108595783A (zh) * | 2018-04-03 | 2018-09-28 | 南京航空航天大学 | 一种用于crh2型高铁逆变器的微小故障估计系统的设计方法 |
CN108490923B (zh) * | 2018-04-28 | 2020-09-15 | 南京航空航天大学 | 用于电气牵引系统的微小故障检测与定位的系统设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
CN102778355A (zh) * | 2012-08-07 | 2012-11-14 | 北京交通大学 | 一种基于emd和pca的滚动轴承状态辨识方法 |
CN104777830A (zh) * | 2015-04-01 | 2015-07-15 | 浙江大学 | 一种基于kpca混合模型的多工况过程监控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053291B2 (en) * | 2010-09-29 | 2015-06-09 | Northeastern University | Continuous annealing process fault detection method based on recursive kernel principal component analysis |
-
2016
- 2016-05-31 CN CN201610379861.4A patent/CN106093626B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
CN102778355A (zh) * | 2012-08-07 | 2012-11-14 | 北京交通大学 | 一种基于emd和pca的滚动轴承状态辨识方法 |
CN104777830A (zh) * | 2015-04-01 | 2015-07-15 | 浙江大学 | 一种基于kpca混合模型的多工况过程监控方法 |
Non-Patent Citations (2)
Title |
---|
Non-linear multivariate and multiscale monitoring and signal denoising strategy using Kernel Principal Component Analysis combined with Ensemble Empirical Mode Decomposition method;Matej Zvokelj et al.;《Mechanical Systems and Signal Processing》;20110310;第25卷;2631–2653 * |
基于改进核主元分析法的三电平逆变器故障检测;林茂等;《电网技术》;20160331;第40卷(第3期);972-977 * |
Also Published As
Publication number | Publication date |
---|---|
CN106093626A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106093626B (zh) | 一种用于诊断crh5型高铁逆变器的微小故障的方法 | |
Xia et al. | A data-driven method for IGBT open-circuit fault diagnosis based on hybrid ensemble learning and sliding-window classification | |
CN109447187B (zh) | 电机故障诊断方法及系统 | |
CN104049171A (zh) | 交错反激式微逆变器的开路故障诊断方法及系统 | |
Namdar et al. | A robust stator inter-turn fault detection in induction motor utilizing Kalman filter-based algorithm | |
CN103454585A (zh) | 一种基于失电残压的永磁同步电机失磁故障诊断方法 | |
CN113534035B (zh) | 新能源电动汽车驱动系统电流传感器微小故障诊断方法 | |
CN106896323A (zh) | 开关磁阻电机不对称半桥型功率变换器主开关故障检测法 | |
Huang et al. | Open-circuit fault detection in PMSM drives using model predictive control and cost function error | |
KR102309559B1 (ko) | 전동기 권선 결함 진단 방법 | |
Zhang | Current behavior-based open-switch fault on-line diagnosis of inverters in PMSM drive systems | |
CN106959397A (zh) | 一种用于高铁逆变器的微小故障诊断系统的设计方法 | |
Guo et al. | Fault detection and diagnosis using statistic feature and improved broad learning for traction systems in high-speed trains | |
Tao et al. | An FCS-MPC-based open-circuit and current sensor fault diagnosis method for traction inverters with two current sensors | |
Xia et al. | A learning-based method for speed sensor fault diagnosis of induction motor drive systems | |
CN104502754A (zh) | 一种纯电动车辆动力系统的故障诊断方法 | |
Ibem et al. | Multiple open switch fault diagnosis of three phase voltage source inverter using ensemble bagged tree machine learning technique | |
Husari et al. | Sensitive inter-tum fault identifcation in induction motors using deep learning based methods | |
CN109975634A (zh) | 一种基于原子稀疏分解的变压器绕组故障诊断方法 | |
Alavi et al. | IGBT fault detection for three phase motor drives using neural networks | |
CN109086891A (zh) | 基于模糊逻辑推理的热斑故障诊断方法 | |
Lee et al. | On-line switch-open fault detection of PMSM using artificial neural network | |
CN110875700B (zh) | 一种电机相序反接故障诊断方法及系统 | |
Frisk et al. | Fault Diagnosis Using Data, Models, or Both–An Electrical Motor Use-Case | |
CN110399926A (zh) | 一种路灯故障诊断方法及装置 |
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 |