CN107153735A - 电机驱动系统pwm逆变器故障诊断方法 - Google Patents
电机驱动系统pwm逆变器故障诊断方法 Download PDFInfo
- Publication number
- CN107153735A CN107153735A CN201710327927.XA CN201710327927A CN107153735A CN 107153735 A CN107153735 A CN 107153735A CN 201710327927 A CN201710327927 A CN 201710327927A CN 107153735 A CN107153735 A CN 107153735A
- Authority
- CN
- China
- Prior art keywords
- wolf
- fitness
- fault
- pack
- artificial
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开一种电机驱动系统PWM逆变器故障诊断方法,设计一种基于小波包分解和RBF神经网络的逆变器故障诊断模型,利用小波包变换提取逆变器故障信号特征向量,以此作为RBF神经网络输入量;采用狼群‑模拟退火算法优化RBF神经网络结构参数;利用22组学习样本和6组测试样本分别训练和检验RBF神经网络。仿真实验分析表明,该方法用于三相电机驱动系统PWM逆变器开路故障,能精准定位逆变器IGBT功率管的故障位置,故障诊断快速、准确、高效,有助于提高电机驱动系统运行可靠性。
Description
技术领域
本发明涉及电机驱动系统逆变器故障诊断技术领域,具体涉及一种基于小波包变换和狼群一模拟退火算法优化径向基函数(RBF)神经网络的PWM三相逆变器故障检测方法。
背景技术
目前,电机驱动系统在工业、农业、交通、国防、航空航天等领域的应用越来越广泛。电机驱动系统通常由电机、逆变器、传感器、控制器组成,而三相电机驱动系统一般由电压源型脉宽调制(简称PWM)逆变器供电。PWM逆变器是一种电力半导体电路,因主电路结构较为简便、控制比较灵活,所以应用场合较多,用途较大。PWM逆变器主要用于电动机变频调速以及电能转换,与传统电动机驱动系统性能相比,可靠性更高。然而,电机变频调速系统中PWM逆变器的功率半导体器件即IGBT由于自身的脆弱性,一旦出现故障,极易对PWM逆变器及控制系统的运行带来严重影响并造成损坏。逆变器中IGBT通常处于高频开关状态,损耗比较高,发热情况也较为严重,因此故障的出现概率高,最易产生断路故障。即使产生短路,由于IGBT自身保护电路作用也必使其开路。据相关技术资料分析,电机变频调速系统中,逆变器已成为系统中故障频繁发生的薄弱环节,逆变器故障率在整个电机驱动系统约占到83%,故障主要源于半导体开关器件损坏。所以,对PWM逆变器中功率管故障进行快速、精准的监测和诊断,对于提高电机驱动系统的安全、稳定及高效运行至关重要。许多学者进行了大量的研究,罗耀华、从静提出基于BP神经网络的三相逆变器故障诊断方法;崔博文提出基于小波神经网络的逆变器功率开关故障诊断方法,戴鹏等人提出基于小波包变换和BP神经网络的逆变器故障诊断方法;朱琴跃等学者设计一种基于改进蚁群神经网络的牵引逆变器故障诊断方法,等等。以上神经网络故障诊断模型所采取的学习算法为BP 算法、蚁群算法等,这些算法主要存在收敛速度慢、计算时间长、搜索效率低、易陷入局部最优等缺陷,从而极大影响逆变器故障诊断速度及准确率。
发明内容
为克服上述逆变器神经网络故障诊断模型学习算法存在的问题与不足,本发明以电机驱动系统中三相PWM逆变器为研究对象,设计一种基于小波包变换和径向基函数(RBF)神经网络的逆变器IGBT开路故障诊断策略,应用小波分析的多分辨分析能力对逆变器输出波形进行小波分解,有效提取IGBT开路故障的特征向量来作为RBF神经网络输入量,再利用狼群一模拟退火算法优化并训练RBF神经网络,从而实现IGBT开路故障的有效识别与准确定位。RBF神经网络用于逆变器故障诊断,必须确定其结构参数,相关参数有m(输出层神经元节点数)、n(输入层神经元节点数)、k(隐含层神经元节点数)、ci(径向基函数中心值)、δi(径向基函数方差)、ωis(隐含层与输出层之间连接权值),其中ci、δi、ωis莫型结构参数对RBF神经网络的识别准确率影响较大,狼群-模拟退火算法优化RBF神经网络的技术方案为:
步骤1:采集电机驱动系统中逆变器故障数据,由小波包分解提取逆变器故障特征向量;
步骤2:初始化狼群及其参数,设定狼群最大迭代次数NCmax、最大游走次数Tmax、个体狼数目M、探狼比例因子μ、距离判断因子τ、步长因子S、更新比例因子β、狼群算法迭代次数t1=1;设定模拟退火算法的退火初始温度T0、温度冷却系数(退火速率)φ、退火迭代次数t2=1,当前温度下最大退火循环次数Lmax;确定RBF神经网络的输入输出和隐含层节点数,确定训练样本;设定在d维空间中第i只人工狼位置为:Xi=(xi1,…,xiu,...,xid),其中1≤i≤M,1≤u≤d;人工狼初始位置按下列随机确定,即:
式中,b为0~1范围内随机数,maxd、mind分别表示第d搜索维空间内狼群的最大位置和最小位置值;
步骤3:计算每只人工狼的适应度值Fitness(即气味浓度函数),采用步骤2的个体狼状态对RBF神经网络的径向基函数中心ci、方差δi及权值ωis赋值,将训练样本输入RBF神经网络进行训练,网络期望输出值与预测值之间的均方差倒数作为狼群中人工狼的适应度函数,第i只人工狼适应度为:
其中,qju、yju分别表示第j个训练样本在第u个网络输出节点处的期望输出与预测值, m表示输出节点数,n表示训练样本数;
步骤4:按照个体狼的适应度大小,依次选取头狼、探狼、猛狼等三种人工狼,适应度最高的人工狼作为头狼;
步骤5:探狼执行游走行为,如果探狼适应度高于头狼,或探狼游走次数为最大值Tmax时,则探狼游走结束,狼群进入猛狼奔袭行为;
式中,g=1,2,…,p;r1=1,2,…,N,N为探狼个数,即为从[M/(μ+1),M/μ]范围内随机选取的整数,M表示狼群种群规模,μ表示探狼比例因子;maxd、mind分别表示第d维空间内狼群的最大位置和最小位置值;S为步长因子;step1(d)表示探狼在第d维空间朝着p个不同方向上的移动步长;表示第r1探狼在第d维空间中向着g方向前进一步后位置;
步骤6:猛狼执行奔袭行为,其规则为:
其中,r2=1,2,…,M-N-1,表示第r2只猛狼经过t次奔袭后的d维空间位置,step2(d)表示猛狼在第d维空间中逼近头狼的前进步长,τ为距离判断因子,J为个体狼的编码长度,在猛狼与头狼间的距离位于判断距离dis时,该猛狼的奔袭行为便中止;
步骤7:人工狼执行围攻行为,其规则为:
式中,r3=1,2,…,M-1,表示在d维空间范围内第r3只人工狼朝头狼位置方向移动一步后所处的位置,ρ代表[-1,1]的随机数,step3(d)表示除头狼外个体狼在d维空间围攻步长;
步骤8:所有人工狼按适应度大小排序,适应度最高的人工狼设定为头狼,淘汰弱小的人工狼,生成下次迭代的头狼;令t1=t1+1,判别迭代次数是否达到狼群最大迭代次数NCmax,如达到,则转入步骤11,否则转至步骤9;
步骤9:对本代中最优头狼个体进行模拟退火操作,在得到头狼位置解xi邻域内随机选择新解xj并计算适应度即Fitness(xi)和Fitness(xj),计算适应度差值ΔF=Fitness(xj)-Fitness(xi),计算选择概率P=exp(-ΔF/Ti),这里Ti为当前温度;如果P>random[0,1),则将当前头狼位置由xi替换为xj,并以xj作为下次寻优的开始,否则以原头狼位置xi进行下一次迭代寻优;
步骤10:令t2=t2+1,按Ti+1=φ·Ti进行降温退火,其中φ∈(0,1),如果t2<Lmax,返回步骤9,否则转入步骤3执行;
步骤11:将搜索最优个体赋值给RBF神经网络径向基函数中心ci、方差δi及权值ωis,进行神经网络逆变器故障检测。
本发明的有益效果如下:
(1)本发明所述的狼群-模拟退火算法,既保持狼群算法较好的求解精度、收敛速度、全局收敛性,又具备模拟退火算法强大的局部搜索能力;将模拟退火机制引入狼群算法形成的狼群-模拟退火算法,能在全局搜索时避免狼群算法陷入局部最优解状态,从而保证算法的寻优精度、速度。并能有效避免算法陷入局部极值,利用狼群-模拟退火算法优化训练RBF 神经网络,能得到结构参数最优的RBF神经网络模型。
(2)优化的RBF神经网络模型用于电机驱动系统三相PWM逆变器开路故障诊断,能精准定位逆变器IGBT功率管的故障位置,故障诊断快速、准确,对于提高电机驱动系统的运行可靠性具有一定的应用价值。
附图说明
图1为逆变器故障诊断模型示意图。
图2为小波包分解树结构示意图。
图3为RBF神经网络结构模型。
图4为狼群-模拟退火算法优化RBF神经网络流程图。
图5为逆变器驱动的电机系统示意图。
具体实施方式
以下结合附图和实施例对本发明做进一步分析。
本发明实施例描述了一种基于小波包变换和狼群-模拟退火算法优化RBF神经网络的电机驱动系统三相PWM逆变器故障诊断模型,其模型结构如图1所示。主要包括:逆变器IGBT 故障数据采集,逆变器IGBT故障信号特征向量提取,RBF神经网络优化训练与故障检测。其中,E31~E37分别表示逆变器侧IGBT畸变电流信号经过小波包分解、能量特征构造并进行数据归一化处理的故障特征向量。利用RBF神经网络设计PWM逆变器故障诊断模型,采取狼群-模拟退火算法优化RBF神经网络。RBF神经网络输入量为E31~E37,输出为y1~y6, y1~y6的不同输出状态组合按故障类型分为正常、单管开路故障、同一桥臂两管开路故障、同极性两管开路故障、交叉两管开路故障等5大类别,共产生22种故障状态。下面从逆变器故障特征提取、RBF神经网络及其优化、三相PWM逆变器故障诊断实例分析等内容对本发明作深入阐释。
1.逆变器故障特征提取
小波包分析通过分解故障信号至不同频段,计算不同频带段内对应能量。本实施例采取 IGBT开路故障时逆变器机侧的畸变电流信号进行小波包分解,小波包分解树结构示意图(以 3层为例)如图2所示。
图中的每一个结点都代表一定的信号特征,结点(i,j)表示第i层的第j个结点,这里 i=0,1,2,3;j=0,1,2,...,7。对于小波包分解重构,从中有效提取各频带段内的信号特征。如果经过小波包分解后第3层第j个频带重构信号为S(3,j),那么对应信号能量为E(3,j)。
式中,Skj(j=0,1,2,......7;k=1,2,......n)为重构信号S(3,j)的离散点的幅值;n表示信号采样点数。定义信号S(3,j)的总能量E等于各频带能量之和,即:
由于逆变器故障对各频段区中的信号能量影响较大,不利于故障数据分析,所以需要对各频段内能量作归一化处理[6],即:
上述能量归一化后,可以构造从小波包分解中提取的逆变器故障特征向量为:
2.RBF神经网络及其优化
RBF神经网络结构为包含输入层、隐含层、输出层的前馈网络,具有较强的非线性映射能力,其特性主要取决于隐含层单元的径向基函数。RBF神经网络拓扑结构模型如图3所示。
本结构中,隐含层单元的径向基函数采取高斯分布,x1~xn表示网络输入,y1~yn表示网络输出,其中网络第S个输出为:
式(1)中,ωis为隐含层与输出层之间的连接权值,Hs表示第i个径向基函数,即为:
式(2)中,ci为径向基函数的中心值,δi为径向基函数的方差(宽度)值,i=1,2,...,k, k为网络隐含层中神经元节点个数。
以上RBF神经网络用于逆变器故障诊断,必须首先确定其结构及参数,相关参数有m(输出层神经元节点数)、n(输入层神经元节点数)、k(隐含层神经元节点数)、ci(径向基函数中心值)、δi(径向基函数方差)、ωis(隐含层与输出层之间连接权值),其中ci、δi、ωis模型参数对神经网络的识别准确率影响较大,应用狼群-模拟退火算法对RBF神经网络进行优化。狼群算法是通过模仿狼群捕猎行为而提出的一种新型群体智能算法,与蚁群、粒子群、蛙群等其它算法相比,狼群算法具有更好的求解精度、收敛速度以及更强的计算鲁棒性、全局收敛性,但极容易陷入局部极值。而模拟退火算法局部搜索能力强,将模拟退火机制引入狼群算法形成狼群-模拟退火算法,能使算法在全局搜索时避免狼群算法陷入局部最优解状态,从而保证算法的寻优精度、速度。狼群-模拟退火算法优化RBF神经网络流程如图4所示,具体步骤为:
步骤1:采集电机驱动系统中逆变器故障数据,由小波包分解提取逆变器故障特征向量;
步骤2:初始化狼群及其参数,设定狼群最大迭代次数NCmax、最大游走次数Tmax、个体狼数目M、探狼比例因子μ、距离判断因子τ、步长因子S、更新比例因子β、狼群算法迭代次数t1=1;设定模拟退火算法的退火初始温度T0、温度冷却系数(退火速率)φ、退火迭代次数t2=1,当前温度下最大退火循环次数Lmax;确定RBF神经网络的输入输出和隐含层节点数,确定训练样本;设定在d维空间中第i只人工狼位置为:Xi=(xi1,…,xiu,...,xid),其中1≤i≤M,1≤u≤d;人工狼初始位置按公式(7)随机确定,即:
式中,b为0~1范围内随机数,maxd、mind分别表示第d搜索维空间内狼群的最大位置和最小位置值;
步骤3:计算每只人工狼的适应度值Fitness(即气味浓度函数),采用步骤2的个体狼状态对RBF神经网络的径向基函数中心ci、方差δi及权值ωis赋值,将训练样本输入RBF神经网络进行训练,网络期望输出值与预测值之间的均方差倒数作为狼群中人工狼的适应度函数,第i只人工狼适应度为:
其中,qju、yju分别表示第j个训练样本在第u个网络输出节点处的期望输出与预测值, m表示输出节点数,n表示训练样本数;
步骤4:按照个体狼的适应度大小,依次选取头狼、探狼、猛狼等三种人工狼,适应度最高的人工狼作为头狼;
步骤5:探狼执行游走行为,如果探狼适应度高于头狼,或探狼游走次数为最大值Tmax时,则探狼游走结束,狼群进入猛狼奔袭行为;
式中,g=1,2,…,p;r1=1,2,…,N,N为探狼个数,即为从[M/(μ+1),M/μ]范围内随机选取的整数,M表示狼群种群规模,μ表示探狼比例因子;maxd、mind分别表示第d维空间内狼群的最大位置和最小位置值;S为步长因子;step1(d)表示探狼在第d维空间朝着p个不同方向上的移动步长;表示第r1探狼在第d维空间中向着g方向前进一步后位置;
步骤6:猛狼执行奔袭行为,其规则为:
其中,r2=1,2,…,M-N-1,表示第r2只猛狼经过t次奔袭后的d维空间位置,step2(d)表示猛狼在第d维空间中逼近头狼的前进步长,τ为距离判断因子,J为个体狼的编码长度,在猛狼与头狼间的距离位于判断距离dis时,该猛狼的奔袭行为便中止;
步骤7:人工狼执行围攻行为,其规则为:
式中,r3=1,2,…,M-1,表示在d维空间范围内第r3只人工狼朝头狼位置方向移动一步后所处的位置,ρ代表[-1,1]的随机数,step3(d)表示除头狼外个体狼在d维空间围攻步长;
步骤8:所有人工狼按适应度大小排序,适应度最高的人工狼设定为头狼,淘汰弱小的人工狼,生成下次迭代的头狼;令t1=t1+1,判别迭代次数是否达到狼群最大迭代次数NCmax,如达到,则转入步骤11,否则转至步骤9;
步骤9:对本代中最优头狼个体进行模拟退火操作,在得到头狼位置解xi邻域内随机选择新解xj并计算适应度即Fitness(xi)和Fitness(xj),计算适应度差值ΔF=Fitness(xj)-Fitness(xi),计算选择概率P=exp(-ΔF/Ti),这里Ti为当前温度;如果P>random[0,1),则将当前头狼位置由xi替换为xj,并以xj作为下次寻优的开始,否则以原头狼位置xi进行下一次迭代寻优;
步骤10:令t2=t2+1,按Ti+1=φ·Ti进行降温退火,其中φ∈(0,1),如果t2<Lmax,返回步骤9,否则转入步骤3执行;
步骤11:将搜索最优个体赋值给RBF神经网络径向基函数中心ci、方差δi及权值ωis,进行神经网络逆变器故障检测。
3.三相PWM逆变器故障诊断实例分析
(1)三相逆变器故障编码
图5所示为PWM逆变器供电驱动的电机变频调速系统。在工控场合中,逆变器发生故障比较常见的是开关功率器件即绝缘栅双极晶体管(IGBT)出现开路故障,考虑系统在现场运行过程中多个(3个以上)IGBT同时发生故障的概率较低,所以为了简化分析过程,本发明实例设定最多同时只有2只IGBT发生开路故障,于是故障可分为无功率管故障(正常)、单管开路、上下同一桥臂两管开路、同极性(或同半桥)两管开路、交叉两管开路共22种故障情况。具体故障类别如表1所示,其中P1P2P3代表5种故障类别,P4P5代表桥臂,P6代表桥臂上发生故障的IGBT元件。
表1典型功率管开路故障特征编码
(2)三相逆变器故障样本提取
当功率管发生开路故障时,逆变器输出侧电流不再是正弦波,必然产生畸变,通过采样故障输出电流波形,利用小波包分解提取各个节点能量,其能量信号形成逆变器故障特征向量,并将各个节点对应的每个频带的能量值作为RBF神经网络输入量E*。由于在功率管发生故障前后逆变器侧电流中直流分量变化不明显,因此,本发明中去除低频带特征量选取特征量分别作为网络输入量x1~x7。RBF神经网络选取样本情况如表2所示,其中 1~22样本故障分别为表1所述的22种IGBT开路故障,将它们作为训练样本,而23~28 样本作为测试样本。
表2 RBF神经网络样本
(3)RBF神经网络优化及诊断结果
通过反复试验,狼群-模拟退火算法相关初始参数选取为:狼群规模M=30,步长因子S=4500,探狼比例因子μ=3.6,最大游走次数Tmax=15,距离判断因子τ=300,更新比例因子β=5,狼群最大迭代次数NCmax=800;模拟退火初始温度T0=100,退火速率φ=0.95,退火迭代次数t2=1,最大退火循环次数Lmax=150;RBF神经网络的拓扑结构设计为7-11-6。应用 Matlab7.0输入训练样本,利用狼群-模拟退火算法优化RBF神经网络,直至网络误差满足要求。然后选取表2中的23~28共6组数据作为测试样本,测试结果如表3所示。由表3分析得出,RBF网络实际输出值与期望输出故障特征编码比较吻合,故障诊断正确率高。
表3 RBF神经网络测试结果
(4)对比试验分析
为验证狼群-模拟退火算法优化的RBF神经网络模型在电机驱动系统逆变器故障诊断中的优势,分别将上述经过小波包变换后的用于训练RBF神经网络的1~22组逆变器正常及故障数据样本,分别输入传统RBF神经网络以及采取粒子群算法、蚁群算法、狼群算法、狼群-模拟退火算法优化的RBF神经网络模型,训练结束后再同样选取23~28组逆变器故障样本进行测试,性能评价指标主要有训练时间、训练误差、辨识准确率。表4的评价结果表明,经过狼群-模拟退火算法优化的RBF神经网络模型故障诊断速度快、正确率高、精度高,是一种非常有效的电机驱动系统逆变器故障诊断方法。
表4不同模型性能指标比较
以上是本发明的较佳实施例,凡依据本发明申请专利技术方案所进行的任何简单修改和等同变化而产生的功能作用没有超出本发明技术方案范围,都应该处于本发明的保护范畴。
Claims (2)
1.一种电机驱动系统PWM逆变器故障诊断方法,其特征在于,故障诊断模型包括逆变器IGBT故障数据采集、逆变器IGBT故障信号特征向量提取、RBF神经网络优化训练与故障检测。
2.根据权利要求1所述的一种电机驱动系统PWM逆变器故障诊断方法,其特征在于,所述的RBF神经网络优化采取狼群-模拟退火算法优化RBF神经网络结构参数即径向基函数中心值ci、径向基函数方差δi、隐含层与输出层之间连接权值ωis,狼群-模拟退火算法优化步骤如下:
步骤1:采集电机驱动系统中逆变器故障数据,由小波包分解提取逆变器故障特征向量;
步骤2:初始化狼群及其参数,设定狼群最大迭代次数NCmax、最大游走次数Tmax、个体狼数目M、探狼比例因子μ、距离判断因子τ、步长因子S、更新比例因子β、狼群算法迭代次数t1=1;设定模拟退火算法的退火初始温度T0、温度冷却系数(退火速率)φ、退火迭代次数t2=1,当前温度下最大退火循环次数Lmax;确定RBF神经网络的输入输出和隐含层节点数,确定训练样本;设定在d维空间中第i只人工狼位置为:Xi=(xil,…,xiu,...,xid),其中1≤i≤M,1≤u≤d;人工狼初始位置按下列随机确定,即:
式中,b为0~1范围内随机数,maxd、mind分别表示第d搜索维空间内狼群的最大位置和最小位置值;
步骤3:计算每只人工狼的适应度值Fitness(即气味浓度函数),采用步骤2的个体狼状态对RBF神经网络的径向基函数中心ci、方差δi及权值ωis赋值,将训练样本输入RBF神经网络进行训练,网络期望输出值与预测值之间的均方差倒数作为狼群中人工狼的适应度函数,第i只人工狼适应度为:
其中,qju、yju分别表示第j个训练样本在第u个网络输出节点处的期望输出与预测值,m表示输出节点数,n表示训练样本数;
步骤4:按照个体狼的适应度大小,依次选取头狼、探狼、猛狼等三种人工狼,适应度最高的人工狼作为头狼;
步骤5:探狼执行游走行为,如果探狼适应度高于头狼,或探狼游走次数为最大值Tmax时,则探狼游走结束,狼群进入猛狼奔袭行为;
式中,g=1,2,…,p;r1=1,2,…,N,N为探狼个数,即为从[M/(μ+1),M/μ]范围内随机选取的整数,M表示狼群种群规模,μ表示探狼比例因子;maxd、mind分别表示第d维空间内狼群的最大位置和最小位置值;S为步长因子;step1(d)表示探狼在第d维空间朝着p个不同方向上的移动步长;表示第r1探狼在第d维空间中向着g方向前进一步后位置;
步骤6:猛狼执行奔袭行为,其规则为:
其中,r2=1,2,…,M-N-1,表示第r2只猛狼经过t次奔袭后的d维空间位置,step2(d)表示猛狼在第d维空间中逼近头狼的前进步长,τ为距离判断因子,J为个体狼的编码长度,在猛狼与头狼间的距离位于判断距离dis时,该猛狼的奔袭行为便中止;
步骤7:人工狼执行围攻行为,其规则为:
式中,r3=1,2,…,M-1,表示在d维空间范围内第r3只人工狼朝头狼位置方向移动一步后所处的位置,ρ代表[-1,1]的随机数,step3(d)表示除头狼外个体狼在d维空间围攻步长;
步骤8:所有人工狼按适应度大小排序,适应度最高的人工狼设定为头狼,淘汰弱小的人工狼,生成下次迭代的头狼;令t1=t1+1,判别迭代次数是否达到狼群最大迭代次数NCmax,如达到,则转入步骤11,否则转至步骤9;
步骤9:对本代中最优头狼个体进行模拟退火操作,在得到头狼位置解xi邻域内随机选择新解xj并计算适应度即Fitness(xi)和Fitness(xj),计算适应度差值ΔF=Fitness(xj)-Fitness(xi),计算选择概率P=exp(-ΔF/Ti),这里Ti为当前温度;如果P>random[0,1),则将当前头狼位置由xi替换为xj,并以xj作为下次寻优的开始,否则以原头狼位置xi进行下一次迭代寻优;
步骤10:令t2=t2+1,按Ti+1=φ·Ti进行降温退火,其中φ∈(0,1),如果t2<Lmax,返回步骤9,否则转入步骤3执行;
步骤11:将搜索最优个体赋值给RBF神经网络径向基函数中心ci、方差δi及权值ωis,进行神经网络逆变器故障检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710327927.XA CN107153735A (zh) | 2017-04-28 | 2017-04-28 | 电机驱动系统pwm逆变器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710327927.XA CN107153735A (zh) | 2017-04-28 | 2017-04-28 | 电机驱动系统pwm逆变器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107153735A true CN107153735A (zh) | 2017-09-12 |
Family
ID=59793277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710327927.XA Pending CN107153735A (zh) | 2017-04-28 | 2017-04-28 | 电机驱动系统pwm逆变器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107153735A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414873A (zh) * | 2018-03-05 | 2018-08-17 | 南京婆娑航空科技有限公司 | 一种三相逆变器功率器件开路故障检测方法 |
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN109297699A (zh) * | 2018-12-07 | 2019-02-01 | 中南大学 | 一种混合分解与提取的智能旋转机械故障诊断方法 |
CN109558681A (zh) * | 2018-11-30 | 2019-04-02 | 北京新能源汽车股份有限公司 | 一种绝缘栅双极型晶体管的损耗功率的获得方法及装置 |
CN109917228A (zh) * | 2019-03-28 | 2019-06-21 | 国网上海市电力公司 | 一种基于rbf神经网络的行波法配电网接地故障定位方法 |
CN110780198A (zh) * | 2019-09-10 | 2020-02-11 | 上海大制科技有限公司 | 一种伺服焊接系统运动的波形识别方法及设备 |
CN111812435A (zh) * | 2020-06-28 | 2020-10-23 | 国网新源控股有限公司回龙分公司 | 一种基于bp神经网络诊断静止变频器故障的方法 |
CN111880117A (zh) * | 2020-07-28 | 2020-11-03 | 北京交通大学 | 能馈供电装置的故障诊断方法、装置及存储介质 |
CN111914732A (zh) * | 2020-07-28 | 2020-11-10 | 北京交通大学 | 绝缘故障诊断方法、装置、设备及计算机可读存储介质 |
CN112068033A (zh) * | 2020-09-02 | 2020-12-11 | 河北工业大学 | 基于1/6周期电流的逆变器功率管开路故障在线辨识方法 |
CN112131788A (zh) * | 2020-09-18 | 2020-12-25 | 江西兰叶科技有限公司 | 用于教学的电机设计方法及系统 |
CN113126538A (zh) * | 2020-01-15 | 2021-07-16 | 台达电子工业股份有限公司 | 电子设备及其控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103926526A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 |
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 |
-
2017
- 2017-04-28 CN CN201710327927.XA patent/CN107153735A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103926526A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 |
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 |
Non-Patent Citations (3)
Title |
---|
刁鸣等: "狼群优化的神经网络频谱感知算法", 《计算机工程与应用》 * |
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》 * |
颜学龙等: "基于狼群算法的RBF神经网络模拟电路故障诊断", 《计算机工程与应用》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414873A (zh) * | 2018-03-05 | 2018-08-17 | 南京婆娑航空科技有限公司 | 一种三相逆变器功率器件开路故障检测方法 |
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN109558681A (zh) * | 2018-11-30 | 2019-04-02 | 北京新能源汽车股份有限公司 | 一种绝缘栅双极型晶体管的损耗功率的获得方法及装置 |
CN109297699A (zh) * | 2018-12-07 | 2019-02-01 | 中南大学 | 一种混合分解与提取的智能旋转机械故障诊断方法 |
CN109917228A (zh) * | 2019-03-28 | 2019-06-21 | 国网上海市电力公司 | 一种基于rbf神经网络的行波法配电网接地故障定位方法 |
CN110780198B (zh) * | 2019-09-10 | 2021-08-06 | 上海大制科技有限公司 | 一种伺服焊接系统运动的波形识别方法及设备 |
CN110780198A (zh) * | 2019-09-10 | 2020-02-11 | 上海大制科技有限公司 | 一种伺服焊接系统运动的波形识别方法及设备 |
CN113126538A (zh) * | 2020-01-15 | 2021-07-16 | 台达电子工业股份有限公司 | 电子设备及其控制方法 |
TWI752720B (zh) * | 2020-01-15 | 2022-01-11 | 台達電子工業股份有限公司 | 電子設備及其控制方法 |
US11316452B2 (en) | 2020-01-15 | 2022-04-26 | Delta Electronics, Inc. | Electronic device and control method thereof |
CN113126538B (zh) * | 2020-01-15 | 2023-09-12 | 台达电子工业股份有限公司 | 电子设备及其控制方法 |
CN111812435A (zh) * | 2020-06-28 | 2020-10-23 | 国网新源控股有限公司回龙分公司 | 一种基于bp神经网络诊断静止变频器故障的方法 |
CN111880117A (zh) * | 2020-07-28 | 2020-11-03 | 北京交通大学 | 能馈供电装置的故障诊断方法、装置及存储介质 |
CN111914732A (zh) * | 2020-07-28 | 2020-11-10 | 北京交通大学 | 绝缘故障诊断方法、装置、设备及计算机可读存储介质 |
CN112068033A (zh) * | 2020-09-02 | 2020-12-11 | 河北工业大学 | 基于1/6周期电流的逆变器功率管开路故障在线辨识方法 |
CN112068033B (zh) * | 2020-09-02 | 2024-03-26 | 河北工业大学 | 基于1/6周期电流的逆变器功率管开路故障在线辨识方法 |
CN112131788A (zh) * | 2020-09-18 | 2020-12-25 | 江西兰叶科技有限公司 | 用于教学的电机设计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107153735A (zh) | 电机驱动系统pwm逆变器故障诊断方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN103886374B (zh) | 一种基于rbf神经网络的电缆接头导线温度预测方法 | |
CN112684379A (zh) | 一种基于数字孪生的变压器故障诊断系统及其方法 | |
CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
CN109933881A (zh) | 一种基于优化深度信念网络的电力电子电路故障诊断方法 | |
CN104765965A (zh) | 基于模糊Petri的GIS故障诊断与可靠性分析方法 | |
CN110929763A (zh) | 基于多源数据融合的中压真空断路器机械故障诊断方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
CN110161343A (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN108732528A (zh) | 一种基于深度置信网络的数字化电能表故障诊断方法 | |
CN108092623B (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
CN112858917B (zh) | 基于遗传算法优化神经网络的电池系统多故障诊断方法 | |
Zhang et al. | A novel fault diagnosis method based on stacked LSTM | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
Júnior et al. | The design of multiple linear regression models using a genetic algorithm to diagnose initial short-circuit faults in 3-phase induction motors | |
CN106372724A (zh) | 一种人工神经网络算法 | |
Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
CN110119539A (zh) | 一种组合逻辑电路单粒子翻转效应传播规律的分析方法 | |
Kim et al. | Anomaly detection using clustered deep one-class classification | |
Luo et al. | Multi-mode non-Gaussian variational autoencoder network with missing sources for anomaly detection of complex electromechanical equipment | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN109782158A (zh) | 一种基于多级分类的模拟电路诊断方法 | |
CN108760813B (zh) | 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170912 |