CN109116150A - 一种基于小脑模型神经网络的电力电子变换器故障诊断方法 - Google Patents

一种基于小脑模型神经网络的电力电子变换器故障诊断方法 Download PDF

Info

Publication number
CN109116150A
CN109116150A CN201810874145.2A CN201810874145A CN109116150A CN 109116150 A CN109116150 A CN 109116150A CN 201810874145 A CN201810874145 A CN 201810874145A CN 109116150 A CN109116150 A CN 109116150A
Authority
CN
China
Prior art keywords
fault
layer
sample
training
articulation controller
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
Application number
CN201810874145.2A
Other languages
English (en)
Inventor
林琼斌
陈诗灿
万志松
王武
蔡逢煌
柴琴琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201810874145.2A priority Critical patent/CN109116150A/zh
Publication of CN109116150A publication Critical patent/CN109116150A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于小脑模型神经网络（Cerebellar Model Neural Network，CMNN）的电力电子变换器故障诊断方法，通过数据采集并降噪处理，得到带有故障信息的样本，再通过时、频域分析等方法提取少数故障特征，建立数据样本库；通过CMNN故障分类器，并采用Back‑Propagation算法，离线训练后将训练样本中包含的各类型故障及故障具体位置准确划分，提取故障分类器的最优参数，并将最优参数直接赋予分类器网络，进行分类器测试工作；将此带有最优参数的分类器网络植入DSP中，做实际电路的故障诊断与定位，实现变换器电路快速自检。本发明能更准确、更可靠的判断变换器的健康状况，也提高了变换器故障分析的效率。

Description

一种基于小脑模型神经网络的电力电子变换器故障诊断方法
技术领域
本发明涉及电力电子技术领域，特别是一种基于小脑模型神经网络的电力电子变换器故障诊断方法。
背景技术
随着电力电子技术的发展，电力电子变换器作为电力电子交直流转换的装置，在智能电网、工业电机驱动及节能、电动汽车、轨道交通等现代领域都起着关键作用，而同时电力电子变换器的故障诊断问题也随之产生。传统电力电子变换器故障诊断方法有故障树分析法，信息融合方法等。
故障树分析法的诊断过程直观易理解，但故障树的建立工作量庞大；信息融合方法是将多种来源、多种类型的讯息结合在一起，可以从多角度获得表征故障的多维有效特征信息，但越多的信息会使得故障诊断的网络变得相当庞大，大大影响诊断的快速性，而类神经网络方法(Artificial Neural Network，ANN)由于采用人工神经元相互联结来建立输入特征和输出结果的映射关系，通过神经元及其相应结构(权值、偏差)的不断修正，能够对未知的或无法预测的故障信息进行分析判断，因此非常适合用在电路的故障诊断和定位中。但传统的ANN是一种全局逼近神经网络，每次反向传递更新权值时，网络所有权值都需要更新，其收敛速度慢，并且训练过程中，在学习新样本时有遗忘旧样本的趋势，不利于对故障的精准分类。
发明内容
有鉴于此，本发明的目的是提出一种基于小脑模型神经网络的电力电子变换器故障诊断方法，能更准确、更可靠的判断变换器的健康状况，也提高了变换器故障分析的效率。
本发明采用以下方案实现：一种基于小脑模型神经网络的电力电子变换器故障诊断方法，具体包括以下步骤：
步骤S1：通过数据采集并降噪处理，得到带有故障信息的样本；
步骤S2：采用时域、频域分析方法提取故障特征，建立故障特征与故障类型一一对应的变换器数据样本库，用于训练、测试网络性能；
步骤S3：构建小脑模型神经网络(CMNN)故障分类器，并采用步骤S2的数据样本库训练故障分类器，采用Back-Propagation算法更新被激活的少数参数，离线训练后将训练样本中包含的各类型故障及故障具体位置准确划分，提取故障分类器的最优参数，并将最优参数直接赋予分类器网络，进行分类器测试工作；
步骤S4：将被赋予最优参数的分类器网络植入DSP中，做实际电路的故障诊断与定位，实现变换器电路快速自检。
进一步的，步骤S1具体包括以下步骤：
步骤S11：采用PC仿真研究，通过元器件等效模型建立变换器仿真电路；
步骤S12：根据各元器件失效原理，对相应的元器件施加故障；
步骤S13：采集测量点电信号，并加以卡尔曼滤波算法去除噪声，获取原始样本数据，得到带有故障信息的样本。
特别的步骤S13中，采用数据采集装置采集待测变换器电路测量点电信号。
较佳的，在对实际运行电路进行诊断时，也将记录提取到的样本信息，当样本累计到一定的数量时，可参与构建新的样本数据库，丰富样本库的数据。
进一步的，所述小脑模型神经网络(CMNN)故障分类器包括故障特征输入层、联想记忆层、接收域层、权重层和故障类型输出层；
第一层为所述故障特征输入层：用以将故障特征向量引入CMNN网；
第二层为所述联想记忆层：采用高斯型激发函数，对输入的特性向量进行量化处理；
第三层为接收域层：用于计算输入对联想单元的触发强度；
第四层为权重层：用以搭建接收域空间与输出层之间的激发强度；
第五层为故障类型输出层：用以输出故障标签，通过输出标签直观明了的获取具体故障类型和故障位置。
进一步的，步骤S3具体包括以下步骤：
步骤S31：将步骤S2得到的数据样本库分为训练样本与测试样本；
步骤S32：采用训练样本作为小脑模型神经网络(CMNN)故障分类器的输入对其进行训练；
步骤S33：判断训练次数是否达到预设的最大训练次数，若是则进入步骤S34，否则采用Back-Propagation算法更新被激活的少数参数，并返回步骤S32；
步骤S34：判断训练误差是否符合预设，若是则进入步骤S35，否则返回步骤S32；
步骤S35：获取最优权值、阈值，并将其赋予小脑模型神经网络(CMNN)故障分类器，采用测试样本测试被赋予最优参数的小脑模型神经网络(CMNN)故障分类器；
步骤S36：判断测试正确率是否符合预设要求，若符合，则结束当前步骤，否则返回步骤S32。
即步骤S3根据输入故障特征向量沿神经网络信号传播方向计算出网络的输出值，与期望输出值比较，计算出目标函数，若目标函数值不满足误差精度，则采用梯度下降法对网络参数进行修正，修正方向沿神经网络传播的逆方向，并再次计算目标函数，循环进行，直到满足误差要求；若目标函数值满足误差，则完成训练，记录最优网络参数。
本发明采用数据采集装置采集样本，速度快，准确率高，数据准确；作为一种具有联想功能的神经网络，CMNN的联想具有局部泛化能力，因此相似输入将产生相似输出，远离的输入将产生独立的输出，这对故障的分类具有很好的适应能力，同类故障特征将产生同类故障结果，不同故障之间能做出准确划分；小脑模型神经网络的每个神经元输入与输出是一种线性关系，但其总体上可看做一种表现非线性映射的表格系统，由于小脑模型神经网络的学习只在线性映射部分，每一次网络参数的修正更新，只有很少的神经元所对应的权值会被更新，其收敛速度比传统BP神经网络快；在程序编写上，采用定址程序设计，将使参数更新速度加快。所以采用CMNN作为故障分类器检测电力电子变换器健康状况具有明显的优势，能更准确、更可靠的判断变换器的健康状况，也提高了变换器故障分析的效率。
与现有技术相比，本发明有以下有益效果：本发明采用了小脑模型神经网络(CMNN)对电力电子变换器作故障诊断分析，由于其特殊的数据存储和激发方式，使其网络结构优于传统ANN，计算速度快，并且常用于控制系统中，本发明用其作为故障分类器，不仅发挥CMNN网络计算速度快的优势，更有在训练中学习新样本有记忆旧样本的趋势，增强了电力电子变换器故障诊断非线性分类的能力，弥补了传统神经网络的不足；同时采用时域、频域分析相结合的方法提取故障特征，可以简化分类器网络结构，用较少的故障特征值便能够对变换器故障进行准确识别定位。
附图说明
图1为本发明实施例的步骤S1流程示意图。
图2为本发明实施例的方法流程示意图。
图3为本发明实施例的CMNN网络结构示意图。
图4为本发明实施例的CMNN输入变量量化机制图(二维)。
图5为本发明实施例的CMNN神经网络局部泛化示意图。
图6为本发明实施例的梯度下降Back-Propagation算法的流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图2所示，本实施例提供了一种基于小脑模型神经网络的电力电子变换器故障诊断方法，具体包括以下步骤：
步骤S1：通过数据采集并降噪处理，得到带有故障信息的样本；
步骤S2：采用时域、频域分析方法提取故障特征，建立故障特征与故障类型一一对应的变换器数据样本库，用于训练、测试网络性能；
步骤S3：构建小脑模型神经网络(CMNN)故障分类器，并采用步骤S2的数据样本库训练故障分类器，采用Back-Propagation算法更新被激活的少数参数，离线训练后将训练样本中包含的各类型故障及故障具体位置准确划分，提取故障分类器的最优参数，并将最优参数直接赋予分类器网络，进行分类器测试工作；
步骤S4：将被赋予最优参数的分类器网络植入DSP中，做实际电路的故障诊断与定位，实现变换器电路快速自检。
如图1所示，在本实施例中，步骤S1具体包括以下步骤：
步骤S11：采用PC仿真研究，通过元器件等效模型建立变换器仿真电路；
步骤S12：根据各元器件失效原理，对相应的元器件施加故障；
步骤S13：采集测量点电信号，并加以卡尔曼滤波算法去除噪声，获取原始样本数据，得到带有故障信息的样本。
特别的步骤S13中，采用数据采集装置采集待测变换器电路测量点电信号。
较佳的，在本实施例中，在对实际运行电路进行诊断时，也将记录提取到的样本信息，当样本累计到一定的数量时，可参与构建新的样本数据库，丰富样本库的数据。
如图2所示，通过数据采集装置采集待测变换器电路测量点电信号，包括采集电压信号(输入电压，输出电压)、电流信号(输出电流，电感电流)，用卡尔曼滤波算法对采集的信号去除噪声，获得原始带有故障信息的样本，再使用时域、频域分析，从原始信息中提取出能反正变换器健康状况的特征向量{I1,I2,…,Ii,…,Iq}，其中q为特征向量的维数，并用此特征向量作为小脑模型神经网络的输入信号，同时建立故障特征与故障类型一一对应的变换器数据样本库，用于训练、测试网络性能，经过训练测试后的网络，保存最优网络结构参数，并使用最优参数重构(CMNN)故障分类器，然后将带有最优参数的分类器网络写入DSP中，对实际运行中的电力电子变换器做实时故障诊断与定位，若发生故障及时报警，并告知故障类型与故障位置，实现变换器电路快速自检功能。同时本实施例能记录实际工作时提取到的样本，当样本积累到一定的数量时，将积累的样本与旧样本重构组成新的训练样本，进一步对网络进行离线训练处理，此操作能更好的完善分类器的故障分类能力，提高故障识别能力，实现对电力电子变换器故障的准确诊断。
如图3所示，在本实施例中，所述小脑模型神经网络(CMNN)故障分类器包括故障特征输入层、联想记忆层、接收域层、权重层和故障类型输出层；
第一层为所述故障特征输入层：用以将故障特征向量引入CMNN网；具体为：将所构建样本的故障特征向量{I1,I2,…,Ii,…,Iq}作为CMNN网络的输入送入CMNN网络，进行前向计算；
第二层为所述联想记忆层：采用高斯型激发函数，对输入的特性向量进行量化处理；具体为：将输入的故障特性向量进行量化处理，对每一个输入向量的任一个输入量化成ne个离散区域(通常称为元素，或者分辨率)，如图4所示为一个二维输入(I1，I2)向量量化图，每个变量被量化成9个元素，并且每个变量有四种分割方式(常称为层)，几个元素累积起来构成“块”，图4中每层由3个块组成，此时第一层中将构成9个存储空间，分别为Ba1Ba2，Ba1Bb2，Ba1Bc2，Bb1Ba2，Bb1Bb2，Bb1Bc2，Bc1Ba2，Bc1Bb2，Bc1Bc2，所以4层共构成36个存储空间(当输入维数大于二维时，则量化生成超立方体存储空间)，采用此种方法可用36个存储空间来存储81个状态的数据，大大简化了空间存储单元。在每一个块中都采用高斯型函数作为激发函数，以rik为第i个输入Ii对应的第k层在激发函数激发下的输出关系为：
式中i＝1,2,...,q；k＝1,2,...,n。mik和vik分别表示高斯函数的均值(中心)和方差(宽度)。
第三层为接收域层：用于计算输入对联想单元的触发强度；具体为：对第二层所激活的联想记忆区域做累乘处理，用于计算输入对联想单元的触发强度。如图4中，状态(3,3)将激活覆盖它的四个存储空间，Bb1Bb2，Be1Be2，Bg1Bg2，Bj1Bj2，对四个存储空间做累乘，得到触发强度，bk为第k个接收域的触发强度：
第四层为权重层：用以搭建接收域空间与输出层之间的激发强度；具体为：将第三层中第k个接收域空间与第五层第j个输出间的权值存储在第四层wkj中，所有权值表示为：
第五层为故障类型输出层：用以输出故障标签，通过输出标签直观明了的获取具体故障类型和故障位置；具体为：对第三层触发的强度进行与第四层权值求积再求和，并通过sigmoid函数将输出值压缩在(0,1)之间(主要取决于输出标签的设置)，得到第j个输出yj：
在本实施例中，步骤S3具体包括以下步骤：
步骤S31：将步骤S2得到的数据样本库分为训练样本与测试样本；
步骤S32：采用训练样本作为小脑模型神经网络(CMNN)故障分类器的输入对其进行训练；
步骤S33：判断训练次数是否达到预设的最大训练次数，若是则进入步骤S34，否则采用Back-Propagation算法更新被激活的少数参数，并返回步骤S32；
步骤S34：判断训练误差是否符合预设，若是则进入步骤S35，否则返回步骤S32；
步骤S35：获取最优权值、阈值，并将其赋予小脑模型神经网络(CMNN)故障分类器，采用测试样本测试被赋予最优参数的小脑模型神经网络(CMNN)故障分类器；
步骤S36：判断测试正确率是否符合预设要求，若符合，则结束当前步骤，否则返回步骤S32。
即步骤S3根据输入故障特征向量沿神经网络信号传播方向计算出网络的输出值，与期望输出值比较，计算出目标函数，若目标函数值不满足误差精度，则采用梯度下降法对网络参数进行修正，修正方向沿神经网络传播的逆方向，并再次计算目标函数，循环进行，直到满足误差要求；若目标函数值满足误差，则完成训练，记录最优网络参数。
特别的，如图5所示，在本实施例中，在结构上，由于CMNN层与层之间的联结方式与激活方式较为特殊，所以其具有较强的局部泛化能力。
通过量化机制对输入特征做量化激活处理，此时只激活少数与输入有关的网络参数，在反向更新参数时，只有被激活的参数得以更新修正，相较于其他传统神经网络所有权值都需要修正的做法，CMNN学习收敛速度更快，使得CMNN分类器的分类逼近能力更强，用其作为故障分类器检测电力电子变换器健康状况，辨识故障类型具有明显的优势。
如图6所示，在本实施例中，CMNN参数更新算法，采用梯度下降的Back-Propagation算法；在所提出的CMNN网络中，需要更新的参数有mik,vik,wkj三个参数：
设定目标函数为：
式中：tj(k)表示期望输出，yj(k)表示CMNN分类器输出。
使用梯度下降法对网络权值进行修正更新：
其中α＝[mik,vik,wkj]T为参数矩阵，η＝diag[ηmik,ηvik,ηkj]为参数学习率矩阵，表示为：
通过链式法则可得参数更新式为：
上述构建出CMNN故障分类器网络，并推导出分类器参数更新法则，将离线训练测试后的最优分类器网络写入DSP中，实现对电力电子变换器电路的实时自检，高效，高可靠性的辨识故障，定位故障。
本实施例采用数据采集装置采集样本，速度快，准确率高，数据准确；作为一种具有联想功能的神经网络，CMNN的联想具有局部泛化能力，因此相似输入将产生相似输出，远离的输入将产生独立的输出，这对故障的分类具有很好的适应能力，同类故障特征将产生同类故障结果，不同故障之间能做出准确划分；小脑模型神经网络的每个神经元输入与输出是一种线性关系，但其总体上可看做一种表现非线性映射的表格系统，由于小脑模型神经网络的学习只在线性映射部分，每一次网络参数的修正更新，只有很少的神经元所对应的权值会被更新，其收敛速度比传统BP神经网络快；在程序编写上，采用定址程序设计，将使参数更新速度加快。所以采用CMNN作为故障分类器检测电力电子变换器健康状况具有明显的优势，能更准确、更可靠的判断变换器的健康状况，也提高了变换器故障分析的效率。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种基于小脑模型神经网络的电力电子变换器故障诊断方法，其特征在于：包括以下步骤：
步骤S1：通过数据采集并降噪处理，得到带有故障信息的样本；
步骤S2：采用时域、频域分析方法提取故障特征，建立故障特征与故障类型一一对应的变换器数据样本库，用于训练、测试网络性能；
步骤S3：构建小脑模型神经网络故障分类器，并采用步骤S2的数据样本库训练故障分类器，采用Back-Propagation算法更新被激活的少数参数，离线训练后将训练样本中包含的各类型故障及故障具体位置准确划分，提取故障分类器的最优参数，并将最优参数直接赋予分类器网络，进行分类器测试工作；
步骤S4：将被赋予最优参数的分类器网络植入DSP中，做实际电路的故障诊断与定位，实现变换器电路快速自检。
2.根据权利要求1所述的一种基于小脑模型神经网络的电力电子变换器故障诊断方法，其特征在于：步骤S1具体包括以下步骤：
步骤S11：采用PC仿真研究，通过元器件等效模型建立变换器仿真电路；
步骤S12：根据各元器件失效原理，对相应的元器件施加故障；
步骤S13：采集测量点电信号，并加以卡尔曼滤波算法去除噪声，获取原始样本数据，得到带有故障信息的样本。
3.根据权利要求1所述的一种基于小脑模型神经网络的电力电子变换器故障诊断方法，其特征在于：所述小脑模型神经网络故障分类器包括故障特征输入层、联想记忆层、接收域层、权重层和故障类型输出层；
第一层为所述故障特征输入层：用以将故障特征向量引入CMNN网；
第二层为所述联想记忆层：采用高斯型激发函数，对输入的特性向量进行量化处理；
第三层为接收域层：用于计算输入对联想单元的触发强度；
第四层为权重层：用以搭建接收域空间与输出层之间的激发强度；
第五层为故障类型输出层：用以输出故障标签，通过输出标签直观明了的获取具体故障类型和故障位置。
4.根据权利要求1所述的一种基于小脑模型神经网络的电力电子变换器故障诊断方法，其特征在于：步骤S3具体包括以下步骤：
步骤S31：将步骤S2得到的数据样本库分为训练样本与测试样本；
步骤S32：采用训练样本作为小脑模型神经网络故障分类器的输入对其进行训练；
步骤S33：判断训练次数是否达到预设的最大训练次数，若是则进入步骤S34，否则采用Back-Propagation算法更新被激活的少数参数，并返回步骤S32；
步骤S34：判断训练误差是否符合预设，若是则进入步骤S35，否则返回步骤S32；
步骤S35：获取最优权值、阈值，并将其赋予小脑模型神经网络故障分类器，采用测试样本测试被赋予最优参数的小脑模型神经网络故障分类器；
步骤S36：判断测试正确率是否符合预设要求，若符合，则结束当前步骤，否则返回步骤S32。
CN201810874145.2A 2018-08-03 2018-08-03 一种基于小脑模型神经网络的电力电子变换器故障诊断方法 Pending CN109116150A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810874145.2A CN109116150A (zh) 2018-08-03 2018-08-03 一种基于小脑模型神经网络的电力电子变换器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810874145.2A CN109116150A (zh) 2018-08-03 2018-08-03 一种基于小脑模型神经网络的电力电子变换器故障诊断方法

Publications (1)

Publication Number Publication Date
CN109116150A true CN109116150A (zh) 2019-01-01

Family

ID=64852965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810874145.2A Pending CN109116150A (zh) 2018-08-03 2018-08-03 一种基于小脑模型神经网络的电力电子变换器故障诊断方法

Country Status (1)

Country Link
CN (1) CN109116150A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109828168A (zh) * 2019-01-31 2019-05-31 福州大学 基于核密度估计的变换器故障诊断方法
CN110596506A (zh) * 2019-10-30 2019-12-20 福州大学 基于时间卷积网络的变换器故障诊断方法
CN110710984A (zh) * 2019-10-18 2020-01-21 福州大学 基于表面肌电信号的递归小脑模型的足踝力矩预测方法
CN111461058A (zh) * 2020-04-17 2020-07-28 福州大学 一种电力电子变换器故障的诊断方法和诊断系统
CN111651337A (zh) * 2020-05-07 2020-09-11 哈尔滨工业大学 一种sram存储器空间服役故障分类失效检测方法
CN111967593A (zh) * 2020-07-28 2020-11-20 浙江和达科技股份有限公司 一种基于建模对异常数据进行处理的方法和系统
CN112348078A (zh) * 2020-11-09 2021-02-09 南京工程学院 一种具有亚健康预诊断及故障类型聚类功能的门机控制器
US11293981B2 (en) 2020-01-15 2022-04-05 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for false-positive reduction in power electronic device evaluation
US11353861B2 (en) 2020-05-04 2022-06-07 Toyota Motor Engineering & Manufacturing North America, Inc. Autoencoder utilizing vehicle contextual information
EP4063875A4 (en) * 2019-11-18 2023-08-09 Zhuzhou CRRC Times Electric Co., Ltd. INFORMATION COMBINATION METHOD AND DEVICE FOR EARLY WARNING OF FAULTS FOR AN INVERTER
CN116684823A (zh) * 2023-04-26 2023-09-01 国网浙江省电力有限公司嘉兴供电公司 基于设备健康码的关联设备定位和故障确定方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW564314B (en) * 2002-03-21 2003-12-01 Mang-Hui Wang CMAC_based fault diagnosis of air condition systems
TW584732B (en) * 2002-02-20 2004-04-21 Mang-Hui Wang CMAC_based fault diagnosis of power transformers
CN104502758A (zh) * 2014-12-17 2015-04-08 西北工业大学 航空静止变流器故障诊断方法
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
CN105425118A (zh) * 2015-10-29 2016-03-23 山东建筑大学 一种多信息融合故障电弧检测方法及装置
CN105572492A (zh) * 2015-10-22 2016-05-11 北京建筑大学 一种城轨列车辅助逆变器故障诊断装置
CN107025341A (zh) * 2017-03-30 2017-08-08 河海大学 一种光伏逆变器故障诊断方法
CN108181562A (zh) * 2018-01-18 2018-06-19 福州大学 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法
CN108229544A (zh) * 2017-12-22 2018-06-29 南昌大学 一种npc三电平光伏逆变器开路故障诊断方法
CN108335200A (zh) * 2018-05-03 2018-07-27 湖南大学 一种基于特征选取的信用评级方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW584732B (en) * 2002-02-20 2004-04-21 Mang-Hui Wang CMAC_based fault diagnosis of power transformers
TW564314B (en) * 2002-03-21 2003-12-01 Mang-Hui Wang CMAC_based fault diagnosis of air condition systems
CN104502758A (zh) * 2014-12-17 2015-04-08 西北工业大学 航空静止变流器故障诊断方法
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
CN105572492A (zh) * 2015-10-22 2016-05-11 北京建筑大学 一种城轨列车辅助逆变器故障诊断装置
CN105425118A (zh) * 2015-10-29 2016-03-23 山东建筑大学 一种多信息融合故障电弧检测方法及装置
CN107025341A (zh) * 2017-03-30 2017-08-08 河海大学 一种光伏逆变器故障诊断方法
CN108229544A (zh) * 2017-12-22 2018-06-29 南昌大学 一种npc三电平光伏逆变器开路故障诊断方法
CN108181562A (zh) * 2018-01-18 2018-06-19 福州大学 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法
CN108335200A (zh) * 2018-05-03 2018-07-27 湖南大学 一种基于特征选取的信用评级方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
华伟民等: "电力系统DC－DC转换器优化控制仿真研究", 《计算机仿真》 *
秦臻: ""基于级联变换器的贯通式牵引供电系统故障诊断与系统重构策略研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109828168A (zh) * 2019-01-31 2019-05-31 福州大学 基于核密度估计的变换器故障诊断方法
CN110710984B (zh) * 2019-10-18 2021-11-02 福州大学 基于表面肌电信号的递归小脑模型的足踝力矩预测方法
CN110710984A (zh) * 2019-10-18 2020-01-21 福州大学 基于表面肌电信号的递归小脑模型的足踝力矩预测方法
CN110596506A (zh) * 2019-10-30 2019-12-20 福州大学 基于时间卷积网络的变换器故障诊断方法
EP4063875A4 (en) * 2019-11-18 2023-08-09 Zhuzhou CRRC Times Electric Co., Ltd. INFORMATION COMBINATION METHOD AND DEVICE FOR EARLY WARNING OF FAULTS FOR AN INVERTER
US11293981B2 (en) 2020-01-15 2022-04-05 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for false-positive reduction in power electronic device evaluation
CN111461058A (zh) * 2020-04-17 2020-07-28 福州大学 一种电力电子变换器故障的诊断方法和诊断系统
US11353861B2 (en) 2020-05-04 2022-06-07 Toyota Motor Engineering & Manufacturing North America, Inc. Autoencoder utilizing vehicle contextual information
CN111651337B (zh) * 2020-05-07 2022-07-12 哈尔滨工业大学 一种sram存储器空间服役故障分类失效检测方法
CN111651337A (zh) * 2020-05-07 2020-09-11 哈尔滨工业大学 一种sram存储器空间服役故障分类失效检测方法
CN111967593A (zh) * 2020-07-28 2020-11-20 浙江和达科技股份有限公司 一种基于建模对异常数据进行处理的方法和系统
CN112348078A (zh) * 2020-11-09 2021-02-09 南京工程学院 一种具有亚健康预诊断及故障类型聚类功能的门机控制器
CN116684823A (zh) * 2023-04-26 2023-09-01 国网浙江省电力有限公司嘉兴供电公司 基于设备健康码的关联设备定位和故障确定方法及系统
CN116684823B (zh) * 2023-04-26 2024-02-09 国网浙江省电力有限公司嘉兴供电公司 基于设备健康码的关联设备定位和故障确定方法及系统

Similar Documents

Publication Publication Date Title
CN109116150A (zh) 一种基于小脑模型神经网络的电力电子变换器故障诊断方法
CN108344564B (zh) 一种基于深度学习的主轴特性试验台状态识别及预测方法
CN106769052B (zh) 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法
CN104712542B (zh) 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法
CN107677472B (zh) 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法
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
CN106779069A (zh) 一种基于神经网络的异常用电检测方法
Navone et al. Predicting Indian monsoon rainfall: a neural network approach
CN106197999B (zh) 一种行星齿轮故障诊断方法
CN107560849A (zh) 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法
CN107122790A (zh) 基于混合神经网络和集成学习的非侵入式负荷识别算法
CN108920426B (zh) 一种基于幂均算子和ds证据理论的故障诊断方法
CN109917205A (zh) 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法
CN1477581A (zh) 一种适用于计算机辅助医疗诊断的预测建模方法
CN109165604A (zh) 基于协同训练的非侵入式负荷识别方法及其测试系统
CN109670714B (zh) 基于隶属度分析的船舶燃气轮机综合状态评估方法
CN108398268A (zh) 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法
CN110555230A (zh) 基于集成gmdh框架的旋转机械剩余寿命预测方法
CN108709744B (zh) 一种变负载工况下电机轴承故障诊断方法
CN110533167A (zh) 一种电动阀门执行机构用故障诊断方法及诊断系统
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
CN102567782A (zh) 一种基于神经网络的汽车发动机转矩的估算方法
CN107067341A (zh) 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法
CN102253301B (zh) 基于微分进化算法和回声状态网络静态分类的模拟电路故障诊断方法
CN112082639A (zh) 发动机状态的诊断方法及其诊断建模方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190101