CN109933881A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109933881A CN109933881A CN201910169327.4A CN201910169327A CN109933881A CN 109933881 A CN109933881 A CN 109933881A CN 201910169327 A CN201910169327 A CN 201910169327A CN 109933881 A CN109933881 A CN 109933881A
- Authority
- CN
- China
- Prior art keywords
- crow
- fault
- layer
- dbn
- optimization
- 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 69
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 230000007257 malfunction Effects 0.000 claims abstract description 10
- 238000013459 approach Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 3
- 238000009920 food preservation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 101000742844 Homo sapiens RNA-binding motif protein, Y chromosome, family 1 member A1 Proteins 0.000 claims description 10
- 102100038040 RNA-binding motif protein, Y chromosome, family 1 member A1 Human genes 0.000 claims description 10
- 241001137251 Corvidae Species 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 6
- 101001046999 Homo sapiens Kynurenine-oxoglutarate transaminase 3 Proteins 0.000 claims description 5
- 101001076867 Homo sapiens RNA-binding protein 3 Proteins 0.000 claims description 5
- 102100025902 RNA-binding protein 3 Human genes 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 241000209202 Bromus secalinus Species 0.000 claims description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 230000032683 aging Effects 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 239000004744 fabric Substances 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7747—Organisation of the process, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
Abstract
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,包括步骤:(1)利用RT‑LAB半实物仿真平台设置故障实验,采集不同故障模式下的直流侧母线输出电压信号,作为原始故障特征量;(2)利用经验模态分解提取输出电压信号的本征模态函数分量及其包络谱,并计算多种统计特征,构造原始故障特征集;(3)基于极限学习机的特征选择方法,去除原始故障特征集中的冗余和干扰特征,并进行归一化处理,作为故障敏感特征集;(4)将故障敏感特征集划分为训练样本和测试样本,初步确定深度信念网络的结构;(5)采用乌鸦搜索算法优化深度信念网络,设定网络的隐藏神经元的数量;(5)得到故障诊断结果。本发明提高了故障特征数据量和故障识别准确率。
Description
技术领域
本发明属于电力电子电路故障诊断领域,具体涉及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。
背景技术
电力电子变流变换系统的可靠性在能源、交通、通讯、工业制造、航空航天、环境保护和国防军事应用中具有极其重要的意义。
电力电子变流变换系统的故障诊断主要是针对其主电路中的电力电子器件进行监测与诊断。目前,电力电子故障诊断方法主要分为三大类:解析模型故障诊断法、信号识别法和基于知识融合的故障诊断法。解析模型故障诊断法需要精确地建立待诊断电路的故障模型;信号识别法常用的处理方法包括傅里叶变换法、Park变换法和小波变换法,但是这些方法进行信号处理过程中可能会导致有效故障信息的丢失,在故障类型比较多时变换后选取的故障特征量无法有效区别不同的故障类型;基于知识融合的故障诊断法比如人工神经网络法,但是采用通常的BP神经网络识别法在训练时容易陷入局部最优解,且在初始连接权值和阈值的选择上具有很大的盲目性,在参数调整及故障特征向量的选择方面难度较大。因此,针对上述现有的三大类电力电子电路故障诊断方法的缺点,提出能新的改进方法至关重要。
发明内容
本发明要解决的技术问题是,针对现有电力电子故障诊断方法存在的上述不足,提供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,避免神经网络过学习和陷入局部最小值的缺点,提高了神经网络的分类精度,提高了电力电子电路故障特征数据量和故障模式识别准确率。
本发明为解决上述技术问题所采用的技术方案是,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,包括以下步骤:
(1)利用MATLAB/Simulink建立整个电路拓扑结构和控制器仿真模型,再通过RT-LAB 将仿真模型实时化运行,完成系统设计,利用RT-LAB半实物仿真平台设置故障实验,采集电力电子电路在不同故障模式下的直流侧母线输出电压信号作为原始数据集,根据发生故障的电力电子开关器件个数及其位置,对故障类型进行标签分类得到原始故障特征量;
(2)对每一个原始故障特征量进行经验模态分解(EMD),获取信号有效的本征模态函数分量(IMF)及其包络谱,并计算统计特征,构造原始故障特征集;
(3)基于极限学习机(ELM)的特征选择方法,去除原始故障特征集中的冗余和干扰特征,并进行归一化处理(消除变量间的量纲关系,从而使数据具有可比性),选取出故障敏感特征集;
(4)将故障敏感特征集划分为训练样本和测试样本,初步确定深度信念网络(DBN)的结构;
(5)使用乌鸦搜索算(CSA)优化深度信念网络DBN的网络结构,确定训练样本上第一和第二隐层的神经元数目,设定网络的输入层、隐藏层和输出层的节点个数;
(6)采用CSA-DBN故障诊断分类器对电力电子电路的故障模式的测试样本进行故障分类识别,计算分类精度,给出故障诊断结果。
按上述方案,所述步骤(1)中利用RT-LAB半实物仿真平台设置故障实验的具体方法如下:
首先,利用RT-LAB半实物仿真平台连接真实的DSP控制平台,完成控制策略的开发;
其次,利用RT-LAB平台,设置不同的故障实验;构建包含开关管老化或者开路短路故障的多种故障模式的故障特征库,记录故障元件、故障种类、故障原因、故障影响、系统输出;
最后,采集电力电子电路的输出信号数据,设定不同的故障注入模式,基于输出信号数据,开展故障特征提取、故障特征优选和故障诊断算法的研究。
按上述方案,所述步骤(2)中经验模态分解得到原始故障特征量的具体方法如下:对每一类故障的输出电压信号进行经验模态分解,获取信号有效的前7阶本征模态函数分量,每一阶计算10种统计特征的信号序列,包括:IMF分量、IMF分量能量熵、均值、标准差、偏度、峰度、波性指标、裕度指标、峰值指标、幅度;每一种故障模式下,对应的前7阶本征模态函数分量共70种统计特征参数,作为原始故障特征集。
按上述方案,所述步骤(3)的具体方法如下:基于极限学习机的特征选择方法对原始故障特征集的数据进行筛选,降低特征数据的维度,取所有故障特征信号序列中权重和敏感度靠前的30个,作为故障敏感特征集。
按上述方案,所述步骤(4)的具体方法如下:
将故障敏感特征集划分为训练样本和测试样本,初步提出一种包含输入层和输出层的4 层DBN体系结构,DBN体系结构由3个深度玻尔兹曼机(RBM)组成,DBN的第一层(输入层)和第二层(隐藏层1)分别是第一层RBM1的可见层和隐藏层;DBN的第一层是数据输入层,第二层(隐藏层1)和第三层(隐藏层2)分别形成第二层RBM2的可见层和隐藏层,第三层(隐藏层2)和第四层(隐藏层3)分别构成第三层RBM3的可见层和隐藏层。
按上述方案,所述步骤(5)的具体方法如下:
5.1、对于步骤(4)中初步提出的4层DBN体系结构,再通过乌鸦搜索算法来确定和优化DBN分类器中隐藏层的最优数目;
5.2、假定在CSA的N群乌鸦中,乌鸦i在迭代搜寻k次的位置由给出,乌鸦i继续搜寻试图找到乌鸦j的食物储藏处乌鸦搜索算法有两种可能的情况:
i)一种情况是,乌鸦j不知道它后面跟着小偷乌鸦i;因此,小偷乌鸦i到达乌鸦j的食物储藏处,有关小偷乌鸦i的位置的更新过程如下:
其中ri是0到1之间的随机数,是控制飞行长度的参数;
ii)另一种情况是,乌鸦j知道它后面跟着小偷乌鸦i;因此,乌鸦j欺骗小偷乌鸦i,将小偷乌鸦i转移到搜索空间中的另一个位置,小偷乌鸦i的位置由随机位置更新;
上述两种情况归纳如下:
其中,AP表示范围在[0,1]之间的感知概率;与其他优化算法不同,CSA中有两个特定的参数:控制飞行长度的参数fl和感知概率AP,控制飞行长度的参数fl确定乌鸦向食物储藏处移动的步长,当fl介于0和1之间时,乌鸦的新位置将介于其当前位置和潜在的食物储藏位置之间,如果fl的值大于1,则乌鸦可以访问潜在的食物储藏处以外的位置;感知概率 AP则提供多样化和集约化之间的平衡,AP值越小,则增加了集约化;值越大增加了多样化;
5.3、乌鸦搜索算法的步骤流程:
步骤1:乌鸦搜索算法的初始化,定义优化问题、决策变量和约束;然后,估计乌鸦搜索算法的可调参数,包括群体大小N、最大迭代次数itermax、飞行长度感知概率AP和搜寻终止标准;
步骤2:初始化乌鸦的位置和食物储藏位置;
步骤3:评估适应度功能,通过计算适应度函数来评估乌鸦的位置,所有乌鸦均匀地分布在搜索空间中;
步骤4:根据公式(2)生成乌鸦的新位置;
步骤5:检查每个乌鸦的新位置的可行性,如果乌鸦的新位置是可行的,乌鸦更新它的位置;否则,乌鸦停留在当前位置并且不移动到生成的新位置;
步骤6:评估乌鸦的新位置的适应度函数,计算每个乌鸦的新位置的适应度函数值;
步骤7:在适应度函数中对所有乌鸦的新的位置进行评估;
步骤8:检查终止标准,重复步骤4到步骤7直到达到最大迭代次数itermax;当满足终止标准时,通过适应度函数值确定乌鸦的最佳位置当作优化问题的解决方案。
按上述方案,所述步骤8中,故障诊断率被视为优化目标,将错误故障诊断的误差定义为CSA-DBN分类器中的适应度函数,从而将CSA优化DBN的结构问题转化为适应度函数最小值的优化问题。
按上述方案,所述步骤(6)中,CSA-DBN故障诊断分类器的学习过程主要包括无监督训练和有监督训练两个步骤:
步骤1:初始化整个网络参数,DBN学习过程是通过对每个单独的RBM的进行逐层学习来执行的,利用贪婪算法对玻尔兹曼机RBMs逐层进行无监督训练,并将下层RBM的隐藏层的输出作为上层RBM可视层的输入;当第一层RBM1训练完成后,第二层RBM2和第三层RBM3将继续进行训练;
步骤2:在DBN逐层预训练后,预训练模型的所有参数(权重和偏差)都通过监督的反向传播算法进行精细调整,通过反向误差传播法将误差从上到下分配到每一层RBM中,对每一层RBM的初始参数进行调整,实现整个网络的有监督训练;并对DBN模型的参数进行更新,从而获得最优分类器(提高故障诊断精度)。
与现有技术相比,本发明的有益效果是:
本发明融合特征提取算法EMD、故障特征的优选算法ELM、深度学习优化算法CSA和故障分类识别算法DBN,利用EMD分解提取故障特征向量,利用ELM去除原始故障特征集中的冗余和干扰特征,并进行归一化处理后,将故障敏感特征集送到经过CSA-DBN分类器中,提高单一算法的分类准确率和容错能力,同时利用优化深度学习算法可以有效的避免神经网络过学习和陷入局部最小值的缺点,提高了神经网络的分类精度,提高了电力电子电路故障特征数据量和故障模式识别准确率。
附图说明
图1是本发明电力电子电路故障诊断方法的流程图;
图2是本发明实施例五电平逆变器电路仿真拓扑图;
图3是本发明实施例单相五电平逆变器故障对应的前7阶IMF分量的波形;
图4是本发明实施例单相五电平逆变器对应的原始故障特征集A的可视化图;
图5是本发明实施例单相五电平逆变器对应的故障敏感特征集B的可视化图;
图6是本发明实施例乌鸦搜索算法的流程图;
图7是本发明实施例的基于BP、SVM和CSA-DBN三种方法的故障诊断结果对比。
具体实施方式
下面结合具体实施例和附图对本发明作进一步的说明:
本发明实施例以单相五电平逆变器为例,基于优化深度信念网络的单相五电平逆变器故障诊断方法,参照附图1,包括以下步骤:
(1)为了对所设计的故障诊断方法进行验证,采用非实时的离线仿真是一种常用的方法,但是这种方法主要的缺点是从离线仿真直接到实际的原型过程中,会出现很大的跳跃,不确定因素很多。为了使故障诊断算法更加实用,因而使用半实物仿真器RT-LAB对实际原型进行故障注入实验,RT-LAB半实物仿真平台是由加拿大Opal-RT Technologies推出的一套工业级的系统实时仿真平台,可以直接将利用MATLAB/Simulink建立的动态系统数学模型应用于实时仿真、控制、测试。在电力电子电路故障隐患识别和故障诊断中,可在RTLAB平台中设定不同的电力电子电路,从而进行故障实验和获得故障隐患数据和故障诊断数据。
实施例的信号采集:采用RT-LAB半实物仿真平台建立单相五电平逆变器电路的不同故障实验,单相五电平逆变器的拓扑图如图2(a)所示,正常、S11、S12、S13和S21故障对应的输出电压如图2(b)-(e)所示。根据实际运行的单只功率管开路故障进行分类,故障分类算法可以包含深度玻尔兹曼机、深度信念网络、稀疏自编码等等,并选取直流侧母线输出电压为故障特征量,分为9类(正常、S11、S12、S13、S14、S21、S22、S23、S24开路故障)故障特征量,单相半桥五电平逆变器开关状态与故障种类的关系表如表1所示,并选取直流侧母线输出电压为原始故障特征量分别取30组数据,得到9*30=270组故障特征序列;
表1 故障类别和标签
(2)构造原始故障特征集:最常见的电力故障为电力电子器件开路或者单相接地故障,本发明侧重针对电力电子器件开路产生的故障特征进行分析。设置单只功率管开路故障,分别9类故障类型(包含正常情况)的,分别从每种故障模式中提取60个直流侧母线输出电压信号样本,共9*60=540个直流侧输出电压信号样本。然后对每一类故障的输出电压信号进行 EMD分解,得到的每种故障对应的前7阶IMF分量的波形分别如图3所示。如表2列出了获取电压信号的前7阶IMF分量、IMF分量能量熵、均值、标准差、偏度、峰度、波性指标、裕度指标、峰值指标、幅度等10种统计特征,共7*10=70种故障特征,构造原始故障特征集,定义为A,大小为(540*70),将原始故障特征集A利用t-SNE方法进行二维可视化如图4 所示;
表2 10种统计特征
其中,xi为直流侧母线输出电压信号EMD分解后的IMF分量。
(3)选取故障敏感特征集:为了有效选取对电力电子电路故障信号较敏感的特征进行故障模式识别,基于ELM的特征选择方法对训练数据进行模拟测试,利用训练数据测试训练后的分类器,取所有故障特征信号序列中权重和敏感度靠前的30个,作为该特征的故障敏感特征集(更能表征故障特征的故障敏感度指标,便于做分类处理),定义为B(540*30),将原始故障特征集B利用t-SNE方法进行二维可视化如图5所示,可以看到经过ELM的特征选择后,不同故障类别数据间距离增大,同类别故障样本更加集聚,提高了故障特征的分辨率;
步骤(3)的具体方法如下:
(3.1)利用ELM的特征选择方法根据降序排列,取前7阶70个故障特征信号序列中敏感度靠前的30个,剔除后得到一个新的数据集B(540*30),如表3所示的30种统计特征,即故障敏感度指标。
表3 单相五电平逆变器的30种故障敏感度指标的部分数据
其中,1-能量表示第一阶IMF分量的能量特征,以此类推,7-峰值指标表示第7阶IMF 分量的峰值指标,N表示没有故障,F表示单个功率开关管开路故障,F1、F2、F3、F4、F5、F6、F7、F8分别表示功率开关管S11、S12、S13、S14、S21、S22、S23、S24开路故障。
(3.2)将上述得到的数据进行归一化处理,数据标准化主要功能就是消除变量间的量纲关系,从而使数据具有可比性,采用的是Z标准化,即均值为0,方差为1。
(4)将故障敏感特征集划分为训练样本和测试样本,初步确定深度信念网络的结构,具体方法如下:
将故障敏感特征集划分为训练样本和测试样本,初步提出一种包含输入层和输出层的四层DBN体系结构,DBN是由几个深度玻尔兹曼机(RBM)组成的,DBN的第一层和第二层(输入层和隐藏层1)分别是第一层RBM1的可见层和隐藏层,需要注意的是,DBN的第一层通常被认为是数据输入层,第二层(隐藏层1)和第三层(隐藏层2)分别形成第二层RBM2的的可见层和隐藏层,另外,第三层和第四层(隐藏层2和3)构成了第三层RBM3的可见层和隐藏层。
(5)深度学习分类器的结构优化:深度信念网络模型中隐藏神经元的数量比学习算法的其他因素或模型的深度更重要,因此,为了能够得到更好的深度学习分类器结构,为如何选择隐藏层数提供有效的策略,采用乌鸦搜索算法优化DBN的网络结构,确定训练样本上第一和第二隐层的神经元数目,设定网络的输入层、隐藏层和输出层的节点个数;
CSA是一种基于乌鸦群行为的进化计算技术,与其他优化算法相比,CSA具有更强的全局搜索能力和更快的收敛性。算法假定乌鸦的一种智能行为是,乌鸦可以将多余的食物藏在特定的位置,并在必要时找寻藏匿的地点。另一方面,乌鸦可能是贪婪的,因为它们会跟着其他乌鸦,并在主人离开后到食物储藏处偷取食物。因此,乌鸦会采取额外的预防措施,以防止它们的食物被偷。CSA试图模仿这种智能行为,为解决优化问题提供一种有效的方法。
步骤(5)的乌鸦搜索算法的步骤流程参照附图6,具体包括以下步骤::
步骤1:乌鸦搜索算法的初始化,定义优化问题、决策变量和约束;然后,估计乌鸦搜索算法的可调参数,包括群体大小N、最大迭代次数itermax、飞行长度感知概率AP和搜寻终止标准;
步骤2:初始化乌鸦的位置和食物储藏位置;
步骤3:评估适应度功能,通过计算适应度函数来评估乌鸦的位置,所有乌鸦均匀地分布在搜索空间中;
步骤4:根据公式(2)生成乌鸦的新位置;
步骤5:检查每个乌鸦的新位置的可行性,如果乌鸦的新位置是可行的,乌鸦更新它的位置;否则,乌鸦停留在当前位置并且不移动到生成的新位置;
步骤6:评估乌鸦的新位置的适应度函数,计算每个乌鸦的新位置的适应度函数值;
步骤7:在适应度函数中对所有乌鸦的新的位置进行评估;
步骤8:检查终止标准,重复步骤4到步骤7直到达到最大迭代次数itermax;当满足终止标准时,通过适应度函数值确定乌鸦的最佳位置当作优化问题的解决方案;故障诊断率一般被视为优化目标,将错误故障诊断的误差定义为CSA-DBN分类器中的适应度函数,从而将CSA优化DBN的结构问题转化为适应度函数最小值的优化问题。
(6)利用CSA-DBN故障诊断分类器进行故障模式识别,完成故障敏感特征集分类识别,实现对电力电子电路的故障诊断:利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别,CSA-DBN故障诊断分类器的学习过程主要包括无监督训练和有监督训练2个部分。
步骤(6)的具体方法如下:
(6.1)单相五电平逆变器电路的故障分类,包括,步骤1:初始化整个网络参数,将故障样本划分为训练样本和测试样本,初步确定包含输入层和输出层的四层DBN体系结构,再通过CSA来确定DBN分类器中隐藏层的最优数目,本实施例中,确定DBN分类器中隐藏层的数目为2个,故障诊断率一般被视为优化目标;然而,本发明将错误分类误差定义为 CSA-DBN故障诊断分类器中的适应度函数,从而将这一问题转化为求解最小优化问题。步骤 2:使用CSA-DBN故障诊断分类器对故障模式的测试样本进行分类,每种故障模式对应的样本测试样本为100种,共900组测试样本;步骤3:计算分类精度,给出故障诊断结果。
(6.2)单相五电平逆变器电路的故障分类结果如表4所示,并与传统的反馈神经网络 BPNN和支持向量机SVM的故障分类结果进行对比。图7(a)-(c)分别为本发明实施例的基于 BPNN、SVM和CSA-DBN三种方法的故障诊断结果对比,图7(a)-(c)中展示了每种故障模式下基于BP、SVM和CSA-DBN三种方法对应的错误识别,可以看到CSA-DBN的诊断效果最好,表明本发明方法在电力电子电路故障诊断的先进性。
表4单相五电平逆变器故障分类结果对比
本发明融合经验模态分解和乌鸦搜索算法优化深度信念网络的电力电子电路故障诊断方法,利用EMD分解提取故障特征向量,将归一化处理后的故障特征向量送到经过CSA-DBN 故障诊断分类器中,提高单一算法的分类准确率和容错能力,同时利用深度学习算法可以有效的避免神经网络过学习和陷入局部最小值的缺点,提高了电力电子故障特征分类的数据量和准确率。
以上内容结合附图对本发明进行了示例性说明,本领域的技术人员可以对本发明进行各种修改和变型,因此等同的技术方案也属于本发明的范畴,采用本发明构思和方案的实质性改进,均在本发明的保护范围之内。说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (8)
1.一种基于优化深度信念网络的电力电子电路故障诊断方法,其特征在于,包括以下步骤:
(1)利用MATLAB/Simulink建立整个电路拓扑结构和控制器仿真模型,再通过RT-LAB将仿真模型实时化运行,完成系统设计,利用RT-LAB半实物仿真平台设置故障实验,采集电力电子电路在不同故障模式下的直流侧母线输出电压信号作为原始数据集,根据发生故障的电力电子开关器件个数及其位置,对故障类型进行标签分类得到原始故障特征量;
(2)对每一个原始故障特征量进行经验模态分解,获取信号有效的本征模态函数分量及其包络谱,并计算统计特征,构造原始故障特征集;
(3)基于极限学习机的特征选择方法,去除原始故障特征集中的冗余和干扰特征,并进行归一化处理,选取出故障敏感特征集;
(4)将故障敏感特征集划分为训练样本和测试样本,初步确定深度信念网络的结构;
(5)使用乌鸦搜索算法优化深度信念网络DBN的网络结构,确定训练样本上第一和第二隐层的神经元数目,设定网络的输入层、隐藏层和输出层的节点个数;
(6)采用CSA-DBN故障诊断分类器对电力电子电路的故障模式的测试样本进行故障分类识别,计算分类精度,给出故障诊断结果。
2.根据权利要求1所述的基于优化深度信念网络的电力电子电路故障诊断方法,其特征在于,所述步骤(1)中利用RT-LAB半实物仿真平台设置故障实验的具体方法如下:
首先,利用RT-LAB半实物仿真平台连接真实的DSP控制平台,完成控制策略的开发;
其次,利用RT-LAB平台,设置不同的故障实验;构建包含开关管老化或者开路短路故障的多种故障模式的故障特征库,记录故障元件、故障种类、故障原因、故障影响、系统输出;
最后,采集电力电子电路的输出信号数据,设定不同的故障注入模式,基于输出信号数据,开展故障特征提取、故障特征优选和故障诊断算法的研究。
3.根据权利要求1所述的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,其特征在于,所述步骤(2)中经验模态分解得到原始故障特征量的具体方法如下:对每一类故障的输出电压信号进行经验模态分解,获取信号有效的前7阶本征模态函数分量,每一阶计算10种统计特征的信号序列,包括:IMF分量、IMF分量能量熵、均值、标准差、偏度、峰度、波性指标、裕度指标、峰值指标、幅度;每一种故障模式下,对应的前7阶本征模态函数分量共70种统计特征参数,作为原始故障特征集。
4.根据权利要求1或3所述的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,其特征在于,所述步骤(3)的具体方法如下:基于极限学习机的特征选择方法对原始故障特征集的数据进行筛选,降低特征数据的维度,取所有故障特征信号序列中权重和敏感度靠前的30个,作为故障敏感特征集。
5.根据权利要求1所述的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,其特征在于,所述步骤(4)的具体方法如下:
将故障敏感特征集划分为训练样本和测试样本,初步提出一种包含输入层和输出层的4层DBN体系结构,DBN体系结构由3个深度玻尔兹曼机组成,DBN的第一层和第二层分别是第一层RBM1的可见层和隐藏层;DBN的第一层是数据输入层,第二层和第三层分别形成第二层RBM2的可见层和隐藏层,第三层和第四层分别构成第三层RBM3的可见层和隐藏层。
6.根据权利要求5所述的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,其特征在于,所述步骤(5)的具体方法如下:
5.1、对于步骤(4)中初步提出的4层DBN体系结构,再通过乌鸦搜索算法来确定和优化DBN分类器中隐藏层的最优数目;
5.2、假定在CSA的N群乌鸦中,乌鸦i在迭代搜寻k次的位置由给出,乌鸦i继续搜寻试图找到乌鸦j的食物储藏处乌鸦搜索算法有两种可能的情况:
i)一种情况是,乌鸦j不知道它后面跟着小偷乌鸦i;因此,小偷乌鸦i到达乌鸦j的食物储藏处,有关小偷乌鸦i的位置的更新过程如下:
其中ri是0到1之间的随机数,是控制飞行长度的参数;
ii)另一种情况是,乌鸦j知道它后面跟着小偷乌鸦i;因此,乌鸦j欺骗小偷乌鸦i,将小偷乌鸦i转移到搜索空间中的另一个位置,小偷乌鸦i的位置由随机位置更新;
上述两种情况归纳如下:
其中,AP表示范围在[0,1]之间的感知概率;与其他优化算法不同,CSA中有两个特定的参数:控制飞行长度的参数fl和感知概率AP,控制飞行长度的参数fl确定乌鸦向食物储藏处移动的步长,当fl介于0和1之间时,乌鸦的新位置将介于其当前位置和潜在的食物储藏位置之间,如果fl的值大于1,则乌鸦可以访问潜在的食物储藏处以外的位置;感知概率AP则提供多样化和集约化之间的平衡,AP值越小,则增加了集约化;值越大增加了多样化;
5.3、乌鸦搜索算法的步骤流程:
步骤1:乌鸦搜索算法的初始化,定义优化问题、决策变量和约束;然后,估计乌鸦搜索算法的可调参数,包括群体大小N、最大迭代次数itermax、飞行长度感知概率AP和搜寻终止标准;
步骤2:初始化乌鸦的位置和食物储藏位置;
步骤3:评估适应度功能,通过计算适应度函数来评估乌鸦的位置,所有乌鸦均匀地分布在搜索空间中;
步骤4:根据公式(2)生成乌鸦的新位置;
步骤5:检查每个乌鸦的新位置的可行性,如果乌鸦的新位置是可行的,乌鸦更新它的位置;否则,乌鸦停留在当前位置并且不移动到生成的新位置;
步骤6:评估乌鸦的新位置的适应度函数,计算每个乌鸦的新位置的适应度函数值;
步骤7:在适应度函数中对所有乌鸦的新的位置进行评估;
步骤8:检查终止标准,重复步骤4到步骤7直到达到最大迭代次数itermax;当满足终止标准时,通过适应度函数值确定乌鸦的最佳位置当作优化问题的解决方案。
7.根据权利要求6所述的融合经验模态分解和优化深度信念网络的电力电子电路故障诊断方法,其特征在于,所述步骤8中,故障诊断率被视为优化目标,将错误故障诊断的误差定义为CSA-DBN分类器中的适应度函数,从而将CSA优化DBN的结构问题转化为适应度函数最小值的优化问题。
8.根据权利要求1-6任一项所述的融合经验模态分解和优化深度信念网络的电力电子电路故障诊断方法,其特征在于,所述步骤(6)中,CSA-DBN故障诊断分类器的学习过程主要包括无监督训练和有监督训练两个步骤:
步骤1:初始化整个网络参数,DBN学习过程是通过对每个单独的RBM的进行逐层学习来执行的,利用贪婪算法对玻尔兹曼机RBMs逐层进行无监督训练,并将下层RBM的隐藏层的输出作为上层RBM可视层的输入;当第一层RBM1训练完成后,第二层RBM2和第三层RBM3将继续进行训练;
步骤2:在DBN逐层预训练后,预训练模型的所有参数都通过监督的反向传播算法进行精细调整,通过反向误差传播法将误差从上到下分配到每一层RBM中,对每一层RBM的初始参数进行调整,实现整个网络的有监督训练;并对DBN模型的参数进行更新,从而获得最优分类器。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169327.4A CN109933881A (zh) | 2019-03-06 | 2019-03-06 | 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 |
US16/676,387 US11544917B2 (en) | 2019-03-06 | 2019-11-06 | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169327.4A CN109933881A (zh) | 2019-03-06 | 2019-03-06 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109933881A true CN109933881A (zh) | 2019-06-25 |
Family
ID=66986578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910169327.4A Pending CN109933881A (zh) | 2019-03-06 | 2019-03-06 | 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 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11544917B2 (zh) |
CN (1) | CN109933881A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378286A (zh) * | 2019-07-19 | 2019-10-25 | 东北大学 | 一种基于dbn-elm的电能质量扰动信号分类方法 |
CN110619321A (zh) * | 2019-10-12 | 2019-12-27 | 国电南瑞南京控制系统有限公司 | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 |
CN110766137A (zh) * | 2019-10-18 | 2020-02-07 | 武汉大学 | 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法 |
CN111695289A (zh) * | 2020-05-13 | 2020-09-22 | 中国东方电气集团有限公司 | 全功率变流器的故障诊断方法和平台 |
CN112051468A (zh) * | 2020-09-08 | 2020-12-08 | 南京航空航天大学 | 一种复杂工况下航空静止变流器健康状态评估方法 |
CN112329370A (zh) * | 2020-11-02 | 2021-02-05 | 南京航空航天大学 | 一种基于极限学习机的SiC功率管在线故障诊断方法 |
CN112365458A (zh) * | 2020-11-02 | 2021-02-12 | 中材邦业(杭州)智能技术有限公司 | 一种基于ann神经网络的篦冷机堆雪人识别方法和系统 |
CN112508088A (zh) * | 2020-12-03 | 2021-03-16 | 重庆邮智机器人研究院有限公司 | 一种基于dedbn-elm的脑电情感识别方法 |
CN112947368A (zh) * | 2021-02-02 | 2021-06-11 | 安徽理工大学 | 一种三相异步电动机故障诊断装置及方法 |
CN113487019A (zh) * | 2021-07-06 | 2021-10-08 | 湖南第一师范学院 | 电路故障诊断方法、装置、计算机设备和存储介质 |
CN113484738A (zh) * | 2021-05-25 | 2021-10-08 | 北京航空航天大学 | 基于多特征信息融合的电路故障诊断方法 |
CN113537579A (zh) * | 2021-06-28 | 2021-10-22 | 广东工业大学 | 一种集成csa和h-elm的水泥生产质量预测方法 |
CN114024829A (zh) * | 2021-10-26 | 2022-02-08 | 广东电网有限责任公司 | 电力通信网络的故障检修方法、装置、设备和存储介质 |
CN115356596A (zh) * | 2022-10-19 | 2022-11-18 | 广东电网有限责任公司佛山供电局 | 基于空间向量转换的架空线路故障诊断方法及系统 |
CN112347917B (zh) * | 2020-11-05 | 2023-05-16 | 北京信息科技大学 | 一种燃气轮机故障诊断方法、系统、设备及存储介质 |
CN116702053A (zh) * | 2023-08-09 | 2023-09-05 | 长春理工大学 | 一种基于多元信息与mcsa-svm的农机故障检测方法 |
CN117560267A (zh) * | 2024-01-11 | 2024-02-13 | 南京邮电大学 | 一种多模场域网的故障诊断方法及快速恢复方法 |
Families Citing this family (65)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108736791B (zh) * | 2017-04-20 | 2022-03-29 | 通用电气公司 | 车辆及其控制方法及系统 |
CN114077858A (zh) * | 2020-08-17 | 2022-02-22 | 浙江宇视科技有限公司 | 向量数据处理方法、装置、设备及存储介质 |
CN112114232B (zh) * | 2020-09-22 | 2022-06-14 | 福州大学 | 基于小波分解和dbn的单极接地故障测距方法 |
CN112233742B (zh) * | 2020-09-30 | 2024-02-23 | 吾征智能技术(北京)有限公司 | 一种基于聚类的病历文档分类系统、设备、存储介质 |
CN112163630A (zh) * | 2020-10-12 | 2021-01-01 | 清华大学 | 一种基于不平衡学习的复合故障诊断方法及装置 |
CN112347854B (zh) * | 2020-10-12 | 2024-03-29 | 西安电子科技大学 | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 |
CN112288153B (zh) * | 2020-10-22 | 2022-06-14 | 福州大学 | 小脑模型神经网络故障诊断器初值权重的自动选优方法 |
CN112365000A (zh) * | 2020-10-30 | 2021-02-12 | 国网福建省电力有限公司检修分公司 | 一种智慧空开装置的自动控制和预警方法及其实现平台 |
CN112419086A (zh) * | 2020-11-18 | 2021-02-26 | 贵州电网有限责任公司 | 一种基于调控数据分析的故障研判方法 |
CN112528534A (zh) * | 2020-11-19 | 2021-03-19 | 南方电网科学研究院有限责任公司 | 直流分压器的表面最大电场强度的获取方法、系统及装置 |
CN112465030B (zh) * | 2020-11-28 | 2022-06-07 | 河南财政金融学院 | 一种基于两级迁移学习的多源异构信息融合故障诊断方法 |
CN112489178A (zh) * | 2020-12-01 | 2021-03-12 | 广东稳峰电力科技有限公司 | 三维电力系统图模建立方法及装置 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
CN112764923B (zh) * | 2021-01-12 | 2023-11-21 | 深圳市中博科创信息技术有限公司 | 计算资源分配方法、装置、计算机设备及存储介质 |
CN112906644B (zh) * | 2021-03-22 | 2022-10-14 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
CN113077082B (zh) * | 2021-03-26 | 2022-09-23 | 安徽理工大学 | 一种基于改进乌鸦搜索算法的矿区开采沉降预测方法 |
CN113126489B (zh) * | 2021-03-29 | 2024-01-26 | 华北电力大学 | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 |
CN113111752B (zh) * | 2021-04-01 | 2022-07-08 | 燕山大学 | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 |
CN113139335B (zh) * | 2021-04-09 | 2023-05-09 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
CN115221769B (zh) * | 2021-04-15 | 2023-10-10 | 广州中国科学院先进技术研究所 | 一种故障预测方法、系统、电子设备和存储介质 |
CN113125954A (zh) * | 2021-04-16 | 2021-07-16 | 安徽大学 | 一种电动汽车驱动电机的故障诊断方法和应用 |
CN113176093B (zh) * | 2021-04-27 | 2023-07-18 | 合肥工业大学 | 基于isca-sdae的滚动轴承故障诊断方法及系统 |
CN113256443B (zh) * | 2021-04-29 | 2023-06-20 | 西安交通大学 | 核电水泵导轴承故障检测方法、系统、设备及可读存储介质 |
CN113283602A (zh) * | 2021-05-19 | 2021-08-20 | 国网辽宁省电力有限公司 | 基于离线知识学习和在线动态修正电网系统故障诊断方法 |
CN113325267A (zh) * | 2021-05-20 | 2021-08-31 | 国网辽宁省电力有限公司 | 一种配电网故障诊断系统、方法及计算机程序产品 |
CN113283510B (zh) * | 2021-05-28 | 2023-05-30 | 国网浙江省电力有限公司杭州供电公司 | 一种基于全业务混合数据的二次设备健康状况分析方法 |
CN113326881B (zh) * | 2021-05-31 | 2023-02-14 | 西安思安云创科技有限公司 | 一种电力变压器故障诊断方法 |
CN113469217A (zh) * | 2021-06-01 | 2021-10-01 | 桂林电子科技大学 | 一种基于深度学习的无人驾驶汽车导航传感器异常检测方法 |
CN113591553B (zh) * | 2021-06-18 | 2023-07-18 | 北京航天动力研究所 | 一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法 |
CN113688559B (zh) * | 2021-06-24 | 2023-11-17 | 上海大学 | 一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法 |
CN114109737B (zh) * | 2021-07-01 | 2024-03-08 | 国电电力宁夏新能源开发有限公司 | 风电机组液压站状态诊断系统及方法 |
CN113822139B (zh) * | 2021-07-27 | 2023-08-25 | 河北工业大学 | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 |
CN113705396B (zh) * | 2021-08-16 | 2024-04-05 | 西安交通大学 | 一种电机故障诊断方法、系统及设备 |
CN113554000B (zh) * | 2021-09-17 | 2021-12-14 | 武汉飞恩微电子有限公司 | 一种基于深度学习的压力传感器的故障诊断方法与装置 |
CN113807040B (zh) * | 2021-09-23 | 2023-06-09 | 北京邮电大学 | 一种面向微波电路的优化设计方法 |
CN113837477B (zh) * | 2021-09-27 | 2023-06-27 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
CN113869410A (zh) * | 2021-09-28 | 2021-12-31 | 云南农业大学 | 一种基于dcgan样本补充的滚动轴承故障诊断方法 |
CN113901999B (zh) * | 2021-09-29 | 2023-09-29 | 国网四川省电力公司电力科学研究院 | 一种高压并联电抗器故障诊断方法和系统 |
CN114021620B (zh) * | 2021-10-12 | 2024-04-09 | 广东海洋大学 | 基于bp神经网络特征提取的电潜泵故障诊断方法 |
CN113822421A (zh) * | 2021-10-14 | 2021-12-21 | 平安科技(深圳)有限公司 | 基于神经网络的异常定位方法、系统、设备及存储介质 |
CN114004155B (zh) * | 2021-11-01 | 2024-04-12 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
CN114114002B (zh) * | 2021-11-26 | 2023-03-10 | 国网安徽省电力有限公司马鞍山供电公司 | 一种氧化物避雷器在线故障诊断与状态评估方法 |
CN114217168A (zh) * | 2021-12-07 | 2022-03-22 | 云南电网有限责任公司保山供电局 | 基于录波数据最优特征选取的输电线路故障高效诊断方法 |
CN114398833B (zh) * | 2022-01-17 | 2023-08-11 | 上海海事大学 | 一种基于机构内递归与机构间递归相结合的联邦学习故障诊断方法 |
CN114722923B (zh) * | 2022-03-22 | 2024-02-27 | 西北工业大学 | 一种轻量型的机电设备故障诊断方法 |
CN114781435A (zh) * | 2022-03-24 | 2022-07-22 | 安徽理工大学 | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 |
CN114692695A (zh) * | 2022-04-12 | 2022-07-01 | 湖南工业大学 | 基于多指标融合的故障特征选择及分类方法研究 |
CN114764113A (zh) * | 2022-04-29 | 2022-07-19 | 河海大学 | 一种适用于gil中不同金属颗粒故障的诊断方法 |
CN114819102A (zh) * | 2022-05-19 | 2022-07-29 | 东南大学溧阳研究院 | 基于gru的空调设备故障诊断方法 |
CN115081316A (zh) * | 2022-06-07 | 2022-09-20 | 武汉大学 | 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统 |
CN114781551B (zh) * | 2022-06-16 | 2022-11-29 | 北京理工大学 | 一种基于大数据的电池多故障智能分类识别方法 |
CN115753103A (zh) * | 2022-08-30 | 2023-03-07 | 山东建筑大学 | 一种基于标准自学习数据增强的故障诊断方法及系统 |
CN115600695B (zh) * | 2022-09-06 | 2023-10-17 | 北京航天计量测试技术研究所 | 一种计量设备的故障诊断方法 |
CN115481692B (zh) * | 2022-09-23 | 2023-10-10 | 江苏安控智汇科技股份有限公司 | 一种基于sgan的水泵机组故障诊断方法 |
CN115330887B (zh) * | 2022-10-18 | 2023-01-13 | 广州远望电力工程设计股份有限公司 | 一种智能变电站保护装置的自动测试系统及测试方法 |
CN115514581B (zh) * | 2022-11-16 | 2023-04-07 | 国家工业信息安全发展研究中心 | 一种用于工业互联网数据安全平台的数据分析方法及设备 |
CN115965057B (zh) * | 2022-11-28 | 2023-09-29 | 北京交通大学 | 一种面向列车传动系统的类脑持续学习故障诊断方法 |
CN115640496B (zh) * | 2022-12-16 | 2023-03-10 | 天津众联智能科技有限责任公司 | 基于改进层次分析法的电气隐患判断方法 |
CN116050262B (zh) * | 2023-01-04 | 2023-11-14 | 中能建数字科技集团有限公司 | 一种压缩空气储能电站的安全状态评估方法、装置和系统 |
CN116628443B (zh) * | 2023-05-16 | 2024-01-23 | 西安工程大学 | 一种poa-svm变压器故障诊断方法及电子设备 |
CN116430188B (zh) * | 2023-06-13 | 2023-08-29 | 南昌工程学院 | 基于改进白冠鸡优化算法的变压器故障声纹诊断方法 |
CN116992399B (zh) * | 2023-09-27 | 2024-02-27 | 北京前景无忧电子科技股份有限公司 | 一种基于电力数据分析的电力设备运维评估方法 |
CN117236137B (zh) * | 2023-11-01 | 2024-02-02 | 龙建路桥股份有限公司 | 一种高寒区深长隧道冬季连续施工控制系统 |
CN117423067B (zh) * | 2023-12-18 | 2024-03-12 | 成都华芯智云科技有限公司 | 一种基于tof技术的客流统计终端 |
CN117668622A (zh) * | 2024-02-01 | 2024-03-08 | 山东能源数智云科技有限公司 | 设备故障诊断模型的训练方法、故障诊断方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
-
2019
- 2019-03-06 CN CN201910169327.4A patent/CN109933881A/zh active Pending
- 2019-11-06 US US16/676,387 patent/US11544917B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
QUAN SUN ET AL.: "A Novel Fault Diagnostic Approach for DC-DC Converters Based on CSA-DBN", 《IEEE ACCESS》 * |
俞啸等: "基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法", 《机械传动》 * |
谢东等: "并联全桥隔离DC-DC变换器开路故障诊断", 《大功率变流技术》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378286A (zh) * | 2019-07-19 | 2019-10-25 | 东北大学 | 一种基于dbn-elm的电能质量扰动信号分类方法 |
CN110378286B (zh) * | 2019-07-19 | 2023-03-28 | 东北大学 | 一种基于dbn-elm的电能质量扰动信号分类方法 |
CN110619321B (zh) * | 2019-10-12 | 2022-07-29 | 国电南瑞南京控制系统有限公司 | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 |
CN110619321A (zh) * | 2019-10-12 | 2019-12-27 | 国电南瑞南京控制系统有限公司 | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 |
CN110766137A (zh) * | 2019-10-18 | 2020-02-07 | 武汉大学 | 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法 |
CN111695289A (zh) * | 2020-05-13 | 2020-09-22 | 中国东方电气集团有限公司 | 全功率变流器的故障诊断方法和平台 |
CN111695289B (zh) * | 2020-05-13 | 2023-04-28 | 中国东方电气集团有限公司 | 全功率变流器的故障诊断方法和平台 |
CN112051468A (zh) * | 2020-09-08 | 2020-12-08 | 南京航空航天大学 | 一种复杂工况下航空静止变流器健康状态评估方法 |
CN112329370A (zh) * | 2020-11-02 | 2021-02-05 | 南京航空航天大学 | 一种基于极限学习机的SiC功率管在线故障诊断方法 |
CN112365458A (zh) * | 2020-11-02 | 2021-02-12 | 中材邦业(杭州)智能技术有限公司 | 一种基于ann神经网络的篦冷机堆雪人识别方法和系统 |
CN112347917B (zh) * | 2020-11-05 | 2023-05-16 | 北京信息科技大学 | 一种燃气轮机故障诊断方法、系统、设备及存储介质 |
CN112508088A (zh) * | 2020-12-03 | 2021-03-16 | 重庆邮智机器人研究院有限公司 | 一种基于dedbn-elm的脑电情感识别方法 |
CN112947368A (zh) * | 2021-02-02 | 2021-06-11 | 安徽理工大学 | 一种三相异步电动机故障诊断装置及方法 |
CN113484738A (zh) * | 2021-05-25 | 2021-10-08 | 北京航空航天大学 | 基于多特征信息融合的电路故障诊断方法 |
CN113537579A (zh) * | 2021-06-28 | 2021-10-22 | 广东工业大学 | 一种集成csa和h-elm的水泥生产质量预测方法 |
CN113487019A (zh) * | 2021-07-06 | 2021-10-08 | 湖南第一师范学院 | 电路故障诊断方法、装置、计算机设备和存储介质 |
CN114024829A (zh) * | 2021-10-26 | 2022-02-08 | 广东电网有限责任公司 | 电力通信网络的故障检修方法、装置、设备和存储介质 |
CN115356596A (zh) * | 2022-10-19 | 2022-11-18 | 广东电网有限责任公司佛山供电局 | 基于空间向量转换的架空线路故障诊断方法及系统 |
CN116702053A (zh) * | 2023-08-09 | 2023-09-05 | 长春理工大学 | 一种基于多元信息与mcsa-svm的农机故障检测方法 |
CN116702053B (zh) * | 2023-08-09 | 2023-09-29 | 长春理工大学 | 一种基于多元信息与mcsa-svm的农机故障检测方法 |
CN117560267A (zh) * | 2024-01-11 | 2024-02-13 | 南京邮电大学 | 一种多模场域网的故障诊断方法及快速恢复方法 |
CN117560267B (zh) * | 2024-01-11 | 2024-03-26 | 南京邮电大学 | 一种多模场域网的故障诊断方法及快速恢复方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200285900A1 (en) | 2020-09-10 |
US11544917B2 (en) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107271925B (zh) | 基于深度卷积网络的模块化五电平换流器故障定位方法 | |
Fahim et al. | A deep learning based intelligent approach in detection and classification of transmission line faults | |
EP3460494B1 (en) | A method and apparatus for automatic detection of a fault type | |
US20210117770A1 (en) | Power electronic circuit troubleshoot method based on beetle antennae optimized deep belief network algorithm | |
CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
CN109948597B (zh) | 一种高压断路器机械故障诊断方法 | |
CN108520301A (zh) | 一种基于深度置信网络的电路间歇故障诊断方法 | |
CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
CN106443297A (zh) | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 | |
CN105334436B (zh) | 基于som-bp组合神经网络的交联电缆局部放电模式识别方法 | |
CN110213222A (zh) | 基于机器学习的网络入侵检测方法 | |
CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
CN110084106A (zh) | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 | |
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 | |
CN104849650B (zh) | 一种基于改进的模拟电路故障诊断方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN106628097A (zh) | 一种基于改进径向基神经网络的船舶设备故障诊断方法 | |
CN112087442B (zh) | 基于注意力机制的时序相关网络入侵检测方法 | |
CN109670553A (zh) | 基于自适应神经模糊推理系统的光伏阵列故障诊断方法 | |
CN106203531A (zh) | 一种基于卷积稀疏自动编码器的输电线故障分类方法 | |
CN106372724A (zh) | 一种人工神经网络算法 | |
CN110244216B (zh) | 基于云模型优化pnn的模拟电路故障诊断方法 | |
Wang | Research on the fault diagnosis of mechanical equipment vibration system based on expert system |
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 |
Application publication date: 20190625 |
|
RJ01 | Rejection of invention patent application after publication |