CN110361625B - 一种用于逆变器开路故障诊断的方法和电子设备 - Google Patents
一种用于逆变器开路故障诊断的方法和电子设备 Download PDFInfo
- Publication number
- CN110361625B CN110361625B CN201910668544.8A CN201910668544A CN110361625B CN 110361625 B CN110361625 B CN 110361625B CN 201910668544 A CN201910668544 A CN 201910668544A CN 110361625 B CN110361625 B CN 110361625B
- Authority
- CN
- China
- Prior art keywords
- data
- output
- inverter
- fault
- current
- 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 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000007599 discharging Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G01R31/50—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
- 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)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了一种用于逆变器开路故障诊断的方法和电子设备,所述方法包括:获取逆变器的输出电流;对所述输出电流进行预处理;从所述预处理的结果中提取特征数据;将所述特征数据进行分类;将所述分类后的特征数据进行计算,得到输出数据;对所述输出数据进行诊断,判断故障的类型;隔离所述故障。这种方法能够准确地完成多种逆变器开路故障特征的辨识,并有效地抵御测量噪声以及负载波动带来的干扰。
Description
技术领域
本发明涉及开路故障诊断,特别是指一种用于逆变器开路故障诊断的方法和电子设备。
背景技术
目前,将近38%的变流系统故障是由于半导体电力电子器件故障直接或间接引起的,大部分表现为开路故障,而国产动车组、CRH、HXD等车型安装的故障诊断系统主要用于列车运行监控与记录,并没有完全实现列车的在线自诊断功能,需要以工程人员的经验为基础进行人为诊断与故障定位,由此造成列车检修效率低,误检概率高等后果。例如,2016年某段共出现主辅变流器故障9次,占所有临修故障的28.3%,其中HXD3C-388、HXD3C-313和HXD3C-715机车因故障被扣临修,HXD3C-387、HXD3C-315和HXD3C-720机车有故障现象但扣车检查正常,误扣临修或重复扣临修较多。因此,有必要针对变流系统开展在线故障诊断研究以保障行车安全,提高检修效率,降低运营成本。
发明内容
有鉴于此,本发明的目的在于提出一种逆变器开路故障诊断的方法,该方法基于人工神经网络,简单明了,能够准确地完成多种逆变器开路故障特征的辨识,并有效地抵御测量噪声以及负载波动带来的干扰。
基于上述目的,本发明提供了一种用于逆变器开路故障诊断的方法,包括:
获取逆变器的输出电流;
对所述输出电流进行预处理;
从所述预处理的结果中提取特征数据;
将所述特征数据进行分类;
将所述分类后的特征数据进行计算,得到输出数据;
对所述输出数据进行诊断,判断故障的类型;
隔离所述故障。
在一些实施方式中,所述将所述输出电流进行预处理包括:
对所述输出电流进行滤波,得到电流表达式;
将所述电流表达式进行坐标变换,得到直角坐标方程;
将所述直角坐标方程表示的二维图像转化为n个像素的二值图像;
扫描所述二值图像;若检测到黑色像素,设置特征值为1;若检测到白色像素,设置特征值为0;
根据所述特征值形成特征数据。
在一些实施方式中,所述特征数据为与像素数相同的特征向量。
在一些实施方式中,所述获取逆变器的输出电流之前,还包括:
通过仿真得到输入数据样本;
设定目标数据;所述目标数据与工作状态一一对应;
将所述输入数据样本赋予到神经网络,所述网络层包括输入层,隐藏层和输出层;所述输入层和所述隐藏层之间及所述隐藏层和所述输出层之间的计算存在网络权重;所述隐藏层包括至少一个隐藏单元;
计算得到输出数据;
计算所述输出数据与所述目标数据的误差;
将所述误差传播回所述隐藏单元,调整所述网络权重至所述误差在设定的阈值范围内,使所述输出数据接近所述目标数据。
在一些实施方式中,所述输入数据样本包括所有工作状态对应的特征数据;所述工作状态包括正常工作状态和故障工作状态。
在一些实施方式中,所述隐藏单元的个数为n1,
n1=log2n,
n为像素数。
在一些实施方式中,将所述特征数据进行分类包括:形状相同的所述二维图像对应的特征数据为同一类。
在一些实施方式中,所述网络权重的初始值为平均随机值,所述平均随机值在[-0.01,0.01]范围内。
在一些实施方式中,所述调整网络权重的方法为基于自适应学习的梯度下降算法。
本发明还提供了一种用于逆变器开路故障诊断的电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如所述用于逆变器开路故障诊断的方法。
从上面所述可以看出,本发明提供的用于逆变器开路故障诊断的方法,能够获取逆变器的输出电流并对所述输出电流进行预处理,通过预处理,可以将电流数据处理成容易计算的较为直观地数据,处理后的结果中包含特征数据,进而从所述预处理的结果中提取特征数据;将所述特征数据进行分类;将所述分类后的特征数据进行计算,得到输出数据;所述输出数据与故障类型一一对应,因此可以对所述输出数据进行诊断,从而判断故障的类型,并采取手段隔离所述故障。这种方法能够准确地完成多种逆变器开路故障特征的辨识,并有效地抵御测量噪声以及负载波动带来的干扰。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用于逆变器开路故障诊断方法的流程示意图;
图2为本发明实施例提供的一种逆变器结构示意图;
图3为本发明实施例提供的一种将所述输出电流进行预处理的流程示意图;
图4为本发明实施例提供的一种神经网络训练方法的示意图;
图5为本发明实施例提供的由a相电流与b相电流在直角坐标系中构成的椭圆示意图;
图6为本发明实施例提供的椭圆在不同故障情况下可能对应的形状图;
图7为本发明实施例提供的神经网络结构的两层前馈网络示意图;
图8为本发明实施例提供的一种神经网络结构示意图;
图9为本发明实施例提供的一种用于逆变器开路故障诊断的实验平台。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
本发明实施例提供了一种用于逆变器开路故障诊断的方法,如图1所示的一种用于逆变器开路故障诊断方法的流程示意图,该方法包括以下步骤:
S10,获取逆变器的输出电流;
S20,对所述输出电流进行预处理;
S30,从所述预处理的结果中提取特征数据;
S40,将所述特征数据进行分类;
S50,将所述分类后的特征数据进行计算,得到输出数据;
S60对所述输出数据进行诊断,判断故障的类型;
S70,隔离所述故障。
本文针对逆变器开路故障诊断提出了一种有效的BP神经网络结构。在误差概率最小的情况下,该神经网络结构利用计算机对目标进行分类,使识别尽可能与目标一致。通过分析各故障特征的细微差异,能够准确实现故障的诊断与定位。通过样本训练,该神经网络结构在负载变化时具有很强的鲁棒性。
首先,通过样本训练设计分类器。其次,用电流传感器测量输出电流,滤波后产生畸变椭圆。利用分类器对畸变椭圆特征进行了提取和分类。最后,根据输出对故障进行隔离。
以25T型客车空调逆变电源为例,逆变器结构如图2所示。
直流侧输入电压为DC600V,输出电压为三相AC380V,输出频率为50Hz。采用SPWM控制,开关频率为3kHz。L1、R5和KM1为充电缓冲电路,C1~C4和R1~R4为充放电功率组件,R6和KM2为放电电路,当直流电压Ud低于DC500V时,主接触器KM1断开,放电接触器KM2闭合,交流输出接触器KM3断开,待电容电压上升后,吸合主接触器,放电接触器自动断开,开始预充电。预充电完成后,吸合交流输出接触器,逆变器启动输出。T1~T6分别为带有反并联二极管D1~D6的全控型功率管。C5~C7分别为各相无感电容。三相电流ia、ib,ic由电流传感器TA1测量,EMI为输出滤波器。
在一些可选的实施方式中,所述将所述输出电流进行预处理包括:
S201,对所述输出电流进行滤波,得到电流表达式;
在理想情况下,通过PWM控制信号控制各相上下桥臂的功率管交替导通,三相输出电流ia、ib,ic分别为幅值相等,相位互差120°的正弦波,可以表示为
其中,Iam、Ibm,Icm分别为三相电流幅值,ω为电流角频率,φ为a,b两相电流之间的相位差。
S202,将所述电流表达式进行坐标变换,得到直角坐标方程;
令x=ia(t),y=ib(t),通过坐标变换,可以得到任意两相电流在直角坐标系下的方程为:
可知,正常工况下,式(2)所示为一个倾斜角固定,中心在原点的椭圆,如图4所示。
S203,将所述直角坐标方程表示的二维图像转化为n个像素的二值图像;
采用像素特征提取的方法,将椭圆图像转化为n个像素的二值图像。
故障识别与所有像素的总和有很大关系。过多的像素会增加计算时间,而很少的像素会影响识别结果。通过反复实验,发现合适的像素尺寸为87×69。因此,输入信号的数量n=6003,即n个像素的数量。
S204,扫描所述二值图像;若检测到黑色像素,设置特征值为1;若检测到白色像素,设置特征值为0;
然后对二值图像进行像素扫描。当检测到黑色像素时,特征值设置为1;当检测到白色像素时,特征值设置为0。扫描结束时生成与像素数相同的特征向量。
S205,根据所述特征值形成特征数据。
在一些可选的实施方式中,所述特征数据为与像素数相同的特征向量。
在一些可选的实施方式中,将所述特征数据进行分类包括:形状相同的所述二维图像对应的特征数据为同一类。
上述像素特征提取的优点是,形状相同但大小不同的样本更容易被划分为同一类。
故障工况下,在一个周期内,逆变器输出电流在将近半个周期的时间内几乎等于零。此时,原本正常的椭圆将会根据故障程度缺失部分形状。
单个功率管发生故障时,开路故障对应的椭圆形状如图6和表1所示。两个功率管发生开路故障时,开路故障对应的椭圆形状如图6和表2所示。可以看出,对应21种不同的故障类型,椭圆一共存在21种不同的畸变形状。因此,通过对21种畸变形状进行辨识即可实现逆变器的开路故障诊断。
表1单个功率管开路故障的畸变椭圆
表2两个功率管开路故障的畸变椭圆
在一些可选的实施例中,功率管的数量不限于6个,则不同类型故障的图形缺失情况也不相同。一般只考虑单个功率管故障和两个功率管故障。两电平逆变器有21种故障类型,三电平则有78种故障类型。本领域技术人员可以根据实际情况灵活设置,以便适用具体的应用场景。
由于各形状相似度较高,仅通过人为观察很难对这些故障进行准确诊断;而基于故障建模的方法适用性较低,在不同的应用环境中可能需要对模型参数进行大量调整与修改。因此,需要一种简便而又准确的辨识方法来对这21种形状进行判断。
在进行故障诊断之前,需要进行网络训练。本实施例中,将BP神经网络作为模型进行训练。在故障诊断中,BP网络的构建主要包括三个部分:输入向量和目标向量的确定、隐层设计和权重初始化。输入向量即上述与像素数相同的特征向量。
在一些可选的实施方式中,所述获取逆变器的输出电流之前,还包括:
S01,通过仿真得到输入数据样本;
在对网络进行训练前,需要一定数量的样本。它们可以通过实验或仿真得到。在这些样品中加入适量的噪声和谐波成分,以提高其容错性。因此,在高噪声情况下,网络可以识别故障。
在一些可选的实施方式中,所述输入数据样本包括所有工作状态对应的特征数据;所述工作状态包括正常工作状态和故障工作状态。
这些样本应包括所有故障类型和负载条件的椭圆形状,共22种,以提高该方法的准确性和鲁棒性。
S02,设定目标数据;所述目标数据与工作状态一一对应;
在一些实施例中,所述目标数据为目标向量,所述目标向量共有22个,包括正常情况和21种故障。对于每种情况,对应的元素值为1,而其他元素值为零。例如,正常运行的目标向量为(1,0,0,…,0)T,如果发生T1OC故障(故障号为1),目标向量为(0,1,0,…,0)T。
S03,将所述输入数据样本赋予到神经网络,所述网络层包括输入层,隐藏层和输出层;所述输入层和所述隐藏层之间及所述隐藏层和所述输出层之间的计算存在网络权重;所述隐藏层包括至少一个隐藏单元;
在一些可选的实施方式中,所述隐藏单元的个数为n1,
n1=log2n,
n为像素数。
隐藏单元的数量对网络有着重要的影响。到目前为止,还没有理想的公式来计算准确的数字。许多隐藏单元会导致学习过程更长,而很少的隐藏单元会导致容错的限制。本文通过以下经验公式得出隐藏单元n1的个数:
n1=log2n,
神经网络结构的两层前馈网络如图7所示。该网络接收一组标量信号x1,x2,…,xn,构成输入矢量x=(x1,x2,…,xn)T。接收输入的层是隐藏层。输出层产生一个m维向量y=(y1,y2,…,ym)T。当网络完全训练时,它接近目标向量d。假定隐单元的激活函数是一个可微非线性函数。它通常可以表示为:
S04,计算得到输出数据;
本文提出的神经网络结构如图8所示。输入向量为x,输出向量为y。隐藏单元数为n1,输出单元数为n2。IW是输入层和隐藏层之间的权重,而LW是隐藏层和输出层之间的权重。隐藏层和输出层的偏差分别为b1和b2。两层的输出由a1和a2表示。其中,参数下面的数字表示参数的个数。
a1=logsig(IW1,1x+b1) a2=logsig(IW2,1a1+b2)
logsig为神经网络的传递函数。
S05,计算所述输出数据与所述目标数据的误差;
S06,将所述误差传播回所述隐藏单元,调整所述网络权重至所述误差在设定的阈值范围内,使所述输出数据接近所述目标数据。
当一组输入/输出对被赋予到网络时,隐藏单元的激活值被反馈到输出层,以计算网络的输出。然后输出误差(d-y)通过输出层传播回隐藏单元,以更新网络权重并最小化输出层错误。重复该过程,直到输出误差足够小,即所述输出误差无限接近0。在一些事实方式中,所述误差可以在[-0.05,0.05]的区间范围内,根据具体情况,所述区间可以进行调整,以适应具体的应用情况。理想状态下,所述输出误差为0。
在一些可选的实施方式中,所述网络权重的初始值为平均随机值,所述平均随机值在[-0.01,0.01]范围内。
由于BP网络具有梯度下降特性,对初始条件敏感。如果权重向量恰好位于误差面陡峭边谷的底部,那么反向传播将迅速收敛,并且解的质量将由谷的深度相对于全局最小值的深度来确定。另一方面,如果初始权重向量在误差面相对平坦的区域开始搜索,则反向传播将缓慢收敛。最常用的解决方案之一是将权重初始化为较小的零平均随机值,即所述平均随机值在0附近,范围控制在[-0.01,0.01]区间。不同的应用场景中,所述区间可以有相应调整。本领域技术人员可以对所述区间进行调整,以适应具体的应用场景。
在一些可选的实施方式中,还可以选择其他的神经网络模型进行网络训练,并确定相符合的目标向量,能够起到判断作用即可。
在一些可选的实施方式中,所述调整网络权重的方法为基于自适应学习的梯度下降算法。
在训练过程中选择合适的梯度下降算法来调整权重具有重要意义。在标准梯度下降算法中,学习速度在整个训练过程中是固定的。该算法的性能对学习速率参数敏感。如果它很大,就会导致不稳定。相反,收敛速度会很慢。此外,在训练过程中,最佳学习率也在变化。因此,本文采用了一种基于自适应学习的梯度下降算法来提高系统的性能。学习速度随局部误差曲面的复杂度而变化。它可以最大限度地提高训练过程的稳定性。
基于同一发明构思,本发明实施例还提供了一种用于逆变器开路故障诊断的电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
本文在图9所示实验系统中对该神经网络结构进行验证。表3给出了部分逆变器开路故障诊断结果。
在表中,每列包含一个输出向量及其均方根误差RMSE。在正常运行情况下,共获得22个输出矢量,在开路故障情况下,共获得21种输出矢量。可以看出,当发生开路故障时,输出向量的对应元素接近1,而其他元素接近零。每个输出向量的均方根误差保持在0.05以下。该神经网络结构具有隔离所有开路故障的能力。
表3基于神经网络结构的逆变器开路故障诊断结果
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种用于逆变器开路故障诊断的方法,其特征在于,包括:
获取逆变器的输出电流;
对所述输出电流进行预处理;
从所述预处理的结果中提取特征数据;
将所述特征数据进行分类;
将所述分类后的特征数据进行计算,得到输出数据;
对所述输出数据进行诊断,判断故障的类型;
隔离所述故障;
所述将所述输出电流进行预处理包括:
对所述输出电流进行滤波,得到电流表达式;
将所述电流表达式进行坐标变换,得到直角坐标方程;
将所述直角坐标方程表示的二维图像转化为n个像素的二值图像;
扫描所述二值图像;若检测到黑色像素,设置特征值为1;若检测到白色像素,设置特征值为0;
根据所述特征值形成特征数据;
所述电流表达式为
其中,ia(t)、ib(t)、ic(t)为t时刻的三相电流,Iam、Ibm,Icm分别为三相电流幅值,ω为电流角频率,φ为a,b两相电流之间的相位差;
所述直角坐标方程为
x∈[-Iam,Iam],y∈[-Ibm,Ibm]
其中,令x=ia(t),y=ib(t)。
2.根据权利要求1所述的一种用于逆变器开路故障诊断的方法,其特征在于,所述特征数据为与像素数相同的特征向量。
3.根据权利要求2所述的一种用于逆变器开路故障诊断的方法,其特征在于,所述获取逆变器的输出电流之前,还包括:
通过仿真得到输入数据样本;
设定目标数据;所述目标数据与工作状态一一对应;
将所述输入数据样本赋予到神经网络,网络层包括输入层,隐藏层和输出层;所述输入层和所述隐藏层之间及所述隐藏层和所述输出层之间的计算存在网络权重;所述隐藏层包括至少一个隐藏单元;
计算得到输出数据;
计算所述输出数据与所述目标数据的误差;
将所述误差传播回所述隐藏单元,调整所述网络权重至所述误差在设定的阈值范围内,使所述输出数据接近所述目标数据。
4.根据权利要求3所述的一种用于逆变器开路故障诊断的方法,其特征在于,所述输入数据样本包括所有工作状态对应的特征数据;所述工作状态包括正常工作状态和故障工作状态。
5.根据权利要求4所述的一种用于逆变器开路故障诊断的方法,其特征在于,所述隐藏单元的个数为n1,
n1=log2n,
n为像素数。
6.根据权利要求4所述的一种用于逆变器开路故障诊断的方法,其特征在于,将所述特征数据进行分类包括:形状相同的所述二维图像对应的特征数据为同一类。
7.根据权利要求6所述的一种用于逆变器开路故障诊断的方法,其特征在于,所述网络权重的初始值为平均随机值,所述平均随机值在[-0.01,0.01]范围内。
8.根据权利要求7所述的一种用于逆变器开路故障诊断的方法,其特征在于,所述调整网络权重的方法为基于自适应学习的梯度下降算法。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668544.8A CN110361625B (zh) | 2019-07-23 | 2019-07-23 | 一种用于逆变器开路故障诊断的方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668544.8A CN110361625B (zh) | 2019-07-23 | 2019-07-23 | 一种用于逆变器开路故障诊断的方法和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110361625A CN110361625A (zh) | 2019-10-22 |
CN110361625B true CN110361625B (zh) | 2022-01-28 |
Family
ID=68219879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910668544.8A Active CN110361625B (zh) | 2019-07-23 | 2019-07-23 | 一种用于逆变器开路故障诊断的方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110361625B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749842B (zh) * | 2019-11-08 | 2020-11-27 | 中南大学 | 基于共模电压的电压源型逆变器开关开路故障诊断方法 |
CN111240300A (zh) * | 2020-01-07 | 2020-06-05 | 国电南瑞科技股份有限公司 | 基于大数据的车辆健康状态评估模型构建方法 |
CN111983414B (zh) * | 2020-08-12 | 2022-07-29 | 中南大学 | 针对轨道列车牵引变流器的开路故障诊断方法及系统 |
CN111983451B (zh) * | 2020-08-24 | 2023-01-31 | 宿迁学院 | 一种基于搅拌器的无刷直流电机开路故障诊断方法 |
CN114019416A (zh) * | 2021-09-16 | 2022-02-08 | 国营芜湖机械厂 | 一种用于三相逆变器开路故障诊断的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000014007A (ja) * | 1998-06-22 | 2000-01-14 | Kansai Electric Power Co Inc:The | アクティブフィルタの制御方法 |
JP2005038081A (ja) * | 2003-07-17 | 2005-02-10 | Tohoku Univ | 乱数発生方法及び乱数発生装置 |
CN104049171A (zh) * | 2014-06-12 | 2014-09-17 | 中南大学 | 交错反激式微逆变器的开路故障诊断方法及系统 |
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 |
CN106874906A (zh) * | 2017-01-17 | 2017-06-20 | 腾讯科技(上海)有限公司 | 一种图片的二值化方法、装置及终端 |
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 |
CN108279381A (zh) * | 2018-04-08 | 2018-07-13 | 沈阳工业大学 | 一种双三相永磁同步电机驱动系统的故障诊断方法 |
CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63271176A (ja) * | 1986-12-27 | 1988-11-09 | Narumi China Corp | 配線パタ−ンの位置合せ方法 |
US8391603B2 (en) * | 2009-06-18 | 2013-03-05 | Omisa Inc. | System and method for image segmentation |
CN102713972A (zh) * | 2009-12-23 | 2012-10-03 | 诺基亚公司 | 使用神经网络的像素信息再现 |
CN102521595B (zh) * | 2011-12-07 | 2014-01-15 | 中南大学 | 一种基于眼动数据和底层特征的图像感兴趣区域提取方法 |
CN102663360B (zh) * | 2012-03-30 | 2013-10-23 | 中南大学 | 一种钢铁板坯编码自动识别方法以及钢铁板坯跟踪系统 |
CN103066912A (zh) * | 2012-11-27 | 2013-04-24 | 上海大学 | 采用静态补偿定子磁链模型的异步电机动态效率测试方法 |
CN106296638A (zh) * | 2015-06-04 | 2017-01-04 | 欧姆龙株式会社 | 显著性信息取得装置以及显著性信息取得方法 |
CN106597195B (zh) * | 2016-12-06 | 2019-04-02 | 中南大学 | 一种机车逆变器功率管开路故障在线诊断方法 |
EP3659067B1 (en) * | 2017-07-28 | 2023-09-20 | National University of Singapore | Method of modifying a retina fundus image for a deep learning model |
-
2019
- 2019-07-23 CN CN201910668544.8A patent/CN110361625B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000014007A (ja) * | 1998-06-22 | 2000-01-14 | Kansai Electric Power Co Inc:The | アクティブフィルタの制御方法 |
JP2005038081A (ja) * | 2003-07-17 | 2005-02-10 | Tohoku Univ | 乱数発生方法及び乱数発生装置 |
CN104049171A (zh) * | 2014-06-12 | 2014-09-17 | 中南大学 | 交错反激式微逆变器的开路故障诊断方法及系统 |
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 |
CN106874906A (zh) * | 2017-01-17 | 2017-06-20 | 腾讯科技(上海)有限公司 | 一种图片的二值化方法、装置及终端 |
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 |
CN108279381A (zh) * | 2018-04-08 | 2018-07-13 | 沈阳工业大学 | 一种双三相永磁同步电机驱动系统的故障诊断方法 |
CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
多电平逆变器的故障建模及诊断;张国锋;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20130215(第2期);第C042-149页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110361625A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361625B (zh) | 一种用于逆变器开路故障诊断的方法和电子设备 | |
KR102189269B1 (ko) | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 | |
CN101576953B (zh) | 一种人体姿态的分类方法和装置 | |
CN111488789A (zh) | 用于基于图像分析的监视的行人检测方法及装置 | |
CN112034394B (zh) | 基于电流半波差异的整流器开路故障诊断方法及电子设备 | |
CN111079822A (zh) | 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法 | |
CN111310746B (zh) | 文本行检测方法、模型训练方法、装置、服务器及介质 | |
CN109712092B (zh) | 档案扫描图像修复方法、装置及电子设备 | |
JP6177541B2 (ja) | 文字認識装置、文字認識方法及びプログラム | |
IL299069B1 (en) | 3D structure or metrology inspection using deep learning | |
WO2019176989A1 (ja) | 検査システム、識別システム、及び学習データ生成装置 | |
CN106093626B (zh) | 一种用于诊断crh5型高铁逆变器的微小故障的方法 | |
Mumbelli et al. | An application of Generative Adversarial Networks to improve automatic inspection in automotive manufacturing | |
US20150331062A1 (en) | Failure Detection Method and Detection Device for Inverter | |
WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN107301431A (zh) | 一种基于权重的非极大值抑制的方法及装置 | |
CN114529543B (zh) | 一种航空发动机外周螺钉垫片的安装检测方法及装置 | |
CN108335287B (zh) | 信息处理装置和信息处理方法 | |
CN116304649A (zh) | 电机故障信号特征提取方法、系统、计算机及存储介质 | |
CN108764110B (zh) | 基于hog特征行人检测器的递归错检校验方法、系统及设备 | |
Xu et al. | A deep neural network-based intelligent detection model for manufacturing defects of automobile parts | |
CN108664936A (zh) | 一种基于机器故障的诊断方法及系统 | |
CN105068529B (zh) | 一种基于加权残差分量比较的故障分离方法及系统 | |
CN113033757B (zh) | 用于测试神经网络中算子精度的方法、装置和计算机可读存储介质 | |
CN108921015B (zh) | 基于递归结构车载单目摄像头下行人目标校验算法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |