CN110929835B - 一种新型碳化硅基航空功率变换器故障诊断方法及系统 - Google Patents

一种新型碳化硅基航空功率变换器故障诊断方法及系统 Download PDF

Info

Publication number
CN110929835B
CN110929835B CN201911155459.8A CN201911155459A CN110929835B CN 110929835 B CN110929835 B CN 110929835B CN 201911155459 A CN201911155459 A CN 201911155459A CN 110929835 B CN110929835 B CN 110929835B
Authority
CN
China
Prior art keywords
pheromone
network
tsbls
power converter
learning system
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
Application number
CN201911155459.8A
Other languages
English (en)
Other versions
CN110929835A (zh
Inventor
崔江
吴大胜
张卓然
王莉
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911155459.8A priority Critical patent/CN110929835B/zh
Publication of CN110929835A publication Critical patent/CN110929835A/zh
Application granted granted Critical
Publication of CN110929835B publication Critical patent/CN110929835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种新型碳化硅基航空功率变换器故障诊断方法，包括采集功率变换器正常模式和故障模式下的测点信号，构建训练样本集；将训练样本集分成网络训练数据集和网络测试数据集；用网络训练数据集训练TSBLS宽度学习系统网络，并使用柯西变异蚁群算法对连接权重及增强节点个数进行寻优，获得最优的TSBLS宽度学习系统网络；其中，在寻优迭代过程中，通过网络测试数据集判断是否需要继续寻优；用最优的TSBLS宽度学习系统网络进行功率变换器故障诊断。同时公开了相应的系统。本发明具有良好的数据自适应能力及鲁棒性，故障诊断效率高。

Description

一种新型碳化硅基航空功率变换器故障诊断方法及系统
技术领域
本发明涉及一种新型碳化硅基航空功率变换器故障诊断方法及系统，属于功率电路故障诊断领域。
背景技术
航空飞机电源系统中主要分为如下三种类型：低压直流电源、高压直流电源和交流电源。这些电源系统的正常运转，保证了机载设备的正常工作和飞机的安全飞行。航空电源系统中的关键模块为功率变换器，一旦功率变换器发生故障，将直接影响航空电源系统的正常运行，进而对飞机的安全运行构成威胁，甚至会带来巨大的生命财产和安全损失。近些年来，随着新型宽禁带半导体技术的发展，碳化硅MOSFET以其优异的电气特性和高效率代替传统的硅电力电子器件开始被应用在新型的航空电源系统功率变换器中，现有的诊断方法不适用于新型碳化硅基航空功率变换器。
发明内容
本发明提供了一种新型碳化硅基航空功率变换器故障诊断方法及系统，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种新型碳化硅基航空功率变换器故障诊断方法，包括，
采集功率变换器正常模式和故障模式下的测点信号，构建训练样本集；
将训练样本集分成网络训练数据集和网络测试数据集；
用网络训练数据集训练TSBLS宽度学习系统网络，并使用柯西变异蚁群算法对连接权重及增强节点个数进行寻优，获得最优的TSBLS宽度学习系统网络；其中，在寻优迭代过程中，通过网络测试数据集判断是否需要继续寻优；
用最优的TSBLS宽度学习系统网络进行功率变换器故障诊断。
构建训练样本集的过程为，
利用主成分分析法提取测点信号的特征，构建特征样本集；
用特征样本集中的部分元素构建训练样本集。
特征样本集中的其他元素构建测试样本集，测试样本集输入最优的TSBLS宽度学习系统网络，计算诊断结果的正确率。
TSBLS宽度学习系统网络模型为，
Y＝[Fn|Hm]Wm
其中，Y为输出矩阵，Fn＝[Fs1,Fs2,...,Fsn]为n个映射模糊子系统的串联，Fsi为第i个映射模糊子系统，1≤i≤n，Hm＝[H1,H2,...,Hm]为m个增强节点级联，Hj为第j个增强节点，1≤j≤m，Wm为TSBLS宽度学习系统网络的连接权重。
对连接权重及增强节点个数进行寻优的过程为，
蚁群算法中，响应于本次迭代中蚂蚁选择元素产生的信息素相较于上一次迭代对应产生的信息素不变或变化小于阈值，采用加入柯西变异的信息素更新公式更新本次迭代所产生的信息素，用历史信息素最大的元素代替目前元素集合中信息素最大的元素；其中，连接权重和增强节点个数构成一个元素，作为该次迭代运算的输入参数。
加入柯西变异的信息素更新公式为，
σj(Qaj)(t+s)＝σj(Qaj)(t)+σj(Qaj)(t)*Cauchy(0,1)
其中，σj(Qaj)(t+s)为元素集合Qaj第j个元素更新后的信息素，σj(Qaj)(t)为元素集合Qaj第j个元素更新前的信息素，Cauchy(0,1)为标准柯西分布。
响应于本次迭代中蚂蚁选择元素产生的信息素相较于上一次迭代对应元素产生的的信息素变化超过阈值，则采用传统信息素更新公式更新信息素。
一种新型碳化硅基航空功率变换器故障诊断系统，包括
训练样本集构建模块：采集功率变换器正常模式和故障模式下的测点信号，构建训练样本集；
分集模块：将训练样本集分成网络训练数据集和网络测试数据集；
训练寻优模块：用网络训练数据集训练TSBLS宽度学习系统网络，并使用柯西变异蚁群算法对连接权重及增强节点个数进行寻优，获得最优的TSBLS宽度学习系统网络；其中，在寻优迭代过程中，通过网络测试数据集判断是否需要继续寻优；
诊断模块：用最优的TSBLS宽度学习系统网络进行功率变换器故障诊断。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行新型碳化硅基航空功率变换器故障诊断方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行新型碳化硅基航空功率变换器故障诊断方法的指令。
本发明所达到的有益效果：本发明实现了适用于新型碳化硅基航空功率变换器的故障诊断方法及系统，采用柯西变异蚁群算法对TSBLS宽度学习系统网络的连接权重及增强节点个数寻优，用训练获得的最优TSBLS宽度学习系统网络进行故障诊断，具有良好的数据自适应能力及鲁棒性，故障诊断效率高。
附图说明
图1为本发明的流程图；
图2为TSBLS宽度学习系统网络结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种新型碳化硅基航空功率变换器故障诊断方法，包括以下步骤：
步骤1，采集功率变换器正常模式和各种故障模式下的测点信号，构建训练样本集。
11)信号采集；
通过传感器采集新型碳化硅基航空功率变换器正常模式以及各种故障模式下的测点电压、测点电流以及温度模拟输出信号，这些信号依次经级间滤波电路、降噪处理和A/D模数转换电路生成数字采集信号，即所需的测点信号。
12)构建样本；
121)利用主成分分析法提取测点信号的特征，构建特征样本集；
主成分分析法简要步骤如下：
A1)目标数据中心化(均值化)，并且去均值化；
A2)求特征协方差矩阵；
A3)求协方差的特征值和特征向量；
A4)组成特征向量矩阵；
A4)将样本点投影到选取的特征向量上生成新的降维矩阵.
122)用特征样本集中的部分元素构建训练样本集，其他元素构建测试样本集，训练样本集和测试样本集以向量的形式存储到矩阵中，分别用于TSBLS宽度学习系统网络的训练和测试。
训练样本集A＝{(Xi′,Yi′)|Xi′∈Rn′,Yi′∈Rm′,i′＝1,...,N}和测试样本集B＝{(Xj′,Yj′)|Xj′∈Rn′,Yj′∈Rm′,j′＝1,...,M}，其中R为实数空间，Xi′，Xj′为n′维样本特征向量，Yi′，Yj′为m′维样本标签，训练样本集和测试样本集的样本个数分别为N个和M个。
步骤2，将训练样本集分成网络训练数据集和网络测试数据集。
训练样本集A＝{(Xi′,Yi′)|Xi′∈Rn′,Yi′∈Rm′,i′＝1,...,N}分成网络训练数据集和网络测试数据集，网络训练数据集A1＝{(Xi″,Yi″)|Xi″∈Rn′,Yi″∈Rm′,i″＝1,...,N1}，网络测试数据集A2＝{(Xi″′,Yi″′)|Xi″′∈Rn′,Yi″′∈Rm′,i″′＝1,...,N2}，N＝N1+N2。
步骤3，用网络训练数据集训练TSBLS宽度学习系统网络，并使用柯西变异蚁群算法(CACO)对连接权重及增强节点个数进行寻优，获得最优的TSBLS宽度学习系统网络；其中，在寻优迭代过程中，通过网络测试数据集判断是否需要继续寻优。
TSBLS宽度学习系统网络如图2所示，将网络训练数据集作为TSBLS宽度学习系统网络的输入，构建第i个映射模糊子系统Fsi，并且我们把Fi＝[Fs1,Fs2,...,Fsi]记做i个映射模糊子系统的串联，其中Fsi的表达式如下：
Figure BDA0002284688010000061
Figure BDA0002284688010000062
Figure BDA0002284688010000063
Figure BDA0002284688010000064
其中，xj是第j个输入变量，
Figure BDA0002284688010000065
是模糊子集，其隶属函数的参数为前提参数，yt是第t条规则的输出，/>
Figure BDA0002284688010000066
是结论参数，/>
Figure BDA0002284688010000067
是给定模糊向量，s′为规则数量，Gt为第t条规则的真值，Π为模糊化算子，通常采用取小或者代数积计算。
类似的，通过映射模糊子系统Fsi构建相应的增强节点，并且把j个增强节点级联表示为Hj＝[H1,H2,...,Hj]，Hj的表达式如下：
Hj＝ξj(FiWhj+βhj)
其中，ξj是负责生成增强节点的函数，Whj，βhj分别为随机生成的是具有适当维度的随机权重。
激活函数选取sigmoid函数，sigmoid函数的数学表达式为：
Figure BDA0002284688010000068
其中，z为sigmoid函数自变量，即每个结点对应的输入向量，e为自然常数。
所以TSBLS宽度学习系统网络可以表示为以下的等式：
Y＝[Fs1,...,Fsn|ξ1(FnWh1+βh1),...,ξm(FnWhm+βhm)]Wm
＝[Fs1,...,Fsn|H1,...,Hm]Wm
＝[Fn|Hm]Wm
其中，Y为输出矩阵，Fn＝[Fs1,Fs2,...,Fsn]为n个映射模糊子系统的串联，Fsi为第i个映射模糊子系统，1≤i≤n，Hm＝[H1,H2,...,Hm]为m个增强节点级联，Hj为第j个增强节点，1≤j≤m，Wm为TSBLS宽度学习系统网络的连接权重，通过岭回归近似得到。
对连接权重及增强节点个数进行寻优的过程如下：
蚁群算法中，响应于本次迭代中蚂蚁选择元素产生的信息素相较于上一次迭代对应产生的信息素不变或变化小于阈值，采用加入柯西变异的信息素更新公式更新本次迭代所产生的信息素，用历史信息素最大的元素代替目前元素集合中信息素最大的元素；其中，连接权重和增强节点个数构成一个元素，作为该次迭代运算的输入参数。
把TSBLS宽度学习系统网络的连接权重及增强节点个数作为柯西变异蚁群算法优化的参数，其中输入权值记作a1,a2,...,am，其中aj(1≤j≤m)是一组输入权值的集合，包含了n个Wf(1≤f≤n)权值，增强节点个数记作b1,b2,...,bm，将aj和bj作为一个元素Yj，包含了n+1个非零参数，由Y1,Y2,...,Ym构成集合Qaj(1≤j≤m)。
开始时R个蚂蚁随机选择自己的路径出发，例如按Qa1，Qa2,...,QaR选择相应的元素进行第一次“旅行”。当第一次蚂蚁返回时信息素更新，根据第一次选择的元素集合里每个元素的信息素大小，蚂蚁选择一个信息素最大的元素；如果本次迭代中蚂蚁选择元素的信息素相较于上一次迭代对应元素的信息素不变或变化小于阈值，则进行柯西变异，即采用加入柯西变异的信息素更新公式更新信息素，把历史信息素最大的元素代替目前集合中信息素最小的元素；如果本次迭代中蚂蚁选择元素产生的信息素相较于上一次迭代对应元素产生的的信息素变化超过阈值，则采用传统信息素更新公式更新信息素。
在某一次运算中蚂蚁在集合Qaj第j个元素留下的信息素为：
Figure BDA0002284688010000081
Figure BDA0002284688010000082
其中，
Figure BDA0002284688010000083
为本次运算第k个蚂蚁在集合Qaj第j个元素留下的信息素，而σj(Qaj)为本次运算所有蚂蚁在第j个元素上留下的信息素。此外，/>
Figure BDA0002284688010000084
为在本次运算中第k只蚂蚁在第j个元素的第jL(1≤jL≤n+1)个参数留下的信息素。
加入柯西变异的信息素更新公式为：
σj(Qaj)(t+s)＝σj(Qaj)(t)+σj(Qaj)(t)*Cauchy(0,1)
其中，σj(Qaj)(t+s)为元素集合Qaj第j个元素更新后的信息素，σj(Qaj)(t)为元素集合Qaj第j个元素更新前的信息素，Cauchy(0,1)为标准柯西分布。
蚁群算法本身存在容易陷入局部最优和收敛速度慢的缺点，这里引入柯西变异，能够使蚁群算法中寻路的蚂蚁跳出局部最优，又能充分利用当前蚂蚁寻路的状态，避免随机寻径的盲目性从而提高搜索和收敛速度。
传统信息素更新公式为：
σj(Qaj)(t+s)＝ρσj(Qaj)(t)+Δσj(Qaj)
其中，ρ为信息素残余部分，即更新后的信息素数量，1-ρ为t～t+s时刻信息素的消逝程度；σj(Qaj)(t)为元素集合Qaj第j个元素更新前的信息素，Δσj(Qaj)为此次信息素更新中该元素上所以蚂蚁留下的信息素之和，
Figure BDA0002284688010000085
为更新前第k只蚂蚁在第j个元素上留下的信息素，具体公式如下：
Figure BDA0002284688010000086
Figure BDA0002284688010000087
其中，H为设置的常数，代表该蚂蚁完成所有运算后留下的信息素总值，用来控制调节信息素的速度；ek为第k只蚂蚁选择的元素作为TSBLS宽度学习系统网络参数时各训练样本的最大输出误差，即
ek＝max|Po(r)-Yo(r)|,r＝1,2,...,h
其中，max为求最大值函数，h为样本数；Po(r)为TSBLS宽度学习系统网络期望输出，Yo(r)为TSBLS宽度学习系统网络实际输出。
步骤4，用最优的TSBLS宽度学习系统网络进行功率变换器故障诊断。
特征样本集中的其他元素构建测试样本集，测试样本集输入最优的TSBLS宽度学习系统网络，计算诊断结果的正确率。
正确率计算公式为：
Figure BDA0002284688010000091
其中，Ac为故障诊断正确率，Gco为测试样本集中诊断正确的测试样本个数，Gto为测试样本集中的样本总数。
本发明实现了适用于新型碳化硅基航空功率变换器的故障诊断方法及系统，采用柯西变异蚁群算法对TSBLS宽度学习系统网络的连接权重及增强节点个数寻优，用训练获得的最优TSBLS宽度学习系统网络进行故障诊断，具有良好的数据自适应能力及鲁棒性，故障诊断效率高。
一种新型碳化硅基航空功率变换器故障诊断系统，包括
训练样本集构建模块：采集功率变换器正常模式和故障模式下的测点信号，构建训练样本集；
分集模块：将训练样本集分成网络训练数据集和网络测试数据集；
训练寻优模块：用网络训练数据集训练TSBLS宽度学习系统网络，并使用柯西变异蚁群算法对连接权重及增强节点个数进行寻优，获得最优的TSBLS宽度学习系统网络；其中，在寻优迭代过程中，通过网络测试数据集判断是否需要继续寻优；
诊断模块：用最优的TSBLS宽度学习系统网络进行功率变换器故障诊断。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备新型碳化硅基航空功率变换器故障诊断方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行新型碳化硅基航空功率变换器故障诊断方法的指令。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (6)

1.一种新型碳化硅基航空功率变换器故障诊断方法，其特征在于：包括，
采集功率变换器正常模式和故障模式下的测点信号，构建训练样本集；
将训练样本集分成网络训练数据集和网络测试数据集；
用网络训练数据集训练TSBLS宽度学习系统网络，并使用柯西变异蚁群算法对连接权重及增强节点个数进行寻优，获得最优的TSBLS宽度学习系统网络；其中，在寻优迭代过程中，通过网络测试数据集判断是否需要继续寻优；
TSBLS宽度学习系统网络模型为，
Y＝[Fn|Hm]Wm
其中，Y为输出矩阵，Fn＝[Fs1,Fs2,...,Fsn]为n个映射模糊子系统的串联，Fsi为第i个映射模糊子系统，1≤i≤n，Hm＝[H1,H2,...,Hm]为m个增强节点级联，Hj为第j个增强节点，1≤j≤m，Wm为TSBLS宽度学习系统网络的连接权重；
对连接权重及增强节点个数进行寻优的过程为，
蚁群算法中，响应于本次迭代中蚂蚁选择元素产生的信息素相较于上一次迭代对应产生的信息素不变或变化小于阈值，采用加入柯西变异的信息素更新公式更新本次迭代所产生的信息素，用历史信息素最大的元素代替目前元素集合中信息素最大的元素；响应于本次迭代中蚂蚁选择元素产生的信息素相较于上一次迭代对应元素产生的的信息素变化超过阈值，则采用传统信息素更新公式更新信息素；其中，连接权重和增强节点个数构成一个元素，作为该次迭代运算的输入参数；
加入柯西变异的信息素更新公式为，
σj(Qaj)(t+s)＝σj(Qaj)(t)+σj(Qaj)(t)*Cauchy(0,1)
其中，σj(Qaj)(t+s)为元素集合Qaj第j个元素更新后的信息素，σj(Qaj)(t)为元素集合Qaj第j个元素更新前的信息素，Cauchy(0,1)为标准柯西分布；
用最优的TSBLS宽度学习系统网络进行功率变换器故障诊断。
2.根据权利要求1所述的一种新型碳化硅基航空功率变换器故障诊断方法，其特征在于：构建训练样本集的过程为，
利用主成分分析法提取测点信号的特征，构建特征样本集；
用特征样本集中的部分元素构建训练样本集。
3.根据权利要求2所述的一种新型碳化硅基航空功率变换器故障诊断方法，其特征在于：特征样本集中的其他元素构建测试样本集，测试样本集输入最优的TSBLS宽度学习系统网络，计算诊断结果的正确率。
4.一种新型碳化硅基航空功率变换器故障诊断系统，其特征在于：包括
训练样本集构建模块：采集功率变换器正常模式和故障模式下的测点信号，构建训练样本集；
分集模块：将训练样本集分成网络训练数据集和网络测试数据集；
训练寻优模块：用网络训练数据集训练TSBLS宽度学习系统网络，并使用柯西变异蚁群算法对连接权重及增强节点个数进行寻优，获得最优的TSBLS宽度学习系统网络；其中，在寻优迭代过程中，通过网络测试数据集判断是否需要继续寻优；
TSBLS宽度学习系统网络模型为，
Y＝[Fn|Hm]Wm
其中，Y为输出矩阵，Fn＝[Fs1,Fs2,...,Fsn]为n个映射模糊子系统的串联，Fsi为第i个映射模糊子系统，1≤i≤n，Hm＝[H1,H2,...,Hm]为m个增强节点级联，Hj为第j个增强节点，1≤j≤m，Wm为TSBLS宽度学习系统网络的连接权重；
对连接权重及增强节点个数进行寻优的过程为，
蚁群算法中，响应于本次迭代中蚂蚁选择元素产生的信息素相较于上一次迭代对应产生的信息素不变或变化小于阈值，采用加入柯西变异的信息素更新公式更新本次迭代所产生的信息素，用历史信息素最大的元素代替目前元素集合中信息素最大的元素；响应于本次迭代中蚂蚁选择元素产生的信息素相较于上一次迭代对应元素产生的的信息素变化超过阈值，则采用传统信息素更新公式更新信息素；其中，连接权重和增强节点个数构成一个元素，作为该次迭代运算的输入参数；
加入柯西变异的信息素更新公式为，
σj(Qaj)(t+s)＝σj(Qaj)(t)+σj(Qaj)(t)*Cauchy(0,1)
其中，σj(Qaj)(t+s)为元素集合Qaj第j个元素更新后的信息素，σj(Qaj)(t)为元素集合Qaj第j个元素更新前的信息素，Cauchy(0,1)为标准柯西分布；
诊断模块：用最优的TSBLS宽度学习系统网络进行功率变换器故障诊断。
5.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至3所述的方法中的任一方法。
6.一种计算设备，其特征在于：包括，
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至3所述的方法中的任一方法的指令。
CN201911155459.8A 2019-11-22 2019-11-22 一种新型碳化硅基航空功率变换器故障诊断方法及系统 Active CN110929835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911155459.8A CN110929835B (zh) 2019-11-22 2019-11-22 一种新型碳化硅基航空功率变换器故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911155459.8A CN110929835B (zh) 2019-11-22 2019-11-22 一种新型碳化硅基航空功率变换器故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN110929835A CN110929835A (zh) 2020-03-27
CN110929835B true CN110929835B (zh) 2023-06-23

Family

ID=69850677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911155459.8A Active CN110929835B (zh) 2019-11-22 2019-11-22 一种新型碳化硅基航空功率变换器故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN110929835B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111537207B (zh) * 2020-04-29 2021-04-20 西安交通大学 一种小样本下用于机械故障智能诊断的数据增强方法
CN112947300A (zh) * 2021-02-22 2021-06-11 西安交通大学 一种加工质量虚拟量测方法、系统、介质及设备
CN115326398B (zh) * 2022-10-17 2023-01-24 华东交通大学 一种基于模糊宽度学习模型的轴承故障诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110243590A (zh) * 2019-06-25 2019-09-17 中国民航大学 一种基于主成分分析和宽度学习的转子系统故障诊断方法
CN110288088A (zh) * 2019-06-28 2019-09-27 中国民航大学 基于流形正则化和宽度网络的半监督宽度学习分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10849563B2 (en) * 2012-03-19 2020-12-01 University Of Florida Research Foundation, Inc. Methods and systems for brain function analysis
CN110490248B (zh) * 2019-08-16 2021-11-09 集美大学 一种电力电子变换器故障诊断方法、终端设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110243590A (zh) * 2019-06-25 2019-09-17 中国民航大学 一种基于主成分分析和宽度学习的转子系统故障诊断方法
CN110288088A (zh) * 2019-06-28 2019-09-27 中国民航大学 基于流形正则化和宽度网络的半监督宽度学习分类方法

Also Published As

Publication number Publication date
CN110929835A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN110929835B (zh) 一种新型碳化硅基航空功率变换器故障诊断方法及系统
CN109117353B (zh) 故障诊断结果的融合方法及装置
CN109214708B (zh) 基于交叉熵理论优化支持向量机的电力系统风险评估方法
Darong et al. Fault diagnosis for the motor drive system of urban transit based on improved Hidden Markov Model
CN109818349B (zh) 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
CN109670625B (zh) 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法
CN110659722A (zh) 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法
CN111523778A (zh) 基于粒子群算法和梯度提升树的电网运行安全评估方法
CN112288147B (zh) 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法
CN112946484A (zh) 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质
CN109066651B (zh) 风电-负荷场景的极限传输功率的计算方法
CN110309537A (zh) 一种飞行器的智能健康预测方法及系统
Huang et al. Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine
CN116245019A (zh) 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质
Mao et al. Comparative study on prediction of fuel cell performance using machine learning approaches
CN110852522A (zh) 一种短期电力负荷预测方法及系统
CN112287605B (zh) 一种基于图卷积网络加速的潮流校核方法
CN117312835A (zh) 一种基于混合概率数据驱动模型的燃料电池性能预测方法
CN112580254A (zh) 一种基于多级决策融合的换流变多维度分析和预警方法
CN116011214A (zh) 一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法
CN114510469A (zh) 电力系统不良数据辨识方法、装置、设备及介质
CN113884936A (zh) 一种基于issa耦合delm的锂离子电池健康状态预测方法
CN111985524A (zh) 一种改进的低压台区线损计算方法
Qiu et al. Fault prediction of elevator door lock based on MPGA-BP algorithm
CN116859251B (zh) 一种考虑恢复电压的燃料电池多步长混合预测方法及系统

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