CN111461058A - 一种电力电子变换器故障的诊断方法和诊断系统 - Google Patents
一种电力电子变换器故障的诊断方法和诊断系统 Download PDFInfo
- Publication number
- CN111461058A CN111461058A CN202010303245.7A CN202010303245A CN111461058A CN 111461058 A CN111461058 A CN 111461058A CN 202010303245 A CN202010303245 A CN 202010303245A CN 111461058 A CN111461058 A CN 111461058A
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- power electronic
- electronic converter
- wavelet
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 210000001638 cerebellum Anatomy 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 51
- 238000012360 testing method Methods 0.000 claims description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000005236 sound signal Effects 0.000 claims description 6
- 229930091051 Arenine Natural products 0.000 claims description 5
- 230000002490 cerebral effect Effects 0.000 claims description 3
- 238000002513 implantation Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供了一种电力电子变换器故障的诊断方法和诊断系统。该方法包括：根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库；从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的训练后故障分类器植入用于诊断的DSP中；获取待诊断电力电子变换器的信号，对所述信号进行数据预处理后输入所述DSP中，根据所述DSP的处理结果判断所述待诊断电力电子变换器是否出现故障。本申请有效地减少了噪音等其他因素对单一状态信息的干扰，弥补了传统方法使用单故障样本信息的不可靠性和不确定性的缺点。
Description
技术领域
本申请属于电力电子领域，尤其涉及一种电力电子变换器故障的诊断方法和诊断系统。
背景技术
电力电子变换器作为电力电子交直流转换的主要装置，在保证电能传输实现高效率转换的过程中发挥着重要的作用。一旦电力电子变换器在运行过程中发生故障，将会严重危害整个系统的稳定性和可靠性。因此将故障诊断技术应用到电力电子变换器中，在故障发生时能够实现对故障设备的快速诊断对于电力系统的稳定运行具有重要的意义。
传统的电力电子变换器故障诊断方法是对变换器某种单一的状态信息进行采集，提取单信息的故障特征进行故障诊断分析。虽然使用传统的方法也可以诊断出故障，但是由于采集的单故障信息中存在着噪声等其他因素的干扰，增大了所采集故障信息的不确定性，其故障诊断率往往并不可靠。
发明内容
本发明实施例的主要目的在于提供一种电力电子变换器故障的诊断方法和诊断系统，通过本发明实施例的方案，有效地减少了噪音等其他因素对单一状态信息的干扰，弥补了传统方法使用单故障样本信息的不可靠性和不确定性的缺点。
第一方面，提供了一种电力电子变换器故障的诊断方法，包括：
根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库；
从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的训练后故障分类器植入用于诊断的DSP中；
获取待诊断电力电子变换器的信号，对所述信号进行数据预处理后输入所述DSP中，根据所述DSP的处理结果判断所述待诊断电力电子变换器是否出现故障。
在一个可能的实现方式中，所述信号包括：声音信号、振动信号、温度信号。
在另一个可能的实现方式中，所述根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库，包括：
通过基于离散小波变换的多分辨率分析法对所述信号进行多级信号分解，获取各个分解层的小波系数；
获取所述小波系数每层的小波能量
，并将所述小波能量确定为故障特征矢量，其中，Ej为第j层的小波能量、j为小波分解的层数、N为第j层小波系数的长度、djk为小波分解后第j层中第k个小波细节系数；
通过主成分分析法对所述故障特征矢量进行降维处理，分别获取所述信号中能量最大的三个故障特征向量，共九个故障特征向量；
对所述九个故障特征向量进行融合处理，获取一9维向量矩阵。
所述从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的故障分类器植入用于诊断的DSP中，包括：
将所述样本配置为训练样本和测试样本；
使用所述训练样本对所述故障分类器进行训练；
判断所述训练的误差是否小于预设的训练阈值，如果是则通过所述测试样本测试训练后故障分类器；
判断所述测试的准确率是否大于预设的准确率阈值，如果是，则将所述训练后故障分类器植入用于诊断的DSP中。
第二方面，提供了一种电力电子变换器故障的诊断系统，所述系统包括：
样本库建立模块，用于根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库；
植入模块，用于从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的训练后故障分类器植入用于诊断的DSP中；
诊断模块，用于获取待诊断电力电子变换器的信号，对所述信号进行数据预处理后输入所述DSP中，根据所述DSP的处理结果判断所述待诊断电力电子变换器是否出现故障。
在一个可能的实现方式中，所述信号包括：声音信号、振动信号、温度信号。
在另一个可能的实现方式中，所述根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库，包括：
通过基于离散小波变换的多分辨率分析法对所述信号进行多级信号分解，获取各个分解层的小波系数；
获取所述小波系数每层的小波能量
，并将所述小波能量确定为故障特征矢量，其中，Ej为第j层的小波能量、j为小波分解的层数、N为第j层小波系数的长度、djk为小波分解后第j层中第k个小波细节系数；
通过主成分分析法对所述故障特征矢量进行降维处理，分别获取所述信号中能量最大的三个故障特征向量，共九个故障特征向量；
对所述九个故障特征向量进行融合处理，获取一9维向量矩阵。
在又一个可能的实现方式中，所述从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的故障分类器植入用于诊断的DSP中，包括：
将所述样本配置为训练样本和测试样本；
使用所述训练样本对所述故障分类器进行训练；
判断所述训练的误差是否小于预设的训练阈值，如果是则通过所述测试样本测试训练后故障分类器；
判断所述测试的准确率是否大于预设的准确率阈值，如果是，则将所述训练后故障分类器植入用于诊断的DSP中。
本申请提供的技术方案带来的有益效果是：有效地减少了噪音等其他因素对单一状态信息的干扰，弥补了传统方法使用单故障样本信息的不可靠性和不确定性的缺点。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本发明一个实施例提供的一种电力电子变换器故障的诊断方法的流程图；
图2为本发明一个实施例提供的一种电力电子变换器故障的诊断系统的结构图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、模块和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、模块、组件和/或它们的组。应该理解，当我们称模块被“连接”或“耦接”到另一模块时，它可以直接连接或耦接到其他模块，或者也可以存在中间模块。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如和解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
实施例一
如图1所示为本发明一个实施例提供的一种电力电子变换器故障的诊断方法的流程图，所述诊断方法包括：
步骤S101，根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库。
在本发明实施例中，从电力电子变换器中获取其在故障状态下运行时的信号，对该信号进行预处理后，建立与电力电子变换器的运行状态相匹配的样本库。其中，电力电子变换器的信号包括但不限于：声音信号、振动信号、温度信号。
所述根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库，包括：
通过基于离散小波变换的多分辨率分析法对所述信号进行多级信号分解，获取各个分解层的小波系数；
获取所述小波系数每层的小波能量
，并将所述小波能量确定为故障特征矢量，其中，Ej为第j层的小波能量、j为小波分解的层数、N为第j层小波系数的长度、djk为小波分解后第j层中第k个小波细节系数；
通过主成分分析法对所述故障特征矢量进行数据预处理，分别获取所述信号中能量最大的三个故障特征向量，共九个故障特征向量；
对所述九个故障特征向量进行融合处理，获取一9维向量矩阵。
在本发明实施例中，获取的电力电子变换器的信号即为带有故障信息的样本，通过小波变换特征提取方法从信号中提取出能反应电力电子变换器健康状况的特征向量
，其中每种信号的特征向量的维数为9，使用主成分分析法分别对三种信号的特征向量进行降维处理，将维数从9降为3，将降维后的特征向量作为与故障类型一一对应的样本库。
步骤S102，从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的训练后故障分类器植入用于诊断的DSP中。
在本发明实施例中，从前述步骤中获取的样本库中获取样本，将该样本设置为训练数据，根据该训练样本对基于小脑模型神经网络算法的故障分类器进行训练，将训练后且通过故障识别率的故障分类器植入用于电力电子变换器故障诊断的DSP中。
所述从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的故障分类器植入用于诊断的DSP中，包括：
将所述样本配置为训练样本和测试样本；
使用所述训练样本对所述故障分类器进行训练；
判断所述训练的误差是否小于预设的训练阈值，如果是则通过所述测试样本测试训练后故障分类器；
判断所述测试的准确率是否大于预设的准确率阈值，如果是，则将所述训练后故障分类器植入用于诊断的DSP中。
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输入到CMNN网络中；
第二层为所述联想记忆层：采用高斯型激发函数对输入的故障特征向量进行量化处理；在这个空间中，可以将几个元素累积为一个块，每个块执行一个激发函数，第i个输入对应的第j层第k块的激活函数为：
其中mijk和vijk分别表示第i个输入第j层k块对应的高斯函数的均值和方差。
第三层为接收域层：用于计算输入对联想记忆单元的触发强度；接收域层的触发强度由第二层激活的联想记忆区域作累成处理，第j层接收场函数的第k块定义为:
第四层为权重层：用以搭建接收域空间和输出层之间的激发强度；第o个输出的权值表示为：
第五层为故障输出层：用以输出故障标签，可以直观明了的获取具体故障类型；通过sigmoid函数将输出值压缩在（0，1）之间，第o个输出 为：
步骤S103，获取待诊断电力电子变换器的信号，对所述信号进行数据预处理后输入所述DSP中，根据所述DSP的处理结果判断所述待诊断电力电子变换器是否出现故障。
本发明实施例，将采集的电力电子变换器的信号分解为多个子信号，分别对子信号进行处理，对处理后的子信号进行融合后降维，使用经过降维的信号训练故障分类器，使用经过训练的故障分类器对待诊断电力电子变换器的信号进行处理，根据处理结果判断待诊断电力电子变换器是否故障。通过对子信号的故障特征进行特征层融合处理，有效地减少了噪音等其他因素对单一状态信息的干扰，弥补了传统方法使用单故障样本信息的不可靠性和不确定性的缺点。
实施例二
如图2所示为本发明一个实施例提供的一种电力电子变换器故障的诊断系统的结构图，包括：
样本库建立模块201，用于根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库。
在本发明实施例中，从电力电子变换器中获取其在故障状态下运行时的信号，对该信号进行处理后，建立与电力电子变换器的运行状态相匹配的样本库。其中，电力电子变换器的信号包括但不限于：声音信号、振动信号、温度信号。
所述根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库，包括：
通过基于离散小波变换的多分辨率分析法对所述信号进行多级信号分解，获取各个分解层的小波系数；
获取所述小波系数每层的小波能量
，并将所述小波能量确定为故障特征矢量，其中，Ej为第j层的小波能量、j为小波分解的层数、N为第j层小波系数的长度、djk为小波分解后第j层中第k个小波细节系数；
通过主成分分析法对所述故障特征矢量进行降维处理，分别获取所述信号中能量最大的三个故障特征向量，共九个故障特征向量；
对所述九个故障特征向量进行融合处理，获取一9维向量矩阵。
在本发明实施例中，获取的电力电子变换器的信号即为带有故障信息的样本，通过小波变换特征提取方法从信号中提取出能反应电力电子变换器健康状况的特征向量
，其中每种信号的特征向量的维数为9，使用主成分分析法分别对三种信号的特征向量进行降维处理，将维数从9降为3，将降维后的特征向量作为与故障类型一一对应的样本库。
植入模块202，用于从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的训练后故障分类器植入用于诊断的DSP中。
在本发明实施例中，从前述步骤中获取的样本库中获取样本，将该样本设置为训练数据，根据该训练样本对基于小脑模型神经网络算法的故障分类器进行训练，将训练后且通过故障识别率的故障分类器植入用于电力电子变换器故障诊断的DSP中。
所述从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的故障分类器植入用于诊断的DSP中，包括：
将所述样本配置为训练样本和测试样本；
使用所述训练样本对所述故障分类器进行训练；
判断所述训练的误差是否小于预设的训练阈值，如果是则通过所述测试样本测试训练后故障分类器；
判断所述测试的准确率是否大于预设的准确率阈值，如果是，则将所述训练后故障分类器植入用于诊断的DSP中。
诊断模块203，用于获取待诊断电力电子变换器的信号，对所述信号进行数据预处理后输入所述DSP中，根据所述DSP的处理结果判断所述待诊断电力电子变换器是否出现故障。
本发明实施例，将采集的电力电子变换器的信号分解为多个子信号，分别对子信号进行处理，对处理后的子信号进行融合后降维，使用经过降维的信号训练故障分类器，使用经过训练的故障分类器对待诊断电力电子变换器的信号进行处理，根据处理结果判断待诊断电力电子变换器是否故障。通过对子信号的故障特征进行特征层融合处理，有效地减少了噪音等其他因素对单一状态信息的干扰，弥补了传统方法使用单故障样本信息的不可靠性和不确定性的缺点。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种电力电子变换器故障的诊断方法，其特征在于，包括：
根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库；
从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的训练后故障分类器植入用于诊断的DSP中；
获取待诊断电力电子变换器的信号，对所述信号进行数据预处理后输入所述DSP中，根据所述DSP的处理结果判断所述待诊断电力电子变换器是否出现故障。
2.如权利要求1所述的方法，其特征在于，所述信号包括：声音信号、振动信号、温度信号。
3.如权利要求2所述的方法，其特征在于，所述根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库，包括：
通过基于离散小波变换的多分辨率分析法对所述信号进行多级信号分解，获取各个分解层的小波系数；
获取所述小波系数每层的小波能量
，并将所述小波能量确定为故障特征矢量，其中，Ej为第j层的小波能量、j为小波分解的层数、N为第j层小波系数的长度、djk为小波分解后第j层中第k个小波细节系数；
通过主成分分析法对所述故障特征矢量进行降维处理，分别获取所述信号中能量最大的三个故障特征向量，共九个故障特征向量；
对所述九个故障特征向量进行融合处理，获取一9维向量矩阵。
4.如权利要求2所述的方法，其特征在于，所述从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的故障分类器植入用于诊断的DSP中，包括：
将所述样本配置为训练样本和测试样本；
使用所述训练样本对所述故障分类器进行训练；
判断所述训练的误差是否小于预设的训练阈值，如果是则通过所述测试样本测试训练后故障分类器；
判断所述测试的准确率是否大于预设的准确率阈值，如果是，则将所述训练后故障分类器植入用于诊断的DSP中。
5.一种电力电子变换器故障的诊断系统，其特征在于，所述系统包括：
样本库建立模块，用于根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库；
植入模块，用于从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的训练后故障分类器植入用于诊断的DSP中；
诊断模块，用于获取待诊断电力电子变换器的信号，对所述信号进行数据预处理后输入所述DSP中，根据所述DSP的处理结果判断所述待诊断电力电子变换器是否出现故障。
6.如权利要求5所述的系统，其特征在于，所述信号包括：声音信号、振动信号、温度信号。
7.如权利要求6所述的系统，其特征在于，所述根据获取的包含多个子信号的电力电子变换器的信号建立与电力电子变换器的运行状态相匹配的样本库，包括：
通过基于离散小波变换的多分辨率分析法对所述信号进行多级信号分解，获取各个分解层的小波系数；
获取所述小波系数每层的小波能量
，并将所述小波能量确定为故障特征矢量，其中，Ej为第j层的小波能量、j为小波分解的层数、N为第j层小波系数的长度、djk为小波分解后第j层中第k个小波细节系数；
通过主成分分析法对所述故障特征矢量进行降维处理，分别获取所述信号中能量最大的三个故障特征向量，共九个故障特征向量；
对所述九个故障特征向量进行融合处理，获取一9维向量矩阵。
8.如权利要求6所述的系统，其特征在于，所述从所述样本库获取作为训练数据的样本，通过所述样本对基于小脑模型神经网络算法的故障分类器进行训练，将通过故障识别率的故障分类器植入用于诊断的DSP中，包括：
将所述样本配置为训练样本和测试样本；
使用所述训练样本对所述故障分类器进行训练；
判断所述训练的误差是否小于预设的训练阈值，如果是则通过所述测试样本测试训练后故障分类器；
判断所述测试的准确率是否大于预设的准确率阈值，如果是，则将所述训练后故障分类器植入用于诊断的DSP中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010303245.7A CN111461058A (zh) | 2020-04-17 | 2020-04-17 | 一种电力电子变换器故障的诊断方法和诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010303245.7A CN111461058A (zh) | 2020-04-17 | 2020-04-17 | 一种电力电子变换器故障的诊断方法和诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111461058A true CN111461058A (zh) | 2020-07-28 |
Family
ID=71680280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010303245.7A Pending CN111461058A (zh) | 2020-04-17 | 2020-04-17 | 一种电力电子变换器故障的诊断方法和诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461058A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668754A (zh) * | 2020-12-03 | 2021-04-16 | 国网山西省电力公司大同供电公司 | 一种基于多源特征信息融合的电力设备缺陷诊断方法 |
| CN113887812A (zh) * | 2021-10-14 | 2022-01-04 | 广东电网有限责任公司 | 基于聚类的小样本负荷预测方法、装置、设备及存储介质 |
| CN114184893A (zh) * | 2021-12-09 | 2022-03-15 | 阳光电源股份有限公司 | 一种电力电子变流器及其故障管理方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109116150A (zh) * | 2018-08-03 | 2019-01-01 | 福州大学 | 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 |
| WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
-
2020
- 2020-04-17 CN CN202010303245.7A patent/CN111461058A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
| CN109116150A (zh) * | 2018-08-03 | 2019-01-01 | 福州大学 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 况等: "基于交叉小波变换和主元分析的电力电子电路故障特征提取", 《电测与仪表》 * |
| 肖伟等: "基于多分辨率分析的模拟电路故障诊断", 《微计算机信息》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668754A (zh) * | 2020-12-03 | 2021-04-16 | 国网山西省电力公司大同供电公司 | 一种基于多源特征信息融合的电力设备缺陷诊断方法 |
| CN113887812A (zh) * | 2021-10-14 | 2022-01-04 | 广东电网有限责任公司 | 基于聚类的小样本负荷预测方法、装置、设备及存储介质 |
| CN113887812B (zh) * | 2021-10-14 | 2023-07-07 | 广东电网有限责任公司 | 基于聚类的小样本负荷预测方法、装置、设备及存储介质 |
| CN114184893A (zh) * | 2021-12-09 | 2022-03-15 | 阳光电源股份有限公司 | 一种电力电子变流器及其故障管理方法和系统 |
| CN114184893B (zh) * | 2021-12-09 | 2024-05-14 | 阳光电源股份有限公司 | 一种电力电子变流器及其故障管理方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11409933B2 (en) | Method for diagnosing analog circuit fault based on cross wavelet features | |
| CN111461058A (zh) | 一种电力电子变换器故障的诊断方法和诊断系统 | |
| CN110287983B (zh) | 基于最大相关熵深度神经网络单分类器异常检测方法 | |
| CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| CN111695620B (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
| CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
| CN110726898A (zh) | 一种配电网故障类型识别方法 | |
| CN115013298A (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
| CN115235612A (zh) | 伺服电机的故障智能诊断系统及其诊断方法 | |
| CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
| CN111860447A (zh) | 一种准确识别随机相移卫星遥测时序数据模式的方法 | |
| CN116184224A (zh) | 一种基于收缩和空间交互网络的锂电池荷电状态估计方法 | |
| CN113689307A (zh) | 一种基于关联图网络的供电系统级故障关联增强认知与诊断 | |
| CN101241872B (zh) | 一种分布式超声引线键合质量在线检测系统 | |
| CN111260024A (zh) | 基于长短期记忆和典型相关结合的故障检测方法及系统 | |
| CN117330890B (zh) | 输电线路故障诊断系统及方法 | |
| CN117560201A (zh) | 计算机网络信息安全防护系统及方法 | |
| CN112949097A (zh) | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 | |
| Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
| CN116405139A (zh) | 一种基于Informer的频谱预测模型和方法 | |
| CN116610940A (zh) | 一种基于小波变换与深度神经网络的装备故障诊断系统 | |
| CN115758273A (zh) | 一种时序数据异常检测方法、装置、设备及介质 | |
| CN110135021B (zh) | 基于多源信号和rbf神经网络的atru系统故障分级诊断方法 | |
| CN115310604A (zh) | 一种基于神经网络的ups系统在线故障诊断方法 | |
| US20080247639A1 (en) | Data Matching Method, Data Matching Apparatus and Data Matching Program |
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: 20200728 |