CN112329370A - 一种基于极限学习机的SiC功率管在线故障诊断方法 - Google Patents
一种基于极限学习机的SiC功率管在线故障诊断方法 Download PDFInfo
- Publication number
- CN112329370A CN112329370A CN202011201601.0A CN202011201601A CN112329370A CN 112329370 A CN112329370 A CN 112329370A CN 202011201601 A CN202011201601 A CN 202011201601A CN 112329370 A CN112329370 A CN 112329370A
- Authority
- CN
- China
- Prior art keywords
- crow
- learning machine
- extreme learning
- improved
- fault diagnosis
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000010845 search algorithm Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 241000287828 Gallus gallus Species 0.000 abstract description 2
- 230000002028 premature Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 241001137251 Corvidae Species 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于极限学习机的SiC功率管在线故障诊断方法,属于航空电源状态监测与诊断领域。本发明利用改进的乌鸦搜索算法对极限学习机的输入权值和隐含层阈值进行优化,并将优化后的极限学习机模型用于SiC MOSFET故障诊断方面,既能够达到局部最优,又能够实现全局最优,解决了鸡群算法优化极限学习机时容易陷入局部最优、出现早熟收敛等缺点,与现有的SiC MOSFET故障诊断方法相比,此方法具有学习速度快、人为设置的参数少、网络结构简单等优点。
Description
技术领域
本发明公开一种基于极限学习机的SiC功率管在线故障诊断方法,属于航空电源状态监测与故障诊断领域。
背景技术
随着电动汽车、多电飞机和新能源等电力电子新生领域的蓬勃发展,对电力电子器件的效率、耐高温、耐高压等性能指标提出了更高的要求。功率变换器中的开关管倾向选用具有耐高温、高频率和高阻断电压等优良性能的SiC MOSFET替代Si管器件,所以,SiC功率管在高频、高压、高效率等领域越来越被广泛使用。
由于SiC MOSFET长期工作于高温、高压、高频等恶劣环境中,人们对其安全性和可靠性提出了较高的要求。SiC MOSFET作为功率变换器中的主要器件,其健康状况直接影响着整个变换器能否正常工作,进而影响变换器所在电力系统的工作状态。SiC MOSFET发生重大故障时,会导致整个电力电子系统瘫痪,所有用电设备停止工作,甚至造成重大电力事故。SiC MOSFET的故障种类较多,其故障主要包括:栅漏极短路故障、栅源极短路故障、漏极开路故障和源极开路故障。本发明主要针对航空功率变换器中的开关管SiC MOSFET,提出一种在线故障诊断方法。
近年来,随着人工智能的发展,越来越多学者应用智能算法对MOSFET进行故障诊断。MOSFET的智能故障诊断方法主要有神经网络和支持向量机。神经网络诊断方法需要人为设置大量的参数,不能够保证收敛到全局最小点。研究人员已经将遗传算法优化BP神经网络和支持向量机用于MOSFET的故障诊断中,但是遗传算法优化BP神经网络存在训练速度慢,稳定性差等问题。支持向量机故障诊断方法的核函数及其参数选择较为困难,解决多分类问题较为困难,对大规模训练样本难以实施。目前,对SiC MOSFET的故障诊断主要依靠硬件电路来实现,比如SiC MOSFET发生短路故障时采用较多的是退饱和检测法,但是硬件检测电路存在抗干扰能力差、实时性差、诊断精度低等问题。
极限学习机(Extreme Learning Machine,简称ELM)是一种针对单隐层前馈神经网络的简易算法。相对于传统前馈神经网络训练速度慢、容易陷入局部极小值点,学习率的选择敏感等缺点,ELM算法随机产生输入层与隐含层的连接权值及隐含层神经元的阈值,且在训练过程中无需调整,只需要设置隐含层神经元个数,即可获得唯一解。ELM算法具有比较简单的结构、较少的参数调整、更快的学习速度和泛化性能好等优点。但是ELM算法也存在一定的问题,ELM算法中的输入权值和隐含层阈值是随机给定的,通常需要设置较多的隐含层节点才能达到理想精度,但是较多的隐含层节点数会使网络变得更复杂。针对ELM算法存在的这个问题,尝试采用一些新的优化算法进行辅助改进,以促使其分类效率进一步提升。
发明内容
针对现有的SiC MOSFET故障诊断技术存在的不足之处,本发明提出一种基于改进乌鸦搜索算法优化极限学习机的SiC功率管的在线故障诊断方法,该方法采用改进的乌鸦搜索算法对极限学习机进行参数优化,然后将优化后的极限学习机模型用于SiC MOSFET的故障诊断中,该技术可应用于航空电源的状态监测与故障诊断系统中。
本发明的技术方案是:
一种基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法,其特征在于包括以下步骤:
步骤1:搭建基于SiC MOSFET的航空功率变换器整体仿真模型,确定SiC MOSFET的故障模式及SiC MOSFET在各种故障情况下变换器中故障可测点;
步骤2:利用故障可测点采集SiC MOSFET在各种故障模式下对应的电压信息,对采集的电压信息实施特征提取,然后进行归一化处理,将归一化处理后的数据信息按照一定比例随机分为训练样本集和测试样本集;
步骤3:对乌鸦搜索算法中的飞行步长和感知概率进行改进,使改进后的乌鸦搜索算法能够平衡乌鸦局部搜索能力与全局搜索能力,设置改进后的乌鸦搜索算法的相关参数,并设置极限学习机的各层节点数及激励函数,采用改进后的乌鸦搜索算法对极限学习机进行参数寻优,达到了最大迭代次数则优化结束,输出ELM模型的最优输入权值和隐含层阀值;
步骤4:建立优化后的ELM模型,并用测试样本集对优化后的ELM模型分类性能进行测试,得到模型的分类准确率,把优化后的ELM模型用于航空功率变换器中SiC MOSFET的在线故障诊断。
优选地,改进后的飞行长度和感知概率更新公式如下:
其中,fli,t表示乌鸦i在t次迭代的飞行长度,t∈[1,tmax],tmax为最大迭代次数,flmax为设定的最大飞行步长,flmin为设定的最小飞行步长,APj,t代表乌鸦j在t次迭代发现被乌鸦i跟踪的概率,APmin为设定的最小感知概率,APmax为设定的最大感知概率。
本发明有益效果如下:
本发明基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法,该技术可应用于航空电源的状态监测与故障诊断系统中。本发明提出将改进乌鸦搜索算法优化的极限学习机用于SiC MOSFET故障诊断方面,与现有的关于SiC MOSFET故障诊断方法相比,此方法具有学习速度快、人为设置的参数少、网络结构简单等优点。本发明采用改进乌鸦搜索算法改进了乌鸦搜索算法中乌鸦的飞行距离和感知概率两个参数,能够达到局部搜索能力和全局搜索能力的平衡,所以用改进乌鸦搜索算法对极限学习机的输入权值和隐含层阈值进行寻优操作,既能够达到局部最优,又能够实现全局最优,解决了鸡群算法优化极限学习机时容易陷入局部最优、出现早熟收敛等缺点。
附图说明:
图1为基于SiC MOSFET的航空功率变换器基本结构原理图
图2为SiC MOSFET的各类故障模型
图3为基于SiC MOSFET的航空功率变换器故障诊断模型建立流程图
图4为改进乌鸦搜索算法优化极限学习机参数流程图
图5为基于SiC MOSFET的航空功率变换器在线故障诊断流程图
具体实施方式:
下面结合附图1-5对本发明的技术方案进行详细说明。
本发明设计了一种基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法,所述的SiC功率管组成的变换器基本结构原理如图1所示(以Buck电路为例)。此变换器包含直流电源、电容、电感、电阻、二极管和SiC MOSFET开关管,主要依靠SiC MOSFET实现电压转换,被广泛应用于航空电源中。SiC MOSFET长期工作于恶劣的环境中故障发生率较高,其各类故障模型如图2所示。
一种基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法,如图3所示,具体操作包括以下步骤::
步骤1:对变换器的工作原理和SiC MOSFET内部结构进行深入了解和分析,在Saber仿真软件中搭建基于SiC MOSFET的航空功率变换器的电路模型,确定SiC MOSFET的故障模式并选取故障信号测试点。将整体电路模型在SiC MOSFET的各种故障模式下进行软件仿真,并保存仿真得到的故障数据。SiC MOSFET的故障模式可分为无故障、栅漏极短路故障、栅源极短路故障、漏源极开路故障四大类故障。
选取变换器中SiC MOSFET源极处的节点电压U1作为故障信号,在不同故障模式下对变换器进行仿真,采集故障数据并保存,每种故障模式下采取50组数据,共有4×50组数据。
步骤2:在Matlab软件中调用上述4×50组故障数据,并采用傅里叶变换对故障数据进行特征提取,选取电压U1的直流分量、3次谐波、5次谐波和7次谐波作为故障特征向量u,u可表示为u=[u1,u3,u5,u7]。
对特征向量u进行预处理,使数据能够消除量纲变得更加规范化,归一化公式如下:
其中,u是原始数据,μ是数据的平均值,σ是原始数据的标准差。经过数据归一化处理之后,u*的相关数据归一化至[-1,1]区间。在上述采集的50组故障数据中,任意选取30组故障数据作为训练样本,用于SiC MOSFET在线故障诊断ELM模型的建立,剩余20组故障数据作为测试样本,对模型进行分类性能测试。
步骤3:依据步骤2中特征提取的结果确定极限学习机输入层节点数。确定SiCMOSFET在各种故障情况下极限学习机的输出向量表达方式,即确定输出层节点数、隐含层节点数和隐含层激励函数,从而确定ELM网络结构。
步骤2中经过归一化处理后,特征向量可表示为u*,因此极限学习机的输入节点数为4。极限学习机的输出节点数为SiC MOSFET的故障分类数,根据步骤1中SiC MOSFET的故障分类数为4,则将极限学习机输出节点数设置为4。极限学习机的隐含层节点数通常都是人为设置的,可设置为10个,激励函数g(x)选择sigmoid函数。
步骤4:将步骤2中仿真所得的故障数据按照一定比例进行划分。将部分数据作为训练样本集,剩余数据作为测试样本集。训练样本集用于SiC MOSFET在线故障诊断ELM模型的训练,测试样本集用来测试优化后的ELM模型分类性能。
步骤5:将训练样本集作为极限学习机的输入,然后采用改进乌鸦搜索算法优化极限学习机的输入权值和隐含层阈值,进行SiC功率管故障诊断模型的学习。具体包括以下步骤:
步骤5.1:对改进乌鸦搜索算法相关参数进行初始化。需要初始化的参数有:乌鸦的数量、最大迭代次数、飞行长度和感知概率。归一化后故障数据中的训练样本集作为极限学习机的输入,采用改进乌鸦搜索算法对极限学习机的输入权值和隐含层阈值进行参数寻优,并进行航空功率变换器故障诊断模型的学习,图4为本文所述的改进乌鸦搜索算法优化极限学习机参数的流程图。
步骤5.2:初始化乌鸦位置和藏食物的记忆。假设S只乌鸦随机分布在一个d维搜索空间,乌鸦把食物藏匿在初始位置,每只乌鸦的初始记忆就是初始位置,即乌鸦i的初始位置xi,0=(ωi,0,bi,0)和初始藏食记忆mi,0=(ωi,0,bi,0),其中,(ωi,0,bi,0)表示ELM模型的初始输入权值和隐含层阈值参数组合。
本文需要优化的参数为ELM的输入权值和隐含层阈值,即乌鸦所处的每个位置和藏食物的记忆都代表一对输入权值和隐含层阈值参数组合(ωi,t,bi,t),其中i表示乌鸦编号,t表示第t次迭代。
步骤5.3:将乌鸦i的初始位置xi,0=(ωi,0,bi,0)和初始藏食记忆mi,0=(ωi,0,bi,0)用于训练ELM模型,并计算适应度值。在本文中适应度函数是ELM模型的分类正确率,分类正确率等于正确分类的样本个数Ne与训练样本集总数N的比值。分类正确率公式如下:
训练样本集记为B0={(xa,ya)|xa∈Rn,ya∈Rm,a=1,...,N}和测试样本集B1={(xa,ya)|xa∈Rn,ya∈Rm,a=1,...,K},R代表实数空间,xa为n维样本特征向量,ya为m维样本标签,即xa={xa1,xa2,…,xan},ya={ya1,ya2,…,yam},a为样本数量。bi,t=bc=[b1,b2,...,bk],c=1,2,...,k,k为隐含层节点数。训练数据和测试数据的样本个数分别为N个和K个。计算得到训练样本集对应的隐含层输出矩阵为
然后利用H的广义逆矩阵H+来求解Hβ=T的最小二乘解可以表示为:β=H+T,其中,T为训练样本集的输出,T=[ta1,......,tam]T,此时即可得到ELM模型的分类正确数量。
步骤5.4:产生新位置。如果适应度值没有达到全局最优值,就用改进乌鸦搜索算法产生新位置,并检测新位置的可行性。如果乌鸦i的新位置可行,则乌鸦i将飞向新位置,否则,保持当前位置不变。
产生新位置的过程如下:在乌鸦的种群中,乌鸦i随机选择另一只乌鸦j跟随,如果乌鸦j不知道被跟踪,则乌鸦i就会偷走乌鸦j的食物,如果乌鸦j知道被跟踪,则乌鸦j将会到随机位置愚弄乌鸦i,则乌鸦i的位置更新公式如下:
乌鸦的飞行长度和感知概率更新公式如下:
其中,xi,t表示第i只乌鸦在t次迭代的位置,t∈[1,tmax],tmax为最大迭代次数,xi ,t+1表示乌鸦i的新位置,mj,t表示第j只乌鸦在t次迭代的最优位置,ri表示取0~1之间均匀分布的随机数,rj表示取0~1之间均匀分布的随机数。fli,t表示乌鸦i在t次迭代的飞行长度,flmax为设定的最大飞行步长,flmin为设定的最小飞行步长,APj,t代表乌鸦j在t次迭代发现被乌鸦i跟踪的概率,APmin为设定的最小感知概率,APmax为设定的最大感知概率。
步骤5.5:评估新位置的适应度函数。计算每只乌鸦新位置的适应度函数值。
步骤5.6:更新乌鸦的记忆。如果乌鸦新位置的适应度值比原始记忆位置的适应度值更好,乌鸦则会通过新位置更新自身记忆,否则,保持当前记忆值不变。
其中,f(*)表示适应度值。
步骤5.7:迭代中止条件。重复步骤5.3-步骤5.6直至达到最大的迭代次数。当满足中止条件时,输出乌鸦的最优记忆,乌鸦的最优记忆则为ELM模型的最优输入权值和隐含层阈值参数组合(ω,b)。
步骤6:计算ELM模型分类正确率。经过上述步骤得到参数优化后的ELM模型,用测试样本集测试优化后的ELM模型的分类性能,然后输出模型的分类正确率。
步骤7:将测试后的极限学习机模型用于变换器在线故障诊断中,实现对SiCMOSFET的实时状态监测。航空功率变换器中的SiC MOSFET在线故障诊断流程图如图5所示,其中故障信号的选取、故障特征提取和归一化处理方法与故障诊断模型建立时保持一致。若SiC MOSFET发生了故障,则进行报警并且显示SiC MOSFET发生的故障模式,以供后续方便维修。
Claims (4)
1.一种基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法,其特征在于包括以下步骤:
步骤1:搭建基于SiC MOSFET的航空功率变换器整体仿真模型,确定SiC MOSFET的故障模式及SiC MOSFET在各种故障情况下变换器中故障可测点;
步骤2:利用故障可测点采集SiC MOSFET在各种故障模式下对应的电压信息,对采集的电压信息实施特征提取,然后进行归一化处理,将归一化处理后的数据信息按照一定比例随机分为训练样本集和测试样本集;
步骤3:对乌鸦搜索算法中的飞行步长和感知概率进行改进,使改进后的乌鸦搜索算法能够平衡乌鸦局部搜索能力与全局搜索能力,设置改进后的乌鸦搜索算法的相关参数,并设置极限学习机的各层节点数及激励函数,采用改进后的乌鸦搜索算法对极限学习机进行参数寻优,达到了最大迭代次数则优化结束,输出ELM模型的最优输入权值和隐含层阀值;
步骤4:建立优化后的ELM模型,并用测试样本集对优化后的ELM模型分类性能进行测试,得到模型的分类准确率,把优化后的ELM模型用于航空功率变换器中SiC MOSFET的在线故障诊断。
3.根据权利要求2所述的基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法,其特征在于采用改进后的乌鸦搜索算法对极限学习机进行参数寻优具体包括以下步骤:
步骤3.1:对改进乌鸦搜索算法中乌鸦的数量、最大迭代次数、飞行长度和感知概率进行初始化;
步骤3.2:对乌鸦的位置和藏食记忆进行初始化,设定乌鸦i的初始位置xi,0=(ωi,0,bi,0)和初始藏食记忆mi,0=(ωi,0,bi,0),其中,(ωi,0,bi,0)表示ELM模型的初始输入权值和隐含层阈值参数组合;
步骤3.3:将乌鸦i的初始位置和初始藏食记忆用于训练ELM模型,并计算适应度值;
步骤3.4:如果适应度值没有达到全局最优,则产生新的位置,产生新位置的过程如下:在乌鸦的种群中,乌鸦i随机选择另一只乌鸦j跟随,如果乌鸦j不知道被跟踪,则乌鸦i就会偷走乌鸦j的食物,如果乌鸦j知道被跟踪,则乌鸦j将会到随机位置愚弄乌鸦i,乌鸦i的位置更新公式如下:
其中,xi,t表示第i只乌鸦在t次迭代的位置,xi,t+1表示乌鸦i的新位置,mj,t表示第j只乌鸦在t次迭代的最优位置,ri表示取0~1之间均匀分布的随机数,rj表示取0~1之间均匀分布的随机数,APj,t为第t次迭代时乌鸦j知道乌鸦i跟踪它的概率;
步骤3.5:计算每只乌鸦新位置的适应度函数值;
步骤3.6:如果乌鸦新位置的适应度值比原始记忆位置的适应度值更好,乌鸦通过新位置更新自身的记忆值,否则,保持当前记忆值不变;
步骤3.7:重复步骤3.3-步骤3.6直至达到最大迭代次数,输出乌鸦的最优记忆,即ELM模型的最优输入权值和隐含层阈值参数组合(ω,b)。
4.根据权利要求1所述的基于改进乌鸦搜索算法优化极限学习机的SiC功率管在线故障诊断方法,其特征在于:步骤4中对SiC MOSFET进行在线故障诊断,故障信号的选取、特征提取和归一化处理方法与步骤2中保持一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011201601.0A CN112329370B (zh) | 2020-11-02 | 2020-11-02 | 一种基于极限学习机的SiC功率管在线故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011201601.0A CN112329370B (zh) | 2020-11-02 | 2020-11-02 | 一种基于极限学习机的SiC功率管在线故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329370A true CN112329370A (zh) | 2021-02-05 |
CN112329370B CN112329370B (zh) | 2024-07-05 |
Family
ID=74324242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011201601.0A Active CN112329370B (zh) | 2020-11-02 | 2020-11-02 | 一种基于极限学习机的SiC功率管在线故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329370B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 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 |
-
2020
- 2020-11-02 CN CN202011201601.0A patent/CN112329370B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 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 |
Non-Patent Citations (1)
Title |
---|
唐军祥等: "一种无刷同步发动机旋转整流器故障快速识别方法", 《计算机与现代化》, no. 10, pages 66 - 71 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112329370B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635506B (zh) | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 | |
CN110766137A (zh) | 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 | |
CN113869145B (zh) | 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统 | |
CN112329370B (zh) | 一种基于极限学习机的SiC功率管在线故障诊断方法 | |
CN113486078A (zh) | 一种分布式配电网运行监控方法及系统 | |
CN115225516B (zh) | 基于改进abc-vmd的lssvm网络流量预测方法 | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN110889496A (zh) | 一种基于对抗生成网络的人脑效应连接识别方法 | |
CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
CN115130830B (zh) | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 | |
CN115688880A (zh) | 模块化多电平换流器开关器件开路故障诊断方法及装置 | |
CN115862319A (zh) | 一种面向时空图自编码器的交通流量预测方法 | |
CN116629451A (zh) | 一种燃料电池剩余寿命预测方法、系统、介质及终端 | |
CN112163613A (zh) | 一种电能质量扰动的快速识别方法 | |
CN115713162A (zh) | 一种分布式低碳能源站健康状态预警预测方法 | |
CN116501444A (zh) | 智能网联汽车域控制器虚拟机异常云边协同监测和恢复系统及方法 | |
CN116722545A (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN115017939A (zh) | 一种飞机燃油泵故障智能诊断方法、装置和存储介质 | |
CN110570114A (zh) | 基于可变循环神经网络的电能质量扰动识别方法、系统及介质 | |
CN110110426A (zh) | 一种开关电源滤波电容失效检测方法 | |
CN108985385A (zh) | 基于生成对抗学习的快速弱监督目标检测方法 | |
CN116778709A (zh) | 一种基于注意力时空图卷积网络交通流速度的预测方法 | |
CN115169544A (zh) | 一种短期光伏发电功率预测方法及系统 | |
CN115754713A (zh) | 一种基于频率图及efa-bp深度学习的电机故障诊断方法 | |
Hung et al. | Device light fingerprints identification using MCU-based deep learning approach |
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 |