CN112611982A - 模块化多电平换流器的深度小波孪生网络故障诊断方法 - Google Patents
模块化多电平换流器的深度小波孪生网络故障诊断方法 Download PDFInfo
- Publication number
- CN112611982A CN112611982A CN202011370499.7A CN202011370499A CN112611982A CN 112611982 A CN112611982 A CN 112611982A CN 202011370499 A CN202011370499 A CN 202011370499A CN 112611982 A CN112611982 A CN 112611982A
- Authority
- CN
- China
- Prior art keywords
- fault
- wavelet
- twin network
- data
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 21
- 239000003990 capacitor Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 16
- 238000000605 extraction Methods 0.000 abstract description 10
- 238000013507 mapping Methods 0.000 abstract description 7
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 34
- 238000010586 diagram Methods 0.000 description 17
- 239000000470 constituent Substances 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000013074 reference sample Substances 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 235000009413 Ratibida columnifera Nutrition 0.000 description 2
- 241000510442 Ratibida peduncularis Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- PRGXFAWAMOFULD-UHFFFAOYSA-N 2-(methylamino)-1-(2-methylphenyl)propan-1-one Chemical compound CNC(C)C(=O)C1=CC=CC=C1C PRGXFAWAMOFULD-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization 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
- G01R31/54—Testing for continuity
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- G06F18/21—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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Tests Of Electronic Circuits (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了模块化多电平换流器的深度小波孪生网络故障诊断方法，首先将MMC整流模式及逆变模式下的故障数据进行融合并增强后，利用深度小波孪生网络强大的特征提取能力将数据映射到低维空间，并基于欧式距离进行故障识别；其次引入增量学习对MMC参数发生漂移后的故障诊断模型进行再学习更新模型参数，提高故障诊断模型的泛化能力。最后，搭建了MMC整流及逆变仿真模型，验证了所提方法的有效性。本发明结合孪生网络及增量学习的优点，能快速诊断出故障、提高换流器运行可靠性，提高MMC在小样本及参数漂移情况下故障诊断的正确率。
Description
技术领域
本发明涉及电网领域，具体涉及模块化多电平换流器的深度小波孪生网络故障诊断方法。
背景技术
模块化多电平换流器(modular multilevel converter，MMC)因其优异的控制性能、良好的输出特性且具有灵活的交直流接口等优点，被广泛应用于柔性直流输电、新能源并网及电力电子变压等领域。MMC的模块化结构使其在子模块发生故障时可通过冗余保护的策略将故障子模块进行旁路或替换，从而提高系统运行的可靠性和安全性，而故障准确诊断是进行冗余保护的前提。因此，当子模块发生故障时快速准确的诊断出故障具有重要的意义。
基于机器学习的故障诊断流程通常分为特征提取与故障识别两个部分，首先从原始信号中提取表征故障状态的特征，其次利用故障识别方法判定故障类别。提取特征的方法大多为信号处理方法，如傅里叶变换、小波变换、经验模态分解、希尔伯特谱等，故障识别的方法主要有支持向量机、BP神经网络等。文献[杨桢,马子莹,李鑫.基于WPD-PCA与GA-BP的MMC子模块故障定位方法研究]提出利用小波包变换提取频带能量经PCA降维后，利用BP神经网络实现MMC的子模块开路故障诊断。文献[李翠,刘振兴,柴利等.模块化多电平换流器的子模块开路故障诊断方法]采集三相电流信号经希尔伯特包络分解得到特征，搭建整体最小二乘支持向量机实现MMC开路故障桥臂识别。文献[李兵,崔介兵,何怡刚基于能量谱熵及小波神经网络的有源中性点钳位三电平逆变器故障诊断[J]]将电流偏差信号进行经验模态分解后求取希尔伯特边际谱作为特征量，结合深度极限学习机实现级联H桥逆变器的开路故障诊断。
机器学习方法需要计算较为复杂的信号处理方法提取特征，且需要每种故障情况下的大量数据训练模型才能获得较高的准确率。此外，模型经离线训练完成后，后续无法根据实际情况对模型参数进行再学习，可能导致电路参数发生变化后故障诊断效果不理想。然而，MMC因拓扑结构复杂，功率器件开路故障种类较多，采集每种故障情况下大量的数据较难，且MMC在运行过程中不可避免的受到环境等的影响，造成器件参数发生漂移。
发明内容
为解决上述问题，本发明提出模块化多电平换流器的深度小波孪生网络故障诊断方法，通过下述技术方案实现：
一种模块化多电平换流器的深度小波孪生网络故障诊断方法，包括如下步骤：
S1、获取MMC整流及逆变模式下不同子模块开路故障的桥臂电流数据，对数据进行数据增强处理得到扩展数据集；
S2、将扩展数据集中的数据进行配对形成训练集，利用训练集训练构建的深度小波孪生网络；
S3、将扩展数据集输入训练好的深度小波孪生网络计算各故障类别的特征聚类中心作为基准特征向量；
S4、获取当前运行情况下的桥臂电流数据输入训练好的深度小波孪生网络，根据输出特征向量与基准特征向量的匹配度进行故障定位；
S5、利用故障定位之后的新增故障数据对深度小波孪生网络进行增量学习，更新故障诊断模型的参数。
上述方案的有益效果为，将MMC整流模式和逆变模式下的数据进行归类合并后作为训练样本，通过深度小波孪生网络进行特征映射后仅利用简单的距离度量实现故障诊断，实现了MMC整流逆变的一体化故障诊断。自适应提取故障特征计算简单，无需复杂的故障分类算法便实现了较高的诊断正确率。
进一步的，所述开路故障的桥臂电流数据包括MMC工作在整流模式和逆变模式下桥臂故障的融合电流数据。
上述进一步方案的有益效果是，将MMC整流模式和逆变模式下的故障数据进行融合，并将数据增强方法作用于融合信号，有效的增加数据的多样性并提高故障诊断模型的抗干扰性。
进一步的，所述步骤S1中数据增强处理方法为，添加不同程度的噪声，并将加噪数据与原数据合并为扩展数据集，具体表示为如下公式：
Xi＝X+noisei；
其中，X为原始样本；Xi为生成的添加了不同噪声强度的样本；noisei为不同强度的噪声。
上述进一步方案的有益效果是，为更进一步防止DWSN过拟合，使用数据增强的方法进一步增加样本的多样性，将不同强度的噪声添加到原训练样本中。
进一步的，所述深度小波孪生网络包括两个结构相同的深度小波神经子网络，且子网络之间的参数共享权值。
上述进一步方案的有益效果是，小波基因其特有的局部化提取特征且可平移及伸缩的优点，被引入神经网络中作为隐含层的激活函数，形成小波神经网络，且被证明具备良好的非线性映射优点。
进一步的，所述步骤S3中深度小波孪生网络计算各故障类别的特征聚类中心的方法为：
S31、将所有训练样本经深度小波孪生网络提取特征后，求取各类训练样本的低维特征聚类中心作为基准特征向量，其中，所述基准特征的计算表示为，
S32、根据故障类别的基准特征向量，将待分类样本输入深度小波孪生网络提取特征向量，计算该特征向量与基准特征向量之间的距离，将待分类样本归属到与之特征向量距离最近的基准特征向量所属的故障类别中。
上述进一步方案的有益效果是，通过子网络进行映射后，同类样本在低维空间中将聚到一起，不同类样本将相互远离。通过度量待分类样本与各类基准样本的低维特征间的距离，将待分类样本划分至与之距离最近的基准样本所属的类中。
进一步的，所述待分类样本的低维特征向量的计算过程为：
S41、输入样本对经过所述深度小波神经子网络多层隐含层提取其特征，其表达式为：
其中，Hl为l层输出，Wl为l层权值，Hl-1为第l-1层输出，bl为l层偏置；τl为该层平移因子，al为l层尺度因子；
ψl(·)为该层小波基激活函数，具体表示为，
其中：
S42、所述深度小波神经子网络的输出层输出子络提网取的低维特征，其表示为，
Gw(X)＝WGHl；
其中，Gw(X)为子网络提取的特征；WG为权值；
S43、输出输入样本对的距离，具体表示为：
Ew(X1,X2)＝||Gw(X1)-Gw(X2)||；
其中，(X1,X2)为输入样本对，Ew(X1,X2)为输入样本对的距离，Gw(X1)、Gw(X2)为经过子网络提取的低维特征。
上述进一步方案的有益效果是，使同类别样本对间的距离最小化，不同类样本对间的距离最大化。
进一步的，所述深度小波孪生网络的损失函数表示为：
其中，N为批训练的样本对数，y为标签，margin为设定的常数，d为输入样本对特征向量之间的欧式距离。
上述进一步方案的有益效果是，通过优化使L最小化即可训练DWSN为一个有监督的特征提取网络。
进一步的，所述增量学习包括如下步骤：
S51、将新增故障数据通过当前的DWSN模型提取特征，并根据样本类别，求取各类别特征的聚类中心；
S52、利用新增故障数据的特征聚类中心更新原基准特征向量，其更新的方式表示为：
其中，
为更新后的第i类故障基准特征向量；Ni为原训练集第i类故障样本数，Ci为第i类故障基准特征向量；
S53、将更新后的基准特征向量作为故障识别模型中的基准特征向量应用于后续故障诊断。
上述进一步方案的有益效果是，在MMC的运行过程中，电路中的一些参数如电容和电感会随运行时间推移发生漂移，导致输出特性发生不同程度的改变，若不对故障诊断模型参数进一步更新，将会降低故障诊断的正确率。
进一步的，所述故障定位的方法为：
根据分类结果定位发生故障的桥臂；
根据故障桥臂中子模块的电容电压变化率定位故障子模块。
进一步的，所述定位故障子模块的方法为：
提取故障桥臂每个子模块电容电压变化率，将其作为特征值；
计算每个特征值到其近邻的K个特征值之间的平均距离Di；
若Di大于设定的异常阈值Dth且持续预定时间Tth，则判断第i个子模块发生了故障并结束故障定位流程。
上述进一步方案的有益效果是，MMC子模块发生开路故障后，将造成故障桥臂电流畸变和故障子模块电容异常充放电的情况。当负载较小时子模块电容充放电较慢且当电平数较多时MMC子模块数量巨大，直接提取子模块电容电压特征进行故障诊断计算量较大且耗时较长，不利于故障的快速检测与定位。而MMC桥臂数远小于子模块数，采用桥臂电流作为故障参量相比于采用子模块电容电压作为故障参量，不仅能降低计算量而且可以提高故障检测的速度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明模块化多电平换流器的深度小波孪生网络故障诊断方法流程图。
图2为本发明实施例MMC拓扑结构示意图。
图3为本发明实施例开路故障时子模块内部运行情况，其中，图3a为模式2下T1故障示意图，图3b为模式3下T2故障示意图。
图4为本发明实施例孪生网络结构示意图。
图5为本发明实施例深度小波孪生网络结构示意图。
图6为本发明实施例增量学习流程示意图。
图7为本发明实施例KNN故障定位流程图。
图8为本发明实施例逆变模式功率管桥臂电流及子模块电容电压示意图，其中图8a为正常运行状态，图8b为上管故障状态，图8c为下管故障状态。
图9为本发明实施例整流模式功率管桥臂电流及子模块电容电压示意图，其中图9a为正常运行状态，图9b为上管故障状态，图9c为下管故障状态。
图10为本发明实施例训练损失曲线图。
图11为本发明实施例训练集特征在二维空间的分布图，其中序号1-7分别表示不同的分类。
图12为本发明实施例不同方法在不同噪声程度下的诊断结果。
图13为本发明实施例不同方法在参数漂移情况下的诊断结果。
具体实施方式
在下文中，可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本发明的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本发明的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本发明的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本发明的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。
应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本发明的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
模块化多电平换流器的深度小波孪生网络故障诊断方法，如图1所示，包括如下步骤：
S1、获取MMC整流及逆变模式下不同子模块开路故障的桥臂电流数据，对数据进行数据增强处理得到扩展数据集；
MMC正常运行时子模块内部电流路径共有四种模式，如表1所示，
表1子模块电流路径
对表1进行分析知，若T1故障，则在模式2下才会对电路造成影响；若T2故障，则在模式3下才会对电路造成影响。如图3所示为模式2下T1开路和模式3下T2开路的子模块内部运行情况。由图3(a)，模式2下T1开路导致电容不能经T1放电；由图3(b)，模式3下T2开路导致电容不能被T2旁路致使被迫充电。
由以上对功率管发生开路故障后子模块内部运行特性的分析，当子模块发生开路故障后，桥臂电流在子模块内部的流通路径在特定模式下将会改变，致使桥臂电流以及子模块电容电压发生变化。但电容电压的改变需要一定时间且在负载较小时变化较慢，为提高故障诊断的快速性，本实施例利用桥臂电流作为故障参量将故障定位到桥臂，再利用故障桥臂子模块电容电压的变化特性定位故障子模块。
在本实施例里，使用的数据增强的方法进一步增加样本的多样性。将不同强度的噪声添加到原训练样本中，如下式：
Xi＝X+noisei
式中X为原始样本；Xi为生成的添加了不同噪声强度的样本；noisei为不同强度的噪声。经数据增强后生成的样本与原样本归为同一类别，共同训练DWSN。不仅进一步扩充了输入样本，并且提高了模型的抗噪性能。
S2、将扩展数据集中的数据进行配对形成训练集，利用训练集训练构建的深度小波孪生网络；
对数据进行增强处理后，通过添加不同程度的噪声增加数据的多样性，将加噪数据与原数据合并为扩展数据集。将扩展数据集中不同的两个数据进行配对组合，若为同类标签为1，不同类标签为0，形成训练集。利用训练集训练所构建的深度小波孪生网络，得到训练好的DWSN模型。
孪生网络由两个含相同网络结构的子网络组合而成，其网络结构如图4所示。输入网络的两个样本经子网络进行映射后得到低维度的特征，通过度量样本低维特征间的距离得到输入样本对的匹配程度，从而判断输入的样本对是否为同一类。
小波基因其特有的局部化提取特征且可平移及伸缩的优点，被引入神经网络中作为隐含层的激活函数，形成小波神经网络，且被证明具备良好的非线性映射优点。
S3、将扩展数据集输入训练好的深度小波孪生网络计算各故障类别的特征聚类中心作为基准特征向量；
在故障诊断问题中，同类故障的样本波形各异，基准样本的选取不同会影响最终的诊断精度。为减小因基准样本人为选择的不适定性，本实施例并不直接在各故障类别中选取基准样本，而是将所有训练样本经DWSN提取特征后，求取各类训练样本的低维特征聚类中心作为基准特征向量，基准特征的计算下所示：
式中Ci为第i类故障的基准特征向量；Ni为第i类故障的样本总数；Xn为样本；G(Xn)为经DWSN提取到的低维特征向量。
得到各故障类别的基准特征向量后，待分类样本经DWSN提取特征向量，计算该特征向量与基准特征向量之间的距离，将待分类样本归属到与之特征向量距离最近的基准特征向量所属的故障类别中。
S4、获取当前运行情况下的桥臂电流数据输入训练好的深度小波孪生网络，根据输出特征向量与基准特征向量的匹配度进行故障定位；
本实施例提供将小波基的优点和深度神经网络特征提取能力相结合，提出了深度小波孪生网络DWSN，结构图如图5所示，DWSN的子网络为深度小波神经网络，且子网络1和2参数共享。输入信号X经子网络的隐含层进行特征提取的表达式为：
式中，Hl为l层输出，Wl为l层权值，Hl-1为第l-1层输出，bl为l层偏置；τl为l层平移因子，al为l层尺度因子，ψl(·)为l层小波基激活函数。
本实施例采用的小波基激活函数为墨西哥帽小波基，数学公式为：
子网络的最后一层为特征输出层，计算公式为：
Gw(X)＝WGHl；
为Gw(X1)、Gw(X2)，输出Ew为输入样本对的距离，一般利用欧式距离进行计算：
Ew(X1,X2)＝||Gw(X1)-Gw(X2)||；
DWSN训练的目标为使同类别样本对间的距离最小化，不同类样本对间的距离最大化，损失函数为：
式中，N为批训练的样本对数，y为标签，margin为设定的常数，d为输入样本对特征向量之间的欧式距离。
当输入样本对为同类时，y的值为1，L为d的单调递增函数；当输入样本对为不同类时，y的值为0，L仍为d的单调递增函数。通过优化使L最小化即可训练DWSN为一个有监督的特征提取网络。
孪生网路应用于分类问题时，通过子网络进行映射后，同类样本在低维空间中将聚到一起，不同类样本将相互远离。通过度量待分类样本与各类基准样本的低维特征间的距离，将待分类样本划分至与之距离最近的基准样本所属的类中，具体而言，对于总样本数为m的分类问题，一般的分类模型训练时的输入为各样本及对应标签(xi,yi)，输入模型进行训练的样本一共为m个，在样本数较少及网络较深时容易陷入过拟合。而孪生网络的输入为(xi,xj,y)，输入模型进行训练的样本为m(m-1)个，极大了提高输入样本的多样性，且采用了孪生的两个子网络结构，使模型不易于过拟合，更适合于小样本学习任务中。
在MMC故障检测过程中，若诊断到故障，从分类结果可得到发生故障的桥臂，进一步对故障桥臂的子模块进行诊断，即可定位故障子模块。
相较于其余正常子模块，故障子模块的电容电压变化率在故障特性显现时可视为异常值。因此，本实施例提出将KNN异常值检测用于故障子模块定位的方法，其定位流程如图7，步骤如下：
(1)提取故障桥臂每个子模块电容电压变化率，将其作为特征值；
(2)计算每个特征值到其近邻的K个特征值之间的平均距离Di；
(3)若Di大于设定的异常阈值Dth且持续一定时间Tth，则判断第i个子模块发生了故障并结束故障定位流程。
针对单子模块发生开路故障，故障后，正常子模块数为N-1(N为桥臂子模块数)，正常子模块特征值与其近邻的N-2个子模块特征值相距较近，故近邻数K取值为N-2。正常运行情况下各子模块电容电压变化率差值较小，各特征值到其余近邻之间的平均距离Di较小，而发生开路故障时，在模式2或模式3下故障子模块电容电压变化率将显著偏离其余正常子模块。为提高故障定位的可靠性，阈值Dth设定为正常运行情况下各桥臂子模块Di统计值最大量的3倍，持续时间Tth设定为10个故障定位周期。
S5、利用故障定位之后的新增故障数据对深度小波孪生网络进行增量学习，更新故障诊断模型的参数。
故障诊断模型往往通过大量的数据对其进行一次性离线训练，当模型一但训练完成且在测试集上的效果符合要求后便投入使用。后续运行过程中获取到新数据需要对模型参数进行更新时，需将初始数据联合新增数据一起重新训练模型，当数据较多时不便于存储且模型较大时重新训练模型将异常耗时。
在MMC的运行过程中，电路中的一些参数如电容和电感会随运行时间推移发生漂移，导致输出特性发生不同程度的改变，若不对故障诊断模型参数进一步更新，将会降低故障诊断的正确率。为此，本实施例提出具有增量学习能力的深度小波孪生网络，实现对故障诊断模型参数的再学习，增量学习的流程如图6所示。
当有新增样本更新模型参数时，更新流程如下：
步骤1：将新增故障数据通过当前的DWSN模型提取特征，并根据样本类别，求取各类别特征的聚类中心，求取方式按加权平均和方式进行，如下所示：
式中，Fi为第i类样本的特征聚类中心；
为第i类样本的第n个特征；Mi为第i类样本数。
步骤2：利用新增故障数据的特征聚类中心更新原基准特征向量，更新方式如下所示：
式中，
为更新后的第i类故障基准特征向量；Ni为原训练集第i类故障样本数，Ci为第i类故障基准特征向量。
步骤3：将更新后的基准特征向量作为故障识别模型中的基准特征向量应用于后续故障诊断。
仿真验证
为验证所提MMC子模块开路故障诊断方法的有效性，搭建了CPS型MMC整流及逆变仿真模型，详细参数如表2所示。
表2 MMC模型参数
MMC工作在逆变模式时，桥臂电流及子模块电容电压如图8所示。其中图8(a)为正常运行情况下上、下桥臂电流及子模块电容电压；图8(b)为上桥臂子模块上管开路时故障桥臂电流及子模块电容电压；图8(c)为上桥臂子模块下管开路时故障桥臂电流及子模块电容电压。
MMC工作在整流模式时，桥臂电流及子模块电容电压如图9所示。与图8相同，图9(a)、(b)、(c)分别为正常、上管故障、下管故障的仿真结果。
故障诊断过程中的数据采用滑动窗口获取，故障桥臂诊断阶段滑动窗口长度为20ms，即一个周期，步长为1ms；子模块故障定位阶段滑动窗口长度为1ms，步长为0.1ms。
本实施例将MMC工作于整流模式与逆变模式下的子模块开路故障诊断进行一体化整合，在整流模式与逆变模式下所采集的桥臂电流数据进行混合后归为同一类别，共同训练DWSN故障诊断模型。每个桥臂子模块开路故障分为上管开路及下管开路，通过改变负载、子模块电容、桥臂电抗参数，采集各故障类别下桥臂电流数据，则共采集到260组样本。
本实施例方法利用数据增强对每个样本随机添加强度为10-20dB的高斯白噪声，则扩充后的总样本数为520组。一个周期采集的单个桥臂电流数据长度为200，则6个桥臂电流数据拼接后的数据大小为1200，所设置的DWSN模型中子网络为4层结构，各层节点数为1200-256-32-2，各层的激活函数为Mexican Hat小波基。桥臂故障类别数为7类，分别表示正常及6个桥臂故障。
为对比本实施例所提方法与其它方法的性能，本实施例采用了以下方法对故障诊断效果进行测试：
方法1：小波包变换提取特征，SVM识别故障。母小波为‘db4’，分解层数为4层，对小波包分解后的各频带系数求取能量，共得到16个特征，SVM中核函数采用高斯函数。
方法2：PCA提取特征，BP神经网络识别故障。PCA进行特征映射后，取前10个成分值作为特征，BP神经网络输入层、隐含层、输出层节点数为10-20-7。
方法3：孪生网络进行故障识别。孪生网络结构为1200-256-32-2，各层激活函数为sigmoid，基准样本随机从各类故障样本集中抽取。
方法4：本实施例方法。
将样本中的70％作为训练集，30％作为测试集，对本实施例方法及对比方法的诊断效果进行测试，为避免单次结果的偶然性，本实施例对4种方法均进行十次运行，取平均值作为最终结果。本实施例方法的训练损失曲线图如图10所示，训练集的低维特征聚类情况如图11所示。
由图10可知，当迭代次数达300以上时，损失值基本为收敛至约为0。由图11可知，训练集经DWSN提取的特征在二维可视化平面中同类特征聚集到一簇，不同类特征相互远离，网络特征提取效果较好。文章方法及其对比方法诊断效果如表3所示。
表3不同方法准确率
| 诊断方法 | 训练集准确率 | 测试集准确率 |
| 方法1 | 97.6％ | 88.3％ |
| 方法2 | 99.6％ | 86.5％ |
| 方法3 | 98.4％ | 92.4％ |
| 方法4 | 99.2％ | 97.8％ |
由表3可知，4种方法在训练集上表现均较好，但方法1-3泛化性能较差，方法4无论是在训练集和测试集上表现均较好。
在实际的工程应用中，电路的输出信号会不可避免的受到周围环境噪声的干扰。因此，抗干扰能力是故障诊断模型不可或缺的。向测试集添加不同强度的高斯白噪声模拟实际信号受噪声干扰的程度，各种方法在噪声干扰情况下的表现如图12所示。
由图10可知，随着噪声强度的增加，方法1-4诊断正确率均不同程度的降低。但文章方法诊断正确率始终是最高的，且均大于90％，表明文章方法抗干扰能力较强。
在长时间运行过程中，MMC元器件的参数会发生一定程度的漂移，各种方法在MMC子模块电容及桥臂电感发生漂移的情况下的诊断结果如图13所示。
由图13可知，文章方法在参数漂移5％的情况下，测试集正确率依然最高且大于90％，表明文章方法较其它方法具备更强的泛化性能。
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。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，包括如下步骤：
S1、获取MMC整流及逆变模式下不同子模块开路故障的桥臂电流数据，对数据进行数据增强处理得到扩展数据集；
S2、将扩展数据集中的数据进行配对形成训练集，利用训练集训练构建的深度小波孪生网络；
S3、将扩展数据集输入训练好的深度小波孪生网络计算各故障类别的特征聚类中心作为基准特征向量；
S4、获取当前运行情况下的桥臂电流数据输入训练好的深度小波孪生网络，根据输出特征向量与基准特征向量的匹配度进行故障定位；
S5、利用故障定位之后的新增故障数据对深度小波孪生网络进行增量学习，更新故障诊断模型的参数。
2.根据权利要求1所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述开路故障的桥臂电流数据包括MMC工作在整流模式和逆变模式下桥臂故障的融合电流数据。
3.根据权利要求2所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述步骤S1中数据增强处理方法为，添加不同程度的噪声，并将加噪数据与原数据合并为扩展数据集，具体表示为如下公式：
Xi＝X+noisei；
其中，X为原始样本；Xi为生成的添加了不同噪声强度的样本；noisei为不同强度的噪声。
4.根据权利要求3所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述深度小波孪生网络包括两个结构相同的深度小波神经子网络，且子网络之间的参数共享权值。
5.根据权利要求4所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述步骤S3中深度小波孪生网络计算各故障类别的特征聚类中心的方法为：
S31、将所有训练样本经深度小波孪生网络提取特征后，求取各类训练样本的低维特征聚类中心作为基准特征向量，其中，所述基准特征向量的计算如下所示：
S32、根据故障类别的基准特征向量，将待分类样本输入深度小波孪生网络提取的低维特征向量，计算该低维特征向量与基准特征向量之间的距离，将待分类样本归属到与之低维特征向量距离最近的基准特征向量所属的故障类别中。
6.根据权利要求5所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述步骤S32中待分类样本的低维特征向量的提取过程为：
S41、输入样本对经过所述深度小波神经子网络多层隐含层提取其特征，其表达式为：
其中，Hl为l层输出，Wl为l层权值，Hl-1为第l-1层输出，bl为l层偏置；τl为该层平移因子，al为l层尺度因子；
ψl(·)为该层小波基激活函数，具体表示为，
S42、所述深度小波神经子网络的输出层输出子络提网取的低维特征，其表示为，
Gw(X)＝WGHl；
其中，Gw(X)为子网络提取的特征；WG为权值；
S43、输出输入样本对的距离，具体表示为：
Ew(X1，X2)＝||Gw(X1)-Gw(X2)||；
其中，(X1，X2)为输入样本对，Ew(X1，X2)为输入样本对的距离，Gw(X1)、Gw(X2)为经过子网络提取的低维度特征。
7.根据权利要求6所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述深度小波孪生网络损失函数表示为：
其中，N为批训练的样本对数，y为标签，margin为设定的常数，d为输入样本对特征向量之间的欧式距离。
8.根据权利要求7所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述故障定位的方法为：
根据分类结果定位发生故障的桥臂；
根据故障桥臂中子模块的电容电压变化率定位故障子模块。
9.根据权利要求8所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述定位故障子模块的方法为：
提取故障桥臂每个子模块电容电压变化率，将其作为特征值；
计算每个特征值到其近邻的K个特征值之间的平均距离Di；
若Di大于设定的异常阈值Dth且持续预定时间Tth，则判断第i个子模块发生了故障并结束故障定位流程。
10.根据权利要求9所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述增量学习包括如下步骤：
S51、将新增故障数据通过当前的深度小波孪生模型提取特征，并根据样本类别，求取各类别特征的聚类中心，求取方式为加权平均和方式，表示为：
其中，Fi为第i类样本的特征聚类中心；
为第i类样本的第n个特征；Mi为第i类样本数；
S52、利用新增故障数据的特征聚类中心更新原基准特征向量，其更新的方式表示为：
其中，
为更新后的第i类故障基准特征向量；Ni为原训练集第i类故障样本数，Ci为第i类故障基准特征向量；
S53、将更新后的基准特征向量作为故障识别模型中的基准特征向量应用于后续故障诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011370499.7A CN112611982B (zh) | 2020-11-30 | 2020-11-30 | 模块化多电平换流器的深度小波孪生网络故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011370499.7A CN112611982B (zh) | 2020-11-30 | 2020-11-30 | 模块化多电平换流器的深度小波孪生网络故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112611982A true CN112611982A (zh) | 2021-04-06 |
| CN112611982B CN112611982B (zh) | 2022-07-12 |
Family
ID=75228851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011370499.7A Expired - Fee Related CN112611982B (zh) | 2020-11-30 | 2020-11-30 | 模块化多电平换流器的深度小波孪生网络故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112611982B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537080A (zh) * | 2021-07-19 | 2021-10-22 | 安徽大学 | 一种级联h桥多电平逆变器的故障诊断方法 |
| CN113820624A (zh) * | 2021-09-30 | 2021-12-21 | 南方电网科学研究院有限责任公司 | 一种配电网高阻接地故障识别装置 |
| CN114089181A (zh) * | 2021-11-19 | 2022-02-25 | 浙江大学 | 基于XG-Boost的MMC开关管开路故障检测方法 |
| CN114279728A (zh) * | 2021-12-07 | 2022-04-05 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
| CN114399066A (zh) * | 2022-01-15 | 2022-04-26 | 中国矿业大学(北京) | 基于弱监督学习的机械设备预知性维护系统和维护方法 |
| CN114609546A (zh) * | 2022-03-10 | 2022-06-10 | 东南大学 | 基于孤立森林的模块化多电平换流器开路故障诊断方法 |
| CN115313897A (zh) * | 2022-08-17 | 2022-11-08 | 东南大学 | Mmc子模块多故障定位方法、设备及存储介质 |
| CN116256592A (zh) * | 2022-11-28 | 2023-06-13 | 国网山东省电力公司德州供电公司 | 一种中压配电电缆潜伏性故障检测方法及系统 |
| CN116610916A (zh) * | 2023-05-18 | 2023-08-18 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519768A (zh) * | 2018-03-26 | 2018-09-11 | 华中科技大学 | 一种基于深度学习和信号分析的故障诊断方法 |
| CN109782091A (zh) * | 2019-01-30 | 2019-05-21 | 西华大学 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
| CN110456217A (zh) * | 2019-08-08 | 2019-11-15 | 辽宁工程技术大学 | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 |
| CN110488121A (zh) * | 2019-08-22 | 2019-11-22 | 广东工业大学 | 一种mmc的故障检测方法、系统、装置及可读存储介质 |
| US20210382103A1 (en) * | 2018-11-01 | 2021-12-09 | University Of Manitoba | Method for Determining Conductors Involved in a Fault on a Power Transmission Line and Fault Location Using Local Current Measurements |
-
2020
- 2020-11-30 CN CN202011370499.7A patent/CN112611982B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519768A (zh) * | 2018-03-26 | 2018-09-11 | 华中科技大学 | 一种基于深度学习和信号分析的故障诊断方法 |
| US20210382103A1 (en) * | 2018-11-01 | 2021-12-09 | University Of Manitoba | Method for Determining Conductors Involved in a Fault on a Power Transmission Line and Fault Location Using Local Current Measurements |
| CN109782091A (zh) * | 2019-01-30 | 2019-05-21 | 西华大学 | 基于深度小波极限学习机的多电平逆变器故障诊断方法 |
| CN110456217A (zh) * | 2019-08-08 | 2019-11-15 | 辽宁工程技术大学 | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 |
| CN110488121A (zh) * | 2019-08-22 | 2019-11-22 | 广东工业大学 | 一种mmc的故障检测方法、系统、装置及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| ZHANG BIDE 等: "A new test for functional one-way ANOVA with applications to ischemic heart screening", 《COMPUTATIONAL STATISTICS AND DATA ANALYSIS》 * |
| 孔令瑜 等: "MMC五电平逆变器故障的深度小波极限学习机诊断方法研究", 《电力系统及其自动化学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537080A (zh) * | 2021-07-19 | 2021-10-22 | 安徽大学 | 一种级联h桥多电平逆变器的故障诊断方法 |
| CN113820624A (zh) * | 2021-09-30 | 2021-12-21 | 南方电网科学研究院有限责任公司 | 一种配电网高阻接地故障识别装置 |
| CN113820624B (zh) * | 2021-09-30 | 2024-04-16 | 南方电网科学研究院有限责任公司 | 一种配电网高阻接地故障识别装置 |
| CN114089181A (zh) * | 2021-11-19 | 2022-02-25 | 浙江大学 | 基于XG-Boost的MMC开关管开路故障检测方法 |
| CN114279728B (zh) * | 2021-12-07 | 2023-07-25 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
| CN114279728A (zh) * | 2021-12-07 | 2022-04-05 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
| CN114399066B (zh) * | 2022-01-15 | 2023-04-18 | 中国矿业大学(北京) | 基于弱监督学习的机械设备预知性维护系统和维护方法 |
| CN114399066A (zh) * | 2022-01-15 | 2022-04-26 | 中国矿业大学(北京) | 基于弱监督学习的机械设备预知性维护系统和维护方法 |
| CN114609546A (zh) * | 2022-03-10 | 2022-06-10 | 东南大学 | 基于孤立森林的模块化多电平换流器开路故障诊断方法 |
| CN115313897A (zh) * | 2022-08-17 | 2022-11-08 | 东南大学 | Mmc子模块多故障定位方法、设备及存储介质 |
| CN115313897B (zh) * | 2022-08-17 | 2024-06-14 | 东南大学 | Mmc子模块多故障定位方法、设备及存储介质 |
| CN116256592A (zh) * | 2022-11-28 | 2023-06-13 | 国网山东省电力公司德州供电公司 | 一种中压配电电缆潜伏性故障检测方法及系统 |
| CN116256592B (zh) * | 2022-11-28 | 2023-09-26 | 国网山东省电力公司德州供电公司 | 一种中压配电电缆潜伏性故障检测方法及系统 |
| CN116610916A (zh) * | 2023-05-18 | 2023-08-18 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
| CN116610916B (zh) * | 2023-05-18 | 2023-11-21 | 兰州理工大学 | 多信号源自适应融合级联h桥逆变器故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112611982B (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112611982B (zh) | 模块化多电平换流器的深度小波孪生网络故障诊断方法 | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| CN109116834B (zh) | 一种基于深度学习的间歇过程故障检测方法 | |
| 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 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| CN110889111A (zh) | 一种基于深度置信网络的电网虚拟数据注入攻击的检测方法 | |
| CN111860692B (zh) | 一种基于K-mediod的物联网环境下的异常数据检测方法 | |
| Luo et al. | An intelligent fault diagnosis model for rotating machinery based on multi-scale higher order singular spectrum analysis and GA-VPMCD | |
| CN110456217B (zh) | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 | |
| CN113743528A (zh) | 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统 | |
| CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
| CN114781435B (zh) | 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 | |
| CN113673630A (zh) | 配电网故障分类方法、系统及装置 | |
| CN111060304A (zh) | 基于神经网络的断路器故障诊断方法 | |
| CN109975697A (zh) | 一种基于原子稀疏分解的高压断路器机械故障诊断方法 | |
| CN112217668B (zh) | 基于比较模型的自适应网络故障诊断方法 | |
| CN115186564A (zh) | 基于特征融合和改进粒子群算法的模拟电路故障诊断方法 | |
| CN112414715A (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
| KR102404498B1 (ko) | 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법 | |
| CN114781577A (zh) | 基于VMD-DCNN-SVM的Buck电路故障诊断方法 | |
| Paul et al. | Series AC arc fault detection using decision tree-based machine learning algorithm and raw current | |
| CN110674893B (zh) | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 | |
| Xiao et al. | Health assessment for piston pump using LSTM neural network | |
| CN113311364B (zh) | 基于多核svm的永磁同步电机逆变器开路故障诊断方法 | |
| CN115578325A (zh) | 一种基于通道注意配准网络的图像异常检测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220712 |