CN113449771A - 基于人工神经网络的四象限变流器故障诊断方法及系统 - Google Patents
基于人工神经网络的四象限变流器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113449771A CN113449771A CN202110553627.XA CN202110553627A CN113449771A CN 113449771 A CN113449771 A CN 113449771A CN 202110553627 A CN202110553627 A CN 202110553627A CN 113449771 A CN113449771 A CN 113449771A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- artificial neural
- normalized
- value
- 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
Images
Classifications
-
- 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
- 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
- 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
- G06N3/045—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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于人工神经网络的四象限变流器故障诊断方法及系统,包括:获取电机三相电流数据并进行归一化,计算归一化电流每个基波周期的均值以及归一化电流绝对值平均值;将上述归一化的电机三相电流数据、归一化电流每个基波周期的均值以及归一化电流绝对值平均值数据作为故障特征向量,输入训练好的人工神经网络模型;输出目标向量的编码值;基于所述编码值判断变流器是否发生故障。本发明基于四象限变流器模型,以归一化电流、归一化电流均值及绝对值均值为输入,反向神经网络为训练网络,能够对系统进行快速准确的实时故障检测,为下一步的容错过程留出充足的时间裕量。
Description
技术领域
本发明涉及四象限变流器技术领域,尤其涉及一种基于人工神经网络的四象限变流器故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
四象限变流系统广泛应用于现代化交通、军工航天、石油化工等领域,但其中包含的功率开关器件却十分脆弱、极易受到损害。据统计,在四象限变流系统中,由功率开关器件及其焊接线损坏导致的系统故障占比高达34%。为此,该故障的迅速诊断技术已然成为制约变流器系统稳定、经济运行的关键技术。快速的故障诊断技术有助于系统及时告警、定位故障,并及时采取合理的措施(如迅速投入备用系统或进行有效的容错控制等)以降低系统二次故障率,避免重大经济损失。因此,研究四象限变流器系统的稳定经济运行具有重要科学及工程意义。
现有的故障诊断方法主要分为:①数据驱动诊断,②电路分析诊断。前者通常需使用时频复合域分析方法(如傅里叶变换、小波变换等)工具,计算负担过重,难以在工业上应用;后者通过分析对比故障前后的系统状态量(电压、电流等)的差异诊断定位故障,是目前工业应用的主流。
电压法与电流法是基于电路分析的两种典型的故障诊断方法,其中电压法通过比较变流器在健康状态与故障状态下的电压误差,分析不同故障对电压误差的影响,编制电压误差与开路故障间的关系表,最后以电压为检测量对系统进行实时监测,进行变流器的故障诊断。
然而,上述的故障诊断方案往往存在以下缺点:
①数据驱动诊断算法复杂,计算量大,控制器实现较为困难;
②电路分析诊断需根据变流器种类建立其系统模型,算法移植性和普适性较差,且部分方法需要额外配置电压传感器,增加了系统硬件成本及复杂度。
发明内容
为了解决上述问题,本发明提出了一种基于人工神经网络的四象限变流器故障诊断方法及系统,基于不同工作状态下的电流流通路径,根据故障前后电流波形的变化,将提取出的三种电流特征向量作为反向传播神经网络的输入向量;算法简单,仅利用系统中原有的电流传感器进行特征向量提取,无需额外增设硬件电路,成本较低。
为了实现上述目的,在一些实施方式中,采用如下技术方案:
一种基于人工神经网络的四象限变流器故障诊断方法,包括:
获取电机三相电流数据并进行归一化,计算归一化电流每个基波周期的均值以及归一化电流绝对值平均值;
将上述归一化的电机三相电流数据、归一化电流每个基波周期的均值以及归一化电流绝对值平均值数据作为故障特征向量,输入训练好的人工神经网络模型;输出目标向量的编码值;
基于所述编码值判断变流器是否发生故障。
在另一些实施方式中,采用如下技术方案:
一种基于人工神经网络的四象限变流器故障诊断系统,包括:
数据获取模块,用于获取电机三相电流数据并进行归一化,计算归一化电流每个基波周期的均值以及归一化电流绝对值平均值;
模型预测模块,用于将上述归一化的电机三相电流数据、归一化电流每个基波周期的均值以及归一化电流绝对值平均值数据作为故障特征向量,输入训练好的人工神经网络模型;输出目标向量的编码值;
故障判断模块,用于基于所述编码值判断变流器是否发生故障。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于人工神经网络的四象限变流器故障诊断方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于人工神经网络的四象限变流器故障诊断方法。
与现有技术相比,本发明的有益效果是:
本发明基于四象限变流器模型,以归一化电流、归一化电流均值及绝对值均值为输入,反向神经网络为训练网络,能够对系统进行快速准确的实时故障检测,为下一步的容错过程留出充足的时间裕量,避免了因变流器故障而引发的安全事故与经济损失,极大地提高现代化交通、军工航天、石油化工等领域中变流器系统的稳定性和工作效率。
本发明诊断方法在时域内实现,算法简单,计算量低,实现较为容易;仅利用系统中原有的电流传感器进行特征向量提取,无需额外增设硬件电路,成本较低;通用性强,对使用对象的敏感性低,可以拓展至各种电驱系统及电网接入型的变流器系统;能够准确、快速识别变流器单、双管故障。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本方面的实践了解到。
附图说明
图1是三电平NPC四象限电驱系统拓扑结构图;
图2是本发明实施例中神经元的非线性数学模型图;
图3是本发明实施例中反向传播神经网络结构图;
图4是本发明实施例中反向传播神经网络训练图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
根据本发明的实施例,公开了一种基于人工神经网络的四象限变流器故障诊断方法,包括以下过程:
(1)获取电机三相电流数据并进行归一化,计算归一化电流每个基波周期的均值以及归一化电流绝对值平均值;
(2)将上述归一化的电机三相电流数据、归一化电流每个基波周期的均值以及归一化电流绝对值平均值数据作为故障特征向量,输入训练好的人工神经网络模型;输出目标向量的编码值;
(3)基于所述编码值判断变流器是否发生故障。
具体地,本实施例以三电平中点箝位型(three-level neutral-point-clamped,3L-NPC)四象限电驱系统为例进行阐述,图1所示为三电平NPC四象限电驱系统拓扑结构图,该系统由三电平NPC背靠背变流器、电机、电网及其滤波器构成。整流器与逆变器共用同一母线。两侧变流器的工作状态随着能量流动方向的不同而发生变化。通过控制IGBT导通状态,三电平变流器可输出三种电平:高电平(P)、零电平(O)以及低电平(N),对应电压值分别为0、
基于人工神经网络的四象限变流器故障诊断方法的具体实现过程如下:
1、开路故障电流特征提取
经波形分析后可发现,健康状态时的电流三相对称且一个基波周期内各相平均值为零,而三相电流的绝对值在一个周期内则稳定为一个固定正值。故障发生后,三相电流正负半周将多数不再对称,与健康状态下差异明显。根据以上分析,下面将提取归一化电流、归一化电流基波周期平均值与归一化电流绝对值平均值作为三个故障特征向量。
首先对电流进行归一化处理(X1):
电机三相归一化电流每个基波周期的均值(X2):
电机三相归一化电机三相电流取绝对值(X3):
2、人工神经网络训练
采用上述的三个故障特征向量作为神经网络的输入参数,对神经网络进行训练。下面将介绍人工神经网络的基本组成结构。人工神经网络技术在参数估计、模式识别、故障诊断等领域应用广泛,它在数据处理的过程中对人脑神经元网络进行抽象模拟。其中,神经元是神经网络中的最小信息处理单元,如图2所示,主要由输入信号、偏置信号、链接链、激活函数及输出信号组成。
人工神经网络包括线性神经网络、自组织神经网络、感知器神经网络、反向传播神经网络等,其中,反向传播神经网络因其高非线性映射能力被广泛应用于多个科学领域,其训练过程包括信号的正向传播与误差的反向传播。它是典型的多层前馈神经网络,其结构如图3所示,可分为输入层、隐藏层和输出层。隐藏层中的神经元数目需均衡考虑:数目过多会导致训练速度降低,数目过少会影响训练精度。其中,隐藏层的神经元数目可由以下经验公式获得:
其中,h为隐藏层神经元数目,m为输入层神经元数目,k为输出层神经元数目,a为1~10之间的常数。
神经元中的激活函数也称压制函数,激活函数能将输出信号值限制在特定的允许范围之内。本实施例中,采用的激活函数为tansig函数,该函数关于原点对称,使网络准确度与训练速度得到提升,另外,该函数的非线性特征,使得神经网络处理非线性映射关系更加准确方便。
3、开路故障检测
结合提取的故障特征向量X1、X2、X3与训练好的反向传播神经网络,进行四象限变流器的故障诊断。
以电机侧A相桥臂故障为例,对故障进行编码形成目标向量的过程进行阐述。输出目标向量由简单的0、1序列构成,神经网络的目标向量Y=A0A1A2A3A4A5A6A7A8,这9个元素中,仅存在一个1,其余均为0。其中,变流器A相桥臂的健康及故障状态共有9种情况,如表1所示。
本实施例提取故障电流特征向量X1、X2、X3作为输入样本,通过MATLAB软件工具箱实现上述样本的神经网络训练,其训练过程如图4所示。反向传播神经网络中的隐藏神经元个数设定为10,采用tansig函数为激活函数。
另外,为加快训练速度,本实施例摒弃常规算法耗时的线性搜索,选用训练速度较快的比例共轭梯度方法。最后,通过观察输出的目标向量变化(是否由0变为1或由1变为0)来得到编码值,由编码值可判断变流器是否发生单管或双管故障,实时有效地检测系统运行中的变流器故障。
本发明无需额外增设硬件电路,不依赖系统模型,可推广至任何变流器系统。本发明基于四象限变流器模型,以归一化电流、归一化电流均值及绝对值均值为输入,反向神经网络为训练网络,能够对系统进行快速准确的实时故障检测,为下一步的容错过程留出充足的时间裕量,避免了因变流器故障而引发的安全事故与经济损失,极大地提高现代化交通、军工航天、石油化工等领域中变流器系统的稳定性和工作效率。
实施例二
在一个或多个实施方式中,公开了一种基于人工神经网络的四象限变流器故障诊断系统,包括:
数据获取模块,用于获取电机三相电流数据并进行归一化,计算归一化电流每个基波周期的均值以及归一化电流绝对值平均值;
模型预测模块,用于将上述归一化的电机三相电流数据、归一化电流每个基波周期的均值以及归一化电流绝对值平均值数据作为故障特征向量,输入训练好的人工神经网络模型;输出目标向量的编码值;
故障判断模块,用于基于所述编码值判断变流器是否发生故障。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了说明,此处不再赘述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于人工神经网络的四象限变流器故障诊断方法。
实施例四
在一个或多个实施方式中,公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于人工神经网络的四象限变流器故障诊断方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于人工神经网络的四象限变流器故障诊断方法,其特征在于,包括:
获取电机三相电流数据并进行归一化,计算归一化电流每个基波周期的均值以及归一化电流绝对值平均值;
将上述归一化的电机三相电流数据、归一化电流每个基波周期的均值以及归一化电流绝对值平均值数据作为故障特征向量,输入训练好的人工神经网络模型;输出目标向量的编码值;
基于所述编码值判断变流器是否发生故障。
2.如权利要求1所述的一种基于人工神经网络的四象限变流器故障诊断方法,其特征在于,获取历史电机三相故障电流数据并进行归一化,计算归一化电流每个基波周期的均值以及归一化电流绝对值平均值;
基于上述数据作为故障特征向量,输入人工神经网络模型进行训练。
3.如权利要求2所述的一种基于人工神经网络的四象限变流器故障诊断方法,其特征在于,采用比例共轭梯度方法对人工神经网络模型进行训练。
4.如权利要求1所述的一种基于人工神经网络的四象限变流器故障诊断方法,其特征在于,所述人工神经网络模型选用反向传播神经网络,选用tansig函数作为激活函数。
5.如权利要求1所述的一种基于人工神经网络的四象限变流器故障诊断方法,其特征在于,对四象限变流器不同的状态进行编码;所述编码由0和1组成,每一种编码对应四象限变流器的一种状态;每一种编码中仅存在一个1,其余均为零。
6.如权利要求1所述的一种基于人工神经网络的四象限变流器故障诊断方法,其特征在于,所述编码包括9种状态,分别为:四象限变流器每相桥臂的健康状态、电机侧每相桥臂的第一个IGBT功率开关器件故障、电机侧每相桥臂的第二个IGBT功率开关器件故障、电机侧每相桥臂的第三个IGBT功率开关器件故障、电机侧每相桥臂的第四个IGBT功率开关器件故障、电机侧每相桥臂的第一个和第三个IGBT功率开关器件故障、电机侧每相桥臂的第一个和第四个IGBT功率开关器件故障、电机侧每相桥臂的第二个和第三个IGBT功率开关器件故障以及电机侧每相桥臂的第二个和第四个IGBT功率开关器件故障。
7.一种基于人工神经网络的四象限变流器故障诊断系统,其特征在于,包括:
数据获取模块,用于获取电机三相电流数据并进行归一化,计算归一化电流每个基波周期的均值以及归一化电流绝对值平均值;
模型预测模块,用于将上述归一化的电机三相电流数据、归一化电流每个基波周期的均值以及归一化电流绝对值平均值数据作为故障特征向量,输入训练好的人工神经网络模型;输出目标向量的编码值;
故障判断模块,用于基于所述编码值判断变流器是否发生故障。
8.一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于人工神经网络的四象限变流器故障诊断方法。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的基于人工神经网络的四象限变流器故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553627.XA CN113449771B (zh) | 2021-05-20 | 2021-05-20 | 基于人工神经网络的四象限变流器故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553627.XA CN113449771B (zh) | 2021-05-20 | 2021-05-20 | 基于人工神经网络的四象限变流器故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449771A true CN113449771A (zh) | 2021-09-28 |
CN113449771B CN113449771B (zh) | 2022-10-18 |
Family
ID=77809820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110553627.XA Active CN113449771B (zh) | 2021-05-20 | 2021-05-20 | 基于人工神经网络的四象限变流器故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449771B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
CN104502758A (zh) * | 2014-12-17 | 2015-04-08 | 西北工业大学 | 航空静止变流器故障诊断方法 |
CN106709567A (zh) * | 2016-12-14 | 2017-05-24 | 河北省科学院应用数学研究所 | 基于深度学习模型的道岔故障诊断方法 |
US20170263249A1 (en) * | 2016-03-14 | 2017-09-14 | Apple Inc. | Identification of voice inputs providing credentials |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN110208721A (zh) * | 2019-07-09 | 2019-09-06 | 西南交通大学 | 一种级联三电平逆变器的故障诊断方法及装置 |
CN111275004A (zh) * | 2020-02-21 | 2020-06-12 | 电子科技大学 | 基于lmd和脉冲神经网络的轴承故障诊断方法 |
CN112014678A (zh) * | 2020-10-20 | 2020-12-01 | 中南大学 | 一种三相电压逆变器在线故障诊断方法、装置及电子设备 |
-
2021
- 2021-05-20 CN CN202110553627.XA patent/CN113449771B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
CN104502758A (zh) * | 2014-12-17 | 2015-04-08 | 西北工业大学 | 航空静止变流器故障诊断方法 |
US20170263249A1 (en) * | 2016-03-14 | 2017-09-14 | Apple Inc. | Identification of voice inputs providing credentials |
CN106709567A (zh) * | 2016-12-14 | 2017-05-24 | 河北省科学院应用数学研究所 | 基于深度学习模型的道岔故障诊断方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN110208721A (zh) * | 2019-07-09 | 2019-09-06 | 西南交通大学 | 一种级联三电平逆变器的故障诊断方法及装置 |
CN111275004A (zh) * | 2020-02-21 | 2020-06-12 | 电子科技大学 | 基于lmd和脉冲神经网络的轴承故障诊断方法 |
CN112014678A (zh) * | 2020-10-20 | 2020-12-01 | 中南大学 | 一种三相电压逆变器在线故障诊断方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113449771B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680818B (zh) | 一种三电平牵引变流器开路故障诊断方法及系统 | |
CN103761372B (zh) | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 | |
Ke et al. | Fault diagnosis with synchrosqueezing transform and optimized deep convolutional neural network: An application in modular multilevel converters | |
CN110619321B (zh) | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 | |
CN114609546B (zh) | 基于孤立森林的模块化多电平换流器开路故障诊断方法 | |
CN110110461A (zh) | 基于卡尔曼滤波算法的mmc中igbt参数估计方法 | |
Si et al. | Fault diagnosis based on attention collaborative LSTM networks for NPC three-level inverters | |
CN103617105B (zh) | 一种基于数据驱动的自适应多层流模型设备诊断方法 | |
CN113238170A (zh) | 一种用于电机控制的逆变器开路故障在线诊断方法 | |
CN109738778B (zh) | 逆变器开路诊断方法、装置、终端设备及计算机可读介质 | |
Zhang et al. | Online fault diagnosis for single-phase PWM rectifier using data-driven method | |
Ke et al. | Compound fault diagnosis method of modular multilevel converter based on improved capsule network | |
CN113449771B (zh) | 基于人工神经网络的四象限变流器故障诊断方法及系统 | |
Lee et al. | On-line switch-open fault detection of PMSM using artificial neural network | |
Chen et al. | Open‐switch fault diagnosis in three‐level rectifiers based on selective calculation method for instant voltage deviation | |
CN110399926A (zh) | 一种路灯故障诊断方法及装置 | |
CN114545133B (zh) | 一种基于电流检测的单相级联h桥整流器的故障诊断方法 | |
CN115310604A (zh) | 一种基于神经网络的ups系统在线故障诊断方法 | |
Wan et al. | A review of power electronic parametric fault diagnosis methods | |
Meng et al. | Multi information fusion and fault diagnosis system for motor drive system in high speed train | |
Babu et al. | Fault diagnosis in multi-level inverter system using adaptive back propagation neural network | |
CN113884944B (zh) | 基于平均相电压模型的非侵入式两电平三相变换器多管开路故障诊断方法及系统 | |
CN118033487B (zh) | 一种并网hanpc全控器件开路故障诊断方法 | |
CN114019310B (zh) | 一种储能变流器的开路故障预判方法、设备及介质 | |
CN113447854B (zh) | 基于预测控制的变流器系统开路故障诊断方法及系统 |
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 |