CN114217256B - 基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法 - Google Patents
基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法 Download PDFInfo
- Publication number
- CN114217256B CN114217256B CN202111413481.5A CN202111413481A CN114217256B CN 114217256 B CN114217256 B CN 114217256B CN 202111413481 A CN202111413481 A CN 202111413481A CN 114217256 B CN114217256 B CN 114217256B
- Authority
- CN
- China
- Prior art keywords
- network
- sparse
- fault diagnosis
- current
- fault
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/02—Providing protection against overload without automatic interruption of supply
- H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
- H02P29/028—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load the motor continuing operation despite the fault condition, e.g. eliminating, compensating for or remedying the fault
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
-
- 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/02—Providing protection against overload without automatic interruption of supply
- H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K2213/00—Specific aspects, not otherwise provided for and not covered by codes H02K2201/00 - H02K2211/00
- H02K2213/03—Machines characterised by numerical values, ranges, mathematical expressions or similar information
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法,属于驱动系统故障诊断领域。本发明将无监督学习算法应用在变流器故障诊断这一应用场景下,自动从原始数据提取有效特征,解决了基于专家知识的手工设计特征的难题;同时考虑到不同转速工况下导致的电流周期的变动,引入了转速反馈,对定频率采样的电流进行二次采样,保证了输入到深度稀疏滤波网络的信号长度为一个基波周期,更好的去除了原始数据中的冗余信息,减轻了计算负担,对诊断算法的准确性以及快速性有一定的提升。
Description
技术领域
本发明属于驱动系统故障诊断领域,更具体地,涉及一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法。
背景技术
电机驱动系统是能量转换的纽带,在航空航天、军事、电动汽车、船舶推进等许多领域发挥着重要作用。在电机驱动系统中,变流器由于工作环境较恶劣:高dv/dt、过电压、热应力等,最容易发生故障,其中短路、断路故障是最常见的故障类型。其中短路故障一旦发生,可能会在极短的时间内导致异常过电流,例如10μs,这可能会对变流器造成直接损害。通常,在商用产品中设有硬件方法来隔离短路故障,如保险丝、断路器或di/dt反馈方法。然而,开路故障可能不会使驱动系统崩溃,但可能会降低系统的性能,如带来电流畸变和电磁转矩波动。它可能不会立即引起保护装置作用,但可能导致二次故障,甚至引起驱动系统停机。因此,驱动系统变流器开关管的开路故障诊断得到了广泛的研究。
这些诊断方法可分为三类:基于模型的方法、基于信号的方法和基于机器学习的方法。基于模型的方法,使用数学模型描述电机正常工作条件,根据实际系统的测量输出与数学模型的预测输出的一致性来反映系统的运行状态,开发诊断算法。该类方法需要对系统进行精确建模,而实际系统由于运行环境噪声等影响,精确建模存在困难,容易出现误诊断。基于信号的方法,通常使用时域分析、频域分析或者时频域分析方法对信号进行处理以获取故障指标。该类方法不需要一个明确的或完整的系统模型,但在未知或不平衡的条件下工作时,性能可能会下降。相比之下,基于机器学习的方法是通过从历史数据中学习故障特征和故障模式之间的映射知识关系来实现故障诊断的,它独立于系统模型且不受系统负载变化的影响。
目前,基于机器学习的变流器故障诊断方法常见的为监督学习算法,其特点为根据专家知识人为地设计出故障特征。常见的技术主要包括基于支持向量机(SVM)的方法、基于k-近邻(KNN)的方法、基于模糊逻辑的方法等,他们通常都需要借助快速傅里叶变换(FFT),小波变化等数据处理方法去设计特征,仍然需要借助专家知识,智能化程度有待提高,且泛化能力较弱。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法,其目的在于简化变流器开关管故障诊断的过程,同时提高故障诊断准确度。
为实现上述目的,本发明提供了一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法,包括:
S1.采样变流器不同健康状态下的电流信号和转速信号;
S2.根据SF网络输入维度和转速信号对电流信号进行二次采样;
S3.对二次采样后的电流信号进行归一化,作为训练数据集;
S4.采用训练数据集训练故障诊断网络;所述故障诊断网络包括稀疏滤波网络和Softmax分类器;
S5.采样变流器当前运行状态下的电流信号和转速信号,利用步骤S2、S3的过程对采样得到的电流信号进行处理,将处理后的信号输入到上述训练好的故障诊断网络,实现故障信号的特征提取以及自动诊断。
进一步地,不同健康状态包括正常工况、单相上管故障、单相下管故障、单相断相四种状态。
进一步地,步骤S2具体包括:
进一步地,步骤S3具体为对二次采样后的电流信号进行min-max归一化:
xmin表示数据的最小值,xmax表示数据的最大值。
进一步地,稀疏滤波网络具体采用深度稀疏滤波网络。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)本发明将无监督学习算法应用在变流器故障诊断这一应用场景下,自动从原始数据提取有效特征,解决了基于专家知识的手工设计特征的难题;同时考虑到不同转速工况下导致的电流周期的变动,引入了转速反馈,对定频率采样的电流进行二次采样,保证了输入到深度稀疏滤波网络的信号长度为一个基波周期,更好的去除了原始数据中的冗余信息,减轻了计算负担,对诊断算法的准确性以及快速性有一定的提升。
(2)采用的深度稀疏滤波网络,其相较于其他的非监督学习算法而言,稀疏滤波算法需要调整的超参数的优点个数少(只有模型的输出维度)、网络调试难度相对较小、能自动提取抽象的特征。且深度稀疏滤波较于稀疏滤波网络而言,其特征能力进一步提升,能更好的去除原始数据中的冗余信息。
(3)本发明方法可以拓展应用到三相及多相电机驱动系统的故障诊断中,还可以扩展到预测系统的健康状况,这对系统的良好运行有着更为深刻的意义。
附图说明
图1是本发明的方法流程图;
图2是稀疏滤波结构示意图;
图3是本发明中深度稀疏滤波的算法结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
机器学习的方法中,在故障特征提取阶段,无监督学习近些年来得到了广泛关注,该方法直接将原始信号作为输入,通过一系列的线性或非线性变换自动提取原始信号的特征,解决了依赖经验知识手工设计特征的难题。在故障模式分类阶段,将得到的特征表征直接送入训练好的分类器中实现故障分类,softmax分类器是一种经典的多分类器,由于其实现简单且分类精度高而被广泛应用。而对于故障特征提取算法,稀疏滤波网络(SF)由于其可调的超参数个数少(只有模型的输出维度)、能自动提取抽象的特征等优点得到广泛应用。
然而,原始的SF特征提取能力有限,并且对于变流器开关管故障诊断采用电流信号作为SF输入时,相较振动信号而言,电流信号是一个低频信号,由于SF网络的输入点数恒定,如果对于不同转速工况下仍采用定频率采样,会导致输入到SF网络的信号在时间跨度上相等,但由于转速不同,电流信号的基波周期会存在较大差异,因此SF网络的输入信号占比电流基波周期的比例不同,会对故障诊断的准确性以及快速性产生影响,这点和采用高频振动信号进行故障诊断存在较大差异。故而需要对基于稀疏滤波的变流器开关管故障诊断方法做进一步研究。
本发明考虑到不同转速工况下导致的电流周期的变动,引入了转速反馈,对定频率采样的电流进行二次采样,保证了输入到深度稀疏滤波网络的信号长度为一个基波周期,更好的去除了原始数据中的冗余信息,减轻了计算负担,对诊断算法的准确性以及快速性有一定的提升。
如图1所示,本发明提出的基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法,包括以下内容:
(1)定频率fs采样变流器不同健康状态下的时域相电流数据和驱动系统的转速数据,形成包含M个样本的数据集其中xi表示相电流数据,以六相永磁同步电机驱动系统为例,xi包括其分别为ABCUVW六相相电流;n表示转速数据;y表示对应的故障编号,yi∈{1,2,...,K},其中K为故障类型的个数。具体实施中,采样频率fs=10khz,同时为简单起见,收集数据时以A相故障为例,收集正常工况、A相上管故障、A相下管故障、A相断相四种故障状况的数据,即设置K=4,收集不同转矩、转速下的数据,每种状况包含250个样本,即M=1000,每个样本包含10k个数据点。
(2)根据采样所得的转速数据ni对定频率采样所得的电流数据xi进行二次采样,关于二次采样间隔的选取:
c.确定电流信号的二次采样间隔Ngap,其中,fs为电流信号的定频率采样时的采样频率,f为SF网络输入长度对应的采样频率;则经过二次采样后,尽管转速变化导致电流的基波周期大小不同,但输入到SF网络的Nin个电流数据的长度始终保持为一个基波周期;
考虑电流幅值随电机工况变化明显,直接输入网络会对网络的收敛速度和精度造成负面影响,本发明实施例采用min-max线性归一化方法:
为了更好的去除原始数据的冗余信息、更有效的提取原始数据中的故障特征,本发明实施例采用如图3所示的深度稀疏网络(DSF),其训练过程具体过程如下:
DSF网络包括两层稀疏滤波,输入数据为经过二次采样和归一化后的相电流样本输出为特征矩阵fi,两层网络的计算过程相同,故以一层稀疏滤波网络举例说明,如图2所示:网络使用权值矩阵w来映射输入数据,采用软阈值函数作为网络的激活函数,来提取样本的特征,即
a.行归一化:对特征矩阵的每一行利用L2范数进行归一化,如下式所示:
b.列归一化:再对特征矩阵的每一列进行L2范数归一化,使特征落在L2范数的单位球体上,如下式所示:
c.利用L1范数对归一化特征进行稀疏性优化,如下
其中,L表示样本维度。
d.构建目标函数,通过最小化目标函数来训练权值矩阵w,如下式所示,
b.计算出代价函数的值,代价函数如下式所示:
其中,m为训练集的样本数;I为示性函数,即如果条件为真,则函数值为1,否则为0;第二项为权重衰减参数,是为了防止网络过拟合而降低泛化能力。
c.反向传播:使用梯度下降算法,根据代价函数,优化网络中的权重参数
(5)采样变流器当前运行状态下的电流信号和转速信号,通过转速对电流数据进行二次采样,再进行归一化处理,将处理后的信号输入到上述训练好的网络,即可实现故障信号的特征提取以及自动诊断。
使用本发明方法,可以达到100%的训练准确率和99.825%的测试准确率。为进一步验证本方法的有效性,将其与支持向量机(SVM)与卷积神经网络(CNN)在诊断准确度和网络结构的复杂度上进行了对比。
将同样的电流数据集分别作用于CNN以及SVM网络,可得到该数据集在CNN以及SVM上的准确度。对于网络结构的复杂度,主要从超参数进行比较,因为超参数需要人为设置,超参数数目越多,调试难度越大,耗费的调试时间越长。对于稀疏滤波:只有1个超参数(需要学习的特征数目),对于本发明中采用的深度稀疏滤波网络,需要调节的超参数个数为2(Nmid,Nout);CNN:超参数个数较多,这些超参数包括:核大小、神经网络层数、激活函数、损失函数、所用的优化器(梯度下降RMSprop)、批大小、训练的epoch数量等等;SVM:超参数主要为2个,分别是惩罚系数C和RBF核函数的系数γ。最终的比较结果如表1所示,可以看出CNN和稀疏滤波的准确度较高,但CNN需要调试的超参数也最多,SVM准确度相较而言较低,综合而言,本发明中提出的稀疏滤波方法最优。
表1:稀疏滤波和其他方法的比较结果
本发明的一种基于自适应稀疏滤波的电机驱动系统故障诊断方法,首先以定频率采样驱动系统的电流信号和转速信号。其次,根据采样得到的转速计算电流信号二次采样的间隔,根据计算结果对电流信号进行二次采样。然后,对二次采样的电流进行min-max归一化,再送入深度稀疏滤波网络,提取故障特征。最后,将提取的特征送入softmax分类器,进行故障分类。本发明通过引入转速反馈对电流进行二次采样,保证了输入到DSF网络的数据长度保持为一个基波周期,能更好的去除原始数据中的冗余信息,减轻计算负担。并且采用的是深度稀疏滤波网络,能更好提取故障信号的高维特征。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法,其特征在于,包括:
S1.采样变流器不同健康状态下的电流信号和转速信号;
S2.根据稀疏滤波网络输入维度和转速信号对电流信号进行二次采样;步骤S2具体包括:
其中,n为测得的转速,p为电机的极对数;
S3.对二次采样后的电流信号进行归一化,作为训练数据集;
S4.采用训练数据集训练故障诊断网络;所述故障诊断网络包括稀疏滤波网络和Softmax分类器;
S5.采样变流器当前运行状态下的电流信号和转速信号,利用步骤S2、S3的过程对采样得到的电流信号进行处理,将处理后的信号输入到上述训练好的故障诊断网络,实现故障信号的特征提取以及自动诊断。
2.根据权利要求1所述的一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法,其特征在于,不同健康状态包括正常工况、单相上管故障、单相下管故障、单相断相四种状态。
4.根据权利要求1-3任一项所述的一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法,其特征在于,稀疏滤波网络具体采用深度稀疏滤波网络。
6.一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断系统,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至5任一项所述的基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111413481.5A CN114217256B (zh) | 2021-11-25 | 2021-11-25 | 基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法 |
US17/992,946 US11817809B2 (en) | 2021-11-25 | 2022-11-23 | Motor driving system converter fault diagnosis method based on adaptive sparse filtering |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111413481.5A CN114217256B (zh) | 2021-11-25 | 2021-11-25 | 基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114217256A CN114217256A (zh) | 2022-03-22 |
CN114217256B true CN114217256B (zh) | 2022-09-16 |
Family
ID=80698287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111413481.5A Active CN114217256B (zh) | 2021-11-25 | 2021-11-25 | 基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11817809B2 (zh) |
CN (1) | CN114217256B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401596B (zh) * | 2023-06-08 | 2023-08-22 | 哈尔滨工业大学(威海) | 基于深度指数激励网络的早期故障诊断方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226185A (zh) * | 2013-03-26 | 2013-07-31 | 同济大学 | 一种基于谐波监测的变流器功率模块在线故障诊断方法 |
CN105137213A (zh) * | 2015-06-13 | 2015-12-09 | 许昌学院 | 一种数据通讯实时诊断系统及方法 |
CN108510153A (zh) * | 2018-02-08 | 2018-09-07 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN109581056A (zh) * | 2018-11-12 | 2019-04-05 | 国网江西省电力有限公司电力科学研究院 | 一种基于基波频率预测的时变信号谐波分析方法及系统 |
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
CN111077375A (zh) * | 2019-12-13 | 2020-04-28 | 合肥工业大学 | 基于频域减的背景谐波影响下电网阻抗在线辨识方法 |
CN111089720A (zh) * | 2020-01-16 | 2020-05-01 | 山东科技大学 | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 |
CN111786613A (zh) * | 2020-06-11 | 2020-10-16 | 华中科技大学 | 一种均衡调制波幅值的三相串绕组拓扑断路故障容错方法 |
CN113076844A (zh) * | 2021-03-26 | 2021-07-06 | 华中科技大学 | 一种旋转部件故障诊断模型构建方法及应用 |
CN113504497A (zh) * | 2021-07-22 | 2021-10-15 | 东南大学 | 基于交错分析的电机驱动系统电流传感器异常检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574387A (en) * | 1994-06-30 | 1996-11-12 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
US6041287A (en) * | 1996-11-07 | 2000-03-21 | Reliance Electric Industrial Company | System architecture for on-line machine diagnostics |
CN109190464B (zh) * | 2018-07-24 | 2021-09-17 | 南京航空航天大学 | 一种变工况下基于迁移学习的机械故障智能诊断方法 |
CN110991424A (zh) * | 2019-12-25 | 2020-04-10 | 安徽工业大学 | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 |
-
2021
- 2021-11-25 CN CN202111413481.5A patent/CN114217256B/zh active Active
-
2022
- 2022-11-23 US US17/992,946 patent/US11817809B2/en active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226185A (zh) * | 2013-03-26 | 2013-07-31 | 同济大学 | 一种基于谐波监测的变流器功率模块在线故障诊断方法 |
CN105137213A (zh) * | 2015-06-13 | 2015-12-09 | 许昌学院 | 一种数据通讯实时诊断系统及方法 |
CN108510153A (zh) * | 2018-02-08 | 2018-09-07 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN109581056A (zh) * | 2018-11-12 | 2019-04-05 | 国网江西省电力有限公司电力科学研究院 | 一种基于基波频率预测的时变信号谐波分析方法及系统 |
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
CN111077375A (zh) * | 2019-12-13 | 2020-04-28 | 合肥工业大学 | 基于频域减的背景谐波影响下电网阻抗在线辨识方法 |
CN111089720A (zh) * | 2020-01-16 | 2020-05-01 | 山东科技大学 | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 |
CN111786613A (zh) * | 2020-06-11 | 2020-10-16 | 华中科技大学 | 一种均衡调制波幅值的三相串绕组拓扑断路故障容错方法 |
CN113076844A (zh) * | 2021-03-26 | 2021-07-06 | 华中科技大学 | 一种旋转部件故障诊断模型构建方法及应用 |
CN113504497A (zh) * | 2021-07-22 | 2021-10-15 | 东南大学 | 基于交错分析的电机驱动系统电流传感器异常检测方法 |
Non-Patent Citations (5)
Title |
---|
A Machine-Learning-Based Fault Diagnosis Method With Adaptive Secondary Sampling for Multiphase Drive Systems;Zicheng Liu etc.;《 IEEE Transactions on Power Electronics 》;20220223;第37卷(第8期);8767-8772 * |
基于改进稀疏滤波与深度网络融合的轴承故障诊断;乔美英等;《浙江大学学报》;20201231;第54卷(第12期);2301-2310 * |
基于电流信号稀疏滤波特征融合的齿轮箱故障诊断方法;何群等;《电网技术》;20200531;第44卷(第5期);1964-1971 * |
基于稀疏滤波的视频目标跟踪方法;戚臻杰等;《计算机产品与流通》;20191015;109-110 * |
柳青秀等.基于长短时记忆—自编码神经网络的风电机组性能评估及异常检测.《计算机集成制造系统 》.2019,第25卷(第12期),3209-3219. * |
Also Published As
Publication number | Publication date |
---|---|
CN114217256A (zh) | 2022-03-22 |
US20230163713A1 (en) | 2023-05-25 |
US11817809B2 (en) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Wind turbine fault diagnosis based on ReliefF-PCA and DNN | |
Lang et al. | Artificial intelligence-based technique for fault detection and diagnosis of EV motors: A review | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
Xiao et al. | Fault diagnosis of asynchronous motors based on LSTM neural network | |
Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
Zhang et al. | Bearing fault diagnosis under various operation conditions using synchrosqueezing transform and improved two-dimensional convolutional neural network | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN114217256B (zh) | 基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法 | |
Zhang et al. | Feature engineering and artificial intelligence-supported approaches used for electric powertrain fault diagnosis: A review | |
Liu et al. | A novel method for diagnosis of bearing fault using hierarchical multitasks convolutional neural networks | |
Cao et al. | Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern | |
CN115409052A (zh) | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 | |
Zhang et al. | Inferable deep distilled attention network for diagnosing multiple motor bearing faults | |
Ning et al. | An intelligent device fault diagnosis method in industrial internet of things | |
CN115186758A (zh) | 基于复数卷积神经网络的逆变器故障诊断方法 | |
Jiang et al. | Fault diagnosis of three-phase inverter based on CEEMDAN and GWO-SVM | |
Chen et al. | Sensor fault diagnosis for high-speed traction converter system based on Bayesian network | |
Shi et al. | A review of fault diagnosis methods for rotating machinery | |
CN109784279B (zh) | 基于多小波分析及svm的x射线高压电源故障诊断方法 | |
Wan et al. | A review of power electronic parametric fault diagnosis methods | |
Xu et al. | A Graph Convolutional Shrinkage Network-based Fault Diagnosis Method for Industrial Process | |
Gopinath et al. | Fine tuning machine fault diagnosis system towards mission critical applications | |
Zheng et al. | A Fault Diagnosis Method for High-Speed Train Wheelset Bearings Based on Deep Learning | |
Wang et al. | Compound fault recognition based on wavelet packet transform and the transferable combination of ResNet50 and multi-label classifier | |
Wei et al. | ResNet-18 based Inter-turn Short Circuit Fault Diagnosis of PMSMs with Consideration of Speed and Current Loop Bandwidths |
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 |