CN114814436A - 一种三电平逆变器故障诊断方法及装置 - Google Patents
一种三电平逆变器故障诊断方法及装置 Download PDFInfo
- Publication number
- CN114814436A CN114814436A CN202210563056.2A CN202210563056A CN114814436A CN 114814436 A CN114814436 A CN 114814436A CN 202210563056 A CN202210563056 A CN 202210563056A CN 114814436 A CN114814436 A CN 114814436A
- Authority
- CN
- China
- Prior art keywords
- fault
- level inverter
- gray
- data
- cnn
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 238000012706 support-vector machine Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G01R31/003—Environmental or reliability tests
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- 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)
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种三电平逆变器故障诊断方法及装置，属于逆变器故障识别领域，包括以下步骤：获取三电平逆变器的故障数据；对三电平逆变器的故障数据进行预处理，得到故障灰度图；对三电平逆变器的故障数据进行样本划分；通过卷积神经网络对故障灰度图中的故障特征进行提取；将提取得到的灰度图像特征作为输入，构建基于支持向量机的三电平逆变器故障识别模型；利用三电平逆变器故障识别模型进行故障诊断。本发明采用CNN‑SVM进行三电平逆变器的故障诊断，提出的模型结合了卷积神经网络的特征提取能力和SVM的泛化能力，不需要繁琐的建模过程，能够处理小样本的故障分类，针对三电平逆变器的故障具有较高的识别率。
Description
技术领域
本发明属于三电平逆变器开关管开路故障的识别与定位领域，具体涉及一种三电平逆变器故障诊断方法及装置。
背景技术
近年来，电力电子变换器已广泛应用于新能源汽车、工业机器人、高压直流输电、大功率电解和电机驱动系统。然而，由于暴露在恶劣的工作环境中，逆变器容易因设备老化、过载、意外操作而遭受严重故障。据报道，电力电子系统约38％的故障是由电力电子开关的故障引起的。因此，电力电子变换器开关管的故障诊断研究对提高系统稳定性和保证系统安全高效运行起着至关重要的作用。
通过建立电路的故障模型来分析详细的故障方程。然而，这种方法对参数敏感，并且非常容易受到外部干扰，因此精确的故障数学模型难以建立。与基于模型的方法相比，机器学习方法，对电路模型的依赖更少，效率更高。通过卷积和池化操作，CNN可以自动地从训练数据中提取更多有区别的特征。此外，由于使用卷积核、共享权重和池化操作，CNN模型的复杂性和参数大大降低。尽管CNN相对于传统神经网络有很多优势，但CNN训练算法与基于经验风险最小化原则的BPNN相似，而且需要大样本数据，存在过拟合问题。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种三电平逆变器故障诊断方法及装置。
为了实现上述目的，本发明提供如下技术方案：
一种三电平逆变器故障诊断方法，包括以下步骤:
获取三电平逆变器的故障数据；
对故障数据进行预处理，得到故障灰度图；
通过卷积神经网络(Convolutional neural network,CNN)对故障灰度图中的故障特征进行提取；
将CNN提取得到的灰度图像特征作为输入，构建基于支持向量机(Support vectormachine,SVM)的三电平逆变器故障识别模型；
利用三电平逆变器故障识别模型进行故障诊断。
优选地，利用示波器周期性的对三电平逆变器的故障波形进行采样，得到各种故障的三相相电压的原始故障数据。
优选地，所述对故障数据进行预处理，得到故障灰度图，具体步骤为：
以A相在前、B相在中、C相在后的原则，对所述原始故障数据中的样本进行组合；
对组合后的样本进行归一化，归一化的公式如下：
公式(1)中X∈[0,1]，为归一化后的样本值；Xi为样本数据；Xmin为最小样本值；Xmax为最大样本值；
对归一化后的样本值进行线性灰度图转换，得到故障灰度图。
优选地，所述卷积神经网络CNN包含卷积层、池化层和全平均池化层；
卷积层使用Keras中的2D卷积层Conv2D，卷积核尺寸为3*3，卷积核数量为64；
池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为2*2；
灰度图像特征提取采用卷积、池化交替布局，经过提取出多维特征向量；
进行全平均池化操作，将多特征向量转换为多个特征值作为输出。
优选地，所述将多特征向量转换为多个特征值作为输出，具体包括以下步骤：
做一次过度卷积，将多特征向量转换成多个特征向量；
进行全局平均操作，其计算公式为：
公式(2)中xij为上一层输出，yij为全平均层核的值，f(x)为输出值。
优选地，卷积层的padding方式为same。
优选地，所述通过卷积神经网络CNN对故障灰度图中的故障特征进行提取，还包括采用随机抽样法将预处理后的故障灰度图数据按照比例划分独立的训练集和测试集。
优选地，利用CNN提取的图像特征在训练集上构建基于SVM的三电平逆变器故障识别模型，确定SVM三电平逆变器故障识别模型的参数；利用所述测试集来测试三电平逆变器故障识别模型识别的效果。
本发明的另一目的在于提供一种三电平逆变器故障诊断装置，包括：
数据采集模块，用于获取三电平逆变器的故障数据；
预处理模块，用于对故障数据进行预处理，得到故障灰度图；
特征提取模块，用于通过卷积神经网络CNN对故障灰度图中的故障特征进行提取；
故障识别模块，用于将CNN提取得到的灰度图像特征作为输入，构建基于支持向量机SVM的三电平逆变器故障识别模型；利用三电平逆变器故障识别模型进行故障诊断。
本发明提供的三电平逆变器故障诊断方法及装置具有以下有益效果：
该方法利用数据转换的思想，将故障数据转换成灰度图，规避了一维数据的缺点，提供了一种基于CNN-SVM模型的三电平逆变器的故障诊断技术，提出的模型结合了卷积神经网络的特征提取能力和SVM的泛化能力，能够处理小样本的故障分类；针对三电平逆变器的故障具有较高的识别率，以及不需要繁琐的建模过程。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1的三电平逆变器故障诊断方法的流程图；
图2是本发明中的数据转换流程图；
图3是本发明中的CNN-SVM网络结构图；
图4是本发明中的SVM算法最优平面；
图5为一个周期内样本数据的灰度图转换图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本发明的实施例提供了一种三电平逆变器故障诊断方法，该实施例是在windows10系统下，采用Keras(V2.2.4)进行分析，并将tensorflow1.14作为其后端，采用CUDA(Compute Unified Device Architecture)加速模型训练过程，硬件使用AMD Ryzen7-4800H CPU和NVIDIA RTX2060型号的GPU。
为使本发明实施例的目的、技术方案和优点更加清楚明白，结合附图，对本发明实例三电平逆变器故障诊断方法作详细说明，如图1所示，本发明实施例提供的三电平逆变器故障诊断方法包括以下步骤：
步骤1、采集三电平逆变器的故障数，具体采用示波器对故障波形进行采样，每个周期进行1000次采样，得到各种故障的三相相电压的原始故障数据。
步骤2、对三电平逆变器的故障数据进行预处理，具体为把三相相电压的故障数据进行组合、归一化和转换，得到78*78的三电平逆变器故障灰度图，具体实施过程如图2所示，具体说明如下：
步骤21、对采样得到的原始故障数据中的样本进行组合，以A相在前，B相在中，C相在后的原则组合，避免因人为因素而对实验产生不好的影响。
步骤22、对组合后的样本进行归一化，归一化的公式如下：
公式(1)中X∈[0,1]，为归一化后的样本值。
步骤23、对归一化后的样本值进行灰度图转换，生成的灰度图像作为故障诊断算法的输入。
步骤3、对三电平逆变器故障数据样本进行划分，具体为采用随机抽样法将预处理后的三电平逆变器故障数据按照训练集80％和测试集20％的比例划分为独立的训练集和测试集。
步骤4、通过卷积神经网络对图像特征进行提取，用于提取灰度图像特征的CNN是一种基于VGG16而修改的网络结构，主要包含卷积层、池化层和全平均池化层，其结构如图3所示，具体说明如下：
步骤41、卷积层使用Keras中的2D卷积层Conv2D，卷积核尺寸为3*3，卷积核数量为64。
步骤42、池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为2*2。
步骤43、灰度图像特征提取采用卷积、池化交替布局，经过5次，提取出3*3*512维特征向量。
特别地，本实施例在卷积层的padding方式均为same。
步骤44、最后进行全平均池化操作，将3*3*512的特征向量转换为79个特征值作为输出，先做一次过度卷积，将3*3*512的特征向量转换成3*3**79的特征向量，然后进行全局平均操作，其计算公式为：
公式(2)中xij为上一层输出，yij为全平均层核的值，f(x)为输出值。
步骤5、将输出的CNN提取得到的灰度图像特征将作为SVM的输入，构建基于支持向量机的三电平逆变器故障识别模型。
步骤6、利用三电平逆变器故障识别模型进行故障诊断。
SVM的基本原理是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。如图4所示，w*x+b＝0即为分离超平面，w为权重向量，w＝{w1w2...wn}，n是特征值个数，x为训练实例，b为偏置。对于线性可分的数据集来说，这样的超平面有无穷多个，但是几何间隔最大的分离超平面却是唯一的。本发明中SVM采用的核函数为高斯核函数，容忍度C设置为0.9。最后将训练集与测试集先后导入SVM中进行训练，并最后输出分类结果。
利用CNN提取的图像特征在训练集上构建SVM三电平逆变器故障识别模型，确定SVM三电平逆变器故障识别模型的参数，然后利用测试集来测试识别的效果，验证模型性能。训练结果：训练精度为0.964，测试精度为0.943，达到较好的故障诊断效果。利用全平均池化操作，可以大量减少训练参数量，进而减少训练时间以及测试时间。
本实施例的另一目的还在于提供一种三电平逆变器故障诊断装置，包括数据采集模块、预处理模块、特征提取模块和故障识别模块。
数据采集模块用于获取三电平逆变器的故障数据；
预处理模块用于对故障数据进行预处理，得到故障灰度图；
特征提取模块用于通过卷积神经网络CNN对故障灰度图中的故障特征进行提取；
故障识别模块用于将CNN提取得到的灰度图像特征作为输入，构建基于支持向量机SVM的三电平逆变器故障识别模型；利用三电平逆变器故障识别模型进行故障诊断。
本发明主要对数据进行整合，然后进行数图转换的操作，使得前后数据联系紧密，为了增加模型的可识别度，在采样时，采用分时采样。即从不同时间节点进行采取一个周期的数据作为故障样本，如图5所示，从不同的起点截取一个周期的数据作为故障样本，把这些数据再进行转换成灰度图像，即框1中截取的数据转换成灰度图1，框2中截取的数据转换成灰度图2，框3中截取的数据转换成灰度图3，框4中截取的数据转换成灰度图4。这样就会达到类似于对单一图像进行平移操作，增大了数据集的多样化。在进行卷积操作时，可以更好的提取深层特征。然后在卷积神经网络提取特征时，通过对全连接层的修改，把全连接层改成一个卷积层和池化层，降低需要训练的参数，经过多次卷积池化操作，获得3*3*512维度的特征向量，然后输入全卷积池化层，得到79个一维特征向量，在不影响准确率的情况下，可以以更短的时间完成训练以及测试。
本发明为了提高CNN的泛化能力，使用CNN来获取故障的抽象特征后，使用SVM这样的机器学习模型进行分类。这些不同模型的组合在分类任务中避免了过拟合现象的出现，性能比单一方法更好。本实施例提出的方法改进了传统的CNN模型结构，在分类阶段使用SVM分类器来替换Softmax分类器。用于提高算法泛化能力和防止模型过拟合。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。
Claims (9)
1.一种三电平逆变器故障诊断方法，其特征在于，包括以下步骤:
获取三电平逆变器的故障数据；
对故障数据进行预处理，得到故障灰度图；
通过卷积神经网络CNN对故障灰度图中的故障特征进行提取；
将CNN提取得到的灰度图像特征作为输入，构建基于支持向量机SVM的三电平逆变器故障识别模型；
利用三电平逆变器故障识别模型进行故障诊断。
2.根据权利要求1所述的三电平逆变器故障诊断方法，其特征在于，利用示波器周期性的对三电平逆变器的故障波形进行采样，得到各种故障的三相相电压的原始故障数据。
3.根据权利要求2所述的三电平逆变器故障诊断方法，其特征在于，所述对故障数据进行预处理，得到故障灰度图，具体步骤为：
以A相在前、B相在中、C相在后的原则，对所述原始故障数据中的样本进行组合；
对组合后的样本进行归一化，归一化的公式如下：
公式(1)中X∈[0,1]，为归一化后的样本值；Xi为样本数据；Xmin为最小样本值；Xmax为最大样本值；
对归一化后的样本值进行线性灰度图转换，得到故障灰度图。
4.根据权利要求1所述的三电平逆变器故障诊断方法，其特征在于，所述卷积神经网络CNN包含卷积层、池化层和全平均池化层；
卷积层使用Keras中的2D卷积层Conv2D，卷积核尺寸为3*3，卷积核数量为64；
池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为2*2；
灰度图像特征提取采用卷积、池化交替布局，经过提取出多维特征向量；
进行全平均池化操作，将多特征向量转换为多个特征值作为输出。
5.根据权利要求4所述的三电平逆变器故障诊断方法，其特征在于，所述将多特征向量转换为多个特征值作为输出，具体包括以下步骤：
做一次过度卷积，将多特征向量转换成多个特征向量；
进行全局平均操作，其计算公式为：
公式(2)中xij为上一层输出，yij为全平均层核的值，f(x)为输出值。
6.根据权利要求5所述的三电平逆变器故障诊断方法，其特征在于，卷积层的padding方式为same。
7.根据权利要求1所述的三电平逆变器故障诊断方法，其特征在于，所述通过卷积神经网络CNN对故障灰度图中的故障特征进行提取，还包括采用随机抽样法将预处理后的故障灰度图数据按照比例划分独立的训练集和测试集。
8.根据权利要求7所述的三电平逆变器故障诊断方法，其特征在于，利用CNN提取的图像特征在训练集上构建基于SVM的三电平逆变器故障识别模型，确定SVM三电平逆变器故障识别模型的参数；利用所述测试集来测试三电平逆变器故障识别模型识别的效果。
9.一种三电平逆变器故障诊断装置，其特征在于，包括：
数据采集模块，用于获取三电平逆变器的故障数据；
预处理模块，用于对故障数据进行预处理，得到故障灰度图；
特征提取模块，用于通过卷积神经网络CNN对故障灰度图中的故障特征进行提取；
故障识别模块，用于将CNN提取得到的灰度图像特征作为输入，构建基于支持向量机SVM的三电平逆变器故障识别模型；利用三电平逆变器故障识别模型进行故障诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210563056.2A CN114814436A (zh) | 2022-05-23 | 2022-05-23 | 一种三电平逆变器故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210563056.2A CN114814436A (zh) | 2022-05-23 | 2022-05-23 | 一种三电平逆变器故障诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114814436A true CN114814436A (zh) | 2022-07-29 |
Family
ID=82517479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210563056.2A Pending CN114814436A (zh) | 2022-05-23 | 2022-05-23 | 一种三电平逆变器故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114814436A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067916A (zh) * | 2019-09-20 | 2020-12-11 | 武汉理工大学 | 基于深度学习的时间序列数据智能故障诊断方法 |
| CN112200214A (zh) * | 2020-08-24 | 2021-01-08 | 贵州大学 | 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 |
| CN113131515A (zh) * | 2021-04-07 | 2021-07-16 | 沈阳工业大学 | 智能微电网ai故障检测及网络优化重构系统及方法 |
| CN113533945A (zh) * | 2021-06-30 | 2021-10-22 | 桂林电子科技大学 | 一种基于二维卷积神经网络的模拟电路故障诊断方法 |
| CN113743528A (zh) * | 2021-09-15 | 2021-12-03 | 集美大学 | 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 |
-
2022
- 2022-05-23 CN CN202210563056.2A patent/CN114814436A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067916A (zh) * | 2019-09-20 | 2020-12-11 | 武汉理工大学 | 基于深度学习的时间序列数据智能故障诊断方法 |
| CN112200214A (zh) * | 2020-08-24 | 2021-01-08 | 贵州大学 | 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 |
| CN113131515A (zh) * | 2021-04-07 | 2021-07-16 | 沈阳工业大学 | 智能微电网ai故障检测及网络优化重构系统及方法 |
| CN113533945A (zh) * | 2021-06-30 | 2021-10-22 | 桂林电子科技大学 | 一种基于二维卷积神经网络的模拟电路故障诊断方法 |
| CN113743528A (zh) * | 2021-09-15 | 2021-12-03 | 集美大学 | 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110823574B (zh) | 一种基于半监督学习深度对抗网络的故障诊断方法 | |
| CN112710969B (zh) | 一种单相半桥五电平逆变器开关管开路故障诊断方法 | |
| CN110068776B (zh) | 基于优化支持向量机的三电平逆变器开路故障诊断方法 | |
| CN102279358B (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
| CN110929765A (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
| CN110726898B (zh) | 一种配电网故障类型识别方法 | |
| CN110456217B (zh) | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 | |
| CN113673346A (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 | |
| CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
| CN113125992B (zh) | 基于dbn的npc三电平逆变器故障诊断方法及系统 | |
| CN113159226B (zh) | 一种深度特征和统计特征融合的逆变器故障诊断方法 | |
| CN111398811A (zh) | 基于终端电流代价敏感学习的pmsm退磁故障诊断方法 | |
| CN116541772B (zh) | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 | |
| CN112881942A (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和系统 | |
| CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
| CN112160877A (zh) | 一种基于sfa和cnn的风机轴承故障诊断方法 | |
| CN111967361A (zh) | 一种基于婴儿表情识别与哭声的情绪检测方法 | |
| CN114881077A (zh) | 一种基于时序轨迹特征的电压暂降源分类方法及系统 | |
| CN114329124A (zh) | 基于梯度重优化的半监督小样本分类方法 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
| CN117669656A (zh) | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 | |
| CN114814436A (zh) | 一种三电平逆变器故障诊断方法及装置 | |
| CN111277221A (zh) | 一种光伏故障诊断方法和装置 | |
| CN111597925A (zh) | 一种基于dcnn的电力系统暂态信号分析方法 |
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 |