CN115166517B - 一种针对电机传动系统中逆变器故障诊断方法 - Google Patents
一种针对电机传动系统中逆变器故障诊断方法 Download PDFInfo
- Publication number
- CN115166517B CN115166517B CN202211086515.9A CN202211086515A CN115166517B CN 115166517 B CN115166517 B CN 115166517B CN 202211086515 A CN202211086515 A CN 202211086515A CN 115166517 B CN115166517 B CN 115166517B
- Authority
- CN
- China
- Prior art keywords
- fault
- value
- phase
- current
- matrix
- 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
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明涉及逆变器故障诊断,尤其涉及一种针对电机传动系统中逆变器故障诊断方法。其不仅适用于电机正常运行条件下的逆变器故障诊断,仍然可以快速准确的实现逆变器开路故障诊断。包括两个阶段:步骤1、利用变模长均一化过程消除电机负载变化的暂态影响,并采用快速傅里叶分解(FFT)对均一化后的电流数据集特征进行提取;步骤2、对已经消除暂态影响的数据特征使用广义主元分析(Generalization Principal Component Analysis GPCA)算法进行计算,通过预设阈值,使用GPCA算法的预测误差值和贡献率指标综合判断电机所处状态。
Description
技术领域
本发明涉及逆变器故障诊断,尤其涉及一种针对电机传动系统中逆变器故障诊断方法。
背景技术
目前,逆变器的控制策略已经到达一定高度,但在实际生产生活中,逆变器的可靠性仍不满足稳定运行条件,对于电机驱动系统中的逆变器来说,开路故障是最重要的故障类型,快速准确的检测出开路故障成为了近年来的热点。
现今电气设备高度集成,对于逆变器开路故障的研究可大致分为以下三种方法。
一、基于信号的故障诊断方法,二、基于模型化的故障诊断方法,三、基于人工智能神经网络的故障诊断方法。
其中,基于信号的故障诊断方法中:基于电流的故障诊断方法在电流受到较大的干扰时可能会影响诊断精度;基于电压信号的故障诊断方法需要增加额外的传感器,在一定程度上增加了故障的种类。
基于模型化的故障诊断方法是基于动态系统建立模型,对其进行的故障诊断,但该方法仅仅可以用于设定好的情况下进行故障检测。
基于神经网络的故障诊断方法需要大量的数据进行支持,同时数据驱动方法需要采集故障数据进行训练,数据的获取难度极大。
另外,针对逆变器开路故障的研究大多把负载变化当成扰动量来消除负载变化对开关管开路故障检测的影响。然而,能同时对故障和负载变化情况进行检测的研究目前还没有。且针对开关管开路故障的检测方法大致分为根据电流幅值或者电压值判断两个方向,由于电流数据易采取,多数方法都是基于电流幅值,其在负载频繁变动情况下,可能造成加/减载状态被误诊断为故障状态;也即在干扰存在的情况下,影响诊断方法的准确性。
发明内容
本发明就是针对现有技术存在的缺陷,提供一种针对电机传动系统中逆变器故障诊断方法。
为实现上述目的,本发明采用如下技术方案,包括两个步骤:
步骤1、利用变模长均一化过程消除电机负载变化的暂态影响,并采用快速傅里叶分解(FFT)对均一化后的电流数据集特征进行提取。
步骤2、对已经消除暂态影响的数据特征使用广义主元分析(GeneralizationPrincipal Component Analysis GPCA)算法进行计算,通过预设阈值,使用GPCA算法的预测误差值和贡献率指标综合判断电机所处状态。
进一步地,所述步骤1包括。
步骤1.1:(采用滑动窗口采样法)分别采集A、B、C三相电流数据,并设置平均误差阈值,来判断此时电流是否为正弦波。
步骤1.2:计算k时刻采集到的N个采样点的三相电流的平均值。
步骤1.3:将计算出的三相电流平均值与误差阈值进行对比。
步骤1.4:若三相电流平均值小于误差阈值,认为(此时滑动窗口中的)电流波形为标准正弦波,并对三相电流进行Clark变换。
记i k x 是每个数据集D k x 中各个数据,i k α ,i k 𝛽 分别表示坐标变化后α轴和β轴对应的k时刻的电流值,i k x’ 为处理后每个数据集D k x’ 中各个数据。
记D k x =[i k-N+1 x ,…,i k x ], x=a,b,c; D k x’ =[i k-N+1 x’ ,…,i k x’ ], x=a,b,c。
步骤1.5:若三相电流平均值大于误差阈值,电流波形不再看作正弦波。
步骤1.6:使用FFT处理均一化后的电流数据集,提取电流波形在不同频率上的分量。
更进一步地,所述步骤1.4分为。
步骤1.4.1:利用所得的i k α ,i k 𝛽 确定出电流的瞬时幅值,再利用式(1)即可完成在正常运行,加载减载状态下的均一化过程。
i k x’ =i k x ∕((i k α )2+(i k 𝛽 )2)1/2 (1)
步骤1.4.2:将步骤1.4.1得到的处理后的每个数据集中各个数据i k x’ 重构为新的数据集。
记三相电流的幅值最大值为i max x ,A相最大值为i max a ,B相最大值为i max b ,C相最大值为i max c 。
更进一步地,步骤1.5包括。
步骤1.5.1:分别取三相电流的幅值最大值i max x ,并对每个数据集D k x 中的数据进行处理得到新的处理后的数据i k x’ :
i k x’ =i k x ∕i max x (2)
步骤1.5.2:将变换后的i k x’ 重新组成处理后的新数据集D k x’ 。
步骤1.4.2和步骤1.5.2形成的新数据集即均一化处理过后的数据。
进一步地,所述步骤2包括:
步骤2.1、建立广义主元分析法模型。
步骤2.2、根据步骤2.1得到的故障值F indicator 计算出不同开关管故障数值,依据故障定位查找法定位故障发生的开关管位置。
记F为开关管故障数值,Round(·)为上取整函数,Q dc x 、Q 1st x 分别为故障相的直流分量和基波分量。
F=Round((Q dc x /Q 1st x )+0.5)×10+F indicator 。
故障定位查找法。
当故障相为A相时,记A相上桥臂开关管S 1 发生故障时,故障值F indicator 为21;记A相下桥臂开关管S 2 发生故障时,故障值F indicator 为11。
当故障相为B相时,记B相上桥臂开关管S 3 发生故障时,故障值F indicator 为22;记B相下桥臂开关管S 4 发生故障时,故障值F indicator 为12。
当故障相为C相时,记C相上桥臂开关管S 5 发生故障时,故障值F indicator 为23;记C相下桥臂开关管S 6 发生故障时,故障值F indicator 为13。
更进一步地,所述步骤2.1包括。
步骤2.1.1、对第一阶段的处理数据加入一个泛化层矩阵;(将引入泛化层后再进行主元分析的方法称为广义主元分析;(Generalization Principal Component AnalysisGPCA);)
将泛化层加在电流信号上,均一化处理后再进行快速傅里叶分解提取特征,最后对其进行主元分析法处理,进而建立GPCA模型。
步骤2.1.2、加减载状态识别。
步骤2.1.3、故障状态诊断及故障定位。
更进一步地,建立GPCA模型包括:记加入泛化层后的矩阵为M ^ ,矩阵M ^ 的特征值组成的对角矩阵为V;记V降维后的对角矩阵为V’,其前l项保持不变,作为主元元素,剩余的特征值全部由0代替;矩阵V’与矩阵D乘积记作P*。
M ^ =TVD=TP*。
记负载矩阵为P∈R m×l ,有l个特征向量组成;得分矩阵为T∈R n×l ,得分矩阵T的各列称为主元变量,l代表主元的个数,得分矩阵的各列互相正交;E为残差空间;分解M ^ :
建立统计量平方预测误差(Squared Prediction Error SPE)和统计量T 2 用于故障检测。
SPE=||(I−PP T M ^ || 2 ;
T 2 =(M ^ ) T P(⋀-1)P T M ^ (6)。
记SPE的控制限为δ 2,T 2 的控制限T α 2。
更进一步地,所述加减载状态识别包括:
记预测误差值SPE和T 2 的加载阈值分别为δ upload 2,T upload 2。
在GPCA预测误差值中设置一条加载阈值δ upload 2,T upload 2,以此来辨别电机的加载与减载状状态;加载阈值的值是加载到1.25倍额定电流的瞬态过程最大值之和,其大小小于可检测最小加载电流的SPE和T 2 的最小值。
更进一步地,所述故障状态诊断包括:设置一条分别对应预测误差值SPE和T 2 的故障阈值δ fault 2和T fault 2,其大小等于故障发生暂态过程中的SPE和T 2 值。若预测误差值SPE和T 2 均超出其对应的故障阈值δ fault 2和T fault 2,则认为此时存在开路故障。
更进一步地,所述故障定位包括。
计算贡献率绘制贡献图,采用贡献图对比法进行故障相定位;当某相电流的基波分量超过贡献图中故障阈值时,则认为控制该相电流的开关管发生开路故障。
记F indicator 为故障值;记A,B,C三相分别发生故障时对应的故障值为1,2,3,未产生故障时故障值为0。
与现有技术相比本发明有益效果。
本发明首先对电流数据的处理进行了改进,采用了全新的均一化方法,传统方法在电机加载减载暂态状态时,会出现一定程度上的波形畸变,本发明采用了分段式均一化方法,可以很好的将电流数据映射至区间[-1,1]内,数据方便携带,同时对后续电机的加载减载状态监测和逆变器开路故障的诊断有积极的作用。
本发明对主元分析法进行了改进,提出一种新的方法为广义主元分析法(Generalized Principal Component Analysis, GPCA),通过增加了一层泛化层用解决掉训练矩阵不可逆的问题。
本发明不仅适用于电机正常运行条件下的逆变器故障诊断,在一定程度上的变载变频条件下仍然可以快速准确的实现逆变器开路故障诊断。同时,本发明采用的方法在诊断速度,准确度上能够超越传统的开路故障诊断方法,不仅如此,本发明提出的方法还可以对电机的加载减载状态进行监测,进一步提高开路故障诊断的精度,也为生产方法和生产计划提供了一定的决策数据。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
图1是变模长归一化原理图。
图2是广义主元分析法故障诊断及状态识别模型流程图。
图3是均一化前后的电流值对比图。
图4是电机状态识别及逆变器开路故障诊断结果图。
图5是S 4 故障实验结果图。
具体实施方式
如图1-5所示,图1中,(a)为本文方法归一化后结果,(b)为传统方法归一化后结果,(c)为加载过程。具体实施例:本发明将通过滑动窗口采样法采集到电流数据,将采集到的数据通过变模长均一化过程以消除暂态影响,并采用快速傅里叶分解(FFT)对数据特征进行提取。将FFT提取出的值进行构建广义主元分析法模型,通过SPE和T 2 两个指标实现加减载状态识别以及故障状态诊断,通过贡献率指标实现故障定位。
步骤1:消除暂态影响的变模长归一化过程及特征提取。
步骤1.1:采用滑动窗口采样法分别采集A、B、C三相电流数据,并设置平均误差阈值,来判断此时电流是否为正弦波。
步骤1.2:计算k时刻步骤1.1内采集到的N个采样点的三相电流的平均值。
步骤1.3:将计算出的三相电流平均值与误差阈值进行对比。
步骤1.4:若三相电流平均值小于误差阈值,认为此时滑动窗口中的电流波形为标准正弦波,并对三相电流进行Clark变换。
记i k x 是每个数据集D k x 中各个数据,i k α ,i k 𝛽 分别表示坐标变化后α轴和β轴对应的k时刻的电流值,i k x’ 为处理后每个数据集D k x’ 中各个数据。
记D k x =[i k-N+1 x ,…,i k x ], x=a,b,c; D k x’ =[i k-N+1 x’ ,…,i k x’ ], x=a,b,c;
步骤1.4.1:使用所得的i k α ,i k 𝛽 可以确定出电流的瞬时幅值,再使用式(8)即可完成在正常运行,加载减载状态下的均一化过程。
i k x’ =i k x /((i k α )2+(i k 𝛽 )2)1/2 (8)。
步骤1.4.2:将步骤1.4.1得到的处理后的每个数据集D k x’ 中各个数据i k x’ 重构为新的数据集。
记三相电流的幅值最大值为i max x ,A相最大值为i max a ,B相最大值为i max b ,C相最大值为i max c 。
步骤1.5:若三相电流平均值大于误差阈值,电流波形不再看作正弦波。
步骤1.5.1:分别取三相电流的幅值最大值i max x ,并对每个数据集D k x 中的数据进行处理得到新的处理后的数据i k x’ 。
i k x’ =i k x ∕i max x 。
步骤1.5.2:将变换后的i k x’ 重新组成处理后的新数据集。
步骤1.4.2和步骤1.5.2形成的新数据集即均一化处理过后的数据。
步骤1.6:使用FFT处理均一化后的电流数据集,提取电流波形在不同频率上的分量。
步骤2:通过广义主元分析法实现对电机的加/减载状态判断及其逆变器故障诊断。
整体流程如图2所示。分为两个过程:离线(Off-line)过程,在线(On-line)过程。
离线(Off-line)过程。
过程1.1:将一个泛化层矩阵插入经过步骤1.4.2和步骤1.5.2处理后的离线电流信号矩阵,并对其进行FFT处理,通过主元分析法处理数据来构建广义主元分析法模型。
过程1.2:建立统计量平方预测误差(Squared Prediction Error SPE)和统计量T 2 用于故障检测。
记加入泛化层后的矩阵为M ^ ,矩阵M ^ 的特征值组成的对角矩阵为V。记V降维后的对角矩阵为V’,其前l项保持不变,作为主元元素,剩余的特征值全部由0代替。矩阵V’与矩阵D乘积记作P*。
M
^=
TVD=TP*。
记负载矩阵为P∈R m×l ,有l个特征向量组成。得分矩阵为T∈R n×l ,得分矩阵T的各列称为主元变量,l代表主元的个数,得分矩阵的各列互相正交。E为残差空间。分解M ^ 。
SPE=||(I−PP T )M ^ || 2 (12)
T 2 =(M ^ ) T P(⋀-1)P T M ^ (13)
记SPE的控制限为δ 2,T 2 的控制限T α 2。
过程1.3:在GPCA 预测误差值SPE和T 2 中分别设置一条对应的加载阈值δ upload 2,T upload 2,以此来辨别电机的加载与减载状状态。加载阈值的值是加载到1.25倍额定电流的瞬态过程最大值之和,其大小小于可检测最小加载电流的SPE和T 2 的最小值。设置一条分别对应预测误差值SPE和T 2 的故障阈值δ fault 2和T fault 2,其大小等于故障发生暂态过程中的SPE和T 2 值。
在线(On-line)过程。
过程2.1:将一个泛化层矩阵插入经过步骤1.4.2和步骤1.5.2处理后的在线电流信号矩阵,并对其进行FFT处理,通过主元分析法处理数据来构建广义主元分析法模型。
过程2.2:计算SPE和T 2 的误差值,并与之前离线过程训练预存的δ 2,δ upload 2,δ fault 2,T α 2,T upload 2,T fault 2对比。
当预测误差值SPE和T 2 同时超出其对应控制限δ 2和T α 2,则认为发生加/减载。若预测误差值SPE和T 2 超出其对应的加载阈值δ upload 2和T upload 2,但是均未超出其对应的故障阈值δ fault 2和T fault 2,则认为此时为加载状态;若预测误差值SPE和T 2 未超出其对应的加载阈值δ upload 2和T upload 2,则认为此时为减载状态。
在误差值SPE和T 2 超出故障阈值时,认为此时存在开路故障,对其进行故障定位:
过程2.2.1:计算贡献率绘制贡献图,采用贡献图对比法进行故障相定位。当某相电流的基波分量超过贡献图中故障阈值时,可以认为控制该相电流的开关管发生开路故障。
记F indicator 为故障值。记A,B,C三相分别发生故障时对应的故障值为1,2,3,未产生故障时故障值为0。
记F为开关管故障数值,Round(·)为上取整函数Q dc x 、Q 1st x 分别为故障相的直流分量和基波分量。
过程2.2.2:根据步骤4.1得到的故障值F indicator 计算出不同开关管故障数值,依据故障定位法定位故障发生的开关管位置。
F=Round((Q dc x ∕Q 1st x )+0.5)×10+F indicator 。
仿真与实验结果及分析:使用PLECS仿真软件搭建仿真模型,负载为异步电动机。系统给定母线电压为538V,电机额定电流为4A。仿真给定故障相为A相,电机运行状态包括加载过程,减载过程以及逆变器发生开路故障。
在仿真过程中,电流采样频率为25KHz,N=500,滑动窗口周期为20ms。分别在1.7s和2s时刻给定电机加载,在1.8s和2.2s给定电机减载,逆变器开路故障给定在电机驱动系统运行的2.4s。
如图3所示,(a)为三相电流值,(b)为本文方法均一化后的电流值,(c)为传统方法均一化后的电流值。本发明提出的方法可以完美的消除加载和减载暂态过程的暂态特征,可以更好的区分逆变器故障状态和电机的加/减载暂态过程。
如图4所示,本发明通过使用SPE和T 2 值来实现状态识别和故障诊断,通过与加载阈值以及故障阈值的比对,能够准确的判断电机的运行状态,同时能够定位到故障的逆变器开关管位置。
实验使用电机的额定电流为1A,给定故障为A相对应的下管发生开路故障,即S 4 发生故障。
实验结果如图5所示,图(a)为故障结果图。在故障定位图中,右侧曲线代表检测故障发生的时间,左侧曲线代表故障实际发生时间,二者的时间差大约0.5T。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (1)
1.一种针对电机传动系统中逆变器故障诊断方法,其特征在于,包括两个步骤:
步骤1、利用变模长均一化过程消除电机负载变化的暂态影响,并采用快速傅里叶分解对均一化后的电流数据集特征进行提取;
步骤2、对已经消除暂态影响的数据特征使用广义主元分析算法进行计算,通过预设阈值,使用GPCA算法的预测误差值和贡献率指标综合判断电机所处状态;
所述步骤1包括:
步骤1.1:分别采集A、B、C三相电流数据,并设置平均误差阈值,来判断此时电流是否为正弦波;
步骤1.2:计算k时刻采集到的N个采样点的三相电流的平均值;
步骤1.3:将计算出的三相电流平均值与误差阈值进行对比;
步骤1.4:若三相电流平均值小于误差阈值,认为电流波形为标准正弦波,并对三相电流进行Clark变换;
步骤1.5:若三相电流平均值大于误差阈值,电流波形不再看作正弦波;
步骤1.6:使用FFT处理均一化后的电流数据集,提取电流波形在不同频率上的分量;
所述步骤1.4分为:
记三相电流的幅值最大值为imax x,A相最大值为imax a,B相最大值为imax b,C相最大值为imax c;
步骤1.5包括:
步骤1.4.2和步骤1.5.2形成的新数据集即均一化处理过后的数据;
所述步骤2包括:
步骤2.1、建立广义主元分析法模型;
步骤2.2、根据步骤2.1得到的故障值Findicator计算出不同开关管故障数值,依据如下数值定位故障发生的开关管位置;
当故障相为A相时,记A相上桥臂开关管S1发生故障时,故障值Findicator为21;记A相下桥臂开关管S2发生故障时,故障值Findicator为11;
当故障相为B相时,记B相上桥臂开关管S3发生故障时,故障值Findicator为22;记B相下桥臂开关管S4发生故障时,故障值Findicator为12;
当故障相为C相时,记C相上桥臂开关管S5发生故障时,故障值Findicator为23;记C相下桥臂开关管S6发生故障时,故障值Findicator为13;
所述步骤2.1包括:
步骤2.1.1、对第一阶段的处理数据加入一个泛化层矩阵;将引入泛化层后再进行主元分析的方法称为广义主元分析;将泛化层加在电流信号上,均一化处理后再进行快速傅里叶分解提取特征,最后对其进行主元分析法处理,进而建立GPCA模型;
步骤2.1.2、加减载状态识别;
步骤2.1.3、故障状态诊断及故障定位;
建立GPCA模型包括:记加入泛化层后的矩阵为M^,矩阵M^的特征值组成的对角矩阵为V;记V降维后的对角矩阵为V’,其前l项保持不变,作为主元元素,剩余的特征值全部由0代替;矩阵V’与矩阵D乘积记作P*;
M^=TVD=TP*
记负载矩阵为P∈Rm×l,有l个特征向量组成;得分矩阵为T∈Rn×l,得分矩阵T的各列称为主元变量,l代表主元的个数,得分矩阵的各列互相正交;E为残差空间;分解M^:
建立统计量平方预测误差和统计量T2用于故障检测;
SPE=||(I-PPT)M^||2
T2=(M^)TP(∧-1)PTM^
记SPE的控制限为δ2,T2的控制限Tα 2;
所述加减载状态识别包括:
记预测误差值SPE和T2的加载阈值分别为δupload 2,Tupload 2;
在GPCA预测误差值中设置一条加载阈值δupload 2,Tupload 2,以此来辨别电机的加载与减载状状态;加载阈值的值是加载到1.25倍额定电流的瞬态过程最大值之和,其大小小于可检测最小加载电流的SPE和T2的最小值;
所述故障状态诊断包括:设置一条分别对应预测误差值SPE和T2的故障阈值δfault 2和Tfault 2,其大小等于故障发生暂态过程中的SPE和T2值;
若预测误差值SPE和T2均超出其对应的故障阈值δfault 2和Tfault 2,则认为此时存在开路故障;所述故障定位包括:
计算贡献率绘制贡献图,采用贡献图对比法进行故障相定位;当某相电流的基波分量超过贡献图中故障阈值时,则认为控制该相电流的开关管发生开路故障;
记Findicator为故障值;记A,B,C三相分别发生故障时对应的故障值为1,2,3,未产生故障时故障值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211086515.9A CN115166517B (zh) | 2022-09-07 | 2022-09-07 | 一种针对电机传动系统中逆变器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211086515.9A CN115166517B (zh) | 2022-09-07 | 2022-09-07 | 一种针对电机传动系统中逆变器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115166517A CN115166517A (zh) | 2022-10-11 |
CN115166517B true CN115166517B (zh) | 2022-11-25 |
Family
ID=83481971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211086515.9A Active CN115166517B (zh) | 2022-09-07 | 2022-09-07 | 一种针对电机传动系统中逆变器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166517B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 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 |
CN108628185A (zh) * | 2018-06-26 | 2018-10-09 | 上海海事大学 | 五电平逆变器故障诊断与容错控制方法及半实物仿真平台 |
CN109815934A (zh) * | 2019-02-12 | 2019-05-28 | 西华大学 | 一种应用于逆变器故障的多尺度oglpe特征提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105811794B (zh) * | 2016-05-06 | 2018-03-30 | 上海海事大学 | 多电平逆变器的参考电压信号重构的容错控制方法 |
CN106443297B (zh) * | 2016-09-07 | 2018-05-22 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
JP6763910B2 (ja) * | 2018-05-30 | 2020-09-30 | 横河電機株式会社 | 異常検出装置、異常検出方法、異常検出プログラム及び記録媒体 |
CN111551872B (zh) * | 2020-02-27 | 2021-10-22 | 西北工业大学 | 一种pmsm驱动系统逆变器开路故障在线诊断方法 |
-
2022
- 2022-09-07 CN CN202211086515.9A patent/CN115166517B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 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 |
CN108628185A (zh) * | 2018-06-26 | 2018-10-09 | 上海海事大学 | 五电平逆变器故障诊断与容错控制方法及半实物仿真平台 |
CN109815934A (zh) * | 2019-02-12 | 2019-05-28 | 西华大学 | 一种应用于逆变器故障的多尺度oglpe特征提取方法 |
Non-Patent Citations (7)
Title |
---|
Fault diagnosis method based on FFT-RPCA-SVM for Cascaded-Multilevel Inverter;Tianzhen Wang;《ISA Transactions》;20161231;全文 * |
一种多电平逆变器故障诊断与容错控制策略;刘卓等;《山东大学学报(工学版)》;20171031(第05期);全文 * |
基于Park变换的三电平逆变器开路故障诊断;任晓红等;《工矿自动化》;20200531(第05期);全文 * |
基于PCA-SVM模型的多电平逆变系统故障诊断;刘远等;《电力系统保护与控制》;20130201(第03期);全文 * |
基于改进核主元分析法的三电平逆变器故障检测;林茂等;《电网技术》;20160331(第03期);全文 * |
改进滑动窗口核主元分析算法;孙建平等;《热力发电》;20180108(第01期);全文 * |
级联H桥逆变器的多特征融合CNN故障诊断;杨俊杰等;《中国测试》;20200731(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115166517A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112527788A (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
CN106841949B (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN111551872B (zh) | 一种pmsm驱动系统逆变器开路故障在线诊断方法 | |
CN113159077A (zh) | 一种基于混合卷积神经网络的三相逆变器故障识别方法 | |
Muduli et al. | Ann based on-board fault diagnostic for induction motor drive in low-cost electric vehicles | |
Arabaci et al. | A knowledge-based diagnosis algorithm for broken rotor bar fault classification using FFT, principal component analysis and support vector machines | |
Dias et al. | A histogram of oriented gradients approach for detecting broken bars in squirrel-cage induction motors | |
CN113358993B (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
CN111398860A (zh) | 一种混合式的pmsm驱动系统逆变器开路故障在线诊断方法 | |
Kabla et al. | Bearing fault diagnosis using Hilbert-Huang transform (HHT) and support vector machine (SVM) | |
CN110907864B (zh) | 电机定子绕组的故障检测方法、装置、设备及存储介质 | |
Kumar et al. | A topological neural-based scheme for classification of faults in induction machines | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
Pietrzak et al. | Stator Winding Fault Detection of Permanent Magnet Synchronous Motors Based on the Short-Time Fourier Transform | |
Parvin et al. | A comprehensive inter-turn fault severity diagnosis method for permanent magnet synchronous motors based on transformer neural networks | |
CN115166517B (zh) | 一种针对电机传动系统中逆变器故障诊断方法 | |
Sun et al. | An open-circuit fault diagnosis algorithm based on signal normalization preprocessing for motor drive inverter | |
Skylvik et al. | Data-driven fault diagnosis of induction motors using a stacked autoencoder network | |
WO2021099413A1 (en) | Machine learning based method and device for disturbance classification in a power trasmission line | |
CN113253048B (zh) | 一种短路故障检测方法及装置 | |
Wu et al. | Discovering New Prognostic Features for the Harmonic Reducer in Remaining Useful Life Prediction | |
Bouzid et al. | Automatic and robust diagnosis of broken rotor bars fault in induction motor | |
Ni et al. | A Real-time Fault Diagnosis Method for Grid-Side Overcurrent in Train Traction System using Signal Time Series Feature Pattern Recognition | |
Kaminski et al. | Application of radial basis neural networks for the rotor fault detection of the induction motor | |
Huang et al. | Converter fault diagnosis method based on principal component analysis combined with improved similarity classifier |
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 |