CN117034080A - 基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法 - Google Patents

基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法 Download PDF

Info

Publication number
CN117034080A
CN117034080A CN202310997912.XA CN202310997912A CN117034080A CN 117034080 A CN117034080 A CN 117034080A CN 202310997912 A CN202310997912 A CN 202310997912A CN 117034080 A CN117034080 A CN 117034080A
Authority
CN
China
Prior art keywords
fault
converter
fault diagnosis
training
airborne
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
Application number
CN202310997912.XA
Other languages
English (en)
Inventor
罗运虎
吕启航
陈文明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202310997912.XA priority Critical patent/CN117034080A/zh
Publication of CN117034080A publication Critical patent/CN117034080A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Transportation (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明涉及一种基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法。其包括：对待故障诊断的机载变换器，构建基于堆嵌式去噪自动编码器的变换器故障诊断模型；对机载变换器故障诊断时，采集所述机载变换器在一个参数周期内的故障诊断信息；将所采集的故障诊断信息加载至变换器故障诊断模型，利用变换器故障诊断模型内SDAE故障特征提取器对故障诊断信息进行特征提取，并将所提取的故障特征进行分类，以在分类后输出基于故障诊断信息的故障诊断结果。本发明能有效实现机载变换器的电气故障快速诊断，提高故障诊断的效率，为故障诊断的维修提供支持与保障。

Description

基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法
技术领域
本发明涉及一种故障诊断方法，尤其是一种基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法。
背景技术
机载变换器作为飞机二次电源系统中承担电能变换的重要器件，其功能对于飞机安全飞行至关重要。随着“多电飞机”的不断发展，飞机机载变换器的种类与数量也随之不断增加，对机载变换器可靠性要求也不断提高。
根据2019年各大航空公司的飞机电源系统故障统计数据，二次电源系统的故障案例共86起，其中，功率管故障76起，占二次电源系统故障的88.37％。机载变换器一旦发生故障，飞机上的各个设备将失去供电可靠性，这会使得飞机各个模块工作异常，因此，对机载变换器的性能进行测试，保证其工作的可靠性显得至关重要，从而，对机载变换器进行故障诊断具有重要意义。
目前，现场使用各型机载变换器的测试手段均为手动方式，对各型机载变换器的故障判定多采用人工经验方式，该方式测试与诊断效率低下，测试与诊断可靠性低，严重约束了航修厂对机载变换器时的维修进度。
近年来，有关机载变换器的故障诊断方法一直是众多学者研究的热门之一。从目前的研究成果来看，故障诊断方法仍存在以下几个方面的缺点：1)、机载变换器所处的环境复杂多变且故障类型较多，无法精确给出诊断故障类型，诊断的可靠性较低；2)、故障诊断方法所需的相关数据难以获取，或使用的测量仪器设备数目过多，成本较高，无法推广；3)、实时诊断信息的传递效率不高，且由于故障类型较多，造成诊断时间过长，影响机载变换器诊断效率等。
如上所述，机载变换器的故障诊断中存在的许多问题，而在诊断算法方面，基于解析模型的观测器法和基于信号处理的傅里叶分析法需要对被测变换器有很深的理解，用专业知识提取故障特征，但是由于机载变换器种类众多，上述方法已经明显已经不能胜任对机载变换器的故障诊断任务需求。
发明内容
本发明的目的是克服现有技术中存在的不足，提供一种基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法，其能有效实现机载变换器的电气故障快速诊断，提高故障诊断的效率，为故障诊断的维修提供支持与保障。
按照本发明提供的技术方案，一种基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法，所述机载变换器电气故障的诊断方法包括：
对待故障诊断的机载变换器，构建基于堆嵌式去噪自动编码器的变换器故障诊断模型，其中，所述变换器故障诊断模型包括用于故障特征提取的SDAE故障特征提取器以及用于对提取故障特征分类的分类器；
在构建变换器故障诊断模型的训练阶段，制作基于所述机载变换器的训练数据集，并利用所制作的训练数据集进行训练，直至达到目标训练状态，以得到所构建的变换器故障诊断模型，其中，
所述训练数据集包括若干配置机载变换器分别处于正常状态、短路故障状态以及开路故障状态下相对应训练样本，所述训练样本包括机载变换器在一个参数周期内的三相输入电流信息以及额定输出电压信息；
对机载变换器故障诊断时，采集所述机载变换器在一个参数周期内的故障诊断信息，所述故障诊断信息包括三相输入电流信息以及额定输出电压信息；
将所采集的故障诊断信息加载至变换器故障诊断模型，利用变换器故障诊断模型内SDAE故障特征提取器对故障诊断信息进行特征提取，并将所提取的故障特征进行分类，以在分类后输出基于故障诊断信息的故障诊断结果。
在训练阶段，先对SDAE故障特征提取器进行训练，直至将SDAE故障特征提取器训练达到第一子目标训练状态；
将SDAE故障特征提取器训练达到第一子目标训练状态后，对搭建的变换器故障诊断模型训练，直至达到模型目标训练状态，此时即得到用于机载变换器故障诊断的变换器故障诊断模型。
所述SDAE故障特征提取器包括多层依次堆叠的降噪自编码器，其中，
每一层的降噪自编码器的输入层为上一层降噪自编码器的隐含层。
所述分类器包括softmax分类器，其中，
SDAE故障特征提取器训练达到第一子目标训练状态后，对搭建的变换器故障诊断模型训练，采用有监督的训练；
在采用有监督的训练时，训练样本内包括故障标签；将具有故障标签的训练样本利用SDAE故障特征提取器进行特征提取，并在特征提取后由分类器进行分类。
所述故障标签包括机载变换器处于正常状态的标签数据、机载变换器内每个开关管处于短路故障下标签以及机载变换器内每个开关管处于开路故障下的标签数据。
对SDAE故障特征提取器，隐含层为3层，每层神经元个数为[400,200,100]。
所述一个参数周期包括加载至机载变换器上交流电的周期；
在一个参数周期内，三相输入电流信息包括若干对输入电流采样得到的输入电流采样值；
额定电压输出信息包括若干对额定输出电压采样得到的额定电压采样值。
一种基于堆嵌式去噪自动编码器的机载变换器电气故障诊断系统，包括故障诊断处理器，其中，
对任一待故障诊断的机载变换器，所述故障诊断处理器采用上述的故障诊断方法进行故障诊断，并在故障诊断后输出故障诊断结果。
本发明的优点：对待故障诊断的机载变换器，构建基于堆嵌式去噪自动编码器的变换器故障诊断模型，其中，所述变换器故障诊断模型包括用于故障特征提取的SDAE故障特征提取器以及用于对提取故障特征分类的分类器；将所采集的故障诊断信息加载至变换器故障诊断模型，利用变换器故障诊断模型内SDAE故障特征提取器对故障诊断信息进行特征提取，并将所提取的故障特征进行分类，以在分类后输出基于故障诊断信息的故障诊断结果，即能有效实现机载变换器的电气故障快速诊断，提高故障诊断的效率。
附图说明
图1为本发明变换器故障诊断模型的一种实施例框图。
图2为本发明机载变换器的一种实施例电路原理图。
图3为本发明SDAE故障特征提取器的一种实施例示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
为了能有效实现机载变换器的电气故障快速诊断，提高故障诊断的效率，对基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法，本发明的一种实施例中，所述机载变换器电气故障的诊断方法包括：
对待故障诊断的机载变换器，构建基于堆嵌式去噪自动编码器的变换器故障诊断模型，其中，所述变换器故障诊断模型包括用于故障特征提取的SDAE故障特征提取器以及用于对提取故障特征分类的分类器；
在构建变换器故障诊断模型的训练阶段，制作基于所述机载变换器的训练数据集，并利用所制作的训练数据集进行训练，直至达到目标训练状态，以得到所构建的变换器故障诊断模型，其中，
所述训练数据集包括若干配置机载变换器分别处于正常状态、短路故障状态以及开路故障状态下相对应训练样本，所述训练样本包括机载变换器在一个参数周期内的三相输入电流信息以及额定输出电压信息；
对机载变换器故障诊断时，采集所述机载变换器在一个参数周期内的故障诊断信息，所述故障诊断信息包括三相输入电流信息以及额定输出电压信息；
将所采集的故障诊断信息加载至变换器故障诊断模型，利用变换器故障诊断模型内SDAE故障特征提取器对故障诊断信息进行特征提取，并将所提取的故障特征进行分类，以在分类后输出基于故障诊断信息的故障诊断结果。
图1中为变换器故障诊断模型的一种实施例，图中变换器故障诊断模型包括依次连接的SDAE故障特征提取器以及分类器，在进行故障诊断时，利用SDAE故障诊断特征提取器进行故障特征提取，利用分类器对提取的故障特征分类，并输出故障诊断的类型。
本发明的一种实施例中，所述SDAE故障特征提取器包括多层依次堆叠的降噪自编码器，其中，
每一层的降噪自编码器的输入层为上一层降噪自编码器的隐含层。
图3中为本发明SDAE故障特征提取器的一种实施例，图中示出了SDAE故障特征提取器呈三层结构，图中，第三层的降噪自编码器作为整个SDAE故障特征提取器的输出层，第一层的降噪自编码器作为整个SDAE故障特征提取器的输入层，因此，第一层降噪自编码器的隐含层作为第二层降噪自编码器的输入层，第二层降噪自编码器的隐含层作为第三层降噪自编码器的输入层。具体实施时，对图3中所示出的SDAE故障特征提取器，每层神经元个数可分别配置为[400，200，100]，当然，每层降噪自编码器内神经元的个数可根据需要选择，以能满足实际的应用需求为准。
在搭建变换器故障诊断模型时，需要对所述变换器故障诊断模型进行训练，以在训练后得到可用于变换器电气故障诊断。本发明的一种实施例中，在训练阶段，先对SDAE故障特征提取器进行训练，直至将SDAE故障特征提取器训练达到第一子目标训练状态；
将SDAE故障特征提取器训练达到第一子目标训练状态后，对搭建的变换器故障诊断模型训练，直至达到模型目标训练状态，此时即得到用于机载变换器故障诊断的变换器故障诊断模型。
具体地，对变换器故障诊断模型训练时，可包括两个阶段，在第一阶段仅对SDAE故障特征提取器进行训练，对SDAE故障特征提取器进行训练时，需要达到第一子目标训练训练状态，此后，对搭建的变换器故障诊断模型训练，达到模型目标训练状态后，即可得到用于机载变换器故障诊断的变换器故障诊断模型。
本技术领域人员周知，训练时，需要制备训练数据集，本发明的一种实施例中，需要利用搭建机载变换器或利用现有机载变换器进行训练数据集的制备，图2中为现有机载变换器的一种实施例电路原理图，图中，所述示例机载变换器包括一个变压器、两组三相整流桥和一个平衡电抗器，其中，变压器由是一个三相三绕组变压器，其原边绕组采用星形连接，在变压器的副边，包括两组三角形绕组以及一组星型绕组，之后经过两组不控整流桥整流，整流桥输出端再经平衡电抗器并联，电抗器的中心抽头作为直流输出的正端、整流桥的负端直接相连后作为输出负端接至需要的直流负载。
图2中，三组整流桥采用功率二极管作整流器件，其中，第一组整流器包括二极管a1、二极管a1’、二极管a2以及二极管a2’，第二组整流器包括二极管b1、二极管b1’、二极管b2以及二极管b2’，第三组整流器包括二极管c1、二极管c1’、二极管c2以及二极管c2’，具体地，二极管a1、二极管a1’、二极管b1、二极管b1’、二极管c1以及二极管c1’属于图2中的整流桥I，二极管a2、二极管a2’、二极管b2、二极管b2’以及二极管c2与二极管c2’属于图2中的整流桥II。
对图2中的机载变换器，在制作训练数据集时，需要进行故障分类。针对机载变换器内的功率半导体器件，机载变换器在实际运行时主要出现2种：短路故障和开路故障。另外，在故障诊断过程中，将正常运行也可以视作一种特殊的故障，则在这些故障大类中选择最常见的故障类型进行诊断：
1)、正常运行，共一小类；
2)、短路故障，n个开关管共2n类；
3)、开路故障，n个开关管共2n类；
上述故障类型诊断时，n个开关管具体是指机载变换器内功率管的数量，如针对图2中的实施例，开关管为功率二极管，n为12个。
将图2中的机载变换器作为故障诊断的对象时，需要配置所述机载变换器进行故障模型，此时，需要确定机载变换器的工作参数，采用一款额定电压115V，频率400Hz的三相交流电源作为供电电源，一款电压范围0-48V，额定电流200A的直流物理负载作为输出模拟，测量仪器采用功率分析仪，对输出电压和输入三相电流进行测量，其各参数如表1所示。
表1某型变压整流器参数表
不同位置的功率二极管出现开路故障时，输出电压的波动有一定的变化，不同位置功率二极管发生短路故障时输入三相电流有着明显的变化。根据机载变换器的类型，如上述说明可知，故障类型可分为25小类，如表2所示。1为无故障，2～7为I号整流桥单管开路故障、8～13为II号整流桥单管开路故障、14～19为I号整流桥短路故障，20～25为II号整流桥短路故障。
表2航空变压整流器故障分类
按照表2的25种故障类型，测量每个故障模式下的输入三相电流和输出电压4个参数，每个参数一周期采200个点，共800维数据。本发明的一种实施例中，所述一个参数周期包括加载至机载变换器上交流电的周期；
在一个参数周期内，三相输入电流信息包括若干对输入电流采样得到的输入电流采样值；
额定电压输出信息包括若干对额定输出电压采样得到的额定电压采样值。
具体实施时，在一个参数周期内，对每相输入的电流均进行采样，且每相输入的电流均采样200个点；额定电压输出信息包括200个点的额定电压采样值。当然，每个参数周期的采样点的数量可根据需要选择，以能满足训练需求为准。
根据上述表2示出的故障类型，在参数周期内采样后，即可生成相应的训练数据集。由上述生成训练数据集的方式可知，训练数据集可配置为无标签的训练数据集以及有标签的训练数据集，具体地，对有标签的训练数据集，所述故障标签包括机载变换器处于正常状态的标签数据、机载变换器内每个开关管处于短路故障下标签以及机载变换器内每个开关管处于开路故障下的标签数据。
本发明的一种实施例中，在第一训练阶段，也即对SDAE故障特征提取器时，采用无标签训练数据集的无监督训练。具体地，对SDAE故障特征提取器训练时，对所述SDAE故障特征提取器内的降噪自编码器逐层训练，且对每层的降噪自编码器均采用无监督训练，以尽可能的提高相似性进行特征重构，逐层训练后，外部干扰的影响将被减弱，从而使得输出的特征向量具有更好的结果。
具体实施时，在无监督训练时，在训练数据集内加入噪声，加入噪声后，可以防止出现过拟合的情况，同时使得学习后的SDAE故障特征提取器具备一定的鲁棒性，同时具备一定的深度，可以更好的捕捉数据的特征。具体地，在训练时，可配置迭代次数，如迭代次数可为300次，权重衰减参数为0.003，稀松惩罚项参数为3。配置迭代次数后，达到第一子目标训练状态时，即为达到迭代300次的训练次数。
本发明的一种实施例中，所述分类器包括softmax分类器，当然，分类器也可以为其他类型的分类器。
在第二训练阶段，采用有监督的训练，在采用有监督的训练时，训练样本内包括故障标签；将具有故障标签的训练样本利用SDAE故障特征提取器进行特征提取，并在特征提取后由分类器进行分类，分类器输入为SDAE故障特征提取器的输出，输出为分类后的故障类型。
在第二训练阶段，需配置损失函数，由于采用有监督的训练，且抑制每个训练样本的故障类型，则可将分类器的输出与训练样本的故障类型进行对比，以在对比后可计算损失函数的损失值，当损失值达到目标阈值时，可认为达到模型目标训练状态。此外，在第二训练阶段，一般也需要配置训练时的迭代次数，所述迭代次数可根据需要选择，如可为350次。
具体实施时，损失函数可采用本技术领域常用的类型，如损失函数可采用均方差，目标阈值的大小也可根据故障诊断的精度等需求选择，也即目标阈值的大小可根据实际需要选择。
对变换器故障诊断模型达到模型目标训练状态后，还可以对达到模型目标训练状态的变换器故障诊断模型进行测试。一般地，对训练数据集，可划分为训练集与测试集，利用测试集进行测试。在测试时，可生成诊断精度、AUC曲线指标，并基于所生成的诊断精度、AUC曲线指标判定变换器故障诊断模型的测试状态，如生成的诊断精度、AUC曲线指标判定变换器故障诊断模型能满足即在变换器电气故障诊断的需求，则达到模型目标训练状态的变换器古镇诊断模型可用于对机载变换器进行电气故障诊断。
接受者操作特征曲线(Receiver Operating Characteristic，ROC)是反应一个诊断模型性能十分重要的指标，其中纵坐标代表真正例率，横坐标表示假正例率，而AUC则是曲线下方的面积，AUC是衡量一个模型泛化能力的重要指标，AUC越大，则分类模型越优，反之，AUC越小，则分类模型越差。
综上，一种基于堆嵌式去噪自动编码器的机载变换器电气故障诊断系统，包括故障诊断处理器，其中，
对任一待故障诊断的机载变换器，所述故障诊断处理器采用上述的故障诊断方法进行故障诊断，并在故障诊断后输出故障诊断结果。
具体地，机载变换器可采用本技术领域常用的微处理器或计算机设备，具体对任一待故障诊断的机载变换器，采用上述的方法实现故障诊断，并输出故障诊断结果。当然，由上述说明可知，在进行故障诊断时，需要采集即在变换器的在一个参数周期内的故障诊断信息，所述故障诊断信息包括三相输入电流信息以及额定输出电压信息。

Claims (8)

1.一种基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法，其特征是，所述机载变换器电气故障的诊断方法包括：
对待故障诊断的机载变换器，构建基于堆嵌式去噪自动编码器的变换器故障诊断模型，其中，所述变换器故障诊断模型包括用于故障特征提取的SDAE故障特征提取器以及用于对提取故障特征分类的分类器；
在构建变换器故障诊断模型的训练阶段，制作基于所述机载变换器的训练数据集，并利用所制作的训练数据集进行训练，直至达到目标训练状态，以得到所构建的变换器故障诊断模型，其中，
所述训练数据集包括若干配置机载变换器分别处于正常状态、短路故障状态以及开路故障状态下相对应训练样本，所述训练样本包括机载变换器在一个参数周期内的三相输入电流信息以及额定输出电压信息；
对机载变换器故障诊断时，采集所述机载变换器在一个参数周期内的故障诊断信息，所述故障诊断信息包括三相输入电流信息以及额定输出电压信息；
将所采集的故障诊断信息加载至变换器故障诊断模型，利用变换器故障诊断模型内SDAE故障特征提取器对故障诊断信息进行特征提取，并将所提取的故障特征进行分类，以在分类后输出基于故障诊断信息的故障诊断结果。
2.根据权利要求1所述基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法，其特征是：在训练阶段，先对SDAE故障特征提取器进行训练，直至将SDAE故障特征提取器训练达到第一子目标训练状态；
将SDAE故障特征提取器训练达到第一子目标训练状态后，对搭建的变换器故障诊断模型训练，直至达到模型目标训练状态，此时即得到用于机载变换器故障诊断的变换器故障诊断模型。
3.根据权利要求2所述基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法，其特征是：所述SDAE故障特征提取器包括多层依次堆叠的降噪自编码器，其中，
每一层的降噪自编码器的输入层为上一层降噪自编码器的隐含层。
4.根据权利要求2所述基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法，其特征是：所述分类器包括softmax分类器，其中，
SDAE故障特征提取器训练达到第一子目标训练状态后，对搭建的变换器故障诊断模型训练，采用有监督的训练；
在采用有监督的训练时，训练样本内包括故障标签；将具有故障标签的训练样本利用SDAE故障特征提取器进行特征提取，并在特征提取后由分类器进行分类。
5.根据权利要求4所述基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法，其特征是：所述故障标签包括机载变换器处于正常状态的标签数据、机载变换器内每个开关管处于短路故障下标签以及机载变换器内每个开关管处于开路故障下的标签数据。
6.根据权利要求3所述基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法，其特征是：对SDAE故障特征提取器，隐含层为3层，每层神经元个数为[400,200,100]。
7.根据权利要求3所述基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法，其特征是：所述一个参数周期包括加载至机载变换器上交流电的周期；
在一个参数周期内，三相输入电流信息包括若干对输入电流采样得到的输入电流采样值；
额定电压输出信息包括若干对额定输出电压采样得到的额定电压采样值。
8.一种基于堆嵌式去噪自动编码器的机载变换器电气故障诊断系统，其特征是，包括故障诊断处理器，其中，
对任一待故障诊断的机载变换器，所述故障诊断处理器采用上述权利要求1～权利要求7任一项的故障诊断方法进行故障诊断，并在故障诊断后输出故障诊断结果。
CN202310997912.XA 2023-08-08 2023-08-08 基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法 Pending CN117034080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310997912.XA CN117034080A (zh) 2023-08-08 2023-08-08 基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310997912.XA CN117034080A (zh) 2023-08-08 2023-08-08 基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法

Publications (1)

Publication Number Publication Date
CN117034080A true CN117034080A (zh) 2023-11-10

Family

ID=88622082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310997912.XA Pending CN117034080A (zh) 2023-08-08 2023-08-08 基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法

Country Status (1)

Country Link
CN (1) CN117034080A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202120047U (zh) * 2010-11-10 2012-01-18 陕西理工学院 机载二次电源系统的数字化仿真
CN108649843A (zh) * 2018-05-31 2018-10-12 南京航空航天大学 一种具有开路容错能力的永磁起动发电系统及其控制方法
CN109115501A (zh) * 2018-07-12 2019-01-01 哈尔滨工业大学（威海） 一种基于cnn与svm的民航发动机气路故障诊断方法
CN110009141A (zh) * 2019-03-22 2019-07-12 国网山东省电力公司经济技术研究院 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN111459142A (zh) * 2020-04-22 2020-07-28 北京航空航天大学 一种基于堆叠稀疏降噪自编码器的飞机液冷失效故障诊断方法
CN113159077A (zh) * 2021-05-24 2021-07-23 南京工程学院 一种基于混合卷积神经网络的三相逆变器故障识别方法
CN113358997A (zh) * 2021-05-31 2021-09-07 南京航空航天大学 基于故障模型的mmc子模块igbt开路故障诊断方法
CN115395781A (zh) * 2022-07-18 2022-11-25 北京空间飞行器总体设计部 一种航天器电源变换器容错控制系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202120047U (zh) * 2010-11-10 2012-01-18 陕西理工学院 机载二次电源系统的数字化仿真
CN108649843A (zh) * 2018-05-31 2018-10-12 南京航空航天大学 一种具有开路容错能力的永磁起动发电系统及其控制方法
CN109115501A (zh) * 2018-07-12 2019-01-01 哈尔滨工业大学（威海） 一种基于cnn与svm的民航发动机气路故障诊断方法
CN110009141A (zh) * 2019-03-22 2019-07-12 国网山东省电力公司经济技术研究院 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN111459142A (zh) * 2020-04-22 2020-07-28 北京航空航天大学 一种基于堆叠稀疏降噪自编码器的飞机液冷失效故障诊断方法
CN113159077A (zh) * 2021-05-24 2021-07-23 南京工程学院 一种基于混合卷积神经网络的三相逆变器故障识别方法
CN113358997A (zh) * 2021-05-31 2021-09-07 南京航空航天大学 基于故障模型的mmc子模块igbt开路故障诊断方法
CN115395781A (zh) * 2022-07-18 2022-11-25 北京空间飞行器总体设计部 一种航天器电源变换器容错控制系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕启航等: "机载变换器电气故障诊断方法研究", 《第十九届中国航空测控技术年会论文集》, pages 2 - 4 *
安鹏等: "逆变电路故障检测与诊断研究进展", 《逆变电路故障检测与诊断研究进展》, vol. 36, no. 4, pages 2 - 4 *

Similar Documents

Publication Publication Date Title
CN109187025A (zh) 一种集成kelm的滚动轴承剩余使用寿命预测方法
CN110376522B (zh) 一种数据融合的深度学习网络的电机故障诊断方法
CN106526400B (zh) Dc600v列车供电系统的接地故障诊断方法及装置
CN103116090A (zh) 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法
CN106841949B (zh) 三相异步交流电机定子绝缘在线监测方法和装置
CN109165604A (zh) 基于协同训练的非侵入式负荷识别方法及其测试系统
Chen et al. Progressive improved convolutional neural network for avionics fault diagnosis
CN107632258A (zh) 一种基于小波变换和dbn的风机变流器故障诊断方法
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
CN104865499A (zh) 一种特高压直流输电线路区内外故障识别方法
Zheng et al. Fault diagnosis of wind power converters based on compressed sensing theory and weight constrained AdaBoost-SVM
CN109039280B (zh) 基于非主成分数据特征的光伏阵列故障诊断方法
CN108898182A (zh) 一种基于核主元分析与支持向量机的mmc故障诊断方法
CN113358993A (zh) 一种多电平变换器igbt的在线故障诊断方法及系统
Sá et al. A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators
CN116956215A (zh) 一种传动系统故障诊断方法及系统
CN115712871A (zh) 一种结合重采样和集成学习的电力电子系统故障诊断方法
CN113702767B (zh) 基于小波滑窗能量的孤岛直流微电网故障诊断方法
Zhang et al. Improved PSO-SVM-Based fault diagnosis algorithm for wind power converter
CN117034080A (zh) 基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法
CN116702060A (zh) 一种多电平逆变器功率器件故障诊断方法
CN115906350A (zh) 一种微电网故障定位和诊断方法
CN114997332A (zh) 小波包分析与麻雀算法优化相关向量机的故障诊断方法
CN114814391A (zh) 充电桩故障识别方法和存储介质
CN110135021B (zh) 基于多源信号和rbf神经网络的atru系统故障分级诊断方法

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