基于谱估计的三相逆变器故障诊断

逆变器中的开关元件故障是造成变频调速系统可靠性低的主要原因,研究了基于谱估计和神经网络的逆变器故障检测与诊断方法.通过理想无故障逆变器与实际逆变器输出电压信号的比较,得到了谱残差估计方程,利用复参数最小二乘估计方法获得了逆变器电压信号的实时谱残差估计,提出了简单的故障决策机制,实现了逆变器实时故障检测.对谱残差进行适当处理得到了相对谱残差,结合多层感知器神经网络实现了逆变器的故障分离.仿真结果验证了本文方法的有效性.     

基于傅里叶变换和神经网络的逆变器故障检测与诊断

提出了一种基于傅里叶变换和神经网络的逆变器故障检测与诊断方法。利用加窗傅里叶变换提取逆变器输出信号的正序对称分量,提出了谱残差和相对谱残差的概念,利用获得的基本谱残差实现了逆变器的故障检测。通过对谱残差和谱相位的对比分析,提出了一种简单的故障判断逻辑,实现了逆变器故障桥臂定位。最后利用神经网络方法,实现了故障元件的分离。仿真结果表明了本文方法的有效性。     

采用Park变换感应电机转子复合故障检测

针对感应电机转子断条与偏心故障特征受定子电流基波信号的影响而难以提取的难点,提出了一种基于旋转Park变换滤波的感应电机转子复合故障检测方法.该方法利用电压与电流基波频率相等,通过旋转Park变换,将电流Park矢量的基波正序分量完全滤除而不影响其它的谐波分量,从而使转子断条和偏心故障特征更清晰地显示出来,然后对旋转Park变换滤波后的电流Park矢量的频谱进行分析,可以准确检测到电机转子复合故障时的故障特征.解决了电流频谱分析方法转子故障特征频率分量容易被基波湮没而难以突出故障特征的问题.实验结果表明,应用该方法可有效的对电机转子复合故障进行实时检测.     

一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法.先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型.仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果.     

基于BP网络的容差模拟电路故障诊断研究

传统模拟故障诊断多采用K故障诊断法,即在已知拓扑结构和元件参数的标称值前提下,不必对故障进行模拟,就可以计算出各元件发生故障的统一特征,找出故障位置.但对于有容差干扰的电路检测速度将会变慢,甚至影响检测效果的可靠性.鉴于此,引进BP神经网络,将K故障诊断法与BP网络相结合,用于容差模拟电路故障检测,其方法具有实时诊断性和鲁棒性特点.故障诊断实例和计算机仿真结果证明,本文所提出的观点是可行的.     

基于改进的VMD和CNN神经网络的光伏逆变器软故障诊断方法研究

针对光伏发电系统中光伏逆变器电路复杂,出现故障时间短等问题,文中提出一种基于改进的变分模态分解和卷积神经网络相结合的故障诊断方法,可有效地解决故障特征提取困难,特征参数奇异性差,以及由于特征参数差而引起的故障诊断率低等问题.利用SIMULINK建立光伏逆变器软故障模型,并采集相关参数作为样本;使用VMD对参数进行变分模态分解,得到若干分量,并且利用小波变换提取各模态分量的小波能量,获得故障特征值并降维;用卷积神经网络CNN进行故障诊断,并用其结果与传统的VMD-CNN神经网络、VMD-BP神经网络的诊断结果进行比较,验证了此神经网络用于光伏逆变器软故障诊断的正确性和精确性,具有一定的优势.     

一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法。先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型。仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果。     

级联SVG逆变器的IGBT开路故障诊断研究

为了实现SVG逆变器中的IGBT开路故障的定位,提出了基于FFT分析和神经网络的故障诊断方法。该方法首先利用FFT分析技术,对H桥逆变器的输出的电压信号进行FFT分析,找出各次谐波含有率的规律,将谐波含有率较高的谐波作为特征信号。最后利用BP神经网络方法,实现了故障元件的定位。在Matlab搭建的级联SVG逆变器的IGBT开路故障系统中进行仿真实验验证。仿真实验结果表明,文章所提出的故障诊断方法能有效实现故障元件的定位。     

逆变器供电的电动机变频调速系统实时故障检测

针对逆变器开关元件短路及断路故障问题,提出了一种新的电动机变频调速系统实时故障检测方法。基于对称分量方法,研究了逆变器输出电压信号的正序对称分量,建立了变频调速系统的数字状态空间模型。利用卡尔曼滤波实现了电压信号的基本正序对称分量实时无偏估计,通过实际系统与理想无故障系统基本正序对称分量的比较,提出了基本谱残差的概念,并给出了故障决策函数,实现了调速系统的实时在线故障检测。仿真结果验证了该方法的有效性。     

基于小波包变换预处理的模拟电路故障诊断方法

阐述了利用神经网络进行模拟电路故障诊断的方法 ,并在此基础上提出了一种新的改进方法———基于小波包变换预处理的神经网络故障字典法。这两种方法对于模拟电路故障诊断都是有效的。但是 ,由于基于小波包变换预处理的神经网络故障字典法利用小波包对电路的输出样本进行了预处理 ,所以它比直接采用神经网络故障字典法进行故障诊断所用的神经网络规模小 ,收敛速度快。     

基于特征提取的有源电力滤波器故障诊断方法

针对有源电力滤波器APF(Active Power Filter)的IGBT功率管易发生故障的问题,提出了基于故障特征提取的有源电力滤波器故障诊断方法。构建了APF故障仿真模型和基于小波包分析的故障特征提取方法,仿真分析了APF网侧电流波形,并运用小波包分析对IGBT故障时的网侧电流波形进行处理,提取了IGBT故障特征向量,最后运用神经网络对特征向量的分类来实现对APF的故障诊断。在APF故障诊断系统上进行测试,验证了该诊断方法的有效性和可行性。     

基于轻量AlexNet的电容型电压互感器故障诊断

电容型电压互感器（CVT）是重要的一次侧电压监测元件。针对环境温度、湿度以及元件老化等因素造成的电容型电压互感器一次侧电容上下臂击穿或互感器二次侧短路等故障,提出了一种基于轻量AlexNet的电容型电压互感器故障诊断方法。该方法利用Matlab建立了CVT电路模型,分别对高压臂电容击穿、低压臂电容击穿以及互感器二次侧短路3种典型的故障进行仿真。采集CVT二次侧电压数据,利用马尔可夫变迁场将其转化为特征矩阵,最后使用轻量化的AlexNet神经网络对电压特征矩阵进行故障分类。仿真实验证明,所提方法在不拆除CVT的情况下,能准确检测出CVT的故障类型。     

自适应三相重合闸的研究

采用拉氏变换对接地与不接地故障跳三相后线路的暂态过程进行了分析,并在此基础上构建模糊神经网络,实现模糊神经网络的自适应三相自动重合闸。通过理论分析和大量MATLAB仿真实验表明,该方法对于三相重合情况下判别故障类型具有较好的效果。     

基于信息融合与深度残差收缩网络的DAB变换器开路故障诊断方法

针对双有源桥(DAB)变换器开路故障诊断存在的多信号诊断和诊断阈值设置问题,提出了一种基于信息融合和深度残差收缩网络(DRSN)的DAB变换器开路故障诊断方法。首先,将DAB变换器的开路故障诊断信号减少至3个,减少了信号传感器的数量;其次,采用递归图法和脉冲耦合神经网络将3个诊断信号的时间序列转化为图像进行信息融合,生成的融合图像可以反映不同故障状态下的故障特征且便于深度学习网络进行分类;最后,将融合图像输入构建的DRSN进行故障诊断,可以避免设置诊断阈值。使用RT-LAB搭建DAB变换器半实物系统进行实验。实验结果表明选择的3个诊断信号能够有效区分DAB变换器各IGBT开路故障状态。对比分析表明所提出的方法具有较高的故障诊断精度,平均诊断精度可达98.44%。     

基于卷积深度网络的高压真空断路器机械故障诊断方法

高压断路器执行机构所产生的振动信号蕴含着丰富的机械状态信息.针对传统基于浅层的振动信号分析法存在特征提取和泛化能力等方面的不足,提出一种基于卷积神经网络和长短期记忆网络的混合深度网络.该网络利用卷积层对原始振动数据进行特征转换,结合门控循环单元的局部时域特征表示能力,对故障敏感特征进行提取.通过对10 kV真空断路器振...     

基于改进谱峭度与电流均值的牵引整流器开路故障诊断方法

针对动车组牵引整流器IGBT的开路故障诊断问题,以CRH3型动车组的牵引工况为例,提出一种基于改进谱峭度与电流均值的新型诊断方法。分析单个IGBT开路和2个IGBT同时开路故障下牵引整流器的网侧电流突变情况,根据网侧电流的突变特征将其分类;计算网侧电流的改进谱峭度(SK)以检测故障发生类别;结合电流均值法定位故障。所提的改进方法不需要复杂分类器,在实际应用中方便可行,仿真结果表明该方法能有效实现动车组牵引整流器的故障诊断。     

基于改进粒子群优化神经网络的电机故障诊断

为了更加准确快速地诊断出三相异步电动机运行过程中发生的各类故障,在采用小波包分析提取异步电机故障特征向量的基础上,提出了一种混沌动态权重粒子群算法(CDW-PSO)优化BP神经网络的故障诊断方法,构建电机的神经网络故障诊断模型,采用混沌动态权重粒子群算法优化神经网络的结构参数。实验分析表明,采用该方法用于电机故障诊断,诊断速度快、准确性高、可靠性好。     

基于粒子群优化神经网络的水轮机振动故障诊断

为了提高水轮机振动故障诊断正判率,提出粒子群算法优化BP神经网络的水轮机振动故障诊断方法,即把通过特征提取获得的机组故障特征量作为神经网络的输入,然后利用训练好的粒子群算法优化后的神经网络进行水轮机振动故障类型诊断。诊断结果表明,该方法具有良好的分类效果,比BP神经网络诊断模型诊断精度高。