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%。     

电磁感应对硅光伏电池可视化检测技术的改性

硅光伏电池对检测技术的需求贯穿于研发、生产、服役和维修等过程。探索电磁感应(EMI)对光伏电池缺陷检测用电致热成像(ET)和电致发光(EL)的影响,并进行改性研究。在研究ET热辐射和EL光辐射原理的基础上,分析涡流生热对热辐射和光子辐射等物理过程的影响。提出基于电磁感应和电致热光辐射的光伏电池无损检测方法,实现了单晶硅光伏电池断栅、划痕、断角、杂质掺杂、表面涂层污染、隐裂、黑芯片和多晶硅光伏电池划痕、碎片等不同类型缺陷的可视化检测。通过实验对比分析了两个功率下的ET和EL成像,定性结果表明,电磁感应能够大幅提高ET和EL对缺陷的检测能力。     

基于DBN特征提取的模拟电路早期故障诊断方法

针对当前模拟电路早期故障诊断中特征提取方法的不足,提出了应用深度置信网络(deep belief network, DBN)进行特征提取的方法。利用混沌粒子群优化算法,对DBN中受限玻尔兹曼机的学习率开展优化,进一步提升特征提取的性能。相比于其他常用的特征提取方法,提出的DBN特征提取方法可提取出早期故障深度和本质的特征,且具有相同的故障聚集程度高、不同故障的分离能力极为明显的特点。应用二级四运放双二阶低通滤波器仿真电路和Sallen-Key带通滤波器电路板进行早期故障诊断实验,得到的故障诊断正确率分别为98.13%和100%。