一种基于 DSP的电力电子电路在线故障诊断方法

以三相桥式整流电路为例,首先对可控整流装置正常工作和故障运行时整流电压波形进行分析和归类,定义了一种"面积"并建立了故障模型,提出了一种改进的谱分析故障诊断方法,根据其特征值进行诊断定位;其次归纳出实验算法并用 DSP系统实现,实验表明该方法实现了可控整流装置的在线故障诊断和监测;最后总结了该方法的特点并推广至其它形式整流电路.     

一种基于频谱分析的可控整流电路故障诊断方法

以12脉波可控整流电路为例,简要介绍了大功率整流装置的工作原理,并对各种故障情况 下的整流波形进行详细分析和归类;定义了一种"面积",对故障波形进行逻辑预处理,建立了故障模 型,再利用DFT分析方法对模式向量进行谱分析,提出了故障诊断方法;最后归纳出故障诊断系统 的实验算法,总结了本方法的特点并将其推广至其他形式整流电路。     

基于信息网格的数字图书馆研究

讨论了信息网格和数字图书馆之间的关系、应用以及构建基于信息网格的数字图书馆的关键技术,并给出了基于织女星信息网格的数字图书馆体系结构。     

基于递归神经网络的旋转机械故障诊断方法

为实现对旋转机械的在线故障诊断,对10类故障情况下的振动信号进行频谱分析。发现旋转机械振动信号的频谱中含有丰富的故障信息,以此为故障特征向量建立了诊断模型。在现有神经网络故障诊断方法基础上,提出了一种基于带有偏差单元递归神经网络的在线故障诊断方法,设计了相应的故障样本和故障编码。仿真结果表明,该方法在收敛速度、非线性能力及精度方面明显优于一般方法。对故障模式的回想结果及实际运行结果证明,本方法切实可行,适合于旋转机械的在线故障诊断。     

"信号与系统"课程教学改革的思考与探索

"信号与系统"是电子、电气类专业的一门重要专业基础课程.该课程理论性强,内容抽象,学生普遍反映较难学习.针对该情况,结合嘉兴学院教学实践,本文在课程体系调整、优化教学手段、丰富教学平台、突出理论与实际相结合等一系列改革方法上进行了探索.实践证明上述改革可以更好的激发学生的学习兴趣,提高学生综合分析问题和解决问题的能力,有效地改善教学效果.     

一种基于模式识别的可控整流电路故障诊断方法

研究了一种双桥并联可控整流电路的故障分类及诊断方法.对1、2、3只晶闸管故障情况进行了分析,并给出了基于整流电压畸变波形分析的故障分类,总结出了25类故障共294种故障状态.定义了表征故障特征的"面积"表达式,并建立了12维故障矢量用以描述上述故障状态.通过对故障模式矢量的逻辑预处理,得到了由4个常数构成的12维时间序列矢量.对新的模式矢量进行谱分析,提出了改进的谱分析故障诊断方法,并给出了实现算法.最后通过仿真验证了故障诊断方法的正确性.     

基于 TentFWA-GD 的 RBF 神经网络 COD 在线软测量方法

针对污水处理过程COD难以实时准确测量的问题,提出了基于TentFWA-GD的RBF神经网络软测量方法。为解决现有RBF神经网络用于复杂工业过程软测量建模时存在网络参数难以确定及训练过程易陷入局部极值等问题,进一步提高RBF神经网络模型的预测精度与泛化能力,引入了Tent混沌映射对烟花算法(fireworks algorithm, FWA)进行改进,利用混沌运动的全局遍历性维持FWA的种群多样性并避免算法早熟收敛;将TentFWA算法与GD方法有机融合提出一种改进的RBF神经网络组合训练方法以改善网络的学习能力。将基于TentFWA-GD的RBF神经网络用于构建4个Benchmark函数拟合模型和农村生活污水处理过程COD在线软测量模型。仿真与应用结果表明,相对于其他神经网络模型,该模型具有较低的函数逼近误差和较高的COD预测精度。其中COD软测量模型训练结果的均方误差和平均绝对误差分别为0.18和0.25,测试结果的两种误差分别为0.23和0.36。     

基于DFNN的动态矩阵网络控制系统的应用研究

针对网络控制系统中的随机时延,提出一种基于动态模糊神经网络的动态矩阵网络控制系统。利用动态模糊神经网络的特点,提高系统动态响应性能。在以太网的网络环境下,通过实验仿真结果表明,该方法响应快,提高了系统的跟踪精度,具有更理想的控制效果。     

改进的协同粒子群优化算法的研究与应用

为增强现有PSO算法和协同粒子群优化算法的优化性能,提出了一种改进的协同粒子群优化算法及一种新的协同策略。该算法在进化过程中,将寻优粒子群分解为若干子分群,各子分群粒子利用本分群经验和整个种群经验进行搜索,既能在分群内部不断搜索,不迷失寻优方向,又能周期性地共享整群最优值引导粒子找到最好解。分解为多个子种群有利于维持种群的多样性,有效抑制局部最优现象发生。对经典复杂函数的寻优测试表明,改进算法的鲁棒性、收敛速度、精度及全局搜索能力均优于基本PSO算法。最后将改进算法用于建立基于神经网络的旋转机械故障诊断模型,设计了相应的故障诊断系统。结果表明,基于此算法的故障诊断系统具有诊断精度较高、稳定性能较好等特点。     

两种基于神经网络的故障诊断方法

复杂设备或系统的故障诊断中常采用神经网络构建故障映射关系，针对实际应用中神经网络存在收敛速度慢、学习记忆不稳定等不足，以一电站锅炉送风机为诊断对象研究了基于带有偏差单元的递归神经网络故障诊断方法。对状态检测系统采集的信号进行逻辑处理，分离出8个故障特征参数。以8种常见故障模式作为BP网络和递归神经网络的训练样本，对训练过程和仿真结果作了对比分析，结果表明该诊断方法在收敛速度、精度和稳定性能等方面均有良好改善，满足了系统在线故障诊断的需求。