三电平逆变器开路故障诊断研究

针对传统三电平逆变器开路故障诊断方法存在计算复杂、准确率低等问题,提出了一种基于小波分析与粒子群优化支持向量机的三电平逆变器开路故障诊断方法(WT-PSO-SVM).在分析三电平逆变器三相电流信号特征的基础上,利用三层小波对电流信号进行分解,提取各频带能量作为故障特征;小波变换提取到故障能量特征后,部分故障下所提取的能量十分接近,无法有效区分,进而引入正半周比例系数作为辅助特征;将归一化的能量和正半周比例系数作为特征向量输入支持向量机进行分类训练,同时利用粒子群算法优化支持向量机的参数以达到最好的分类效果,最终实现故障诊断.实验结果表明:WT-PSO-SVM方法可以有效识别三电平逆变器的开路故障,较其他故障诊断方法有更高的诊断精度和速度,在变负载和有噪声影响情况下仍有较高的故障识别准确率,准确率达到97.3%.     

基于SOM神经网络的三电平逆变器的故障诊断

针对三电平逆变器的开路故障,采用一种基于小波包变换与自组织映射神经网络(SOM)的故障诊断方法。测量三电平逆变器的上、中、下桥臂电压进行故障模式的分类,桥臂电压经过小波包分解后进行故障特征向量提取,将故障向量作为SOM神经网络的输入进行故障模式识别。仿真和实验表明,该诊断方法对三电平逆变器故障的分类准确且快速,能够降低检修人员的故障识别难度,有效提高诊断效率,对于实现三电平逆变器的在线故障诊断具有广阔的应用前景。     

闭环状态下并网逆变器故障诊断

目前针对并网逆变器的故障诊断方法主要应用于开环系统中,而实际的并网逆变器多数为闭环控制系统。因此针对闭环状态下的并网逆变器,提出一种基于相电流的故障诊断方法。通过分析闭环状态下并网逆变器在正常和各开路故障类型下的相电流,得出发生多管开路故障下的相电流平均值和平均绝对值残差的故障特征。首先利用闭环控制回路中Park变换所产生的相电流与实测相电流进行平均值运算,然后根据归一化的相电流平均值和平均绝对值残差相结合来进行故障诊断。最后通过实验验证该诊断方法能够在闭环控制下快速检测和识别单管和多管开路故障。     

基于小波变换和神经网络的逆变电路故障诊断方法

提出一种基于小波分析和神经网络的逆变器开路故障诊断方法;采用小波变换方法将逆变器的三相输出电压分解为高频系数和低频系数,以三相低频系数的平方和作为该相输出电压的特征向量,将逆变器开路故障进行分类和编码,建立一个三个输入、五个中间节点、一个输出的神经网络模型,实现逆变器故障桥臂定位,最后利用逆变三相电压同一桥臂故障电压的对称性的特点,用一种简单的判断逻辑实现故障元件的分离;仿真结果表明,该模型的诊断准确率达到98.6%以上,表明方法的有效性.     

一种三电平NPC逆变器IGBT开路判别方法

针对现有三电平NPC逆变器IGBT开路判别方法计算量大的问题,对各种IGBT开路情形进行了仿真,并分析了母线中点电压偏移的原因,进而提出了一种简单的判别IGBT开路的方法。该方法通过检测母线中点电压与逆变器三相输出电流实现IGBT开路判断,无需附加硬件电路。仿真结果验证了该方法的有效性。     

基于特征融合的提升机逆变器故障诊断

矿井提升机逆变器故障诊断的难点在于提取表征故障的特征,目前主要利用信号处理方法得到故障统计特征,或通过神经网络提取故障深度特征。提升机逆变器在实际工作环境中,受背景噪声和负载变化等因素影响,运用单一的特征提取方法难以获得能有效表征故障的特征,导致提升机逆变器故障诊断准确率低。针对上述问题,提出了一种基于统计特征与深度特征融合的提升机逆变器故障诊断方法。首先,利用希尔伯特-黄变换(HHT)对逆变器输出电流信号进行优化集合经验模态分解(MEEMD),提取故障统计特征,同时利用压缩激励密集连接卷积网络(SE-DenseNet)提取输出电流信号的深度特征;然后,利用局部线性判别分析(LFDA)对2种特征的组合进行融合降维处理,得到统计特征和深度特征的低维融合特征;最后,将低维融合特征输入极限学习机,实现逆变器故障分类。针对提升机逆变器中单个IGBT开路故障进行实验,结果表明,该方法得到的低维融合特征比单一特征的故障表征能力更强,有效提高了故障识别准确率。     

基于电量参数特征分析的逆变器开路故障诊断方法研究

针对传统基于电压信号分析的和基于电流信号分析的逆变器开路故障诊断方法存在的缺陷,提出了一种基于电量参数特征分析的逆变器开路故障诊断方法。综合分析电压信号特征与电流信号特征,进行故障诊断。利用电压信号特征进行故障相诊断,同时利用电流信号特征进行故障开关管定位。在保留基于电压信号的逆变器开路故障诊断方法的优越性的同时,进一步克服了基于电流信号的逆变器开路故障诊断方法的可靠性低的缺陷。最终,利用MATLAB/Simulink软件搭建仿真模型,验证该开路故障诊断方法的有效性。验证结果表明,该逆变器开路故障诊断方法能够有效地进行故障相诊断以及故障开关管定位,可以广泛应用于电力、电动汽车、核电、航天等行业,能够避免由于逆变器开路故障带来的损失,提高了行业安全性和可靠性。     

基于小波变换和神经网络的PWM逆变电路故障诊断

为了实现PWM逆变电路开路故障的诊断及定位,提出了基于小波变换和神经网络的开路故障诊断方法。该方法利用小波变换从输出电流中提取故障特征向量,并将故障特征向量输入建立的三层BP神经网络中进行训练,最后使用测试样本验证神经网络的故障诊断正确性。仿真结果表明,该方法能实现1只或2只功率器件的开路故障诊断及定位,故障诊断准确性高。     

基于自适应滑模观测器的高铁牵引系统单相三电平整流器开路故障诊断

为了提升高速列车牵引系统的稳定性和可靠性,本文针对其单相三电平整流器,提出了一种基于自适应滑模观测器的开关管开路故障诊断方法.本文首先建立了单相三电平整流器开路故障下的状态空间模型,然后设计了收敛速度快且显著抑制高频抖振的自适应滑模观测器准确估计网侧电流,其次利用整流器网侧电流与观测器输出电流提出了基于电流绝对值均方根的开关管开路故障检测方法,在此基础上采用电流残差构造初次故障定位量进行开关管初步定位,最后利用开路故障开关函数建立故障状态下的自适应滑模观测器实现故障开关管精确定位.本文提出的方法能够实现单相三电平整流器所有开关管故障检测与定位,诊断速度快,鲁棒性强,且不需要额外注入脉冲控制信号.实验结果验证了本文所提诊断方法的准确性和鲁棒性.     

基于EEMD和GA-BP的列车辅助逆变器开路故障诊断研究

地铁列车随着运营年限增加,辅助逆变器故障频发,严重制约轨道交通安全运营,故障及时诊断至关重要。针对列车辅助逆变器典型的大功率器件开路故障,提出了一种基于集合经验模态分解(EEMD)和遗传算法优化的BP神经网络(GA-BP)的故障诊断方法,该方法以辅助逆变器输出的三相半波电压值为监测信号,通过EEMD分解采用能量矩的方法提取故障特征向量,基于GA-BP神经网络实现故障智能诊断。仿真实验结果表明该方法故障诊断准确率能达到95.5%。     

基于EEMD模糊熵和PSO-KELM的NPC三电平逆变器故障诊断

功率开关器件是逆变器的核心部件,但其易发生开路故障,故对其进行故障诊断方法研究很有必要。针对中点钳位型（Neutral Point Clamped,NPC）三电平逆变器功率开关管器件的开路故障,提出一种基于总体经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）模糊熵和粒子群算法（Particle Swarm Optimization,PSO）优化的核函数极限学习机（Kernal Extreme Learning Machine,KELM）的故障诊断方法。首先采样功率开关器件的桥臂输出端的三相电压作为故障信号以区分各种故障类型,然后利用EEMD模糊熵提取故障特征向量,最后将其划分为训练集和测试集送入PSO-KELM中,识别故障类型并输出诊断结果。经MATLAB平台仿真实验得到该方法的故障诊断率超过98%,通过与其他方法的对比实验分析,该方法的有效性与优势得到验证。     

基于IEWT-CCE的电动充电站主变流器开路故障检测

直流充电站变流器开关器件的开路故障严重影响电站安全运行.考虑充电站运行中不可避免存在着非高斯测量噪声,提出一种基于尺度空间理论的经验小波变换(EWT)和循环熵(CCE)的变流器IGBT开路故障检测方法.首先,分析非高斯噪声对变流器IGBT开路故障的影响;接着,利用改进EWT方法分解IGBT开路故障时交流侧电流信号,通过...     

高速列车牵引整流器多类故障联合诊断方法

提出了一种高速列车牵引整流器多类故障联合诊断方法. 首先, 基于三电平牵引整流器开路故障分析, 建立整流器所有功率器件开路故障以及正常运行的状态空间模型并构建相应状态观测器. 然后, 基于正常状态观测器进行故障检测, 检测到故障后, 基于故障观测器区分功率器件开路故障和网侧电流传感器故障, 进而诊断出功率器件开路故障位置和网侧电流传感器故障类型. 实时仿真结果验证了本文方法的正确性和有效性.     

异步电动机故障诊断方法研究

介绍了基于Park矢量变换的故障诊断方法、基于傅里叶变换的定子电流频谱分析、基于小波分析的故障诊断方法的原理,并分析探讨了该3种故障诊断方法在三相笼型异步电动机故障诊断中的应用效果。     

基于高斯混合模型的逆变器故障诊断方法研究

逆变器广泛应用于工业生产中的诸多领域。逆变器在工作过程中会出现元器件性能退化或损坏,造成经济损失甚至人员伤亡,为了提高逆变器工作的可靠性,识别出逆变器出现故障时的故障类型,提出了基于高斯混合模型的逆变器故障诊断方法。以谐振型逆变器的为例,分析了逆变器的四种典型故障,提取出逆变器在不同故障下输出电压的时域特征波峰系数和频域特征小波能量熵。使用时频特征数据训练高斯混合模型,并结合EM算法计算输入数据属于各种故障类型的概率,建立逆变器的故障诊断模型。仿真实验通过Simulink建立了并联谐振型逆变电路的模型,模拟出四种典型的故障状态,并用这些数据训练故障诊断模型。仿真结果验证了基于高斯混合模型的故障诊断方法的有效性和准确性。该故障诊断方法具有较高准确率,对于四种类型故障的总的识别率到达93.2%,可以应用于工业现场逆变器的故障诊断及其他领域。     

基于小波和神经网络的异步电机转子故障诊断方法研究

基于小波包变换的频率划分特性．对定子电流的Park矢量模信号进行小波包分解，建立了转子断条的故障特征矢量，准确地提取了转子断条故障的特征信息．克服了传统基于FFT分析方法难以提取故障特征频率分量的难点，结合BP神经网络非线性映射及分类识别的优点，将BP神经网络应用于电机转子断务故障的识别，实验结果表明，该方法可实现转子断条故障的可靠诊断。     

基于极限学习机与规则推理的NPC三电平逆变器二级故障诊断方法

针对NPC三电平逆变器故障诊断问题,提出一种基于极限学习机与规则推理的二级故障诊断方法。分析了依据输出电流诊断故障的可区分性,以及故障模式的分类。然后对输出电流提取故障特征,并采用极限学习机完成故障初级分类。对于初级分类结果为电流不可区分故障情况,再根据桥臂电压信息运用规则推理法实现故障二级精确诊断。诊断实验表明,该方法能够实现NPC三电平的多模式故障诊断,且故障诊断方法简单、定位精确、快速、鲁棒性强。     

基于分层DSmT 的多故障诊断方法

针对现有故障诊断方法难以诊断涵盖多种不同类型故障的问题,提出一种基于分层DSmT的多故障诊断方法.利用主元凝聚层聚类方法实现证据聚类,将辨识框架分成若干个子框架;利用证据主元将BP神经网络所生成的各种故障模式的基本概率赋值函数在不同辨识框架下重新分配;利用DSmT对子框架下的证据进行融合并得出诊断结果.仿真实验结果表明,所提出的方法能将不同类型故障从辨识框架中分离出来,提高多故障诊断结果的可靠性,减少计算量,提高诊断效率.