一种多电平逆变器故障诊断与容错控制策略

针对逆变器开关元件的开路故障,提出一种级联H桥多电平逆变器故障诊断与容错控制策略。 在不改变级联H桥多电平逆变器电路拓扑的情况下,通过快速傅里叶变换(fast fourier transform, FFT)和主元分析(principal component analysis, PCA)对逆变器原始开路故障数据进行了预处理和特征提取,构建贝叶斯网络(Bayesian network, BN)对级联H桥多电平逆变器开关元件的故障进行快速诊断,根据诊断的结果,基于变载波和调制波电压重构容错控制方法,使逆变器输出电压仍能满足系统平稳运行的要求,通过仿真与试验验证了该策略具有良好的诊断及容错控制性能。     

基于BP神经网络的逆变器开路故障诊断方法

为了实现对逆变器电路故障位置快速精确定位,减少停工检修时间,提高运行效率,提出一种基于BP神经网络的变频器逆变电路开关器件开路故障诊断方法。使用MATLAB对逆变电路建模和仿真,从输出电压波形直接采样提取故障信号特征。根据故障特征和诊断目标,建立三层神经网络故障模型,确定神经元数目和传输函数。将故障特征信号作为BP神经网络的输入,通过Levenberg Marquardt算法实现对神经网络的训练,用训练后的神经网络模型实现对变频器逆变电路的故障诊断。结果表明:直接波形采样实现简单;可实现1只或2只IGBT同时开路故障准确定位;所提出的故障诊断模型诊断准确率高。     

基于BP神经网络的三相电压源型逆变器开路故障诊断

为实现三相电压源型逆变器(three-phase voltage source inverter,TP-VSI)开路故障的诊断与精确定位,提高故障诊断效率,提出基于BP神经网络的TP-VSI开路故障诊断方法.首先,研究TP-VSI正常工作原理、开路故障机理,确定线电压作为检测量;其次,采用快速傅里叶变换(fast Fourier transform,FFT)提取不同故障下的特征值,构建故障特征向量;最后,建立一个3层BP神经网络,进行故障诊断,实现对开路故障的精确定位.该方法通过获取包含故障信息的故障特征值,经过FFT把时域信号变换到频域信号,再通过BP神经网络建立TP-VSI开路故障与特征值的一一对应关系.与其他智能诊断方法进行对比,证明了BP神经网络对TP-VSI开路故障诊断的可行性和较高的诊断准确度,实现了BP神经网络对TP-VSI开路故障的诊断与精确定位.     

基于GA-PSO优化BP神经网络的压缩机气阀故障诊断

针对压缩机气阀故障信号非平稳性、非周期性的特点,提出一种基于主成分分析（PCA）和GA-PSO优化BP神经网络的压缩机气阀故障诊断方法。首先利用小波包分解提取出气阀故障的特征;然后故障特征向量通过PCA降维,降低网络的规模和计算时间。针对标准BP算法收敛速度慢且易陷入局部极小的缺点,引入一种GA-PSO算法用于BP神经网络的参数优化过程。最后以往复压缩机阀盖的振动信号作为信号源,通过故障诊断仿真测试,验证了PCA和GA-PSO-BP神经网络对压缩机气阀故障诊断具有可行性和有效性。     

基于PCA与GA-LM-BP神经网络的变压器故障诊断

研究基于油中溶解气体的变压器故障诊断问题.采用主成分分析与数据归一化方法,对变压器故障样本数据进行规范化处理,使其更具有代表性.对比主成分规范化前后的样本故障诊断结果,主成分分析能够消除特征气体样本数据间的相关性,使输入层样本数据更加符合神经网络工作机理.实验可得主成分规范化后的样本故障诊断结果优于未经过主成分分析规范化的故障诊断结果.在主成分分析对数据规范化的基础上,进一步改进BP神经网络算法,建立基于Levenberg-Marquardt算法的LM-BP神经网络故障诊断模型,改善了BP神经网络模型诊断精度不高,网络收敛困难以及易陷入局部极小值等问题.利用遗传算法对LM-BP神经网络的权值和阈值进行优化,然后再进行第2次神经网络训练,克服了LM-BP神经网络性能受初始权值和阈值限制的问题,使故障诊断正确率提高了6.16%.通过对441组样本数据中随机选取的376组训练样本和65组检验样本进行故障诊断实验,诊断正确率达到83%,表明所构建的基于PCA与GA-LM-BP神经网络的故障诊断方法是一种有效的变压器故障诊断方法.     

基于卷积神经网络的光伏逆变器故障诊断

光伏逆变器将太阳能电池板的直流电压转换为交流电压以驱动家用电器或者升压并入能源互联网,而绝缘栅双极型晶体管（IGBT）是光伏逆变器的核心组件,其状态异常将直接影响系统的正常运行。从减少传感器数量的角度出发,以直流侧的电流信号作为输入信号,设计了基于卷积神经网络（CNN）的故障诊断模型来监测IGBT的开路状态。并利用设计的Simulink模块生成的仿真数据对模型进行了训练和测试,都取得了很好的故障诊断性能。此外,还设计了不同噪声水平下的故障诊断测试,测试结果表明该故障诊断模型在噪声环境下具备有效性和鲁棒性。     

基于小波包能量熵的低压串联故障电弧诊断

为了实现低压串联故障电弧的有效诊断,基于ULI699标准搭建了交流电压为220V、频率为50Hz的串联故障电弧实验平台,并对不同负载回路正常工作电流以及串联故障电弧电流进行数据采集,提出基于小波包能量熵的低压串联故障电弧诊断方法.通过对电流信号进行4层小波包分解,提取小波包能量熵作为特征向量描述故障电弧电流信号在不同频段的能量分布.采用主元分析（PCA）法提取特征向量的主元作为BP神经网络的输入,实现样本最优压缩以简化神经网络结构.仿真结果表明,该方法故障诊断准确率较高,能够有效地识别串联故障电弧.     

基于1D-CNN的齿轮3D振动信号故障诊断方法

为了解决从齿轮一维振动信号提取故障特征不全面的问题,提出一种基于一维卷积神经网络（one-dimensional convolutional neural network,1D-CNN）的齿轮3D振动信号故障诊断新方法。首先,提取原始三维振动信号各维的时域特征;其次,利用一维卷积神经网络（1D-CNN）模型进行特征选择;最后,将选择后的特征进行重组,重组特征作为1D-CNN故障诊断模型的输入实现故障分类操作。结果表明,利用提出的故障诊断方法,诊断准确率显著提高。模型的结构简单,训练速度快,能够快速实现故障诊断。     

基于PCA的扬声器响应信号特征提取及识别

研究了利用从扬声器响应信号中提取特征进行扬声器故障识别的方法．首先通过小波包分解及重构得到扬声器响应信号的初始特征;然后利用主分量分析（Principal Component Analysis,PCA）的方法对初始特征进行降维处理,并得到最终特征;设计神经网络分类器,并将得到的最终特征输入分类器进行识别．实验表明,该特征提取方法在满足扬声器故障检测识别率的同时,降低了特征提取过程中的计算量,为扬声器故障诊断提供了一种实用方法．     

基于LMD和PNN神经网络的列车辅助逆变器故障检测

针对列车辅助逆变器故障信号非平稳的特性,本文提出了一种基于局部均值分解方法和概率神经网络的地铁辅助逆变器的故障诊断方法。通过对采集到的列车故障信号进行局部均值分解,将非平稳信号分解成多个乘积函数(product function,PF)分量,并利用概率神经网络(probabilistic neural network,PNN)模型,将故障信号进行检测和分类,最后采用Matlab进行仿真实验。仿真结果表明,局部均值分解方法对非平稳信号的处理效果良好,特征向量输入到概率神经网络进行训练分析,PNN神经网络故障诊断正确率较高,30组测试样本输出结果对于逆变器故障检测结果均是正确的。该研究可以准确识别列车辅助逆变器的不同故障类型,能够满足对列车辅助逆变器的故障检测要求。     

双余度永磁无刷直流电机绕组故障诊断研究

双余度永磁无刷直流电机具有可靠性高、体积小、重量轻等优点,但绕组之间的耦合性对故障诊断提出了更高要求。针对双余度永磁无刷直流电机常见的绕组故障,包括绕组开路和绕组短路,选择相电流作为故障分析信号,通过拆分定子槽,改变控制电路的方式,建立了电机的绕组故障有限元仿真模型。根据故障信号和小波函数的特点,分别采用Daubechies3和coif5小波函数对故障信号进行特征提取。结果表明:在小波分解高频部分的第2层,信号有明显突变,并由此确定coif5小波函数进行故障特征检测。采用coif5小波函数对相电流d2分解系数进行了能量特征提取,得到了各相短路时的故障特征向量。建立了基于PNN神经网络的故障诊断模型,对故障样本进行了诊断,诊断结果准确率100%,验证了所用方法的有效可行。     

基于小波包神经网络的级联式变频器故障诊断仿真研究

以级联式变频器为研究对象,重点研究功率器件开路故障的诊断方法．对变频器输出电压进行小波包分解,寻求变频器正常和故障情况下的输出电压频带能量的变化规律．选取输出电压能量变化大的频带能量值作为特征向量,利用BP神经网络进行故障诊断．研究结果表明,小波包神经网络在级联式变频器故障诊断中具有较高的可行性和有效性．     

汽轮机转子故障诊断算法应用研究

对汽轮机转子故障进行诊断是确保汽轮机安全运行的关键。振动信号的分析在汽轮机转子故障诊断中广泛应用。应用小波包分析方法提取振动信号特征值,进一步作为BP神经网络的输入量,建立信号特征与其故障类型的非线性映射关系,利用神经网络实现故障诊断。仿真结果表明,该方法可以有效地对汽轮机转子故障进行诊断。     

基于LM算法神经网络的人脸识别

本文主要描述了将通过主成分分析（PCA）算法得到的人脸图像特征矩阵输入到神经网络中进行学习训练,之后输入测试集人脸特征矩阵进行识别判定。通过使用LM算法作为BP神经网络的训练算法并利用Matlab软件进行仿真实验,得到快速、准确的人脸识别系统。实验证明,基于LM算法的BP网络在人脸识别领域具有良好的应用前景。     

基于粗糙集—神经网络的三相SPWM逆变电路故障诊断研究

以三相SPWM逆变电路为研究对象，利用MATLAB仿真软件建立故障仿真模型。针对故障诊断中冗余及不完整的信息常使诊断规则误报、漏报的现象，采用粗糙集-神经网络对三相逆变电路进行故障诊断，优化了神经网络结构，提高诊断速度。仿真实验表明该方法取得了良好的故障诊断效果。     

异步电机转子断条故障诊断研究

针对异步电机转子断条故障诊断中,原始信号包含的故障特征成分能量微弱,其提取过程较为繁琐,给断条故障的及时诊断带来不便,提出一种基于经验模态分解(Empirical Decomposition Mode,EMD)能量熵,主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machine,SVM)相结合的新诊断方法,无须提取信号中的故障特征频率就能对电机断条故障做出准确的判断。该方法选取振动信号经过PCA处理后的EMD能量熵作为新的故障识别分类的特征量,然后支持向量机模型便可以根据断条故障前后振动信号EMD能量熵内在变化规律对转子正常和断条故障时的两种振动信号进行准确分类。通过实验分析表明,该方法操作便捷且简单,能够将转子正常和发生断条故障时的两种振动信号数据全部准确的识别分离,达到对转子断条故障进行有效识别诊断的目的,验证了方法的实用和有效性。     

小波包与径向基神经网络的电力电子装置故障诊断

为提高人工神经网络对电力电子装置进行故障诊断的准确性与快速性,提出一种小波包与RBF神经网络相结合并应用于电力电子装置故障诊断的方法。以三相桥式逆变电路为例,对电路的故障信号采用小波包分解,有效地提取出故障特征后利用RBF神经网络进行训练。仿真结果表明,该方法具有更快的收敛速度和更高的诊断精度,能够有效地进行电力电子电路的故障诊断。     

基于卷积神经网络和PCA的人脸识别

主要研究了在基于深度学习的人脸识别算法中,对于由深度卷积神经网络提取得到的人脸特征进行降维处理是否有助于提高人脸识别的准确率.利用VGG网络模型提取人脸图像的深度特征,然后利用主成分分析(PCA)对提取到的深度特征进行降维,最后利用余弦分类器进行分类识别,并在LFW人脸库上进行实验.实验结果表明通过PCA降维后的深度特征具有较高识别率.     

基于EMD和RBFNN的地铁辅助逆变器故障检测

针对地铁辅助逆变器故障信号非平稳的特征,提出了一种基于经验模态分解方法和径向基神经网络的地铁辅助逆变器的故障诊断方法,并应用经验模态分解方法对采集的非平稳的原始信号进行处理,将原始信号分解成多个平稳的本征模函数(intrinsic mode function,IMF),同时,采用K-均值聚类算法确定RBF神经网络的模型参数,并借助径向基神经网络的分类能力对特征向量进行故障检测。仿真结果表明,基于K-均值聚类算法的RBF神经网络,在48个测试样本中有46个正确,准确率为95.8%,高于标准RBF神经网络77.0%的准确率,说明其准确性明显高于标准的径向基神经网络。该研究能够满足地铁辅助逆变器故障检测对准确性的要求,可高效识别地铁辅助逆变器的故障。     

卷积神经网络多变量过程特征学习与故障诊断

为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutional neural network,CNN）特征学习的多变量过程故障诊断模型. 将高维过程信号归一化处理转为图像信号,多层卷积滤波器与子采样滤波器交替构成的轻量级CNN网络通过多个卷积核与图像进行卷积,采用本地连接和权重共享,滤除过程噪声和干扰信息,从而获得过程数据的高层抽象化表达. 通过Softmax层有监督的微调方式学习故障特征完成故障诊断. 利用以田纳西过程为代表的多变量非线性过程验证了模型的有效性,与经典分类器和近几年流行的深度神经网络进行对比, 结果表明:将高维过程信号转为图像信号输入CNN提高了多变量过程的故障诊断精度;通过t-SNE方法对模型提取的特征进行可视化分析,说明模型强大的特征提取能力;将模型提取的特征作为传统分类器的输入时,故障识别准确率显著提升,进一步说明有效的特征提取有利于提高故障诊断的准确度和可靠性;与无监督学习方式相比,模型通过标签能获取更有效、稳定和抽象化的数据特征.