基于自适应粒子群的模拟电路故障诊断

为了加快模拟电路故障优化算法收敛性和优化效率,采用了一种基于自适应粒子群算法的模拟电路故障诊断方法。利用小波分解技术提取待诊断电路的测试信息作为故障特征,借助于遗传变异的思想在粒子群算法中引入"变异"理念,然后使用自适应的粒子群算法优化RBF神经网络的结构参数,实现模拟电路的故障诊断。仿真结果表明,利用自适应粒子群算法与传统的粒子群算法相比,其训练步数明显加快,扩大算法的搜索范围,从而有效提高了网络的训练速度和优化精度。     

基于MHHO-BP算法的DC-DC电路软故障诊断

针对DC-DC电路软故障诊断中特征提取困难和分类准确率低的问题,提出了一种基于多策略改进哈里斯优化算法-反向传播MHHO-BP)神经网络的故障诊断方法。该方法通过VMD对故障信号进行处理,提取其时域和频域特征作为故障向量,采用MHHO算法优化BP神经网络的权值和阈值,建立DC-DC电路的VMD-MHHO-BP软故障诊断模型。实验结果表明,对于DC-DC电路软故障,该方法相较于鲸鱼优化算法(WOA)和蝴蝶优化算法(BOA)优化BP神经网络,其诊断效果好,准确率高。     

基于改进ABC优化RVM的模拟电路故障诊断

为提高模拟电路的故障诊断精度,提出了基于改进蜂群算法(IABC)优化相关向量机(RVM)的模拟电路故障诊断方法。该方法首先基于小波包能量提取故障特征集,然后将故障特征输入RVM进行故障诊断,同时利用IABC算法进行RVM参数的优化,避免参数选择的盲目性,提高故障诊断的精度。通过对Sallen-Key带通滤波器电路的单故障和复合故障诊断结果表明,该方法是有效的,相比与其他一些方法,可以获得更高的诊断精度,具有一定的优势。     

克隆选择优化的SVM模拟电路故障诊断方法

对基于克隆选择算法的支持向量机(SVM)参数优化、及其在模拟电路故障诊断中的应用进行了深入研究,故障诊断实现步骤为:首先对电路的各种故障模式进行蒙特卡洛仿真分析,利用小波分解提取输出信号的各频段能量,进行归一化处理后得到故障特征样本;然后应用克隆选择算法进行SVM参数优化,并将选定的参数用于SVM的训练;最后采用训练好的SVM对故障样本进行分类,从而实现故障判定。论文以CTSV滤波电路和螺距反馈电路为诊断实例进行了实验验证,结果表明对容差模拟电路的故障定位具有较高的准确率。     

基于BP神经网络的模拟电路故障诊断研究

在简要介绍标准BP神经网络基本原理的基础上。详细说明了基于改进BP神经网络算法的模拟电路故障诊断方法和设计步骤，根据网络总误差来自适应调节网络的学习率，加速网络的收敛过程。此算法应用于电路的故障诊断，能够对被测电路的故障进行有效并且精确的分类。以折线式有效值测量电路为例，设计了基于改进BP神经网络算法的模拟电路故障诊断系统，以实际测试数据作为训练样本进行学习训练后，对其它实际测量数据进行诊断，结果正确，验证了算法的有效性。     

基于改进果蝇优化算法优化SVM的模拟电路故障诊断

为提高支持向量机(SVM)在模拟电路故障诊断中的精度,对果蝇优化算法(FOA)进行改进,提取了一种基于改进果蝇优化算法优化SVM的模拟电路故障诊断方法。改进果蝇优化算法(SHFOA)在FOA算法中增加了"学习历史"的策略,增强了果蝇种群的多样性和算法跳出局部最优的能力,可以获得更优的SVM参数,有效地提升了SVM的分类性能。Sallen-Key低通滤波器电路故障诊断和工程应用验证了SHFOA算法提升了SVM的识别效果,获得了更高的故障诊断精度,相比于其他一些方法更有优势。     

基于人工免疫系统的电路小样本故障诊断方法

针对常规电路故障诊断方法存在的故障样本需求大的问题,基于免疫系统的阴性选择机理,提出了建立人工免疫系统实现电路小样本故障诊断的新方法。该方法仅需电路正常模式测试数据加一组故障模式测试数据为样本,生成随机检测器,再运用变异实值否定选择算法优化随机检测器,结合基于故障样本生成故障类型检测器构成人工免疫系统的故障检测器,并采用二次匹配方法完成电路的故障诊断。对ITC’97的CTSV滤波器电路的故障诊断表明,该方法可应用于小故障样本场合下的电路故障诊断,具有较高的实际应用前景。     

容差模拟电路软故障诊断的神经网络方法

为了提高诊断容差模拟电路软故障的速度与准确性,提出了一种随机算法、灵敏度分析、免疫遗传算法与神经网络相结合的软故障诊断方法.该法首先利用基于随机算法的灵敏度分析来解决电路发生软故障时测试节点与激励信号频率选择困难的问题,然后对待测电路施加所选的激励并在所选择的测试节点处提取节点电压,这些电压值再经主元分析与归一化处理作为故障特征,输入神经网络.为了解决传统BP算法本身固有的易陷入局部最优等缺点,引入免疫遗传算法来进行优化,形成基于免疫遗传算法的BP神经网络,进行故障分类.本文详述了其诊断原理及诊断步骤,并通过电路诊断实例,验证了所提方法的有效性.     

SiC MOSFET短路特性及过流保护研究

为了提高电力电子装置中SiC MOSFET可靠性,对SiC MOSFET短路特性和过流保护进行研究。首先在不同的母线电压和环境温度下,对处于短路状态的SiC MOSFET的电流IDS和导通压降V₍DS(ON))进行测量和分析,在此基础上设计基于V₍DS(ON))检测的过流保护电路,比较两种消隐电路对保护的影响,实验证明,在消隐电路工作时,较大的充电电流可有效缩短保护时间,但电路功率消耗较大。针对半桥直通短路,根据SiC MOSFET的工作特性,提出一种基于门极电压V_GS检测的直通短路保护方法,将半桥两只SiC MOSFET的V_GS电压于门极阈值电压比较,如果同时超过阈值电压,可判断发生直通短路,实验表明,提出的保护方法具有保护时间快,短路电流小的特点,与V₍DS(ON))检测的过流保护电路配合,可以有效地保护SiC MOSFET。     

基于改进果蝇算法优化SVM的模拟电路故障诊断及对比分析

为提高支持向量机(SVM)对模拟电路的故障诊断精度,提取了基于动态变步长果蝇算法优化SVM的模拟电路故障诊断方法。动态变步长果蝇算法(DCSFOA)在FOA算法的基础上,通过适应度值对果蝇种群进行动态划分,然后两个子群按照不同的公式进行搜索步长的计算并完成位置更新,增强了果蝇种群的寻优能力,可以获得更优的SVM参数,有效地提升了SVM的分类性能。最后以UCI数据集、Sallen-Key低通滤波器模拟电路和实际电路故障诊断为例,从纵向和横向两个方面对DCSFOA-SVM有效性和优势进行了验证。     

基于独立量分析的NPC光伏逆变器故障诊断

功率开关器件是逆变器的核心部件,功率开关器件的故障诊断对逆变器的可靠运行意义重大,而功率开关器件故障特征提取技术是实现其故障诊断的技术基础。分析三电平逆变器中常见的功率开关器件开路故障,将故障类型分成典型故障与非典型故障两大类。对于非典型故障应用基于独立量分析的稀疏编码算法对逆变器输出相电压信号进行故障特征提取,并采用BP神经网络的分类器对非典型故障进行诊断。通过仿真验证其可行性,故障诊断准确率达到95%,并通过与小波分析及主元分析的特征提取算法的对比试验,说明独立量分析算法的在逆变器开关器件开路故障特征提取应用的合理性和优越性。     

基于概率神经网络的高压断路器故障诊断

高压断路器是最重要的电力设备之一,在电力系统中起控制和保护作用。为了提高高压断路器故障诊断的准确率,提出了一种基于概率神经网络(PNN)的高压断路器故障诊断方法。该方法在分析高压断路器的故障特性来确定特征信号的基础上建立了PNN故障诊断模型,该模型将采集的特征数据作为网络的输入,通过Parzen窗估计法得到类条件概率密度,进而按Bayes决策规则对特征数据进行分类。经仿真表明,概率神经网络故障诊断模型具有收敛速度快、故障诊断准确率高、容易训练等特点。因此,该方法是一种有效的故障诊断方法,具有良好的应用前景。     

碳化硅器件的短路保护：设计准则和电路

为了保障碳化硅(silicon carbide,Si C)在发生短路故障时可安全可靠的关断,需在掌握其短路特性基本规律的前提下,针对Si C短路耐受时间较短、短路下器件漏源极电压拐点不明显等特征,展开去饱和保护电路(desaturation fault protection,DESAT)电路中关键参数的研究,并制定其工程化设计的参考标准。在此基础上,文中进一步提出基于氮化镓(galliumnitride,GaN)的高速、低传输延时的DESAT短路保护电路,短路保护电路的驱动动作延时仅为常规基于硅器件DESAT电路的23.2%。所提出的氮化镓DESAT电路为SiC MOSFET短路保护电路的更优越的实现方案。     

SiC MOSFET短路失效与退化机理研究综述及展望

SiC MOSFET可以大幅提升变流器的效率和功率密度,在高频、高温、高压等领域有较好的应用前景。但是,由于其短路耐受时间短、特性退化现象严重以及失效机理模糊等因素,致使SiC MOSFET的普及应用受到了限制。因此,探究SiC MOSFET短路失效与特性退化的机理,可以为SiC MOSFET器件的应用及其保护电路的设计提供指导,具有重要的研究价值。该文首先归纳SiC MOSFET的短路故障类型,并针对其中一种典型的短路故障进行详细的特性分析。在此基础上,论述SiC MOSFET单次短路故障后存在的两种典型失效模式,综述其在两种失效模式下的失效机理以及影响因素。其次,对SiC MOSFET经历重复短路应力后器件特性退化机理的研究现状进行系统的总结。最后指出当前SiC MOSFET短路失效与特性退化的研究难点,展望SiC MOSFET短路特性研究的发展趋势。     

基于DBN-MPA-LSSVM的无绝缘轨道电路故障诊断研究

针对区间无绝缘轨道电路故障类型复杂、诊断精度低等问题,从故障特征提取和特征分类两方面出发,提出了一种深度 置信网络(DBN)和海洋捕食者算法(MPA)优化最小二乘支持向量机(LSSVM)的故障诊断方法。 首先,将集中监测数据和状态 标签输入到 DBN,以半监督的方式进行降维和特征提取,从而挖掘轨道电路不同故障特征信息;然后,采用 MPA 智能算法对 LSSVM 的惩罚因子和核函数参数进行寻优并建立最优 MPA-LSSVM 诊断模型;最后,将 DBN 提取的特征样本导入诊断模型进 行轨道电路的故障分类识别。 DBN-MPA-LSSVM 诊断模型充分利用了 DBN 在特征提取过程中的逐层提取优势以及 LSSVM 在 解决小样本情况下高维模式识别的优势。 实验验证与对比分析表明,DBN-MPA-LSSVM 模型测试集准确率为 98. 33%,MPA 优 化算法较 PSO、GWO、GA 算法模型诊断准确率分别提高了 6. 11%、3. 89%、3. 33%,平均准确率为 97. 98%,为基于数据驱动的轨 道电路故障诊断技术提供了一种新的方法。     

基于拐点密集区凹凸波动特性的直流配网故障检测方法

基于模块化多电平换流器(modular multilevel converter, MMC)的柔性直流配电网具有不存在换相失败等优点。但换流器存在低惯性、弱阻尼等特性,导致故障电流上升速度快且峰值高,对系统危害极大。针对直流配电网发生单极接地故障难以准确选择故障馈线的问题,提出了一种基于拐点密集区凹凸波动特性的直流配网故障检测方法。首先,利用变分模态分解算法对各馈线零模电流进行分解,选取特征分量。然后,计算特征分量的二阶导数,选择拐点密集区并进行归一化处理,得到各馈线的凹凸波动性。最后,判定凹凸波动性与其他馈线相异的线路为故障线路。仿真结果表明,所提方法能够快速识别故障馈线,且受过渡电阻、采样频率、数据窗和噪声等因素影响小。     

基于特征提取与INGO-SVM的变压器故障诊断方法

针对使用支持向量机(support vector machine,SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis,KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization,NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。     

基于BCL-ASA-BP神经网络的模拟电路板芯片故障诊断

针对模拟电路板芯片故障界定标准不明确和实现快速、准确分类困难的问题,本文提出了一种基于双元卷积Logistic原子搜索算法(Binary Convolution Logistic-Atom Search Algorithm,BCL-ASA)优化BP神经网络(BCL-ASA-BP)的故障诊断模型。首先,对电路板芯片不同状态下的温度进行采集和特征提取,并采用欧氏距离对特征进行融合,建立含有芯片故障界定标准的故障特征模型。接着,利用双元卷积Logistic映射初始化原子搜索算法的种群规模和位置,提高收敛速度和精度。然后,通过BCL-ASA优化BP神经网络寻优过程,获得最优权值和阈值。最后,将芯片故障特征模型输入到BCL-ASA-BP神经网络中进行训练和测试,完成电路板芯片故障诊断。实验采用电源电路板进行可靠性分析,结果表明,BCL-ASA-BP对芯片故障综合诊断准确率可达98.35%,较传统BP算法提升13.9%。     

直流电网中限流器优化配置方法研究

柔性直流输电具有灵活、可靠的特点,成为目前直流输电领域的研究热点。但直流电网中发生短路故障时其短路电流较大,如何在直流侧故障时快速将其切除成为直流输电技术的研究难点。文章重点研究了柔性直流输电系统中限流器的优化配置。以目前研究较多的超导限流器为例,对柔性直流电网中的故障问题进行详细分析;基于超导限流器的特性,提出了考虑直流断路器切断容量和故障反应时间的限流器优化方法;选取算例在MATLAB平台上对该优化方法进行了验证,仿真结果表明该优化配置方法能有效的指导限流器的设计,提高其应用过程中的经济性。     

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...