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DCM-PCA和GA-BP的逆变器故障诊断

针对光伏并网三相电压型逆变器开关管的开路故障,提出深度级联模型（deep cascade mode,DCM）-主成分分析（principal component analysis,PCA）与遗传算法（genetic algorithm,GA）优化的BP神经网络结合的故障诊断方法。首先对逆变器的开路故障进行分析和仿真,确定三相电流作为故障信号,选择22类故障状态作为诊断对象,通过以稀疏表示分类（sparse representation based classififier,SRC）为基本操作单元的深度级联模型提取故障特征,DCM根据层次学习特性将故障特征分层,再由SRC部分得到不同故障的编码系数,并采用t分布—随机近邻嵌入（t-distributed stochastic neighbor embedding,t-SNE）方法验证了DCM具有较好的特征提取能力,通过PCA降低故障特征的冗余度、保留有价值的主成分提高网络映射能力,最后将故障特征向量作为GA-BP神经网络的输入信号实现对故障的诊断识别。通过仿真实验得到该方法的故障诊断准确率为95.64%,与DCM-PCA-BP、FFT-G...     

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。     

基于经验模态分解和支持向量机的传感器故障诊断方法

提出了一种基于经验模式分解（EMD）和支持向量机（SVM）的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数（IMF）,对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中。     

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EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

基于EMD和分形的齿轮箱故障特征提取

在齿轮箱齿轮振动信号处理中,可将经验模式分解 （Empirical Mode Decomposition,EMD）和分形技术结合在一起．先进行EMD分解,并针对EMD的端点效应问题提出了基于最小能量误差的端点效应抑制方法;计算各IMF分量的分形维数,根据同类故障具有相似特征,主要表现在模式空间上距离相近,从而利用未知故障网格维数与已知故障网格维数的距离远近来对故障类型进行判断．实测验证结果表明：通过比较网格雏数,能有效判断故障的类型,该方法大大简化了故障诊断过程．     

基于EMD和SVM的数控机床主轴故障诊断

针对数控机床的主轴故障,将经验模态分解（EMD）方法和支持向量机（SVM）相结合,用于故障诊断。采用EMD将信号分解成具有不同特征尺度的本征式分量IMF,分析各IMF,通过求取均方根值提取各特征向量,然后将各特征向量输入支持向量机,建立故障分类器进行状态识别。实验结果表明,预测结果完全正确,该方法有效。     

基于EMD和包络谱分析的轴承故障诊断研究

提出了一种基于经验模态分解(EMD)和包络谱分析的轴承故障诊断的新方法．EMD是把时间序列信号，分解成不同特征时间尺度的固有模态函数(IMF)，具有自适应的分析能力，然后通过选取表征轴承故障的IMF分量进行包络谱分析，就可提取轴承故障信号的特征．轴承故障实验信号的研究结果表明：该方法能有效地识别轴承故障．     

声振信号联合1D-CNN的大型电机故障诊断方法

针对复杂运行环境下大功率电动机故障诊断准确率不高、算法泛化能力差的问题,提出一种声振信号联合一维卷积神经网络（1D-CNN）故障诊断方法. 首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声,然后将声音信号进行带通滤波（7~20 kHz）,叠加低频振动信号（7 kHz内）形成频带更完整的电动机状态表征信息. 再对经过滤波提纯处理后的信息进行重叠式数据扩容,获取1D-CNN训练所需大量数据. 最后将数据样本输入1D-CNN进行学习训练,采用局部均值归一化（local response normalization,LRN）和核函数去相关性改进1D-CNN模型结构,降低抽油机正负半周工况波动对电动机诊断准确性的影响. 诊断结果表明:声振信号联合分析的卷积神经网络故障诊断总体诊断准确率达到了97.75%,泛化能力好,与传统的电动机故障诊断方法相比优势明显.     

基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

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。     

SVPWM整流器IGBT模块的故障诊断技术研究

建立了双闭环SVPWM整流器故障模型,通过增大IGBT模块内阻来模拟其性能劣化过程,并提出了一种基于Hilbert变换的IGBT模块故障诊断方法。该方法分别以相电流及其Hilbert变换后获得的共轭电流作横坐标和纵坐标,绘制Hilbert矢量图,通过图形变化规律来达到快速、有效诊断故障的目的。理论分析和仿真结果表明该方法可以有效诊断IGBT模块开路故障,比Park矢量方法简便直观。     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

基于IGBT新型消弧线圈自动调谐系统

在配电网电容电流实时测量新方法研究的基础上,提出一种新型的基于IGBT控制的消弧线圈自动调谐系统。配电网正常运行时,控制IGBT模块使电路断开,避免工频过电压的产生;配电网发生单相接地故障时,控制IGBT模块使电路导通,消弧线圈投入运行,采用PWM控制技术对配电网接地电容电流进行补偿,有效促进瞬间熄灭故障电弧;此种控制方法补偿速度快、范围宽、造价低,实现了电感电流的无级调节.通过MATLAB对模型进行仿真,验证了该方法的可行性及其优点.     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.