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%。     

三相开环Z源逆变器短路故障诊断研究

以三相开环Z源逆变器为例,开展了三相开环Z源逆变器短路故障诊断的应用研究。在三相开环Z源逆变器发生功率开关管短路故障及短路故障后逆变器工作状态理论分析基础上,建立三相开环Z源逆变器故障仿真模型。通过仿真实验获得短路故障状态下的输出侧交流电流信号数据,根据故障特征提出一种针对性的短路故障诊断方法直观的得到短路故障功率开关管出现的位置,并通过仿真验证该方法的可行性。     

经验模态分解与样本熵在并网型光伏逆变器故障诊断中的应用

摘要：针对光伏并网逆变器电路中故障信号的非线性、非平稳特点,提出一种基于经验模态分解(EMD)和样本熵(SampEn)的故障诊断方法。首先,利用经验模态分解对逆变器的三相输出电压进行分解,得到有限个本征模式分量(IMF),从中选取包含故障主要信息的前几个本征模式分量提取故障信息。然后,计算本征模式分量的样本熵,从而得到用于故障诊断的特征向量;最后,将逆变器开路故障进行分类和编码,将故障特征向量输入BP神经网络进行模式识别,从而达到故障诊断的目的。在Matlab环境下对光伏并网逆变器的故障诊断进行了实验,实验结果证明了文中方法能实现对光伏并网逆变器的故障诊断,且与小波包变换相比,该方法具有诊断效率高和准确度高等特点。     

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Park变换的三电平逆变器开路故障诊断

针对现有二极管钳位式(NPC)三电平逆变器开路故障诊断方法存在计算量大、准确率受噪声和负载等影响的问题,提出了一种基于Park变换的三电平逆变器开路故障诊断方法。对三电平逆变器三相输出电流进行Park变换,计算平均电流Park矢量;利用滑动窗口取得单周期电流信号,根据逆变器电路结构分析IGBT故障时输出电流变化;采用迭代法确定平均电流Park矢量模值的阈值,结合相角和模值进行三电平逆变器功率管13种开路故障的识别和定位。仿真结果表明,该方法故障诊断准确率达到了98.31%。与传统的开路故障诊断方法相比,该方法不需要对13种开路故障数据进行学习和训练,大大减少了计算量,提高了故障诊断效率和准确率。     

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。     

功率变换器的容错设计及验证

为提高航空开关磁阻发电系统的可靠性,对系统中功率变换器常见的开路故障进行分析。结合不对称半桥式功率变换器各相独立的优势,设计一种容错型功率变换器。利用空闲相功率器件代替故障相功率器件实现功率变换器的开路故障容错。搭建容错型开关磁阻起动/发电系统的仿真实验平台和硬件实验平台进行实验验证,结果表明,该容错型功率变换器具有较好的容错性能,容错后系统的输出电压最大脉动幅度在6 V以内,满足标准的要求。     

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。     

基于两种NN的CRH3动车组辅助逆变器故障诊断

针对CRH3型动车组辅助逆变器故障特征向量与故障类型之间呈现的是非线性联系的特点，提出一种BP和GRNN算法的辅助逆变器故障诊断方法。在MATLAB/SIMULINK环境下搭建辅助逆变器仿真模型，对辅助逆变器中IGBT开路故障进行仿真，得到不同故障情况下输出电流波形；采用db3小波对电流输出波形进行分解重构，提取能量值和波形比例系数作为故障诊断的特征向量；采用BP和GRNN神经网络算法进行故障识别，分别建立BP神经网络和GRNN故障诊断模型并完成测试。测试结果可提高辅助逆变器故障诊断的效率及精确度，减少因过度维修导致的成本浪费，为动车组检修降本增效提供帮助。     

基于白噪声统计特性与EEMD的高速列车横向减振器故障诊断*

针对高速列车横向减振器故障信号非线性非平稳的特点,提出了基于白噪声统计特性与聚合经验模态分解（EEMD）相结合的故障诊断算法。首先,利用经验模态分解（EMD）对故障信号进行去噪,然后对去噪后的信号进行EEMD分解,最后对用相关系数求得的最能反映振动信号的本征模态函数（IMF）计算排列组合熵。在240km/h速度下,对高速列车横向减振器7种工况进行诊断,识别率达到91.8%。实验结果表明：与基于小波熵特征分析的算法相比,该算法具有更高的识别率和更强的抗噪性能。     

EEMD与EFICA在单通道复合故障诊断中的应用

针对转子不对中和滚动轴承微弱损伤的复合故障诊断问题,提出了一种基于平均经验算法(Ensemble Empirical Mode Decomposition,EEMD)和高效快速独立分量分析(Efficient Variant of FastICA,EFICA)的盲源分离故障诊断方法。利用EEMD算法将单通路复合故障信号分解成多个不同信号特征的本征模函数(Intrinsic Mode Function,IMF),解决了盲源分离中的欠定问题。在此基础上利用EFICA算法对各个不同信号特征的IMF进行故障特征分离。通过仿真实验和转子实验台的实验结果,表明该算法可以有效分离出各个不同的故障特征。     

基于MFE-GASVM的机载燃油泵故障诊断

机载燃油泵的健康状态是保障飞行任务完成的先决条件,实现机载燃油泵故障诊断的关键是敏感故障特征的提取。由于机械系统的复杂性,机载燃油泵振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度分析。基于此,在模糊熵的基础上引入尺度因子,对振动信号在不同尺度下进行复杂性度量。然后将多尺度模糊熵特征量作为支持向量机的输入参数以识别故障状态,并采用遗传算法对支持向量机的核函数参数及惩罚参数进行优化。实验结果分析表明,该方法可有效提取故障特征,实现机载燃油泵的故障诊断。     

基于计算统一设备架构的高铁故障诊断方法

为解决传统高铁振动信号故障诊断方法速度慢、难以满足实时处理的要求,提出一种基于计算统一设备架构(CUDA)加速的高铁振动信号故障诊断方法。首先利用CUDA架构对高铁数据进行经验模态分解(EMD),进而计算分解所得到的各个分量的模糊熵,最后利用最近邻分类(KNN)算法对多个模糊熵特征组成的特征空间进行故障分类。实验结果表明,该方法能高效地对高铁振动信号进行故障分类,运行速度较传统方法有明显提高。     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO) 优化径向基函数（RBF）神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点，提出基于集合经验模态分解（EEMD）能量熵和模拟退火粒子群混合算法（SAPSO）优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵，并使用相关性分析方法剔除虚假的分量，把筛选后的有效数据作为故障识别的特征向量；利用模拟退火（SA）算法具有局部概率突跳的特性，将SA算法和PSO算法相结合，在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明，使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

基于多尺度模糊熵的齿轮故障诊断方法

齿轮作为旋转机械的关键零部件之一,其健康状态会影响机械设备的正常运行,因此需要对齿轮进行故障诊断.为了克服模糊熵从单一尺度上考虑时间序列复杂度不够全面的问题,采用了多尺度模糊熵从多个尺度对信号进行处理从而提取故障特征,并借助对类域的交叉或重叠较多的待分样本集识别效果显著的K最近邻分类器对提取的多尺度模糊熵特征进行分类,确定齿轮是否发生故障和发生故障的类型.为了验证提出方法的有效性,使用齿轮故障试验台采集相关数据集对方法进行测试并与多尺度熵以及根据时间和频率特性提取的特征进行对比,提出的方法对5种不同的齿轮故障类型识别率达到了100％,明显优于两种对比特征提取方法,为齿轮故障诊断提供了新思路.     

Research on hybrid feature selection method of power transformer based on fuzzy information entropy

The data of dissolved gas in oil analysis (DGA) is uncertain affected by the influence of transformer capacity and fault location, which makes transformer fault diagnosis model based on DGA has low accuracy. Therefore, we propose a hybrid feature selection method based on fuzzy information entropy, whereby optimizing the reasonable DGA feature parameter according to the feature information between the parameter and fault type, to reduce the influence of DGA data uncertainty on the fault diagnosis accuracy. Firstly, the characteristic relevance and redundancy functions are constructed based on fuzzy information entropy theory. Secondly, these functions are taken as the optimization objectives of binary-chaotic multi-objective particle swarm optimization algorithm(B-CMOPSO), to search for the feature subsets in the feature space composed of 46 DGA feature parameters. Then, the optimal feature subset is selected based on the simulation accuracy of ELM, SVM, Adaboost.M1 and BPNN on the feature subsets. Finally, 30 simulation experiments are carried out to compare with several multi-objective optimization algorithms, common Filter methods and common DGA feature combinations, and the rationality of the proposed method is verified by the t-test method. The results show that the 4 classifiers accuracy means is maximatily improved by 18.95%, 20.77%, 19.85% and 21.27% respectively compared with common DGA feature combinations, indicating that the optimal feature subset preserves more feature information and can effectively reduce the influence of DGA data uncertainty on diagnostic accuracy.