二极管钳位式三电平逆变器功率管开路故障诊断

针对二极管钳位式三电平逆变器的开路故障,为了准确、可靠地定位出发生故障的功率管,建立了基于杂交粒子群算法优化BP神经网络的故障诊断模型。分析了单管故障与双管故障输出电流信号的特点,将NPC三电平逆变器所有的故障进行编码,以傅里叶变换提取三相输出电流的直流分量、基波幅值、基波相位以及二次谐波相位作为故障特征向量建立神经网络,并用杂交粒子群算法将其优化。仿真结果表明,该模型能够准确诊断NPC三电平逆变器单管故障与双管故障,并且杂交粒子群算法优化能力优于基本粒子群算法。     

升压型混合式九电平有源中点钳位逆变器研究

研究了一种适用于低压场合的升压型混合式九电平有源中点钳位逆变器。该逆变器每相由一个T-type三电平单元和一个有源中点钳位三电平单元组成。分析了该逆变器的工作原理与各种工作模态。与传统的九电平逆变器相比,该逆变器具有更少的开关器件和直流电压源,同时可以达到更高的效率。分析了悬浮电容和直流母线电容的电压平衡问题,提出了相应的解决方案。通过实验和仿真,该拓扑的可行性和优点得到了验证。     

基于MEEMD和GRNN的轨道交通列车辅助逆变器故障诊断

针对轨道交通列车辅助逆变器故障信号的非平稳、非线性特征,提出了一种基于改进的总体平均经验模态分解方法(ModifiedEEMD,MEEMD)和广义回归神经网络的列车辅助逆变器的故障诊断方法。应用MEEMD分解方法对采集的原始故障信号进行处理,将原始故障信号分解成多个平稳的本征模函数(intrinsic mode function,IMF),提取到含有故障信息的特征向量。建立GRNN网络模型,对辅助逆变器的三种故障类型进行识别。仿真结果表明,基于广义回归神经网络的诊断方法与BP神经网络相比有更好的故障诊断效果,可以准确识别列车辅助逆变器的故障类型,并且满足了对故障诊断的准确性要求。     

NPC型三电平逆变器供电的永磁同步电机矢量控制系统

在分析永磁同步电机矢量控制理论的基础上,结合三电平中点钳位(NPC)逆变器输出谐波含量低、控制性能好等优点,提出了一种基于NPC型三电平逆变器的永磁同步电机(PMSM)矢量控制方法。深入分析了三电平逆变器空间电压矢量脉宽调制(SVPWM)技术,并利用Matlab/Simulink进行了基于三电平逆变器SVPWM算法的PMSM矢量控制仿真实验,结果表明三电平逆变器SVPWM和PMSM矢量控制的有机结合,有效地抑制了转矩脉动,提高了驱动性能。     

风光互补发电系统中三电平逆变器的设计

逆变技术在风光互补发电系统中占有重要的作用,尤其在大功率场合,三电平逆变器具有输出容量大、输出电压高、开关器件应力小、同等开关频率下逆变波形更接近正弦波等特点,特别适合大功率逆变系统。笔者主要推导出三电平逆变器的数学模型,进而由数学模型设计PI控制器,并进行了仿真分析,结果显示三电平逆变器波形失真小,具有广阔的发展前景。     

基于复参数估计的逆变器故障实时检测

逆变器故障主要表现为开关元件的不正常开通和关断.本文提出了一种基于复参数估计的逆变器实时状态监控方法.通过对逆变器输出电压信号的变换,得到逆变器输出电压信号的数字模型.利用复参数最小二乘估计方法获得了逆变器输出信号的基本正序对称分量和基本谱残差.提出了故障决策函数,通过观测故障决策函数值的跳跃变化,实现了逆变器的故障实时检测.仿真研究证明本文方法的有效性.     

一种新型的三电平逆变器中点电压平衡控制策略

三电平逆变器中直流侧中点电容电压平衡问题直接影响着逆变器及其电机调速系统的可靠性。文章首先介绍了三电平逆变器的SVPWM算法；在此基础上，提出采用动态调整正负空间电压矢量作用时间的方法来实现中点电位平衡，并作了具体的阐述。理论分析和仿真结果表明，此方法能有效地平衡三电平逆变器的中点电压。     

一种改进式三电平逆变器SVPWM控制技术研究

在介绍三电平逆变器基础上,研究了三电平逆变器空间电压矢量二(space vector pulse width modulation,SVPWM)控制,分析了三电平逆变器电压矢量分布情况和直流侧电容中点电位偏移原因.根据SVPWM控制规律,提出了一种基于矢量合成抑制中点电位偏移的SVPWM方法:利用合成矢量在采用周期内向中点注入电流为零,实现中点电位平衡.通过仿真分析,验证了抑制中点电位偏移控制策略的实用性和可行性.实验证明,三电平逆变器中点电位偏移能够被有效抑制,并且具有输出谐波含量低、输出波形好的特性,适合应用于高压大功率变流系统.     

三电平逆变器异步电机直接转矩控制

介绍了在二极管钳位三电平逆变器异步电机调速系统中如何采用空间矢量调制与直接转矩控制相结合的控制方法.这种方法能够合理地利用三电平逆变器的开关状态,生成更加精确的电压矢量,降低转矩波动与磁链误差.仿真结果表明了这种方法的有效性.     

基于本征模式分量符号化分析的滚动轴承故障诊断方法研究

研究在经验模式分解的基础上提出了一种基于本征模式分量符号化分析的故障诊断方法:首先,对故障信号进行拓延,利用经验模式分解获取本征模式分量,实现原始信号在不同尺度下的分离;其次,依据符号动力学理论对本征模式分量进行符号化序列研究;最后,计算符号化后的本征模式分量序列的符号熵,构建特征向量表征故障特性,结合模式分类方法实现诊断。研究通过实验证明了所提出方法对于典型轴承故障有着很好的识别效果,并针对印刷机故障轴承进行实验,成功检测出了不同转速下的轴承故障。所提出诊断方法仅通过时域分量特征提取就获得了较好的诊断效果,相对减少了同类研究中频域特征提取的计算量,具备一定工程应用前景。     

基于小波包分解和支持向量机的机械故障诊断方法

提出应用小波包分解和支持向量机进行机械故障诊断的方法。该方法将振动信号小波包分解后的频带能量作为特征向量，输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。试验结果表明，与神经网络相比，采用支持向量机进行故障诊断可以获得更高的诊断精度，表明该方法是有效的、可行的。     

基于小波包分解与DAG SVM的柱塞泵故障诊断

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题,结合决策树与支持向量机提出一种基于小波包分解与DAG SVM的柱塞泵故障诊断方法。该方法预先对所用C SVM和RBF核函数的参数进行优化,而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量,将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置,通过模拟不同故障,利用已知故障样本完成支持向量机的训练过程,进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符,验证了该方法的准确性。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于小波包与LS—SVM的气阀故障诊断

基于小波包原理,对柴油机的缸盖振动信号进行小波包分解,利用“频带能量”的特征提取方法得到特征向量,并作为LS-SVM的输入进行训练和分类检验,提出了一种基于小波包和LS—SVM的气阀故障诊断方法。结果表明不同状态下的气阀漏气故障能得到识别和分类,且具有较高的精度。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

小波包能量谱在滚动轴承故障诊断中的应用

提出了基于小波包能量谱的滚动轴承故障诊断方法。首先,以6406轴承为例采集不同工况的振动信号,然后对试验数据进行小波包变换,振动信号被分解到独立的频段,不同频带内的信号能量变化反映了运行状态的改变,提取各频带小波包能量谱为特征向量,最后应用基于模糊聚类的故障诊断方法。经对大量实测数据的处理和分析,能够比较准确地诊断出轴承的故障。     

基于能量谱分析的柴油机故障诊断

研究了小波包能量谱分析和能量谱分析在某柴油机故障诊断中的应用。以柴油机的供油提前角减小2.5°和空气滤清器堵塞2种故障为例,把用2种方法提取的特征向量作为神经网络的输入特征,然后进行故障诊断。对比测试结果得出能量谱分析法的实用性强于小波包能量谱分析法。     

小波·分形·神经网络故障诊断法及其在风机诊断中的应用研究

研究了分形理论、小波变换与人工神经网络相结合进行故障诊断的机理与方法。利用小波包可进行多维多分辨率的特性,对振动信号进行分解与重构,提取频带能量特征分析。选用分形理论中的离散信号分形维数计算方法,提取分形维数的特征。以K-L变换作特征降维,然后用基于梯度符号变化的局部学习率自适应误差反传算法的小波神经网络对故障状态进行分类识别。并利用这种方法本文对风机转子故障进行了诊断,结果表明这种诊断方法是完全行之有效的。     

基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。