基于带瞬态合成特征深度前馈网络的三相 PWM 整流器故障诊断
机器学习
2022-11-02 v1 人工智能
信号处理
摘要
三相 PWM 整流器因其优异的特性和潜在优势在工业中被广泛采用。然而，当 IGBT 发生开路故障时，系统不会突然崩溃，其性能会下降，例如电压波动与电流谐波。本文提出一种基于带瞬态合成特征的深度前馈网络的故障诊断方法，以降低对故障数学模型的依赖，该方法主要利用瞬态相电流来训练深度前馈网络分类器。首先，本文分析了故障相电流的特征。其次，利用特征合成后的历史故障数据训练深度前馈网络分类器，对瞬态合成故障数据的平均故障诊断准确率可达 97.85%，与原始瞬态特征相比，由瞬态合成特征训练的分类器性能提升超过 1%。最后，在线故障诊断实验表明，该方法能准确锁定故障 IGBT，且最终诊断结果由多组结果共同确定，具备提高诊断结果准确性与可靠性的能力。© 2020 ISA. Published by Elsevier Ltd. All rights reserved.
引用
@article{arxiv.2211.00228,
title = {Fault diagnosis for three-phase PWM rectifier based on deep feedforward network with transient synthetic features},
author = {Kou Lei and Liu Chuang and Cai Guo-Wei and Zhang Zhe and Zhou Jia-Ning and Wang Xue-Mei},
journal= {arXiv preprint arXiv:2211.00228},
year = {2022}
}
备注
ISA TRANSACTIONS