• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于競爭神經(jīng)網(wǎng)絡(luò)的逆變器狀態(tài)識別方法研究

      2022-07-15 09:53:54李小波張冬冬吳竑霖
      智能計算機(jī)與應(yīng)用 2022年7期
      關(guān)鍵詞:軟故障時域權(quán)值

      張 浩,李小波,張冬冬,張 程,汪 翔,吳竑霖

      (上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院,上海 201620)

      0 引 言

      輔助逆變器是地鐵車輛的重要組成部分,為車內(nèi)的空調(diào)、風(fēng)機(jī)、照明等輔助設(shè)備提供電能。在輔助逆變系統(tǒng)工作過程中除去結(jié)構(gòu)性故障,濾波電容的軟故障較為突出。電容軟故障是指因自然老化或大電流充放電沖擊,導(dǎo)致電容存儲電荷能力衰退。目前針對軟故障診斷,主要包含特征提取與故障分類兩方面,特征提取是找出研究樣本中對軟故障較為敏感的參數(shù),故障分類是通過提取出的參數(shù)進(jìn)行電路狀態(tài)識別。在輔助逆變電路故障診斷中,針對選取的測點信號常在頻域、時域以及時頻域上進(jìn)行故障特征參數(shù)提取,現(xiàn)有的輔助逆變電路診斷研究多集中于硬故障,故障特征參數(shù)有小波分解低頻系數(shù)、EEMD分解出的IMF分量、分形維數(shù)等。軟故障的研究相對較少,所選取的故障特征參數(shù)有小波包分解系數(shù)、VMD分解出的模態(tài)分量等。這些時頻域信號處理方法所提取故障特征參數(shù)對硬故障的診斷有較高的準(zhǔn)確率,但是并不能充分反映軟故障電路狀態(tài)平穩(wěn)信號的特點。

      本文針對輔助逆變電路的狀態(tài)識別提出了基于時域特征提取的辦法,建立電路全體模式的模糊相似矩陣并采用競爭神經(jīng)網(wǎng)絡(luò)模型分類的方法識別軟故障,計算量小、過程簡單,無需復(fù)雜的變換與分解。

      1 電路分析

      1.1 輔助逆變電路仿真

      輔助逆變供電系統(tǒng)的核心部分由輸入電路、逆變電路、濾波電路以及輸出電路組成。以上海地鐵明珠線為研究對象在MATLAB中搭建地鐵車輛輔助逆變器仿真模型,地鐵車輛輔助逆變電路原理如圖1所示,按照明珠線逆變器實際參數(shù)設(shè)置,其中直流電壓源為650 V,IGBT逆變橋的載波頻率為6 kHz,載波比為12,濾波電路部分濾波電感值為0.25 mH,阻值為2 mΩ;濾波電容部分為3個78μF的電容以及一個0.5μF的接地電容。為了接近實際電路,負(fù)載采用0.62Ω的電阻與1 mH的電感串聯(lián)而成的阻感負(fù)載。

      圖1 輔助逆變電路原理圖Fig.1 Schematic diagram of auxiliary inverter circuit

      1.2 電路狀態(tài)分析

      電子電路故障可分為參數(shù)性故障和結(jié)構(gòu)性故障。參數(shù)性故障稱為軟故障,表現(xiàn)為元器件參數(shù)值偏離標(biāo)稱值的容差范圍,并不影響電路的正常工作且無明顯征兆,但會使系統(tǒng)性能發(fā)生偏離,存在安全隱患。隨著車輛運(yùn)行,元件參數(shù)值偏離程度增大,軟故障就會轉(zhuǎn)化成硬故障,最終導(dǎo)致電路部分功能喪失,嚴(yán)重時可引起車輛的運(yùn)行故障。在實際電路中電容并非理想元器件,存在等效電阻。隨著電容的使用時間增加,電容的電解液逐漸蒸發(fā),引起電容值衰減以及等效串聯(lián)電阻阻值增大,造成電容失效,電力電子電路中電容的失效率高達(dá)60%。通常以電容值減少20%或超過初始值的2倍作為電容的失效判據(jù),一般認(rèn)為電容容差在10%以內(nèi)屬于正常范圍,因此本文根據(jù)電容值衰減以及值增大,故障模式見表1。

      表1 故障模式表Tab.1 Failure mode table

      分別改變電容容量以及數(shù)值大小進(jìn)行電路仿真,電容正常情況、單個電容軟故障情況、單個電容值超出軟故障臨界值情況3種狀態(tài)下的逆變器輸出電壓波形,如圖2所示。可看出正常情況輸出波形為對稱的三相交流正弦波,軟故障波形與正常情況相比有輕微波動,超出軟故障臨界值的波形已產(chǎn)生明顯的畸變,電路功能受到影響。

      圖2 輔助逆變器輸出電壓波形圖Fig.2 Auxiliary inverter output voltage waveform

      2 時域特征參數(shù)

      在信號的時域特征提取過程中,時域信號的相關(guān)指標(biāo)通??煞譃橛辛烤V參數(shù)與無量綱參數(shù)。通常地鐵車輛輔助逆變電路的軟故障信號十分微弱,難以識別,不同軟故障信號之間邊界模糊。為了避免不同時域特征單位尺度的差異性對后續(xù)數(shù)組相似度計算帶來影響,本文選用偏度因子、脈沖因子、裕度因子、峭度因子、波形因子、峰值因子這6個無量綱參數(shù)作為輔助逆變電路特征參數(shù),以兼顧不同程度軟故障的敏感性和穩(wěn)定性,并構(gòu)造16種電路模式的特征向量。

      表2列出了圖1中電容在、、故障模式下的a、b、c相的電壓信號的特征向量。

      表2 三相電壓信號時域特征參數(shù)值Tab.2 Time domain characteristic parameter value of three-phase voltage signal

      3 模糊相似矩陣

      3.1 獲取數(shù)據(jù)

      將不同模式下提取的時域特征參數(shù)設(shè)為一組特征向量。以為例,將a、b、c相電壓信號的6個時域特征參數(shù)依次排列組成一個特征向量,剩余故障模式的特征向量依次設(shè)為,,…,,則{,,…,}為所有故障模式的特征向量集合,其中每種故障模式又由18個時域特征表示其性態(tài),即x=x,x,…,x}(1,2,…,16),這樣便得到了原始數(shù)據(jù)矩陣x

      3.2 建立模糊相似矩陣

      在原始數(shù)據(jù)矩陣中,如果xx的相似程度為r=Rx,x),則稱之為相似系數(shù)。確定相似系數(shù)是建立模糊相似矩陣的關(guān)鍵,相似系數(shù)表征了樣本之間的相似程度。

      本文選取歐氏距離法確定相似系數(shù),具體方法如公式(1)所示:

      其中,為使得所有r∈[0,1](,1,2,…,16)的確定常數(shù),可適當(dāng)選取。

      首先計算樣本間歐氏距離,以樣本為例,其與各樣本間歐氏距離見表3。

      表3 樣本間歐氏距離Tab.3 Euclidean distance between samples

      最終計算發(fā)現(xiàn)所有樣本間歐氏距離均在區(qū)間0,1[ ]內(nèi),因此將取值為1。求得相似系數(shù)后,最終確定模糊相似矩陣如下所示:

      4 競爭神經(jīng)網(wǎng)絡(luò)

      4.1 競爭神經(jīng)網(wǎng)絡(luò)原理概述

      競爭神經(jīng)網(wǎng)絡(luò)的競爭學(xué)習(xí)過程是對輸入矢量的聚類過程。一個競爭神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可分為輸入層和競爭層,其中為其連接權(quán)值,如圖3所示。

      圖3 競爭神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Competitive neural network structure diagram

      其基本計算方法如圖4所示,輸入向量和輸入權(quán)值向量經(jīng)過‖ndist‖計算,計算后輸出是1維的列向量,列向量中各元素為向量歐式距離的負(fù)數(shù),之后再和一個閾值相加,得到作為競爭層傳輸函數(shù)的輸入,此時中最大的元素即認(rèn)為是競爭過程的獲勝者,競爭層傳輸函數(shù)輸出1,而其余元素輸出均為0。

      圖4 計算方法圖Fig.4 Calculation method diagram

      4.1.1 Kohonen權(quán)值學(xué)習(xí)規(guī)則

      針對權(quán)值向量,競爭神經(jīng)網(wǎng)絡(luò)采用Kohonen學(xué)習(xí)規(guī)則進(jìn)行調(diào)整。假定第個神經(jīng)元獲勝,則輸入權(quán)值向量的第行元素按式(2)調(diào)整,而其他神經(jīng)元的權(quán)值不變。

      其中,為學(xué)習(xí)率。

      即前一個權(quán)值加上一個誤差項,通過這一調(diào)整過程,一些靠近輸入向量的神經(jīng)元權(quán)值向量被修正到更加靠近,因此當(dāng)獲勝的神經(jīng)元在遇到下一次相似的輸入向量出現(xiàn)時,獲勝的概率更高。從而在經(jīng)過越來越多的訓(xùn)練學(xué)習(xí)后,每一個網(wǎng)絡(luò)層中的神經(jīng)元的權(quán)值向量很快被調(diào)整為最接近某一類輸入向量的值,則具有相似輸入向量的各類模式作為輸入向量時就會獲勝,即對應(yīng)的神經(jīng)元輸出為1。

      4.1.2 閾值學(xué)習(xí)規(guī)則

      在競爭神經(jīng)網(wǎng)絡(luò)中,存在一些“死神經(jīng)元”,這類神經(jīng)元初始值偏離所有樣本向量,無論訓(xùn)練多久始終無法獲勝。

      此時可以通過閾值調(diào)整,對一些輸入向量與權(quán)值相似性不高的神經(jīng)元賦予較大的閾值,使之具有獲勝的可能。而對于經(jīng)常獲勝的神經(jīng)元則賦予較小的閾值,這就意味著只有當(dāng)輸入向量與權(quán)值非常相似時神經(jīng)元才會響應(yīng),對于從未獲勝的神經(jīng)元則不必如此。

      4.2 競爭神經(jīng)網(wǎng)絡(luò)分類驗證

      按照表1設(shè)置的故障模式,運(yùn)行圖1所示仿真電路,并提取測點信號(輸出端三相電壓)的無量綱時域特征參數(shù)組成特征向量,在確定原始數(shù)據(jù)矩陣后計算樣本間的相似系數(shù),最終將求得的模糊相似矩陣輸入競爭神經(jīng)網(wǎng)絡(luò)模型中,按照預(yù)設(shè)的正常狀態(tài)、軟故障以及失效狀態(tài)這3種電路分類,將競爭層個數(shù)設(shè)為3,學(xué)習(xí)率設(shè)為0.1。同時,將原始數(shù)據(jù)矩陣輸入相同的競爭神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行對比,分類結(jié)果見表4。

      表4 分類結(jié)果對比Tab.4 Comparison of classification results

      在采用模糊相似矩陣作為輸入時,16個樣本特征成功分為了3類,30次訓(xùn)練后即可達(dá)到93.75%的準(zhǔn)確率,與采用原始數(shù)據(jù)作為輸入相比減少了一定的訓(xùn)練次數(shù)。

      競爭神經(jīng)網(wǎng)絡(luò)經(jīng)過對樣本模糊相似矩陣的學(xué)習(xí),已經(jīng)大致具備了識別相似樣本的能力。接下來選取不同的電容的樣本集,即電容的電路狀態(tài)樣本的模糊相似矩陣,放入模型中進(jìn)行分類驗證,結(jié)果見表5。

      表5 分類驗證結(jié)果Tab.5 Classification verification results

      選取的兩組正常狀態(tài)下樣本對應(yīng)的故障模式、在第2競爭層獲勝,選取的兩組軟狀態(tài)下樣本對應(yīng)的故障模式、在第3競爭層獲勝,符合實際電路模式。因此,建立的競爭神經(jīng)網(wǎng)絡(luò)模型能夠準(zhǔn)確識別電路狀態(tài)識別。

      5 結(jié)束語

      本文提出一種基于時域參數(shù)的樣本特征提取,結(jié)合模糊聚類方法建立全體樣本特征的模糊相似矩陣并采用競爭神經(jīng)網(wǎng)絡(luò)模型對濾波電容進(jìn)行狀態(tài)分類,實現(xiàn)了對地鐵車輛輔助逆變器中濾波電容軟故障的診斷以及對電路狀態(tài)的分類。針對輔助逆變電路的狀態(tài)識別,提出了基于時域參數(shù)的特征提取方法,選取無量綱時域參數(shù)構(gòu)造特征向量,能直觀地表征測點信號的結(jié)構(gòu)特點并且計算量小,無需復(fù)雜的變換與分解;參考模糊聚類方法,利用歐氏距離計算出電路故障模式樣本間的相似系數(shù),并建立模糊相似矩陣,對原始數(shù)據(jù)進(jìn)行處理;利用競爭神經(jīng)網(wǎng)絡(luò)進(jìn)一步實現(xiàn)電路狀態(tài)的分類,并分別對模糊相似矩陣以及原始數(shù)據(jù)進(jìn)行分類對比,在采用模糊相似矩陣作為輸入時可減少訓(xùn)練次數(shù),最終的分類驗證結(jié)果與實際電路故障狀態(tài)符合。

      猜你喜歡
      軟故障時域權(quán)值
      基于時域全卷積網(wǎng)絡(luò)的語音增強(qiáng)
      一種融合時間權(quán)值和用戶行為序列的電影推薦模型
      CONTENTS
      基于時域信號的三電平逆變器復(fù)合故障診斷
      基于權(quán)值動量的RBM加速學(xué)習(xí)算法研究
      基于極大似然準(zhǔn)則與滾動時域估計的自適應(yīng)UKF算法
      東芝電視發(fā)射機(jī)功放前級驅(qū)動PPA板軟故障的維修經(jīng)驗
      非線性電路多軟故障的智能優(yōu)化遞階特征選擇診斷方法
      基于時域波形特征的輸電線雷擊識別
      電測與儀表(2015年2期)2015-04-09 11:28:50
      淺析典型B超軟故障與排除
      黄冈市| 咸丰县| 平乡县| 晋城| 高安市| 铜梁县| 资阳市| 昂仁县| 张家港市| 得荣县| 永靖县| 中江县| 迁安市| 开封市| 广水市| 蒲江县| 灵璧县| 黄大仙区| 崇左市| 翁源县| 镇江市| 荆州市| 宝兴县| 永丰县| 交口县| 河曲县| 蓬溪县| 咸阳市| 古田县| 东宁县| 滕州市| 松滋市| 浮梁县| 巢湖市| 银川市| 晋中市| 青川县| 乌海市| 会宁县| 松潘县| 贵德县|