← 返回
一种基于自适应二次采样的多相驱动系统机器学习故障诊断方法
A Machine-Learning-Based Fault Diagnosis Method With Adaptive Secondary Sampling for Multiphase Drive Systems
| 作者 | Zicheng Liu · Lanlan Fang · Dong Jiang · Ronghai Qu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2022年8月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 机器学习 深度学习 控制与算法 |
| 相关度评分 | ★★★ 3.0 / 5.0 |
| 关键词 | 多相驱动系统 故障诊断 机器学习 自适应二次采样 预测性维护 智能监测 |
语言:
中文摘要
针对多相电机定子相位排布多样性导致现有故障诊断方法通用性差的问题,本文提出了一种基于自适应二次采样滤波的机器学习故障诊断方法。该方法有效提升了多相驱动系统在复杂工况下的故障识别精度与鲁棒性,并通过实验验证了其在多相电机系统中的有效性。
English Abstract
Dueto various kinds of stator phase arrangements, existing fault diagnosis (FD) methods cannot be applied to different types of multiphase machines. Spurred by the era of big data and artificial intelligence, an improved machine-learning-based FD method with adaptive secondary sampling filtering is proposed for the multiphase drive systems. Experimental results of the proposed method on both five-...
S
SunView 深度解读
该技术主要针对多相电机驱动系统,虽然与阳光电源核心的光伏逆变器和储能PCS(通常为三相)存在差异,但其核心的“自适应二次采样”与“机器学习故障诊断”逻辑对iSolarCloud智能运维平台具有重要参考价值。在风电变流器及大功率电机驱动领域,该方法可提升设备运行状态的实时监测精度,降低误报率。建议研发团队关注该算法在复杂电网环境下对功率模块故障特征提取的优化作用,以提升阳光电源设备在全生命周期内的可靠性与智能化运维水平。