← 返回
VWM-DCRNN：一种结合信号处理与深度学习的单相PWM整流器故障诊断方法
VWM-DCRNN: A Method of Combining Signal Processing With Deep Learning for Fault Diagnosis in Single-Phase PWM Rectifier
| 作者 | Na Qin · Tianwei Wang · Deqing Huang · Yiting You · Yiming Zhang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年7月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | IGBT 故障诊断 机器学习 深度学习 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 变分模态分解 深度学习 故障诊断 IGBT PWM整流器 信号处理 卷积循环神经网络 |
语言:
中文摘要
本文提出了一种基于变分模态分解与卷积循环神经网络（VMD-DCRNN）的故障诊断方法，用于识别高速铁路牵引供电系统中单相PWM整流器的IGBT、二极管及串联谐振电路故障。该方法通过信号处理与深度学习的融合，有效提升了电力电子变换器故障检测的准确性与可靠性。
English Abstract
Based on variational mode decomposition and dual model of convolutional recurrent neural network (VMD-DCRNN), a novel diagnosis method is proposed to discover the faults of insulated gate bipolar transistors (IGBTs), diodes, and series resonant circuit in a single-phase pulsewidth modulation ac–dc rectifier, an important part of traction power supply system of high-speed railway. By virtue of the ...
S
SunView 深度解读
该研究提出的VMD-DCRNN故障诊断模型对阳光电源的核心业务具有重要参考价值。在光伏逆变器（尤其是组串式逆变器）和储能变流器（PCS）中，IGBT的健康状态监测是提升系统可靠性的关键。阳光电源可将此类深度学习算法集成至iSolarCloud智能运维平台或本地控制器中，实现对功率模块故障的早期预警和精准定位，从而降低运维成本。此外，该方法在处理电力电子开关管非线性故障特征方面的思路，可应用于PowerTitan等大型储能系统的PCS模块，增强系统在复杂电网环境下的故障自愈能力。