← 返回
一种基于特征向量学习的电力牵引驱动系统主电路接地故障诊断方法
A Feature Vector Learning-Based Method for Diagnosing Main Circuit Ground Faults in Electrical Traction Drive Systems
| 作者 | Qiang Ni · Haohuan Luo · Juntong Liu · Zhengkai Zhan · Xueming Li · Zhuoli Zhao · Loi Lei Lai |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年2月 |
| 技术分类 | 可靠性与测试 |
| 技术标签 | 故障诊断 机器学习 深度学习 可靠性分析 |
| 相关度评分 | ★★★ 3.0 / 5.0 |
| 关键词 | 主电路接地故障 电力牵引驱动系统 故障诊断 特征向量学习 状态监测 |
语言:
中文摘要
本文针对电力牵引驱动系统中的主电路接地故障（MCGF），提出了一种基于特征向量学习的快速准确诊断方法。该方法旨在通过高效的故障识别，防止故障恶化并保障列车运行安全，为电力电子系统的状态监测与维护提供了新的技术路径。
English Abstract
Main circuit ground fault (MCGF) is an electrical fault that occurs in electrical traction drive systems (ETDS). Timely detection and processing are effective ways to avoid further deterioration and safety accidents. Aiming to improve maintenance efficiency and train operation safety, this article proposes a feature vector learning-based method for rapidly and accurately diagnosing MCGFs. The faul...
S
SunView 深度解读
该研究提出的基于特征向量学习的故障诊断方法，在核心算法逻辑上与阳光电源的iSolarCloud智能运维平台及逆变器/PCS设备的状态监测需求高度契合。虽然该文针对的是牵引驱动系统，但其故障特征提取与机器学习诊断思路可迁移至阳光电源的组串式逆变器及PowerTitan储能系统的绝缘监测与故障预警中。建议研发团队借鉴该特征向量学习方法，优化现有产品的故障诊断模型，提升对复杂工况下绝缘失效及接地故障的识别精度，从而降低运维成本并提升系统可靠性。