← 返回
用于双三相永磁同步电机开路故障可信诊断的谐波感知双分支可解释神经网络
Interpretable Harmonic-Aware Dual-Branch Neural Network for Trustworthy Diagnosis of OCFs in DTP-PMSMs With Enhanced Disturbance Robustness
| 作者 | Boyuan Zheng · Bingtao Liu · Junyu Yan · Mi Tang · Pericle Zanchetta · Hao Yu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2026年1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 | 双三相永磁同步电机 (DTP-PMSM) 故障诊断 神经网络 可解释性 鲁棒性 开路故障 电力电子 |
语言:
中文摘要
针对双三相永磁同步电机(DTP-PMSM)系统,本文提出了一种谐波感知双分支神经网络,旨在解决数据驱动故障诊断模型在鲁棒性、可靠性和可解释性方面的挑战。该方法通过分析谐波特性,实现了对开关器件开路故障(OCFs)的精准诊断,提升了复杂电力电子系统的运行可靠性。
English Abstract
Data-driven fault diagnosis models for power-electronic systems have gained significant attention in industrial applications, particularly for dual-three-phase permanent magnet synchronous motor (DTP-PMSM) systems with numerous switching devices. However, robustness, reliability, and interpretability remain key challenges for neural network-based methods. This study first analyzes the impact of op...
S
SunView 深度解读
该研究聚焦于电力电子系统中的故障诊断与可解释性AI,这对阳光电源的智能化运维平台(iSolarCloud)及核心功率变换设备具有参考价值。虽然该文针对的是电机驱动领域,但其提出的‘谐波感知’与‘可解释性神经网络’架构,可迁移至阳光电源的组串式逆变器或储能变流器(PCS)中,用于提升功率模块的在线故障预警与健康管理(PHM)能力。建议研发团队关注该模型在复杂电网干扰下的鲁棒性设计,以优化逆变器在极端工况下的自诊断逻辑,降低运维成本。