找到 2 条结果 · 智能化与AI应用
基于半监督少样本学习的大型数据中心VRLA电池故障诊断密集连接对比观测器
Densely-Connected Contrastive Observer for Fault Diagnosis of VRLA Battery in Large Data Center Based on Semisupervised Few-Shot Learning
Wenyi Liu · Shang Yue · Pu Yang · Ruixu Zhou 等5人 · IEEE Transactions on Power Electronics · 2024年10月
本文针对大型数据中心阀控式铅酸（VRLA）电池充放电数据稀疏及样本质量不佳的难题，提出了一种新型半监督少样本学习模型。该模型通过密集连接对比观测器，有效提升了复杂工况下电池故障诊断的准确性与鲁棒性，为数据中心后备电源系统的健康管理提供了新方案。
解读: 该研究聚焦于电池系统的故障诊断与健康管理，对阳光电源的PowerStack及PowerTitan系列储能系统具有重要参考价值。虽然本文针对的是VRLA电池，但其提出的‘半监督少样本学习’算法框架可迁移至锂电池BMS的故障预警中。在数据中心储能应用场景下，该技术能有效解决实际运行中故障样本稀缺的问题，...
一种基于对抗网络的电机静态偏心数据生成与定量表征新方法
A Novel Data Generation and Quantitative Characterization Method of Motor Static Eccentricity With Adversarial Network
Wei Sun · Haowen Wang · Ronghai Qu · IEEE Transactions on Power Electronics · 2023年7月
电机偏心会导致设备损坏，准确获取偏心程度对健康管理至关重要。由于电磁机制复杂，传统方法难以获取偏心度。虽然神经网络适用于此，但偏心数据稀缺限制了模型训练。本文提出一种基于对抗网络的数据生成与定量表征方法，有效解决了数据不足问题，实现了电机偏心程度的精准评估。
解读: 该研究提出的基于对抗网络（GAN）的数据增强与故障诊断方法，对阳光电源的风电变流器及储能系统中的旋转电机部件具有参考价值。在风电变流器领域，电机偏心监测是提升风机可靠性的关键，该方法可解决工业现场故障样本少、难以训练诊断模型的问题。建议研发团队将其应用于iSolarCloud智能运维平台，通过仿真数...