找到 2 条结果 · 智能化与AI应用
基于深度迁移学习技术的电动汽车动力总成系统状态监测与故障诊断综述
Deep Transfer Learning Technology-Based Condition Monitoring and Fault Diagnosis of Electric Vehicle Electric Powertrain Systems: A Review
Haoxiang Xu · Zicheng Liu · Dong Jiang · Ronghai Qu 等5人 · IEEE Transactions on Power Electronics · 2026年1月
本文综述了电动汽车动力总成（电池、电机、电力电子系统）的状态监测与故障诊断技术。针对电动汽车运行工况复杂、系统配置多样导致的诊断难题，重点探讨了深度迁移学习在提升系统可靠性与安全性方面的应用，为实现动力总成的高效运维提供了理论基础。
解读: 该技术对阳光电源的电动汽车充电桩业务及储能系统运维具有重要参考价值。深度迁移学习能有效解决不同工况下设备故障特征提取难的问题，建议将其引入iSolarCloud智能运维平台，通过迁移学习算法优化充电桩及储能PCS的故障预测模型，提升设备在复杂环境下的预警准确率。此外，该诊断思路可延伸至PowerTi...
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
Zicheng Liu · Lanlan Fang · Dong Jiang · Ronghai Qu · IEEE Transactions on Power Electronics · 2022年8月
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。
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...