找到 5 条结果
一种用于跨多种变换器类型的多任务故障诊断的由粗到精神经网络框架
A Coarse-to-Fine Neural Network Framework for Multitask Fault Diagnosis Across Diverse Converter Types
Fan Wu · Kai Chen · Hao Ying · Gen Qiu 等5人 · IEEE Transactions on Power Electronics · 2025年9月
本文提出了一种基于多任务神经网络的联合故障诊断模型，旨在解决多种变换器类型下的故障诊断问题。该方法通过由粗到精的策略，有效提取共享故障特征，提升了诊断性能并降低了开发成本，为开发便携式、通用化的智能诊断工具提供了新思路，克服了传统方法中负迁移带来的挑战。
解读: 该技术对于阳光电源的iSolarCloud智能运维平台具有极高的应用价值。阳光电源产品线涵盖光伏逆变器、储能PCS（如PowerTitan/PowerStack）及风电变流器等多种设备，该框架通过多任务学习实现跨设备类型的故障诊断，能显著降低针对不同产品线单独开发诊断算法的成本。建议将其集成至iSo...
用于逆变器系统早期故障检测的密集多阶特征提取方法
Intensive Multiorder Feature Extraction for Incipient Fault Detection of Inverter System
Min Wang · Feiyang Cheng · Min Xie · Gen Qiu 等5人 · IEEE Transactions on Power Electronics · 2025年2月
逆变器系统在电力系统中至关重要，故障诊断是研究热点。现有基于数据的方法在处理顽固的早期故障时表现不佳。本文提出了一种密集多阶特征提取方法，旨在提升逆变器系统早期故障检测的准确性与鲁棒性，有效解决复杂工况下的故障识别难题。
解读: 该研究提出的早期故障检测技术对阳光电源的核心业务具有极高价值。在组串式逆变器和PowerTitan/PowerStack储能系统中，早期故障预警能显著降低运维成本并提升系统可用性。通过将该特征提取算法集成至iSolarCloud智能运维平台，可实现从“事后维修”向“预测性维护”的跨越。建议研发团队关...
IGBT裸芯片开关机械波的直接捕获
Direct Capture of Switching Mechanical Wave on IGBT Bare Dies
Libing Bai · Jiahao Wang · Cong Chen · Quan Zhou 等8人 · IEEE Transactions on Power Electronics · 2025年3月
开关机械波（SMW）效应在IGBT器件状态监测中具有广阔应用前景。目前研究多依赖间接声发射检测技术，存在局限性。本文提出一种直接捕获IGBT裸芯片开关机械波的方法，旨在更精准地实现器件的健康状态评估与故障诊断。
解读: 该研究直接针对IGBT裸芯片的机械波特性，对于提升阳光电源核心产品（如组串式/集中式光伏逆变器、PowerTitan储能变流器）的功率模块可靠性至关重要。通过深入理解器件在开关过程中的物理应力与机械特性，研发团队可优化功率模块的封装工艺与热管理设计，并开发基于SMW的在线健康监测算法，集成至iSol...
逆变器系统早期故障检测的多阶密集特征提取
Intensive Multiorder Feature Extraction for Incipient Fault Detection of Inverter System
Min Wang · Feiyang Cheng · Min Xie · Gen Qiu 等5人 · IEEE Transactions on Power Electronics · 2024年10月
逆变器系统在航空航天、国防、交通运输、现代工业和电力系统中起着至关重要的作用，这促使学者和工程师们在故障诊断方面付出了大量努力。基于数据的方法在解决该问题时被广泛应用，因其可利用现有的历史数据，而无需进行复杂的数学建模，但它们在检测顽固的早期故障方面能力不足。因此，本文提出了一种深度多阶特征提取器（IMFE）用于逆变器系统的早期故障检测，该提取器能够深度提取统计特征并减少有害干扰。首先，采用一种在非相邻层之间具有短路径的密集结构，以实现多阶知识的复用。然后，对获取的特征进行优化，并舍弃低质量信息...
解读: 从阳光电源的业务视角来看，这篇关于逆变器系统早期故障检测的论文具有重要的工程应用价值。论文提出的密集多阶特征提取器（IMFE）方法，针对传统数据驱动方法在早期故障检测中的不足，通过密集连接结构实现多阶知识重利用和特征精炼，将故障检测率提升3.1%，这对于大规模光伏电站和储能系统的可靠性保障具有显著意...
协同分布对齐神经网络用于高性能变流器故障定位
Synergetic Distribution Align Neural Network for High-Performance Power Converters Fault Location
Wu Fan · Qiu Gen · Zhang Gang · Sheng Hanming 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年4月
基于深度学习的数据驱动方法在变流器故障诊断中表现优异，但普遍存在依赖故障样本、精度与鲁棒性不足的问题，限制了其在工业系统中的应用。本文提出一种小样本学习理论，通过共享特征提取器实现严格的跨域特征分布对齐，以同时获取域不变性与故障判别性特征，从而提升诊断性能。基于该理论，设计了一种具有嵌入式结构和参数分离训练机制的渐近特征分布对齐神经网络。该结构通过多层渐近特征约束实现严格分布对齐，并结合渐近损失函数提升训练稳定性。在多种变流器上的实验表明，即使在零样本条件下，该方法仍能准确识别多个开路故障位置，...
解读: 该协同分布对齐神经网络技术对阳光电源ST系列储能变流器和SG系列光伏逆变器的智能运维具有重要应用价值。其零样本/小样本学习能力可解决工业现场故障数据稀缺问题，直接应用于iSolarCloud云平台的预测性维护模块。针对IGBT/SiC功率模块开路故障的精准定位能力，可显著提升PowerTitan大型...