找到 3 条结果
基于全仿真数据驱动的多相变换器故障诊断域泛化方法
Fully Simulated Data-Driven Domain Generalized Method for Multiphase Converters Fault Diagnosis
Haoxiang Xu · Zicheng Liu · Guangyu Wang · Dong Jiang 等5人 · IEEE Transactions on Power Electronics · 2025年1月
本文研究了深度学习模型在多相变换器功率开关器件故障诊断中的泛化能力。针对工业场景下故障数据稀缺及实验成本高昂的问题，提出了一种利用全仿真数据进行训练的域泛化方法，有效提升了模型在真实工况下的故障诊断准确性与鲁棒性。
解读: 该研究直接契合阳光电源在光伏逆变器及储能变流器（PCS）领域的可靠性需求。随着PowerTitan等大型储能系统及组串式逆变器功率密度的提升，功率器件的故障诊断至关重要。该方法通过全仿真数据解决故障样本稀缺问题，可直接赋能iSolarCloud智能运维平台，实现对逆变器和PCS内部功率模块的早期预警...
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...
全仿真数据驱动的多相变换器故障诊断领域泛化方法
Fully Simulated Data-Driven Domain Generalized Method for Multiphase Converters Fault Diagnosis
Haoxiang Xu · Zicheng Liu · Guangyu Wang · Dong Jiang 等5人 · IEEE Transactions on Power Electronics · 2024年9月
本文研究了深度学习模型在多相变换器功率开关器件故障诊断中的泛化能力。传统的故障诊断方法严重依赖真实世界的故障数据进行模型训练。然而，在工业环境中，多相变换器故障发生频率低，且故障实验成本高昂，导致实际故障数据极为匮乏。这一局限使得仅基于仿真数据训练的模型在实际应用中的可靠性降低。为克服这一挑战，本文提出了一种创新方法，无需依赖实验域样本即可提高跨域故障诊断效率。首先，该研究采用一种利用相电流重构的归一化预处理策略，以减小样本间的时间差异。然后，使用卷积自编码器从多相电流信号中提取深度特征。此外，...
解读: 从阳光电源的业务视角来看，这项基于纯仿真数据的多相变流器故障诊断技术具有重要的应用价值。在光伏逆变器和储能变流器等核心产品中，功率开关器件的开路故障是影响系统可靠性的关键因素。该技术通过深度学习实现跨域泛化诊断，有效解决了实际故障数据稀缺这一长期困扰行业的痛点。 该方法的核心价值在于仅依靠仿真数据...