找到 2 条结果
基于多分支采样的低速无传感器控制采样延迟误差补偿
Sampling-Delay Error Compensation for Low-Speed Sensorless Control With Single-Current Sensor Based on Multiple-Branch Sampling
Huiyan Fan · Shuang Wang · Zhiwei Li · Linglin Huang · IEEE Transactions on Power Electronics · 2025年5月
本文针对零低速域高频注入无传感器控制，提出了一种基于多分支采样的采样延迟误差补偿方法。在现有的单电流传感器采样方案中，由于两次采样时刻不同，采样延迟误差不可避免，导致高频电流重构精度下降。该方法有效提升了低速下的控制精度。
解读: 该技术对阳光电源的组串式逆变器及储能变流器（PCS）具有重要参考价值。在追求高功率密度和低成本的趋势下，单电流传感器方案被广泛采用，但低速下的无传感器控制精度一直是行业痛点。该补偿算法可提升逆变器在启动阶段及低速运行时的电流采样精度，优化电机驱动性能，从而提升光伏逆变器在特定工况下的动态响应能力和稳...
基于上下文集成语言-图像多模态网络的少样本光伏薄膜缺陷检测
Few-Shot Photovoltaic Film Defect Detection With Contextual Ensemble Language-Image Multimodal Network
Huiyan Wang · Ruihao Peng · Yiheng Zhu · Jiachen Li 等6人 · IEEE Transactions on Industrial Informatics · 2025年5月
工业光伏薄膜缺陷的自动检测对于确保光伏组件的可靠性至关重要。主要挑战包括缺陷样本有限、类别间特征相似以及复杂背景的干扰。现有的基于深度学习的方法需要大规模数据集，且仅关注视觉数据，这限制了它们在少样本缺陷检测（FSDD）中的有效性。为应对这些挑战，我们提出了上下文集成语言 - 图像多模态网络（CELIN），该网络通过提示调优融入文本信息，提升了光伏薄膜的少样本缺陷检测能力。与依赖单一固定文本提示的传统语言 - 图像模型不同，CELIN采用位置感知上下文集成策略来整合特定位置的提示向量，使模型能够...
解读: 从阳光电源的业务视角来看，这项基于语言-图像多模态网络的光伏薄膜缺陷检测技术具有重要的战略价值。作为光伏组件可靠性保障的关键环节，该技术直接关系到我们光伏逆变器、储能系统等核心产品的上游供应链质量控制。 该技术的核心创新在于解决了工业场景中的三大痛点：小样本学习、相似缺陷区分和复杂背景干扰。传统深...