CN104502758B - 航空静止变流器故障诊断方法 - Google Patents
航空静止变流器故障诊断方法 Download PDFInfo
- Publication number
- CN104502758B CN104502758B CN201410788169.8A CN201410788169A CN104502758B CN 104502758 B CN104502758 B CN 104502758B CN 201410788169 A CN201410788169 A CN 201410788169A CN 104502758 B CN104502758 B CN 104502758B
- Authority
- CN
- China
- Prior art keywords
- fault
- output
- neutral net
- value
- static inverter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了一种航空静止变流器故障诊断方法,用于解决现有故障诊断方法实用性差的技术问题。技术方案是建立航空静止变流器的半物理仿真模型,并与实际静止变流器的历史数据进行比较,建立故障历史数据库。利用神经网络对故障历史数据库进行学***台来仿真实验航空静止变流器模型,更加方便地建立故障数据库;利用BP神经网络的自学习功能,提高了故障诊断的准确性;采用在线诊断的方式,能够快速及时地诊断航空静止变流器的故障。
Description
技术领域
本发明涉及一种故障诊断方法,特别是涉及一种航空静止变流器故障诊断方法。
背景技术
飞机二次配电***的安全性和可靠性越来越被重视,而静止变流器中开关器件不能避免的会发生故障,它们可靠性的问题一直没有得到有效的解决。研究表明,静止变流器中开关器件的故障占整个静止变流器故障的82.5%,是***中最容易发生故障的环节。如果静止变流器发生故障,整个二次配电***的功能会受到极大影响,静止变流器故障诊断技术的研究也变得尤为迫切和重要。
由于航空静止变流器具有若干个开关管,发生故障的原因繁多,仅仅依靠人工查找或维修人员的经验去定位故障往往很困难。这就要求建立一种故障自动检测和诊断***来对航空静止变流器故障进行有效的监测诊断。
发明内容
为了克服现有故障诊断方法实用性差的不足,本发明提供一种航空静止变流器故障诊断方法。该方法通过建立航空静止变流器的半物理仿真模型,并与实际静止变流器的历史数据进行比较,建立故障历史数据库。利用神经网络对故障历史数据库进行学***台来仿真实验航空静止变流器模型,更加方便地建立故障数据库;利用BP神经网络的自学习功能,可持续优化神经网络模型的相关参数,可以提高故障诊断的准确性;采用在线诊断的方式,能够快速及时地诊断航空静止变流器的故障。
本发明解决其技术问题所采用的技术方案是:一种航空静止变流器故障诊断方法,其特点是采用以下步骤:
步骤一、校正航空静止变流器仿真模型参数,使其各部分仿真结果与实际参数相似度达到95%以上,之后利用半物理仿真平台对航空静止变流器的各种故障模式进行仿真实验,记录各种故障的历史数据。故障的历史数据为静止变流器输出电压的一个周期的值。
步骤二、对故障类型进行编码,编制训练样本和故障类型的对应表。
对记录的输出电压波形进行FFT分析,提取输出电压的直流分量、基波幅值和二次谐波相角作为故障特征值。之后对故障特征值进行归一化处理,将其归一化至0和1之间。归一化公式为:Y=(X-MIN)/(MAX-MIN);X、Y分别为转换前后的值,MAX、MIN分别为样本的最大值、最小值。由归一化后的历史数据编制3个故障特征值编制故障类型的对应表。
步骤三、根据上述样本设计神经网络的结构,神经网络采用具有一个隐层的前馈型BP神经网络,其中输入层有4个神经元,分别对应3个故障特征值;输出层有7个神经元,分别对应静止变流器的7种故障模式。
激活函数为对数S形函数,其表达式为:
BP神经网络的隐含层层数为1,隐含层神经元数为4:单隐层的网络逼近任何在闭区间内的一个连续函数,一个三层网络就能够满足要求;隐含层神经元的节点数P利用如下公式确定:
式中,a为输出层神经元数,b为输入层神经元数,λ为1~10之间的常数。
步骤四、将步骤一中的故障特征值作为神经网络的输入样本,训练神经网络不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。最终得到最优的神经网络的初始权值和阈值。
神经网络的学***方和的均值,则输出值的误差将沿神经网络的连通路径反向传播到输入层,通过修改网络各层间的连接权值和阈值来达到精度要求。
全局误差
式中,E为全局d0(k)期望输出向量,y0(k)为输出层输出向量。
步骤五、用步骤一中的故障特征值对故障诊断模型进行检验,如果检验效果满足要求,则诊断模型有效,用于故障诊断,否则,则重新个根据步骤四进行训练建模。将所有计算结果的适应度值与算法要求的精度进行比较,算法的精度为适应度函数的值,范围为10e-2~10e-3。如果达到精度,则转到步骤四,如果没有达到,则转到步骤六。
步骤六、实时读取静止变流器输出电压数值,输入到故障诊断模型中,通过模型中神经网络的计算,得到神经网络输出值,由输出值确定静止变流器所对应的故障模式。
本发明的有益效果是:该方法通过建立航空静止变流器的半物理仿真模型,并与实际静止变流器的历史数据进行比较,建立故障历史数据库。利用神经网络对故障历史数据库进行学***台来仿真实验航空静止变流器模型,更加方便地建立故障数据库;利用BP神经网络的自学习功能,可持续优化神经网络模型的相关参数,提了高故障诊断的准确性;采用在线诊断的方式,能够快速及时地诊断航空静止变流器的故障。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是现有的单相静止变流器拓扑结构图。
图2是本发明航空静止变流器故障诊断方法的流程图。
图3是本发明方法中BP神经网络模型图。
具体实施方式
参照图2-3。本发明航空静止变流器故障诊断方法具体步骤如下:
1)建立故障数据库。
首先校正航空静止变流器仿真模型参数,使其各部分仿真结果与实际参数相似度达到95%以上,之后利用半物理仿真平台对航空静止变流器的各种故障模式进行仿真实验,记录各种故障的历史数据。故障的历史数据为静止变流器输出电压的一个周期的值。
2)对故障类型进行编码,编制训练样本和故障类型的对应表。
对记录的输出电压波形进行FFT(快速傅里叶变换)分析,提取输出电压的直流分量、基波幅值、二次谐波相角作为故障特征值。之后对故障特征值进行归一化处理,将其归一化至0和1之间。归一化公式为:Y=(X-MIN)/(MAX-MIN);X、Y分别为转换前后的值,MAX、MIN分别为样本的最大值、最小值。由归一化后的历史数据编制3个故障特征值编制故障类型的对应表。如表一所示:
表一故障模式及其特征值
3)BP神经网络故障诊断模型和参数设计。
根据上述样本设计神经网络的结构,神经网络采用BP网络,发明所述的BP神经网络为具有一个隐层的前馈型BP神经网络,其中输入层有4个神经元,分别对应3个故障特征值;输出层有7个神经元,分别对应静止变流器的7种故障模式。
激活函数为对数S形函数,其表达式为:
BP神经网络的隐含层层数为1,隐含层神经元数为4:单隐层的网络可以逼近任何在闭区间内的一个连续函数,所以一个三层网络就能够满足要求;隐含层神经元的节点数P利用如下公式确定:
a为输出层神经元数,b为输入层神经元数,λ为1~10之间的常数。
4)训练BP神经网络:
将第一步中的故障特征值作为神经网络的输入样本,训练神经网络不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。最终得到最优的神经网络的初始权值和阈值。
神经网络的学***方和的均值,则输出值的误差将沿神经网络的连通路径反向传播到输入层,通过修改网络各层间的连接权值和阈值来达到精度要求。
全局误差
E为全局d0(k)期望输出向量,y0(k)为输出层输出向量。
5)检测BP神经网络:
用第一步中的故障特征值对故障诊断模型进行检验,如果检验效果满足要求,则诊断模型有效,可以用于故障诊断,否则,则重新个根据第四步进行训练建模。将所有计算结果的适应度值与算法要求的精度进行比较,算法的精度为适应度函数的值,范围为10e-2~10e-3。如果达到精度,则算法重新进行步骤4),如果没有达到,则进行步骤6)。
6)在线故障诊断:
实时读取静止变流器输出电压数值,输入到故障诊断模型中,通过模型中神经网络的计算,得到神经网络输出值,由输出值确定静止变流器所对应的故障模式。
Claims (1)
1.一种航空静止变流器故障诊断方法,其特征在于包括以下步骤:
步骤一、校正航空静止变流器仿真模型参数,使其各部分仿真结果与实际参数相似度达到95%以上,之后利用半物理仿真平台对航空静止变流器的各种故障模式进行仿真实验,记录各种故障的历史数据;故障的历史数据为静止变流器输出电压的一个周期的值;
步骤二、对故障类型进行编码,编制训练样本和故障类型的对应表;
对记录的输出电压波形进行FFT分析,提取输出电压的直流分量、基波幅值和二次谐波相角作为故障特征值;之后对故障特征值进行归一化处理,将其归一化至0和1之间;归一化公式为:Y=(X-MIN)/(MAX-MIN);X、Y分别为转换前后的值,MAX、MIN分别为样本的最大值、最小值;由归一化后的历史数据,编制3个故障特征值和故障类型的对应表;
步骤三、根据编制的故障特征值和故障类型的对应表设计神经网络的结构,神经网络采用具有一个隐层的前馈型BP神经网络,其中输入层有4个神经元,分别对应3个故障特征值;输出层有7个神经元,分别对应静止变流器的7种故障模式;
激活函数为对数S形函数,其表达式为:
BP神经网络的隐含层层数为1,隐含层神经元数为4:单隐层的网络逼近任何在闭区间内的一个连续函数,一个三层网络就能够满足要求;隐含层神经元的节点数P利用如下公式确定:
式中,a为输出层神经元数,b为输入层神经元数,λ为1~10之间的常数;
步骤四、将步骤二中的故障特征值作为神经网络的输入样本,训练神经网络不断改变网络的连接权值,以使网络的输出不断地接近期望的输出;最终得到最优的神经网络的初始权值和阈值;
神经网络的学***方和的均值,则输出值的误差将沿神经网络的连通路径反向传播到输入层,通过修改网络各层间的连接权值和阈值来达到精度要求;
全局误差
式中,E为全局误差,d0(k)期望输出向量,y0(k)为输出层输出向量;
步骤五、用步骤二中的故障特征值对故障诊断模型进行检验,如果检验效果满足要求,则诊断模型有效,用于故障诊断,否则,则重新根据步骤四进行训练建模;将所有计算结果的适应度值与算法要求的精度进行比较,算法的精度为适应度函数的值,范围为10e-2~10e-3;如果达到精度,则转到步骤六,如果没有达到精度,则转到步骤四;
步骤六、实时读取静止变流器输出电压数值,输入到故障诊断模型中,通过模型中神经网络的计算,得到神经网络输出值,由输出值确定静止变流器所对应的故障模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410788169.8A CN104502758B (zh) | 2014-12-17 | 2014-12-17 | 航空静止变流器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410788169.8A CN104502758B (zh) | 2014-12-17 | 2014-12-17 | 航空静止变流器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104502758A CN104502758A (zh) | 2015-04-08 |
CN104502758B true CN104502758B (zh) | 2017-05-10 |
Family
ID=52944169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410788169.8A Active CN104502758B (zh) | 2014-12-17 | 2014-12-17 | 航空静止变流器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104502758B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044497B (zh) * | 2015-06-30 | 2018-02-02 | 株洲南车时代电气股份有限公司 | 一种牵引变流器故障智能分析方法 |
CN105445591B (zh) * | 2015-12-25 | 2019-02-12 | 大连尚能科技发展有限公司 | 变流器故障诊断方法以及变流器故障诊断装置 |
CN106292330B (zh) * | 2016-07-13 | 2019-08-23 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验方法 |
CN106295808B (zh) * | 2016-07-13 | 2018-12-11 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验方法 |
CN107025341A (zh) * | 2017-03-30 | 2017-08-08 | 河海大学 | 一种光伏逆变器故障诊断方法 |
CN106840468A (zh) * | 2017-04-05 | 2017-06-13 | 上海海事大学 | 一种智能热量计价器 |
CN107797543A (zh) * | 2017-09-26 | 2018-03-13 | 大连理工大学 | 一种航空发动机燃油调节器故障诊断方法 |
CN109917200B (zh) * | 2017-12-12 | 2021-07-30 | 株洲中车时代电气股份有限公司 | 列车牵引变流器故障诊断方法、***、设备及存储介质 |
CN108829949B (zh) * | 2018-05-25 | 2022-05-10 | 南京航空航天大学 | 飞机二次配电***phm***架构 |
CN108830316A (zh) * | 2018-06-05 | 2018-11-16 | 重庆大学 | 基于卷积神经网络的风电变流器端对端故障诊断 |
CN109116150A (zh) * | 2018-08-03 | 2019-01-01 | 福州大学 | 一种基于小脑模型神经网络的电力电子变换器故障诊断方法 |
CN109376413B (zh) * | 2018-10-08 | 2022-08-02 | 四川大学 | 基于数据驱动的在线神经网络故障诊断方法 |
CN109472097B (zh) * | 2018-11-19 | 2022-09-20 | 国网湖北省电力有限公司黄石供电公司 | 一种输电线路在线监测设备故障诊断方法 |
CN110516798A (zh) * | 2019-08-30 | 2019-11-29 | 西安交通大学 | 一种用于串联12脉波相控整流电路晶闸管故障诊断的方法 |
EP4063875A4 (en) * | 2019-11-18 | 2023-08-09 | Zhuzhou CRRC Times Electric Co., Ltd. | INFORMATION COMBINATION METHOD AND DEVICE FOR EARLY WARNING OF FAULTS FOR AN INVERTER |
CN111695289B (zh) * | 2020-05-13 | 2023-04-28 | 中国东方电气集团有限公司 | 全功率变流器的故障诊断方法和平台 |
CN112051468A (zh) * | 2020-09-08 | 2020-12-08 | 南京航空航天大学 | 一种复杂工况下航空静止变流器健康状态评估方法 |
CN112345874B (zh) * | 2021-01-11 | 2021-04-20 | 北京三维天地科技股份有限公司 | 一种基于5g的实验室仪器设备在线故障诊断方法及*** |
CN112863007A (zh) * | 2021-03-01 | 2021-05-28 | 中车株洲电力机车有限公司 | 牵引变流器故障预警模型及建模方法、预警方法及*** |
CN113449771B (zh) * | 2021-05-20 | 2022-10-18 | 山东大学 | 基于人工神经网络的四象限变流器故障诊断方法及*** |
CN113189438A (zh) * | 2021-07-02 | 2021-07-30 | 成都康拓兴业科技有限责任公司 | 一种静止变流器测试仪 |
-
2014
- 2014-12-17 CN CN201410788169.8A patent/CN104502758B/zh active Active
Non-Patent Citations (3)
Title |
---|
基于半物理仿真的RBF神经网络滑模控制;杨鹏 等;《计算机工程》;20081231;第34卷(第24期);第197-199页 * |
基于双环控制的航空静止变流器的建模与仿真;刘慧英 等;《计算机仿真》;20091031;第26卷(第10期);第56-59页 * |
航空航天器配电变换器测试性设计及其仿真研究;刘维罡 等;《宇航学报》;20071130;第28卷(第6期);第1747-1752页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104502758A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104502758B (zh) | 航空静止变流器故障诊断方法 | |
Volponi et al. | The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics: a comparative study | |
CN104390776B (zh) | 一种多余度副翼作动器故障检测、诊断与性能评估方法 | |
CN102705303B (zh) | 一种基于残差与双级Elman神经网络的液压伺服***故障定位方法 | |
CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
Wunderlich et al. | Digital twin models of power electronic converters using dynamic neural networks | |
CN105129109B (zh) | 一种基于多重分形理论和自组织映射网络的飞机副翼作动器***健康评估方法 | |
CN103499921B (zh) | 变结构模糊***传感器故障诊断方法 | |
CN102901651B (zh) | 电子产品分数阶神经网络性能退化模型及寿命预测方法 | |
CN110045317B (zh) | 一种互感器计量误差在线检测方法及*** | |
CN103150594A (zh) | 基于加动量项bp神经网络的变压器故障诊断方法 | |
CN101782625B (zh) | 一种基于Gradation-Boosting算法的电力电子***故障诊断方法 | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和*** | |
Elnokity et al. | ANN based sensor faults detection, isolation, and reading estimates–SFDIRE: applied in a nuclear process | |
Nadai et al. | Equipment failure prediction based on neural network analysis incorporating maintainers inspection findings | |
CN104503420A (zh) | 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法 | |
CN103617105B (zh) | 一种基于数据驱动的自适应多层流模型设备诊断方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN115980513A (zh) | 基于粒子群算法的配电网单相接地故障判别方法及装置 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
Morsalin et al. | Induction motor inter-turn fault detection using heuristic noninvasive approach by artificial neural network with Levenberg Marquardt algorithm | |
CN105279553B (zh) | 一种高加给水***故障程度识别方法 | |
CN115630296A (zh) | 基于lstm的特高压多端混合直流输电线路故障检测方法 | |
Pang et al. | A New Fault Diagnosis Method for Quality Control of Electromagnet Based on T–S Fault Tree and Grey Relation | |
Mounika et al. | Neural network based data validation algorithm for pressure processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |