Forskere foreslår en ny fejldiagnosealgoritme til pulsbreddemodulationskonverter

Et forskerhold ledet af prof. Gao Ge og Jiang Li fra Hefei Institutes of Physical Science ved det kinesiske videnskabsakademi har undersøgt fejldiagnosen af ​​en pulsbreddemodulationskonverter og foreslået en neural netværksfejldiagnosealgoritme til at løse eksisterende problemer i denne Mark. Resultaterne blev offentliggjort i IEEE Transactions on Power Electronics .

Pulsbreddemodulation har fordelene ved høj effektivitet, høj effekttæthed og høj pålidelighed. Men på grund af kompleksiteten af ​​drivsystemerne og mangfoldigheden af ​​fusionsforbindelsesdrift, er pulsbreddemodulerende spændingskildekonvertersystemer tilbøjelige til at lide kritiske fejl. Derfor er forskning i fejldiagnoseteknologi af stor bekymring, især åben-kredsløbsfejldiagnose, som forskerne har fokuseret på i denne undersøgelse.

Aktuelle fejldiagnosemetoder omhandler kun udbedringstilstanden eller omformertilstanden. Teoretisk analyse viser, at de fejlkarakteristiske størrelser i begge to tilstande har helt forskellige karakteristika og komplicerede, hvilket øger vanskeligheden ved fejldiagnosticering.

I denne undersøgelse brugte forskerne, når de anvendte den foreslåede algoritme, kun den trefasede netsidestrøm som den karakteristiske mængde af fejldiagnose og diagnosticerede 21 typer fejl i både udbedring og invertertilstand.

"Forskelligt fra den traditionelle Convolutional Neural Network-arkitektur kan et omhyggeligt udformet design øge dybden og bredden af ​​netværket, samtidig med at computerbudgettet holdes konstant," sagde Dr. Deng Xi, førsteforfatter af undersøgelsen. "Dette kan gøre bedre brug af computerressourcerne inde i netværket."

De eksperimentelle resultater viser, at modellen nøjagtigt kan detektere ca. 99,14 % af fejl i åbent kredsløb inden for 12,83 ms (<3/4 cyklus) uden at tilføje flere sensorer.

Denne undersøgelse giver et grundlag for sikker og stabil drift af fusionskraftsystemer og giver referenceværdi for andre områder. + Udforsk yderligere

Forskere udvikler intelligent fejldiagnosemetode til atomkraftværker