光伏并网逆变器参数性故障的VMD-WPE和MPA-LSTM诊断方法研究

针对三相光伏并网逆变器参数性故障的特征量提取难、诊断准确率较低等问题,提出变分模态分解的小波包能量特征与海洋捕食者算法优化长短期记忆神经网络相结合的故障诊断方法。首先,以逆变器三相线电压为原始数据,以最小样本熵为准则优化变分模态分解的模态数;然后,利用小波包分解提取变分模态分解各模态分量的小波包能量作为故障特征量;最后,利用海洋捕食者算法优化长短期记忆网络超参数实现故障的参数性辨识。对比分析结果表明,所提方法用于光伏并网逆变器参数性故障诊断具有可行性和精确性。

机器视觉技术发展及其工业应用

随着科学技术的进步,为了更深层次的掌握了解机器视觉术在以后的科技发展中及其在工业中的应用,作者针对有关问题展开了一系列的研究和探索,分别从光源技术、摄像机、信号处理和执行机构四个结构详细介绍了目前机器视觉技术的具体应用现状,并根据机器视觉技术分别在自动检测和装配两个层次详细讲解了机器视觉技术目前在工业具体应用中的基本情况。

考虑DGA数据不平衡性的电力变压器IACGAN故障诊断方法

不同类别DGA数据之间的不平衡性,使得电力变压器故障诊断模型偏好于将待测样本识别为训练样本中占比更高的类,致使故障诊断精度变低。鉴于此问题,提出一种改进型辅助分类生成对抗网络(Improved auxiliary classifier gener-ative adversarial network,IACGAN)模型用于电力变压器数据生成与故障诊断。首先,构建适用于电力变压器DGA数据结构的辅助分类生成对抗网络(Auxiliary classifier generative adversarial network,ACGAN);同时,构建基于跳跃连结结构的深度残差网络(Deep residual network,ResNet)用作ACGAN的判别器、生成器与辅助分类器,以防止模型加深时的退化问题,以上共同构成IACGAN方法。其次,提取出训练好的IACGAN中的判别器与辅助分类器,得到精确的故障诊断模型。实例分析表明,相比于传统方法SMOTE过采样与ACGAN,所提方法故障诊断性能具有明显提升。