MMC五电平逆变器故障的深度小波极限学习机诊断方法研究

针对MMC五电平逆变器不同IGBT故障相似程度高,使得故障诊断困难的问题,提出小波极限学习机-自动编码器WELM-AE(wavelet extreme learning machine-auto encoder)与深度小波极限学习机DWELM(deep wavelet extreme learning machine)的故障诊断方法。所提方法直接利用各故障状态下交流侧三相线电压原始数据对WELM-AE进行逐层预训练,再将训练好的WELM-AE堆叠形成DWELM以提取嵌入于原始数据中的深层次故障特征,并在最后一层实现故障特征与故障类型的映射。对比分析结果表明:所提方法可直接利用原始三相输出线电压信号进行故障诊断,且具有更高的故障诊断准确度。

深度在线小波极限学习在旋转机械故障诊断中的应用

由于旋转机械故障诊断模型训练时间长,容易过拟合以及传统的极限学习机只能处理批量数据,实效性差等问题。提出一种基于深度在线小波极限学习机的旋转机械故障诊断方法。将自编码器的思想引入小波极限学习机中,堆叠形成WELM-AE,将底层的故障特征向更加抽象的高级特征转换。再采用在线极限学习机作为顶层分类器进行故障识别。实验结果验证:该算法在旋转机械故障诊断上的可行性,继承了极限学习机训练速度快的特点,相较于BP、SVM、SAE、CNN有更高的准确率。