基于CWT和CNN-BiLSTM的散绕同步电机定子绕组短路故障检测方法

近年来,基于脉冲频率响应法(impulse frequency response analysis,IFRA)的神经网络模型已被证实能够有效检测定子绕组故障。然而,这些模型普遍具有鲁棒性不强、抗噪能力差等特点,究其原因是大多数的模型采用简单的神经网络架构且常规的IFRA普遍采用快速傅里叶变换(fast Fourier transform,FFT)对暂态信号进行时频变换,而FFT并不适合处理暂态突变的非平稳信号。文中以散绕结构的同步电机定子绕组为检测对象,采用连续小波变换(continual wavelet transform,CWT)代替FFT处理IFRA的暂态信号,并基于一维卷积神经网络(convolutional neural networks,CNN)和双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)构建CNN-BiLSTM模型对采用CWT变换之后的信号进行故障检测。实验结果表明:采用CWT处理后的频域序列作为该模型的输入,相较于其它结构单一的模型,其平均准确率最优且高达99.01%。噪声对比实验表明:采用CWT变换后的数据能使故障诊断模型的鲁棒性及泛化性更强。

直升机旋翼锥体频闪灯校准技术研究

仿真模拟试验器校准频闪灯传统校准方法需要操作者目视判断,试验结果的重复性较差,且存在评定所得不确定度较大的问题。为此,研究了航空专用测试设备直升机旋翼锥体频闪灯的一种实验室校准方法。该方法采用脉冲频率法以光电转换形式建立校准装置,对频闪灯的闪烁频率等技术参数进行校准。实验结果表明:在准确度大幅提高的同时,不确定度更小。与传统方法相较而言,本方法操作简单快捷,通用的标准设备即可满足校准要求,量值溯源更可靠、更容易,同时也符合计量相关法规的要求,具有一定的推广及应用价值。

浅谈蓝牙智能插座的设计

插座电量计量功能设计是蓝牙智能插座的主要部分,它们设计的成败直接影响蓝牙智能插座的成败。电量计量准确性和稳定性在本项目中占有很大一部分。