基于深度学习的电气设备变频器故障分类与诊断

本文研究了利用深度学习技术对电气设备变频器故障进行分类和诊断的方法。首先回顾了变频器的基本原理及其在电气系统中的应用,然后详细介绍了深度学习技术在故障诊断领域的应用,最后重点研究了结合一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)的深度学习模型在变频器故障诊断中的应用。通过对微型智能电网收集的多模态数据进行处理和分析,本文展示了深度学习模型识别和分类变频器故障的有效性。实验结果表明,该方法能够准确地诊断出不同类型的故障,提高了故障诊断的效率和准确性。

基于多段特征提取的永磁直流电机故障诊断

对于永磁直流电机(PMDCM),电流信号的振幅在电机启动后会逐渐减小,仅使用单段电流信号特征不利于永磁直流电机的故障诊断,为此,提出了多段特征提取方法,以提高永磁直驱单片机的故障诊断效果。此外,还利用支持向量机(SVM)、分类与回归树(CART)以及k近邻算法(k-NN)构建故障诊断模型。从多个连续的电流信号分段中提取的时域特征构成一个特征向量,用于PMDCM的故障诊断。结果表明,与单段特征相比,多段特征具有更好的诊断效果,故障诊断的平均准确率提高了19.88%;通过多区段特征提取为PMDCM的故障诊断奠定了基础,并提供了一种新颖的特征提取方法。