即可将网页分享至朋友圈
近日,自动化工程学院2021级测控技术与仪器专业本科生程菲洋在邱根老师和王敏老师的指导下,以学生一作在中国科学院1区工程技术方向TOP期刊IEEE Transactions on Power Electronics(IEEE TPE)发表题为《Intensive Multi-order Feature Extraction for Incipient Fault Detection of Inverter System》的研究性论文,在中国科学院2区计算机科学方向TOP期刊Neurocomputing上发表了题为《Incipient fault detection based on dense feature ensemble net》的研究性论文。该研究在自动化工程学院黄建国教授“电子测试技术与仪器研究所”团队完成,得到该团队主持的国家自然科学基金等项目的支撑。
随着航空航天、交通运输等领域电力系统不断大型化、集成化、智能化,对复杂系统进行有效的过程监测引起了众多学者和工程师的广泛关注。基于数据的方法由于可通过学习历史数据提取特征并规避复杂繁琐的数学建模过程而得到广泛应用,但现有方法对早期故障的检测表现不佳。项目组针对现有集成技术融合效果一般、泛化能力不强、理论基础不足的现状,系统深入研究了深度特征集成方法,并在早期微小异常检测领域成功应用。
图1.所提集成学习故障检测方法框架
相关研究提出了密集多阶特征提取方法(Intensive multi-order feature extractor, IMFE)并用于复杂系统的早期故障检测,其优点在于能有效提取深层统计特征,并减少数据噪声带来的影响。首先,该方法采用非相邻层间短路径的密集结构进行多阶知识重利用;然后对提取到的特征进行精细化处理。此外,论文从数学的角度结合灵敏度和复杂度分析,证明了所提方法的合理性。最后,基于三相逆变系统平台验证了所提方法的有效性。
图2.三相全桥逆变系统实验平台
(a) Ave. (b) Vot.
(c) Bay. (d) IMFE (lmax=2)
图3.三相全桥逆变系统实验平台故障检测结果
IEEE TPE是国际知名的电力电子学术期刊,其范围包括电力电子领域的新成果,涵盖了电力电子技术、电力系统控制等方面的研究。Neurocomputing创刊于1988年,该刊主要收录神经计算领域的最新理论、应用和实践相关的文章。
论文链接:
Incipient fault detection based on dense feature ensemble net - ScienceDirect
编辑:刘瑶 / 审核:李果 / 发布:陈伟
即可将网页分享至朋友圈