En forskargrupp ledd av Prof. Gao Ge och Jiang Li från Hefei Institutes of Physical Science vid den kinesiska vetenskapsakademin har undersökt feldiagnosen för en pulsbreddsmoduleringsomvandlare och föreslagit en feldiagnosalgoritm för neuralt nätverk för att lösa befintliga problem i detta fält. Resultaten publicerades i IEEE Transactions on Power Electronics .

Pulsbreddsmodulering har fördelarna med hög effektivitet, hög effekttäthet och hög tillförlitlighet. Men på grund av drivsystemens komplexitet och mångfalden av fusionsfogdrift, är pulsbreddsmodulerande spänningskällomvandlarsystem benägna att drabbas av kritiska fel. Därför är forskning om feldiagnostisk teknologi av djup oro, särskilt feldiagnos med öppen krets, vilket forskarna har fokuserat på i denna studie.

Aktuella feldiagnosmetoder behandlar endast korrigeringstillståndet eller växelriktartillståndet. Teoretisk analys visar att de felkarakteristiska storheterna i båda två tillstånden har helt olika egenskaper och komplicerade, vilket ökar svårigheten att diagnostisera fel.

I denna studie, när de tillämpade den föreslagna algoritmen, använde forskarna endast den trefasiga nätströmmen som den karakteristiska kvantiteten för feldiagnos, och diagnostiserade 21 typer av fel i både korrigering och växelriktartillstånd.

"Till skillnad från den traditionella Convolutional Neural Network-arkitekturen kan en noggrant utformad design öka nätverkets djup och bredd samtidigt som datorbudgeten hålls konstant", säger Dr. Deng Xi, första författare till studien. "Detta kan göra bättre användning av datorresurserna i nätverket."

De experimentella resultaten visar att modellen exakt kan upptäcka cirka 99,14 % av felen i öppen kretsbrytare inom 12,83 ms (<3/4 cykel) utan att lägga till fler sensorer.

Denna studie ger en grund för säker och stabil drift av fusionskraftsystem och ger referensvärden för andra områden. + Utforska vidare

Forskare utvecklar en intelligent feldiagnosmetod för kärnkraftverk