SOM和Elman神经网络在整流器故障诊断的应用

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (11): 267-270.

• 工程与应用 • 上一篇

SOM和Elman神经网络在整流器故障诊断的应用

康洪铭1，2，李光升2，谢永成2，魏宁2

1.中国空气动力研究与发展中心低速所，四川绵阳 621000
2.装甲兵工程学院控制工程系，北京 100072

出版日期:2014-06-01 发布日期:2015-04-08

Application of SOM and ELMAN neural network on fault diagnosis of bridge rectifier

KANG Hongming1，2, LI Guangsheng2, XIE Yongcheng2, WEI Ning2

1.Low Speed Aerodynamic Research and Development Centers in China, Mianyang, Sichuan 621000, China
2.Department of Mechanical Engineering, Academy of Armored Forced Engineering, Beijing 100072, China

Online:2014-06-01 Published:2015-04-08

摘要/Abstract

摘要： 针对装甲车辆电源系统整流器内部二极管的断路和短路故障，提出了一种基于SOM和Elman神经网络相结合的诊断方法。通过建立整流器的仿真模型，利用快速傅里叶变换（FFT）提取各故障模式的谐波次数和幅值，并用SOM网络进行模式分类，由于各模式下具体故障类型存在相位差，通过采样其周期内的电压值，再利用Elman网络可以识别具体故障。从仿真结果来看，实现了整流器的模式分类和故障识别，验证了该方法的可行和正确性。

关键词: 整流器, 自组织映射（SOM）, Elman, 故障诊断

Abstract: A new diagnostic method based on SOM and Elman neural network for open or short faults of inner diodes in rectifier of armored vehicle power system is proposed. Through establishing the rectifier mode, FFT is used to get each fault mode’s harmonious number and magnitude, and the modes are classed by SOM network. Considering the phase difference between material faults of some mode, the voltage value is sampled in period, and the faults are identified by Elman network. In results, this method achieves the goal of mode class and fault identify, moreover, it is feasible and correct.

Key words: rectifier, Self-Organizing Map（SOM）, Elman, fault diagnosis

康洪铭1，2，李光升2，谢永成2，魏宁2. SOM和Elman神经网络在整流器故障诊断的应用[J]. 计算机工程与应用, 2014, 50(11): 267-270.

KANG Hongming1，2, LI Guangsheng2, XIE Yongcheng2, WEI Ning2. Application of SOM and ELMAN neural network on fault diagnosis of bridge rectifier[J]. Computer Engineering and Applications, 2014, 50(11): 267-270.

[1]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[4]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[5]	唐登平，蔡文嘉，邹立，胡翔，丁黎，王雪. 改进卷积神经网络在互感器故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(11): 239-247.
[6]	衷路生，刘东东. 多级神经网络的轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(7): 193-199.
[7]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[8]	余萍，曹洁. 深度学习在故障诊断与预测中的应用[J]. 计算机工程与应用, 2020, 56(3): 1-18.
[9]	毛彪，杨松，李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3): 259-265.
[10]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[11]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.
[12]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[13]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[14]	王得雪，林意，陈俊杰. 协同训练算法在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2020, 56(12): 273-278.
[15]	贾宝惠，黄琳，李耀华，蔺越国. 轴承故障诊断FastICA算法性能优化方法[J]. 计算机工程与应用, 2019, 55(8): 208-214.

SOM和Elman神经网络在整流器故障诊断的应用

Application of SOM and ELMAN neural network on fault diagnosis of bridge rectifier

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics