Fig. 1. L'architecture du modèle proposé. Crédit :Zhang Li
Une équipe de recherche dirigée par le professeur Gao Ge et Jiang Li des instituts Hefei des sciences physiques de l'Académie chinoise des sciences a étudié le diagnostic de panne d'un convertisseur de modulation de largeur d'impulsion et a proposé un algorithme de diagnostic de panne de réseau neuronal pour résoudre les problèmes existants dans ce champ. Les résultats ont été publiés dans IEEE Transactions on Power Electronics .
La modulation de largeur d'impulsion présente les avantages d'un rendement élevé, d'une densité de puissance élevée et d'une grande fiabilité. Mais en raison de la complexité des systèmes d'entraînement et de la diversité du fonctionnement des joints de fusion, les systèmes de convertisseurs de source de tension à modulation de largeur d'impulsion sont susceptibles de subir des défaillances critiques. Par conséquent, la recherche sur la technologie de diagnostic des défauts est une préoccupation majeure, en particulier le diagnostic des défauts en circuit ouvert, sur lequel les scientifiques se sont concentrés dans cette étude.
Les méthodes de diagnostic de défaut actuelles ne traitent que de l'état de redressement ou de l'état de l'onduleur. L'analyse théorique montre que les grandeurs caractéristiques de défaut dans les deux états ont des caractéristiques complètement différentes et compliquées, ce qui augmente la difficulté du diagnostic de défaut.
Dans cette étude, lors de l'application de l'algorithme proposé, les chercheurs n'ont utilisé que le courant côté réseau triphasé comme quantité caractéristique de diagnostic de défaut, et ont diagnostiqué 21 types de défauts à la fois dans l'état de redressement et de l'onduleur.
« Différente de l'architecture traditionnelle du réseau neuronal convolutif, une conception soigneusement conçue peut augmenter la profondeur et la largeur du réseau tout en maintenant le budget informatique constant », a déclaré le Dr Deng Xi, premier auteur de l'étude. "Cela peut faire un meilleur usage des ressources informatiques à l'intérieur du réseau."
Fig. 2. Précision du modèle du modèle de réseau neuronal. Crédit :Zhang Li
Les résultats expérimentaux montrent que le modèle peut détecter avec précision environ 99,14 % des défauts de commutation en circuit ouvert en 12,83 ms (<3/4 cycle) sans ajouter de capteurs supplémentaires.
Cette étude offre une base pour le fonctionnement sûr et stable des systèmes d'énergie de fusion et fournit une valeur de référence pour d'autres domaines. Des scientifiques développent une méthode intelligente de diagnostic des pannes pour les centrales nucléaires
