Resumen

Con el fin de realizar la extracción e identificación no supervisada de características de falla en circuitos electrónicos de potencia, propusimos un método de diagnóstico de fallas basado en autoencoder disperso (SAE) y sistema de aprendizaje amplio (BLS). En primer lugar, la característica es extraída por el autoencoder disperso, y las muestras de falla y los vectores de características se combinan como la entrada del sistema de aprendizaje amplio. El sistema de aprendizaje amplio se entrena basado en el método de actualización de paso de precisión del error, y el sistema se utiliza para la identificación del tipo de falla. Los resultados de simulación del diagnóstico de fallas del tiristor en el circuito rectificador de puente trifásico muestran que el método es efectivo y tiene un mejor rendimiento que otros métodos tradicionales.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Extracción; Características de falla; Circuitos electrónicos de potencia; Autoencoder disperso; Sistema de aprendizaje amplio; Diagnóstico de fallas
• Keywords:Extraction; Fault features; Power electronic circuits; Sparse autoencoder; Broad learning system; Fault diagnosis