Resumen

El transistor bipolar de puerta aislada (IGBT) es un interruptor de alta potencia en el campo de la electrónica de potencia. Su fiabilidad está estrechamente relacionada con la estabilidad del sistema. Una vez que se produce un fallo, puede causar pérdidas irreparables. Por lo tanto, en este trabajo se estudian los posibles métodos de diagnóstico de fallos de los dispositivos IGBT y se comprueba su precisión de clasificación. Debido a las deficiencias de la aplicación de datos incompletos en el método tradicional de caracterización del estado del dispositivo basado en parámetros de frecuencia puntual, en este trabajo se propuso un método de diagnóstico de fallos basado en el cribado de umbrales de frecuencia completa, y su precisión de clasificación se detectó mediante el algoritmo Extreme Learning Machine (ELM). El peso ω de la capa de entrada generado aleatoriamente y la desviación de la capa oculta conducen al cambio del peso β de la capa de salida y luego afectan al resultado global de la salida. En vista de los errores y la inestabilidad causados por esta aleatoriedad, se propone un algoritmo de entrenamiento de ELM con filtro de respuesta al impulso finito (FIR-ELM) mejorado. La técnica de filtrado se utiliza para inicializar los pesos de entrada de la red neuronal Feedforward de capa oculta única (SLFN). La capa oculta de la SLFN se utiliza como preprocesador para conseguir el mínimo error de salida. Para reducir el riesgo estructural y el riesgo empírico de SLFN, los resultados de la simulación de 300 grupos de datos espectrales muestran que el algoritmo FIR-ELM mejorado mejora significativamente la precisión del entrenamiento y tiene una buena robustez en comparación con el algoritmo tradicional de la máquina de aprendizaje extremo.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:métodos de diagnóstico de fallos, máquina de aprendizaje extremo, precisión de la clasificación, capa neural feedforward, desviación de la capa oculta, impulso finito mejorado, parámetros de frecuencia de punto, filtro de respuesta elm, transistor bipolar de puerta, error de salida mínimo
• Keywords:fault diagnosis methods, extreme learning machine, classification accuracy, layer feedforward neural, hidden layer deviation, improved finite impulse, point frequency parameters, response filter elm, gate bipolar transistor, minimum output error