• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      高速列車牽引變流器故障診斷研究*

      2020-12-08 02:35:44佳,明,關(guān)
      振動、測試與診斷 2020年5期
      關(guān)鍵詞:多任務(wù)濾網(wǎng)變流器

      顧 佳, 黃 明, 關(guān) 岳

      (1.大連交通大學(xué)機(jī)械工程學(xué)院 大連,116028) (2.大連交通大學(xué)軟件學(xué)院 大連,116028)

      (3.中車青島四方機(jī)車車輛股份有限公司信息技術(shù)部 青島,266111)

      (4.中車青島四方機(jī)車車輛股份有限公司國家工程試驗(yàn)室 青島,266111)

      引 言

      牽引變流器作為高速列車的關(guān)鍵部件,主要作用是實(shí)現(xiàn)電能的轉(zhuǎn)換。牽引變流器會在列車行駛過程中會產(chǎn)生大量的熱量,為保證牽引變流器正常工作,這些熱量將被冷卻系統(tǒng)通過水冷或風(fēng)冷的方式帶走。風(fēng)冷即冷卻風(fēng)機(jī)通過從外部抽入冷卻空氣作用在散熱器上,以達(dá)到冷卻的目的,冷卻系統(tǒng)濾網(wǎng)的作用是阻擋空氣中的塵埃粒子以及較大的顆粒污染物進(jìn)入冷卻系統(tǒng)。隨著列車的持續(xù)運(yùn)行,濾網(wǎng)上吸附的灰塵越來越多,通風(fēng)量越來越少,冷卻效果隨之也會變得越來越差。當(dāng)濾網(wǎng)堵塞到一定程度,冷卻系統(tǒng)不能滿足實(shí)際要求時(shí),會導(dǎo)致牽引變流器過熱引起安全問題,對動車組的正常運(yùn)行造成極大的影響。隨著季節(jié)、運(yùn)行線路環(huán)境的不同,濾網(wǎng)堵塞程度也不相同,應(yīng)適時(shí)清理濾網(wǎng)沉積物,以免影響牽引變流器的正常運(yùn)行。

      目前,動車組對于牽引變流器濾網(wǎng)的清潔采取計(jì)劃修的方式。這種維修方式能夠在一定程度上避免牽引變流器濾網(wǎng)堵塞,但存在過度維修、浪費(fèi)維修資源問題,對于一些短時(shí)間發(fā)生嚴(yán)重堵塞的情況也會存在欠修風(fēng)險(xiǎn)。牽引變流器濾網(wǎng)清理狀態(tài)修是運(yùn)用列車車載狀態(tài)數(shù)據(jù)、故障數(shù)據(jù)、環(huán)境工況數(shù)據(jù)以及檢修運(yùn)用數(shù)據(jù),利用數(shù)據(jù)分析挖掘和人工智能等方法,通過研究濾網(wǎng)堵塞與牽引變流器故障、冷卻系統(tǒng)水溫變化及新風(fēng)溫度等因素之間的關(guān)系,構(gòu)建濾網(wǎng)堵塞故障診斷模型。同時(shí),利用濾網(wǎng)堵塞故障診斷模型提取的多維故障特征,擬合出濾網(wǎng)堵塞退化狀態(tài)曲線,來表征濾網(wǎng)健康水平的退化狀態(tài)或退化程度,并依據(jù)退化趨勢來預(yù)測濾網(wǎng)清潔的維修時(shí)間,動態(tài)判定濾網(wǎng)是否需要進(jìn)行清理,以及何時(shí)需要清理。

      近些年,基于機(jī)器學(xué)習(xí)的故障診斷方法已成為研究熱點(diǎn)[1],例如:支持向量機(jī)(support vector machine,簡稱SVM)和BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network,簡稱BPNN)等[2]。然而,以上淺層學(xué)習(xí)模型用于故障診斷時(shí),診斷精度依賴于提取故障特征的好壞,且在多維大數(shù)據(jù)情況下,其診斷效果和泛化能力明顯不足。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)分支,具有強(qiáng)大的建模能力,在故障診斷等領(lǐng)域同樣取得較好的研究成果。深度學(xué)習(xí)通過逐層特征提取,能夠?qū)W習(xí)出故障的早期特征,相比淺層的機(jī)器學(xué)習(xí)算法有更好的優(yōu)勢[3-6]。然而,單任務(wù)深度學(xué)習(xí)在實(shí)際應(yīng)用中通常會遇到訓(xùn)練樣本不充分以及欠擬合的問題,相關(guān)任務(wù)之間的關(guān)聯(lián)關(guān)系沒有被進(jìn)一步挖掘,模型的泛化能力不強(qiáng)。

      視情維修的核心是對設(shè)備的退化狀態(tài)進(jìn)行建模及對剩余壽命進(jìn)行預(yù)測。通過對退化狀態(tài)建??梢詫?shí)時(shí)了解設(shè)備從健康狀態(tài)轉(zhuǎn)變?yōu)楫?dāng)前退化狀態(tài)的變化情況,剩余壽命預(yù)測可以為設(shè)備的維修決策提供指導(dǎo)作用[7]。在傳統(tǒng)方法中,特征提取能力和非線性函數(shù)映射能力逐漸暴露出不足,迫切需要利用新的智能學(xué)習(xí)方法對設(shè)備進(jìn)行更加精準(zhǔn)、高效的退化狀態(tài)建模。近些年,深度學(xué)習(xí)憑借強(qiáng)大的特征提取能力和非線性函數(shù)映射能力,逐漸成為設(shè)備退化狀態(tài)建模領(lǐng)域的研究熱點(diǎn)。

      筆者利用已收集的故障樣本數(shù)據(jù),運(yùn)用多任務(wù)深度學(xué)習(xí),綜合考慮濾網(wǎng)故障分類診斷和濾網(wǎng)堵塞嚴(yán)重程度預(yù)測2個(gè)相關(guān)任務(wù),通過訓(xùn)練樣本對多個(gè)具有共享表達(dá)的任務(wù)進(jìn)行并行學(xué)習(xí),將其他任務(wù)學(xué)到的知識用于目標(biāo)任務(wù)中,從而提升目標(biāo)任務(wù)效果。首先,利用列車實(shí)時(shí)采集的牽引變流器狀態(tài)數(shù)據(jù)、故障樣本數(shù)據(jù)構(gòu)建牽引變流器濾網(wǎng)堵塞故障診斷主任務(wù);其次,利用列車回庫檢修過程中采集到的人工測量數(shù)據(jù),構(gòu)建濾網(wǎng)堵塞嚴(yán)重程度輔助子任務(wù),在深度神經(jīng)網(wǎng)絡(luò)(deep neural networks,簡稱DNN)基礎(chǔ)上,通過共享2個(gè)任務(wù)的輸入?yún)?shù),構(gòu)建了牽引變流器濾網(wǎng)多任務(wù)深度神經(jīng)網(wǎng)絡(luò)診斷模型;然后,結(jié)合SOM方法將多任務(wù)深度學(xué)習(xí)所抽取的高維故障特征向量集成為一個(gè)故障特征變量,根據(jù)歷史故障數(shù)據(jù)特征變量演化規(guī)律,擬合退化狀態(tài)曲線,直接反映故障特征量和退化狀態(tài)之間的關(guān)系,實(shí)現(xiàn)濾網(wǎng)堵塞維修決策。

      1 多任務(wù)深度學(xué)習(xí)和自組織映射

      1.1 多任務(wù)深度學(xué)習(xí)

      多任務(wù)學(xué)習(xí)(multi-task learning,簡稱MTL)通過從對訓(xùn)練樣本中選擇2個(gè)以上訓(xùn)練目標(biāo),并根據(jù)目標(biāo)間相關(guān)性提升模型訓(xùn)練的泛化性能力的方法[8]。多任務(wù)學(xué)習(xí)與單任務(wù)學(xué)習(xí)(single-task learning,簡稱STL)相比,MTL通過利用多個(gè)任務(wù)之間的相關(guān)信息來提升任務(wù)之間的辨識度或預(yù)測能力,即MTL通過放松部分訓(xùn)練樣本與主任務(wù)之間的關(guān)系,同時(shí),相關(guān)任務(wù)利用潛在數(shù)據(jù)特征提升模型訓(xùn)練效果,從而實(shí)現(xiàn)模型的泛化能力。目前,MTL主要解決圖像識別和語音識別等問題[9-10]。

      與單任務(wù)深度神經(jīng)網(wǎng)絡(luò)(single-task deep neural networks,簡稱ST-DNN)相比,多任務(wù)深度神經(jīng)網(wǎng)絡(luò)采用多個(gè)任務(wù)共享同一隱層的方式,每個(gè)隱層的輸出將作為多個(gè)任務(wù)輸入。MT-DNN通過多任務(wù)共享隱層的機(jī)制,可以有效提取任務(wù)之間的共同信息,克服由于訓(xùn)練樣本不足而導(dǎo)致的網(wǎng)絡(luò)訓(xùn)練不足[11]。

      (1)

      1.2 自組織映射

      自組織映射作為一種無監(jiān)督競爭式機(jī)器學(xué)習(xí)算法[12],主要作用是將任意維度的輸入通過權(quán)值計(jì)算轉(zhuǎn)變?yōu)橐痪S或者二維的離散映射,權(quán)值計(jì)算的過程滿足自適應(yīng)的特點(diǎn)[13]。SOM學(xué)習(xí)算法步驟如下:

      1) SOM網(wǎng)絡(luò)的初始化。選擇權(quán)值較小的隨機(jī)值對輸入向量和權(quán)值進(jìn)行初始化,并對輸入向量和權(quán)值做歸一化處理。

      2) SOM神經(jīng)網(wǎng)絡(luò)的向量輸入。將輸入向量X={x1,x2…,xm}T按照對應(yīng)的維度賦值給各個(gè)輸入神經(jīng)元。

      3) 確定輸入向量與權(quán)值向量的歐幾里得距離。距離最小的神經(jīng)元將贏得競爭,以權(quán)值向量的第j神經(jīng)元的計(jì)算為例,計(jì)算其與輸入向量間的距離

      (2)

      其中:wij為輸入向量的i神經(jīng)元和權(quán)值向量的j神經(jīng)元之間的權(quán)值。

      4) 權(quán)值的學(xué)習(xí)。調(diào)整式(2)中所確定的勝出神經(jīng)元j*及其鄰接神經(jīng)元的權(quán)值

      Δwij=wij(t+1)-wij(t)=η(t)(xi(t)-wij(t))

      (3)

      其中:η為常數(shù),0<η<1,隨時(shí)間變化η衰減為0。

      (4)

      5) 確定輸出ok

      (5)

      其中:f(*)為輸出函數(shù),其輸出值為0~1,且f(*)可以為其他的非線性函數(shù)。

      6) 判斷是否收斂。如果滿足設(shè)定的迭代次數(shù)要求,算法結(jié)束;否則,返回步驟2,繼續(xù)學(xué)習(xí)。

      2 牽引變流器濾網(wǎng)堵塞故障診斷及維修預(yù)測模型

      2.1 牽引變流器濾網(wǎng)堵塞故障診斷

      利用多任務(wù)深度學(xué)習(xí)進(jìn)行牽引變流器濾網(wǎng)堵塞故障診斷包括以下幾個(gè)步驟。

      1) 構(gòu)建一個(gè)含有N個(gè)隱層、2個(gè)任務(wù)的多任務(wù)深度神經(jīng)網(wǎng)絡(luò),圖1為基于DNN的多任務(wù)學(xué)習(xí)模型。網(wǎng)絡(luò)架構(gòu)為

      [DNNnet]=Feedforward(X;H1,H2,…,HN;Ymain,Ysub;W,b)

      圖1 基于DNN的多任務(wù)學(xué)習(xí)模型Fig.1 Multi-task learning model based on DNN

      2) 構(gòu)造濾網(wǎng)堵塞故障診斷主任務(wù)和濾網(wǎng)堵塞嚴(yán)重程度子任務(wù),2個(gè)任務(wù)共享DNN隱層H1,H2特征,在隱層H2添加2個(gè)輸出,主任務(wù)輸出表示濾網(wǎng)堵塞故障診斷,為二分類問題;子任務(wù)輸出表示濾網(wǎng)堵塞嚴(yán)重程度,為回歸問題。其中:主任務(wù)激活函數(shù)和子任務(wù)激活函數(shù)采用sigmoid;主任務(wù)損失函數(shù)采用二分類交叉熵;子任務(wù)損失函數(shù)采用均方誤差。

      3) 計(jì)算模型總的損失函數(shù)為

      J=αJmain+βJsub(α=1,β=1)

      (6)

      其中

      4) 多任務(wù)模型訓(xùn)練。上述2個(gè)任務(wù)通過總的損失函數(shù)J立,通過最小化誤差函數(shù)J用梯度下降法來更新網(wǎng)絡(luò)參數(shù),公式為

      (11)

      (12)

      其中:η>0,為學(xué)習(xí)速率,筆者使用隨機(jī)梯度下降優(yōu)化(stochastic gradient descent,簡稱SGD)算法來求解總的目標(biāo)函數(shù)式的最小值。

      2.2 牽引變流器濾網(wǎng)堵塞性能退化曲線擬合

      利用提取到的牽引變流器濾網(wǎng)堵塞故障特征進(jìn)行濾網(wǎng)堵塞性能退化預(yù)測,圖2為牽引變流器故障診斷及狀態(tài)修預(yù)測方法流程圖。

      圖2 牽引變流器故障診斷及狀態(tài)修預(yù)測方法流程圖Fig.2 Flow chart of fault diagnosis and condition-based maintenance prediction model for traction converter

      3) 將包含從濾網(wǎng)剛被清潔到由于堵塞而引起故障整個(gè)周期的濾網(wǎng)堵塞故障樣本數(shù)據(jù)作為測試數(shù)據(jù),輸入到訓(xùn)練好的多任務(wù)深度神經(jīng)網(wǎng)絡(luò)中,通過多個(gè)隱含層和分類、回歸進(jìn)行特征提取,之后將提取出的特征輸入到訓(xùn)練好的SOM網(wǎng)絡(luò),構(gòu)建濾網(wǎng)堵塞性能退化曲線。

      3 試驗(yàn)結(jié)果與分析

      3.1 故障樣本分析及指標(biāo)選擇

      選擇某列車實(shí)際故障樣本數(shù)據(jù)進(jìn)行分析,排除其他因素干擾,筆者選擇列車在正常運(yùn)行過程中,其他條件恒定的情況下觀察濾網(wǎng)堵塞情況與牽引變流器水溫溫度變化的關(guān)系。恒定條件為:時(shí)速大于300 km/h;風(fēng)機(jī)轉(zhuǎn)速為高速;風(fēng)機(jī)電流正常;進(jìn)、出水口壓力正常。

      在列車運(yùn)行過程中的46 d時(shí)間內(nèi)共進(jìn)行3次周期性濾網(wǎng)堵塞清理工作。從第1次清理到第2次清理時(shí)隔25 d,在此期間隨著時(shí)間的推移,進(jìn)出水口溫度越來越高,到第26 d時(shí)報(bào)高溫故障,現(xiàn)車檢查牽引變流器風(fēng)機(jī)濾網(wǎng)臟堵嚴(yán)重,散熱器表面有灰塵,對比其他車透光性差,當(dāng)天進(jìn)行清理。第2次清理到第3次清理時(shí)隔20 d,溫度變化與上一次相似,第20 d報(bào)高溫故障,庫內(nèi)檢查牽引變流器濾網(wǎng)輕微臟堵,當(dāng)日進(jìn)行清理,第1個(gè)濾網(wǎng)堵塞周期進(jìn)出水口溫度變化如圖3所示。

      圖3 牽引變流器濾網(wǎng)堵塞與進(jìn)出水口溫度的關(guān)系Fig.3 The relationship between the filter blockage of the traction converter and the temperature of the inlet and outlet

      分析發(fā)現(xiàn),水溫溫度變化是一個(gè)周期性的變化過程,跟濾網(wǎng)清理周期關(guān)系很大。濾網(wǎng)清理后隨著時(shí)間的推移,濾網(wǎng)表面附著的灰塵越來越多,導(dǎo)致濾網(wǎng)臟堵越來越嚴(yán)重,影響冷卻系統(tǒng)散熱,從而導(dǎo)致進(jìn)出水口的溫度越來越高。

      除變流器冷卻水溫外,筆者選取了其他可能影響濾網(wǎng)堵塞的狀態(tài)參數(shù)進(jìn)行相關(guān)性分析,最終選擇牽引變流器冷卻水入口溫度均值、冷卻水出口溫度均值、新風(fēng)溫度均值、車重均值、變壓器原邊側(cè)電流均值和中間環(huán)路電壓這6個(gè)變量過去的第1,2,3,5,7,9,12,15,18,22,26 d的均值以及進(jìn)風(fēng)口濾網(wǎng)風(fēng)速共計(jì)56個(gè)變量作為建模輸入變量,主任務(wù)輸出特征為故障診斷結(jié)果0或1;子任務(wù)輸出特征為濾網(wǎng)堵塞百分比。

      3.2 數(shù)據(jù)集及參數(shù)設(shè)置

      試驗(yàn)仿真數(shù)據(jù)來源于我國某型動車組牽引變流器車載實(shí)時(shí)數(shù)據(jù)和回庫檢測數(shù)據(jù)等日常運(yùn)行維護(hù)數(shù)據(jù)。根據(jù)前期的數(shù)據(jù)分析結(jié)果,選取1 800條數(shù)據(jù)作為建模樣本數(shù)據(jù)。這里將報(bào)出冷卻系統(tǒng)故障的記錄標(biāo)記為1,未報(bào)出故障的記錄標(biāo)記為0,作為主任務(wù)故障診斷標(biāo)簽;進(jìn)風(fēng)口濾網(wǎng)風(fēng)速值記為子任務(wù)濾網(wǎng)堵塞程度標(biāo)簽值。濾網(wǎng)堵塞數(shù)據(jù)共計(jì)460條,占總體樣本的25.6%,樣本按照70%和30%的比例作為訓(xùn)練樣本和測試樣本,即訓(xùn)練集1 260條,測試集540條。

      初始化參數(shù)設(shè)定如下:

      1) 神經(jīng)網(wǎng)絡(luò)層數(shù)及每層節(jié)點(diǎn)數(shù)。這里輸入層56個(gè)神經(jīng)元,主任務(wù)輸出層1個(gè)神經(jīng)元,子任務(wù)輸出層1個(gè)神經(jīng)元;

      2) 最大迭代次數(shù)設(shè)置為300次;

      3) 優(yōu)化器采用SGD,使用基于時(shí)間的衰減方案調(diào)節(jié)學(xué)習(xí)率,初始學(xué)習(xí)率為0.1;

      4) 權(quán)重w初始化時(shí)采用隨機(jī)的方式;

      5) 偏向b初始化為0。

      3.3 故障診斷結(jié)果分析

      多任務(wù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)迭代次數(shù)最大設(shè)置為300次,筆者采用遍歷的方式確定隱層的最佳網(wǎng)絡(luò)結(jié)構(gòu),隱層神經(jīng)元從100~300,每種結(jié)構(gòu)重復(fù)50次。圖4為兩種方法準(zhǔn)確率對比。從圖4可以追蹤濾網(wǎng)臟堵故障診斷分類網(wǎng)絡(luò)的訓(xùn)練過程。當(dāng)隱層神經(jīng)元150為最優(yōu),平均損失值最低。當(dāng)濾網(wǎng)堵塞程度子任務(wù)加入到網(wǎng)絡(luò)后,多任務(wù)模型相對于單任務(wù)模型,準(zhǔn)確率在迭代十幾次時(shí)快速達(dá)到90%以上,訓(xùn)練時(shí)間明顯少于單任務(wù)學(xué)習(xí)。

      圖4 兩種方法準(zhǔn)確率對比Fig.4 Comparison of accuracy of the two methods

      筆者為評估算法性能,選擇了SVM、單任務(wù)DNN與本研究MT-DNN進(jìn)行比較,其結(jié)果如表1所示。對于支持向量機(jī)模型,采用徑向基函數(shù)(radial basis function,簡稱RBF),通過比較正確率、召回率和F值評價(jià)性能。可以看出,無論是正確率、召回率還是F值,MT-DNN模型都取得了最好的結(jié)果,說明采用多任務(wù)學(xué)習(xí)可以有效提高故障診斷的性能。另外,各個(gè)模型預(yù)測結(jié)果雖然存在一定的差異,但是F值都超過了70%。說明本研究提取的特征較好地預(yù)測了故障診斷的結(jié)果。

      表1 濾網(wǎng)故障診斷模型性能對比Tab.1 Performance comparison of filter fault diagnosis models %

      3.4 濾網(wǎng)堵塞退化狀態(tài)曲線擬合分析

      選取包含整個(gè)濾網(wǎng)堵塞故障周期的故障樣本作為訓(xùn)練數(shù)據(jù),應(yīng)用MT-DNN模型提取故障樣本特征,將模型提取出的特征作為SOM模型的輸入變量,構(gòu)建多任務(wù)濾網(wǎng)堵塞退化狀態(tài)曲線。SOM的網(wǎng)絡(luò)拓?fù)涔?jié)輸入節(jié)點(diǎn)個(gè)數(shù)為150,訓(xùn)練次數(shù)為30,學(xué)習(xí)率為0.6。模型訓(xùn)練完成后,為驗(yàn)證退化狀態(tài)曲線的擬合效果,選取濾網(wǎng)堵塞故障樣本,分別將基于MTDNN-SOM和單任務(wù)深度神經(jīng)網(wǎng)絡(luò)狀態(tài)修模型(single-task deep neural networks-SOM,簡稱STDNN-SOM)得到的退化狀態(tài)曲線經(jīng)歸一化后,與歸一化的濾網(wǎng)通風(fēng)量數(shù)據(jù)進(jìn)行對比,如圖5所示。筆者提出的濾網(wǎng)堵塞退化狀態(tài)曲線能較好地描述濾網(wǎng)從被清洗到輕微堵塞再到嚴(yán)重堵塞引起故障的整個(gè)周期的退化過程,曲線局部震蕩較小。相對單任務(wù)模型,多任務(wù)模型具有更好的趨勢性和擬合效果,能夠更好地反映濾網(wǎng)堵塞狀態(tài)變化,為牽引變流器濾網(wǎng)基于狀態(tài)的清理提供決策依據(jù)。

      圖5 兩種方法擬合效果對比Fig.5 Comparison of the fitting effects of the two methods

      4 結(jié)束語

      針對高速列車牽引變流器濾網(wǎng)清理狀態(tài)修問題,提出一種基于MTDNN-SOM的濾網(wǎng)故障診斷和堵塞程度預(yù)測模型。針對濾網(wǎng)堵塞引起故障及堵塞狀態(tài)緩慢變化的特點(diǎn),采用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建了濾網(wǎng)故障診斷主任務(wù)和濾網(wǎng)堵塞程度子任務(wù)的多任務(wù)深度學(xué)習(xí)模型,將實(shí)時(shí)接收的車載狀態(tài)數(shù)據(jù)及列車回庫檢修數(shù)據(jù)應(yīng)用于MTDNN-SOM模型進(jìn)行故障診斷及堵塞程度預(yù)測,實(shí)現(xiàn)牽引變流器濾網(wǎng)基于狀態(tài)的清理維修和模型的自適應(yīng)優(yōu)化。

      針對濾網(wǎng)故障診斷,通過與SVM、單任務(wù)算法的對比,本方法準(zhǔn)確性均優(yōu)于SVM和ST-DNN,訓(xùn)練迭代次數(shù)優(yōu)于ST-DNN。同時(shí),通過MT-DNN提取的故障特征經(jīng)SOM處理得到的濾網(wǎng)堵塞性能退化曲線比STDNN-SOM得到性能退化曲線預(yù)測的效果更好。因此,筆者所提出的基于MTDNN-SOM的濾網(wǎng)故障診斷和堵塞程度預(yù)測模型有效可行,可用于牽引變流器濾網(wǎng)清理狀態(tài)維修決策。

      猜你喜歡
      多任務(wù)濾網(wǎng)變流器
      核電廠常規(guī)島主給水泵濾網(wǎng)的失效分析和改進(jìn)
      基于中心化自動加權(quán)多任務(wù)學(xué)習(xí)的早期輕度認(rèn)知障礙診斷
      基于判別性局部聯(lián)合稀疏模型的多任務(wù)跟蹤
      電測與儀表(2016年5期)2016-04-22 01:13:46
      中壓一體化儲能變流器的設(shè)計(jì)
      電測與儀表(2016年8期)2016-04-15 00:30:16
      基于背靠背變流器的并網(wǎng)控制研究
      EraClean TOWER空氣凈化器
      CHIP新電腦(2016年2期)2016-02-26 13:37:33
      改進(jìn)PR控制在直驅(qū)風(fēng)機(jī)變流器中的應(yīng)用
      凝汽式汽輪機(jī)二次濾網(wǎng)故障分析與改進(jìn)措施
      電力與能源(2014年2期)2014-04-12 01:25:06
      電流型PWM變流器在串級調(diào)速中的應(yīng)用
      张家界市| 祁东县| 巴林左旗| 乐清市| 田东县| 义乌市| 双辽市| 汨罗市| 齐河县| 利辛县| 丰镇市| 信丰县| 秭归县| 清远市| 汤原县| 稻城县| 沛县| 崇仁县| 衢州市| 六安市| 芒康县| 陈巴尔虎旗| 中山市| 怀远县| 杭州市| 广丰县| 德保县| 特克斯县| 吴旗县| 普洱| 太谷县| 东辽县| 黄陵县| 洛川县| 峨山| 固原市| 同心县| 荣昌县| 松原市| 丹棱县| 通榆县|