中文字幕一级黄色A级片|免费特级毛片。性欧美日本|偷拍亚洲欧美1级片|成人黄色中文小说网|A级片视频在线观看|老司机网址在线观看|免费一级无码激情黄所|欧美三级片区精品网站999|日韩av超碰日本青青草成人|一区二区亚洲AV婷婷

發(fā)電機(jī)的溫度和振動特征分析在故障診斷中的應(yīng)用是一個復(fù)雜而多層次的研究領(lǐng)域。通過對溫度和振動數(shù)據(jù)的深入分析，可以有效識別發(fā)電機(jī)的潛在故障，提高故障診斷的準(zhǔn)確性和及時性?，F(xiàn)有文獻(xiàn)提供了多種不同的故障診斷方法和技術(shù)，以下是對這些文獻(xiàn)內(nèi)容的歸類總結(jié)：

基于模型預(yù)測控制的故障診斷方法： 許多研究探討了基于模型預(yù)測控制（MPC）的故障診斷方法。例如，Huang1提出了一種針對PMSM驅(qū)動系統(tǒng)的開路故障診斷方法，該方法利用模型預(yù)測控制進(jìn)行故障檢測和定位。Shi2也提出了一種基于移動積分濾波器的開關(guān)故障診斷方法，通過MPC框架共享數(shù)據(jù)，顯著減少計(jì)算負(fù)擔(dān)并提高診斷的魯棒性。

多相電機(jī)系統(tǒng)的故障診斷： 近年來，多相電機(jī)系統(tǒng)由于其在故障容忍條件下的優(yōu)越性能，成為研究的熱點(diǎn)。Mesai-Ahmed4提出了一種基于定子電流分析的六相感應(yīng)電機(jī)驅(qū)動系統(tǒng)的多開路故障診斷方法，通過測量輸出電流提供規(guī)范化的數(shù)值特征，無需調(diào)節(jié)或檢測閾值，實(shí)驗(yàn)驗(yàn)證了該算法的可靠性和魯棒性。

基于信號處理和有限元分析的故障診斷： 結(jié)合信號處理和有限元分析的方法也被廣泛應(yīng)用于故障診斷中。Ben Hadj3的研究利用有限元法和信號處理技術(shù)，對PMSM驅(qū)動系統(tǒng)中的偏心和去磁故障進(jìn)行了分析，通過對比健康狀態(tài)下的電機(jī)特性，成功識別出故障特征。

機(jī)器學(xué)習(xí)在故障診斷中的應(yīng)用： 機(jī)器學(xué)習(xí)技術(shù)在故障診斷中的應(yīng)用越來越廣泛。Xu5提出了一種改進(jìn)的故障診斷策略，通過考慮偶次和三次諧波，提高了感應(yīng)電機(jī)在輕微故障情況下的診斷準(zhǔn)確性。Gong8則研究了機(jī)器學(xué)習(xí)在車輛動力傳動系統(tǒng)故障分類中的應(yīng)用，通過多種分類算法實(shí)現(xiàn)了高效的故障特征分類。

數(shù)據(jù)驅(qū)動的故障預(yù)測和診斷方法： 數(shù)據(jù)驅(qū)動的方法在故障預(yù)測和診斷中也表現(xiàn)出色。Lakshmanan9的研究提出了一種基于機(jī)器學(xué)習(xí)算法和合成數(shù)據(jù)生成方法的外齒輪泵故障預(yù)測策略，通過生成高保真度的合成數(shù)據(jù)集，訓(xùn)練機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)了可靠的故障預(yù)測。Moradzadeh7的系統(tǒng)性綜述則介紹了數(shù)據(jù)挖掘技術(shù)在電力電子系統(tǒng)故障診斷中的應(yīng)用，包括人工神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法。

 

1. 基于模型預(yù)測控制的故障診斷方法

基于模型預(yù)測控制（MPC）的故障診斷方法在近年來得到了廣泛研究和應(yīng)用，特別是在電機(jī)驅(qū)動系統(tǒng)中。以下是幾種主要的基于MPC的故障診斷方法：

混合模型診斷方法： Huang等人提出了一種混合模型診斷方法，用于永磁同步電機(jī)（PMSM）驅(qū)動中的開關(guān)故障診斷11。該方法結(jié)合了MPC和混合邏輯動態(tài)（MLD）模型的優(yōu)點(diǎn)，通過MPC的遞歸優(yōu)化和MLD模型的估計(jì)能力來預(yù)測和估計(jì)相電流。通過設(shè)計(jì)診斷函數(shù)來評估實(shí)際電流和估計(jì)電流之間的一致性，選擇最小化診斷函數(shù)的邏輯向量來定位故障開關(guān)。實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。

基于移動積分濾波的故障診斷方法： Shi等人提出了一種基于移動積分濾波的開關(guān)故障診斷方法，適用于三相感應(yīng)電機(jī)驅(qū)動系統(tǒng)12。該方法利用MPC框架中的共享數(shù)據(jù)，減少了計(jì)算負(fù)擔(dān)。通過構(gòu)建殘差并利用電流誤差的符號實(shí)現(xiàn)故障隔離，從而提高了故障檢測的魯棒性。實(shí)驗(yàn)結(jié)果表明，該方法具有可靠性和有效性。

基于電流的開路故障診斷方法： Huang等人還提出了一種基于電流的開路故障診斷方法，適用于電壓源逆變器供電的PMSM驅(qū)動13。該方法主要包括故障檢測和定位，利用標(biāo)準(zhǔn)化成本函數(shù)變化來實(shí)現(xiàn)故障診斷。

基于成本函數(shù)的開相故障診斷方法： Hang等人研究了PMSM驅(qū)動系統(tǒng)中的開相故障診斷方法14。他們提出了一種基于成本函數(shù)的診斷方法，利用成本函數(shù)中的直流分量和二次諧波分量進(jìn)行故障診斷，并定義初始相角差來定位故障相。實(shí)驗(yàn)結(jié)果表明，該方法不僅能夠快速檢測到開相故障，還能有效定位故障相，且具有簡單實(shí)現(xiàn)和對操作點(diǎn)及參數(shù)變化的魯棒性。

這些研究表明，基于MPC的故障診斷方法在提高電機(jī)驅(qū)動系統(tǒng)的可靠性方面具有顯著優(yōu)勢。通過結(jié)合不同的模型和算法，這些方法能夠有效地檢測和定位各種故障，減少系統(tǒng)停機(jī)時間和維修成本。

 

2. 多相電機(jī)系統(tǒng)的故障診斷技術(shù)

多相電機(jī)系統(tǒng)在工業(yè)應(yīng)用中因其容錯能力和高效能而備受關(guān)注。然而，為了保證系統(tǒng)在故障條件下的穩(wěn)定運(yùn)行，可靠的故障診斷技術(shù)是必不可少的。以下是關(guān)于多相電機(jī)系統(tǒng)故障診斷技術(shù)的綜述。

首先，Hamza Mesai-Ahmed等人提出了一種基于定子電流分析的六相感應(yīng)電機(jī)驅(qū)動多開路故障診斷方法21。該方法能夠檢測和識別電力轉(zhuǎn)換器中多開關(guān)和開相故障，且無需調(diào)節(jié)或檢測閾值。通過實(shí)驗(yàn)驗(yàn)證，該方法在可靠性和魯棒性方面表現(xiàn)出色。

其次，Murad Ali等人研究了級聯(lián)H橋多電平逆變器在分布式發(fā)電機(jī)中的開關(guān)故障診斷22。他們比較了基于概率主成分分析（PPCA）的支持向量機(jī)（SVM）和k近鄰算法（k-NN）在不同故障條件下的診斷效果。實(shí)驗(yàn)結(jié)果表明，SVM方法在故障診斷時間和準(zhǔn)確性方面優(yōu)于k-NN方法。

Mario Juez-Gil等人提出了一種基于多傳感器信息的智能多故障診斷方法23。該方法利用振動、定子電流、電壓和轉(zhuǎn)速等物理量，通過主成分分析減少特征數(shù)量，并通過多標(biāo)簽分類樹實(shí)現(xiàn)最終診斷。實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了該方法在不同負(fù)載和頻率條件下的有效性和魯棒性。

Xueqing Wang等人研究了T型三電平逆變器供電的雙三相PMSM驅(qū)動系統(tǒng)中的常見電氣故障診斷和容錯控制24。他們提出了一種兩步診斷方案，首先通過分析諧波子空間中的電流軌跡識別故障相和故障類別，然后在小范圍內(nèi)確定具體故障類型。實(shí)驗(yàn)驗(yàn)證了該方案的有效性。

Xingxing Chen等人針對模塊化多電平轉(zhuǎn)換器（MMC）的多IGBT開路故障提出了一種診斷策略25。通過檢測臂電壓誤差值實(shí)現(xiàn)故障檢測和故障子模塊數(shù)量估計(jì)，并通過觀測切換函數(shù)的變化定位故障子模塊。實(shí)驗(yàn)結(jié)果表明，該策略能夠快速準(zhǔn)確地定位所有故障子模塊。

此外，Xuefeng Jiang等人提出了一種基于d-q軸電流信號的強(qiáng)魯棒性開路故障診斷策略26。該策略能夠在負(fù)載突然變化或輕載條件下避免誤報(bào)，并實(shí)時檢測和定位單相繞組的開路故障以及電源開關(guān)的間歇性開路故障。

綜上所述，多相電機(jī)系統(tǒng)的故障診斷技術(shù)涵蓋了從電流分析、機(jī)器學(xué)習(xí)算法、多傳感器信息融合到空間矢量調(diào)制等多種方法。這些技術(shù)的共同目標(biāo)是提高故障檢測的準(zhǔn)確性、速度和魯棒性，以保證多相電機(jī)系統(tǒng)在故障條件下的可靠運(yùn)行。

 

3. 信號處理與有限元分析結(jié)合的故障診斷方法

信號處理與有限元分析結(jié)合的故障診斷方法在現(xiàn)代工業(yè)和汽車應(yīng)用中得到了廣泛關(guān)注。以下是幾篇相關(guān)文獻(xiàn)中提到的研究方法和成果：

Naourez Ben Hadj等人31在2020年的研究中，探討了永磁同步電機(jī)（PMSM）驅(qū)動系統(tǒng)中的偏心和部分去磁故障的診斷方法。該研究結(jié)合了有限元方法（FEM）和信號處理技術(shù)，通過FEMM-MATLAB耦合進(jìn)行故障檢測和分析。研究重點(diǎn)包括故障性能、諧波成分和信號頻譜特征，以及時頻分析技術(shù)。通過將故障狀態(tài)下的電機(jī)特性與健康狀態(tài)下的特性進(jìn)行對比，明確了故障的檢測方法。

趙張等人32在2022年的研究中，介紹了一種新的主動故障診斷（AFD）框架，該框架結(jié)合了輔助信號生成、故障診斷觀察器和信號分析單元。研究中應(yīng)用了相關(guān)分析和ESPRIT算法來提取輔助信號與殘差信號之間的關(guān)系，從而進(jìn)行故障診斷。通過數(shù)值例子驗(yàn)證了該方法的有效性。

Saeed Rajabi等人33在2022年的研究中，提出了一種基于排列熵、信號處理和多輸出神經(jīng)模糊分類器的旋轉(zhuǎn)設(shè)備故障診斷方法。該方法利用振動信號進(jìn)行軸承性能的指示，首先通過排列熵確定軸承的故障狀態(tài)，然后利用信號處理和人工智能方法確定故障類型。通過小波包變換和包絡(luò)分析提取故障的頻率成分，并使用多輸出自適應(yīng)神經(jīng)模糊推理系統(tǒng)分類器進(jìn)行故障診斷。

這些研究展示了信號處理與有限元分析結(jié)合在故障診斷中的應(yīng)用潛力和實(shí)際效果。通過將這兩種方法結(jié)合，能夠更準(zhǔn)確地檢測和分析機(jī)械系統(tǒng)中的故障，提高系統(tǒng)的可靠性和安全性。

 

4. 機(jī)器學(xué)習(xí)在故障診斷中的應(yīng)用

機(jī)器學(xué)習(xí)在故障診斷中的應(yīng)用領(lǐng)域廣泛，涵蓋了從車輛傳動系統(tǒng)到電力系統(tǒng)、制冷系統(tǒng)、軸承故障診斷以及云計(jì)算和工業(yè)設(shè)備等多個方面。

在車輛傳動系統(tǒng)故障診斷中，Cihun-Siyong Alex Gong等人41通過使用支持向量機(jī)（SVM）、多層感知器（MLP）、深度神經(jīng)網(wǎng)絡(luò)（DNN）、主成分分析（PCA）、k近鄰（k-NN）和決策樹（DT）等多種機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)了車輛動力傳動系統(tǒng)（VPTS）故障的分類與診斷。他們利用聲學(xué)傳感器獲取車輛的動態(tài)聲學(xué)信號，通過Mel尺度頻率倒譜系數(shù)（MFCC）進(jìn)行特征提取，并在Matlab和Python平臺上進(jìn)行模型訓(xùn)練和評估，取得了較高的分類準(zhǔn)確率。

在VLSI設(shè)計(jì)和自動化領(lǐng)域，Sameer Chillarige等人42應(yīng)用機(jī)器學(xué)習(xí)技術(shù)優(yōu)化體積診斷方法，采用隨機(jī)森林回歸模型監(jiān)測和預(yù)測診斷過程中的瓶頸，提出了預(yù)先識別和屏蔽“超活躍故障”的改進(jìn)方案，有效減少了診斷時間。

在制冷系統(tǒng)中，Zhengfei Li等人43提出了一種基于遞歸特征消除算法（RFE）和分類算法的故障診斷策略，主要用于可變制冷劑流量（VRF）系統(tǒng)的制冷劑泄漏故障診斷。通過隨機(jī)森林（RF）模型進(jìn)行特征選擇，并使用AdaBoost.M1（ABM）模型進(jìn)行分類，取得了較高的診斷準(zhǔn)確率。

在電力系統(tǒng)故障診斷中，Rachna Vaish等人44綜述了基于機(jī)器學(xué)習(xí)的電力系統(tǒng)故障診斷的研究進(jìn)展，討論了各種監(jiān)督和無監(jiān)督學(xué)習(xí)技術(shù)在故障檢測、分類和定位中的應(yīng)用，并指出了強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)在該領(lǐng)域的潛力。

在軸承故障診斷中，Shen Zhang等人45系統(tǒng)總結(jié)了深度學(xué)習(xí)（DL）算法在軸承故障診斷中的應(yīng)用，比較了不同算法在分類準(zhǔn)確率上的表現(xiàn)，強(qiáng)調(diào)了DL方法在故障特征提取和分類性能上的優(yōu)越性，并提供了具體應(yīng)用條件下的建議。

在多級逆變器故障診斷中，Murad Ali等人46比較了支持向量機(jī)（SVM）和k近鄰（k-NN）算法在開關(guān)故障診斷中的表現(xiàn)，發(fā)現(xiàn)SVM方法在診斷效率和準(zhǔn)確性上優(yōu)于k-NN方法。

在航空燃?xì)廨啓C(jī)發(fā)動機(jī)故障診斷中，Yanyan Shen等人47提出了一種基于混合多模式機(jī)器學(xué)習(xí)策略的數(shù)據(jù)驅(qū)動故障診斷框架，利用傳感器數(shù)據(jù)進(jìn)行系統(tǒng)健康狀態(tài)監(jiān)測，并通過遞歸神經(jīng)網(wǎng)絡(luò)（RNN）和自組織映射（SOM）模塊進(jìn)行特征生成和診斷，驗(yàn)證了其在多模式和并發(fā)故障場景下的有效性。

在云計(jì)算應(yīng)用故障預(yù)測中，Jomar Domingos等人49通過集成學(xué)習(xí)模型預(yù)測系統(tǒng)故障，研究了故障時序特性對預(yù)測任務(wù)的影響，提出了在故障發(fā)生前采取預(yù)防措施的可能性。

在工業(yè)設(shè)備故障預(yù)測中，Kayal Lakshmanan等人50提出了一種基于機(jī)器學(xué)習(xí)算法和合成數(shù)據(jù)生成方法的外齒輪泵故障預(yù)測策略，使用多層感知器（MLP）和支持向量機(jī)（SVM）算法訓(xùn)練模型，發(fā)現(xiàn)MLP算法在故障預(yù)測中表現(xiàn)更優(yōu)。

綜上所述，機(jī)器學(xué)習(xí)技術(shù)在故障診斷中的應(yīng)用已取得顯著成果，通過特征提取、分類和預(yù)測等方法，提高了故障診斷的準(zhǔn)確性和效率。

 

5. 數(shù)據(jù)驅(qū)動的故障預(yù)測和診斷方法

數(shù)據(jù)驅(qū)動的故障預(yù)測和診斷方法（FDD）在多個領(lǐng)域中得到了廣泛應(yīng)用，包括工業(yè)旋轉(zhuǎn)機(jī)械、衛(wèi)星電力系統(tǒng)、建筑能源系統(tǒng)、高速列車和化工過程系統(tǒng)。本文綜述了幾種典型的數(shù)據(jù)驅(qū)動FDD方法及其應(yīng)用。

首先，Li等人51提出了一種新的診斷和預(yù)測框架，用于檢測初期故障和估算旋轉(zhuǎn)機(jī)械的剩余使用壽命（RSL）。該框架采用基于典型變量分析（CVA）的監(jiān)控指數(shù)進(jìn)行初期故障診斷，并通過指數(shù)加權(quán)移動平均（EWMA）技術(shù)和Pearson相關(guān)分析識別與故障相關(guān)的變量。此外，增強(qiáng)的代謝灰色預(yù)測模型（MGFM）用于RSL預(yù)測，結(jié)合粒子濾波器（PF）提高預(yù)測性能。在工業(yè)離心泵和壓縮機(jī)的案例研究中，該方法展示了其有效性。

其次，Suo等人52在衛(wèi)星電力系統(tǒng)的故障診斷中，提出了一種基于模糊貝葉斯風(fēng)險(xiǎn)（FBR）和支持向量機(jī)（SVM）的特征選擇和故障診斷方法。他們設(shè)計(jì)了一種啟發(fā)式前向貪婪特征選擇算法，自動生成最優(yōu)特征子集，避免了預(yù)設(shè)特征數(shù)量的負(fù)擔(dān)。實(shí)驗(yàn)結(jié)果表明，該方法在UCI數(shù)據(jù)和衛(wèi)星電力系統(tǒng)故障診斷中的分類準(zhǔn)確率優(yōu)于其他先進(jìn)方法。

Liu等人53針對建筑能源系統(tǒng)中的故障診斷，提出了一種基于數(shù)據(jù)驅(qū)動的方法，通過歷史數(shù)據(jù)進(jìn)行故障診斷和知識發(fā)現(xiàn)。使用變量聚類方法選擇變量，并基于關(guān)聯(lián)規(guī)則設(shè)置分類器，診斷準(zhǔn)確率達(dá)到95.33%。此外，分類關(guān)聯(lián)規(guī)則通過矩陣和圖形方法進(jìn)行可視化，便于理解系統(tǒng)在故障條件下的操作特性。

Chen等人54對建筑暖通空調(diào)（HVAC）系統(tǒng)的數(shù)據(jù)驅(qū)動故障檢測和診斷方法進(jìn)行了綜述，提出了一個包括數(shù)據(jù)收集、清洗、預(yù)處理、基線建立、故障檢測、故障診斷和潛在故障預(yù)測的FDD過程。盡管文獻(xiàn)報(bào)道的數(shù)據(jù)驅(qū)動FDD方法表現(xiàn)良好，但在實(shí)際應(yīng)用中仍面臨諸多挑戰(zhàn)，如性能評估、可擴(kuò)展性、可解釋性和數(shù)據(jù)隱私問題。

Zhang等人55提出了一種基于因果發(fā)現(xiàn)和推理的故障檢測和診斷方法，解決了數(shù)據(jù)驅(qū)動方法在解釋性方面的不足。該方法通過do-calculus個體平均因果效應(yīng)估計(jì)揭示故障和癥狀之間的因果關(guān)系，并開發(fā)了一個反向結(jié)構(gòu)因果模型進(jìn)行故障檢測和診斷。實(shí)驗(yàn)結(jié)果表明，該方法在診斷準(zhǔn)確率和模型訓(xùn)練時間方面優(yōu)于多種傳統(tǒng)方法。

Cheng等人58針對高速列車運(yùn)行齒輪的初期故障檢測和診斷，提出了一種基于深度慢特征分析和信念規(guī)則庫（DSFA-BRB）的方法，通過多維數(shù)據(jù)進(jìn)行故障檢測，結(jié)合專家知識和數(shù)據(jù)構(gòu)建BRB模型，減少了故障報(bào)警的概率。

綜上所述，數(shù)據(jù)驅(qū)動的故障預(yù)測和診斷方法在不同領(lǐng)域中展現(xiàn)了其優(yōu)勢，通過結(jié)合多種技術(shù)手段，能夠有效提升故障檢測和診斷的準(zhǔn)確性和可靠性。然而，這些方法在實(shí)際應(yīng)用中仍需解決一些挑戰(zhàn)，以實(shí)現(xiàn)更廣泛的應(yīng)用和推廣。

 

引用文獻(xiàn)

[1] Huang, et al.(2021). Current-based open-circuit fault diagnosis for pmsm drives with model predictive control. IEEE Transactions on Power Electronics.

[2] Shi, et al.(2020). Moving integration filter-based open-switch fault-diagnosis method for three-phase induction motor drive systems. IEEE Transactions on Transportation Electrification.

[3] Hadj, et al.(2020). Finites elements and signal processing analysis of eccentricity and demagnetization faults in pmsm drivetrains: approach for diagnosis.

[4] Mesai-Ahmed, et al.(2022). Multiple open-circuit faults diagnosis in six-phase induction motor drives using stator current analysis. IEEE Transactions on Power Electronics.

[5] Xu, et al.(2022). Improved slight fault diagnosis strategy for induction motor considering even and triple harmonics. IEEE transactions on industry applications.

[6] Zhang, et al.(2022). Current prediction based fast diagnosis of electrical faults in pmsm drives. IEEE TRANSACTIONS ON TRANSPORTATION ELECTRIFICATION.

[7] Moradzadeh, et al.(2022). Data mining applications to fault diagnosis in power electronic systems: a systematic review. IEEE Transactions on Power Electronics.

[8] Gong, et al.(2020). Implementation of machine learning for fault classification on vehicle power transmission system. IEEE Sensors Journal.

[9] Lakshmanan, et al.(2023). A fault prognosis strategy for an external gear pump using machine learning algorithms and synthetic data generation methods. APPLIED MATHEMATICAL MODELLING.

[10] Wang, et al.(2020). Diagnosis and tolerance of common electrical faults in t-type three-level inverters fed dual three-phase pmsm drives. IEEE Transactions on Power Electronics.

[11] Huang, et al.(2022). A hybrid model-based diagnosis approach for open-switch faults in pmsm drives. IEEE Transactions on Power Electronics.

[12] Shi, et al.(2020). Moving integration filter-based open-switch fault-diagnosis method for three-phase induction motor drive systems. IEEE Transactions on Transportation Electrification.

[13] Huang, et al.(2021). Current-based open-circuit fault diagnosis for pmsm drives with model predictive control. IEEE Transactions on Power Electronics.

[14] Hang, et al.(2021). Cost function-based open-phase fault diagnosis for pmsm drive system with model predictive current control. IEEE Transactions on Power Electronics.

[15] Cai, et al.(2022). Artificial intelligence enhanced two-stage hybrid fault prognosis methodology of pmsm.

[16] Zhao, et al.(2022). Model-based fault diagnosis methods for systems with stochastic process – a survey. Neurocomputing.

[17] Rodler.(2023). Don't treat the symptom, find the cause! efficient artificial-intelligence methods for (interactive) debugging. CoRR.

[18] Zhang, et al.(2023). An online diagnosis method for sensor intermittent fault based on data-driven model. IEEE Transactions on Power Electronics.

[19] Li, et al.(2023). Open circuit fault diagnosis strategy of pmsm drive system based on grey prediction theory for industrial robot. Energy Reports.

[20] Chi, et al.(2022). Knowledge-based fault diagnosis in industrial internet of things: a survey. IEEE Internet of Things Journal.[21] Mesai-Ahmed, et al.(2022). Multiple open-circuit faults diagnosis in six-phase induction motor drives using stator current analysis. IEEE Transactions on Power Electronics.

[22] Ali, et al.(2021). Open switch fault diagnosis of cascade h-bridge multi-level inverter in distributed power generators by machine learning algorithms. ENERGY REPORTS.