基于深度学习的模块化逆变器故障诊断

针对模块化逆变器相似故障难以区分以及一维时间序列信号提取故障特征容易造成信息丢失的问题,文中提出一种基于深度学习的模块化逆变器子模块开路故障诊断方法。该方法将从逆变器模型中采集得到的原始数据进行小波包分解,获取高频特征系数,然后通过GASF(格莱姆角求和矩阵)将获得的特征系数转换为二维图片,最后将其作为输入送至ResNet深度残差网络训练模型,实现智能故障诊断。实验结果表明,该算法用于模块化逆变器故障诊断时识别的故障种类达49种,且包含故障特征区别不明显的相似故障,验证精度能达到100%,具有较强的故障诊断能力。为验证所提方法的优劣,设置几种传统的故障特征提取与分类方法进行对比,所提方法为诊断模块化逆变器故障以及为类似一维时间序列信号诊断提供了一种新思路。