基于多模态融合和卷积神经网络的逆变器故障诊断

摘要

电压源控制型静止同步补偿系统（Voltage source controlled static synchronous compensator,VSC-STATCOM）故障具有随机性和不可预测性，其原始信号难以完全反映功率开关管的波形特征，导致故障特征提取及诊断困难。针对此问题，提出一种结合多模态融合技术（Multi-modal fusion technology,MFT）、双分支卷积神经网络（Double branch convolution neural network,DBCNN）与自注意力机制（Self-attention mechanism,SA）的逆变器故障诊断的方法。首先，利用快速傅里叶变换实现逆变器故障数据的时域模态信号到频域模态信号的转换；然后，利用DBCNN分别提取时域和频域2个模态的特征并进行特征融合，再将利用SA权重自适应分配能力筛选出的关键特征作为故障分类的依据，解决功率开关管开路故障难以辨别的问题。在逆变器故障诊断过程中，采用MFT和卷积神经网络相结合的方法，建立了一种准确而快速的实现故障分类的体系。以VSC-STATCOM逆变器为对象开展实验，实验结果表明，与单模态时域（Convolutional neural network-self-attention mechanism）CNN-SA和频域CNN-SA方法相比，MFT-DBCNN-SA对故障诊断的准确率均有提高；不同相数的实验结果表明，利用该方法仅靠两相就能很好地诊断出故障类别。相较于同领域的研究，所提故障诊断方法的水平持平或有所提升。

关键词

逆变器 / 多模态融合技术 / 双分支卷积神经网络 / 自注意力机制 / 故障诊断

基金资助

国家自然科学基金资助项目（51767012）