基于多模態(tài)融合和卷積神經(jīng)網(wǎng)絡(luò)的逆變器故障診斷

張靖超，畢貴紅，趙四洪，孔凡文，陳冬靜，陳仕龍

基于多模態(tài)融合和卷積神經(jīng)網(wǎng)絡(luò)的逆變器故障診斷

張靖超，畢貴紅，趙四洪，孔凡文，陳冬靜，陳仕龍

（昆明理工大學(xué) 電力工程學(xué)院，云南 昆明 650500）

電壓源控制型靜止同步補(bǔ)償系統(tǒng)（Voltage source controlled static synchronous compensator，VSC-STATCOM）故障具有隨機(jī)性和不可預(yù)測(cè)性，其原始信號(hào)難以完全反映功率開關(guān)管的波形特征，導(dǎo)致故障特征提取及診斷困難。針對(duì)此問題，提出一種結(jié)合多模態(tài)融合技術(shù)（Multi-modal fusion technology，MFT）、雙分支卷積神經(jīng)網(wǎng)絡(luò)（Double branch convolution neural network，DBCNN）與自注意力機(jī)制（Self-attention mechanism，SA）的逆變器故障診斷的方法。首先，利用快速傅里葉變換實(shí)現(xiàn)逆變器故障數(shù)據(jù)的時(shí)域模態(tài)信號(hào)到頻域模態(tài)信號(hào)的轉(zhuǎn)換；然后，利用DBCNN分別提取時(shí)域和頻域2個(gè)模態(tài)的特征并進(jìn)行特征融合，再將利用SA權(quán)重自適應(yīng)分配能力篩選出的關(guān)鍵特征作為故障分類的依據(jù)，解決功率開關(guān)管開路故障難以辨別的問題。在逆變器故障診斷過程中，采用MFT和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，建立了一種準(zhǔn)確而快速的實(shí)現(xiàn)故障分類的體系。以VSC-STATCOM逆變器為對(duì)象開展實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，與單模態(tài)時(shí)域（Convolutional neural network-self-attention mechanism）CNN-SA和頻域CNN-SA方法相比，MFT-DBCNN-SA對(duì)故障診斷的準(zhǔn)確率均有提高；不同相數(shù)的實(shí)驗(yàn)結(jié)果表明，利用該方法僅靠?jī)上嗑湍芎芎玫卦\斷出故障類別。相較于同領(lǐng)域的研究，所提故障診斷方法的水平持平或有所提升。

逆變器；多模態(tài)融合技術(shù)；雙分支卷積神經(jīng)網(wǎng)絡(luò)；自注意力機(jī)制；故障診斷

0 引言

VSC-STATCOM逆變器具備結(jié)構(gòu)簡(jiǎn)單、高頻諧波抑制效果好、高效能耗和高可靠性等優(yōu)點(diǎn)，在電力系統(tǒng)中獲得了廣泛應(yīng)用。然而，隨著新能源的大量并網(wǎng)，功率開關(guān)管（Insulated gate bipolar transistor，IGBT）因長(zhǎng)期承受較大的電應(yīng)力和熱應(yīng)力，容易出現(xiàn)短路和開路等故障。其中，IGBT短路故障時(shí)因常伴隨較大的短路電流而破壞性強(qiáng)，需要快速保護(hù)；在IGBT開路后，與故障器件反并聯(lián)的二極管仍能工作，但輸出波形成分將發(fā)生變化，從而降低了輸出波形質(zhì)量[1,2]。當(dāng)逆變器出現(xiàn)開路故障時(shí)，如若不及時(shí)診斷，可能會(huì)造成二次故障，影響系統(tǒng)的安全性和可靠性。因此，正確診斷出IGBT的故障類型對(duì)整個(gè)系統(tǒng)至關(guān)重要。

逆變器的故障診斷一般可通過信號(hào)處理、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方法實(shí)現(xiàn)。

文獻(xiàn)[3]針對(duì)逆變器任意兩相輸出電流構(gòu)建橢圓軌跡模型，再利用核主成分分析法降維，將降維后構(gòu)成的輸入矩陣輸入貝葉斯網(wǎng)絡(luò)進(jìn)行訓(xùn)練；但貝葉斯網(wǎng)絡(luò)依賴于條件獨(dú)立性假設(shè)來簡(jiǎn)化模型，自適應(yīng)較差。

文獻(xiàn)[4]對(duì)逆變器輸出端三相電流進(jìn)行小波分析，以小波分解后的信號(hào)低頻系數(shù)的能量值和波形的輔助變量為特征輸入，再利用BP（Back propagation）神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷識(shí)別；但小波分解依賴合適的基波才能得到更為準(zhǔn)確的分解結(jié)果，故泛化能力差。

文獻(xiàn)[5]利用EMD（Empirical mode decomposition）方法對(duì)逆變器輸出的三相電流進(jìn)行分解，再將分解后的信號(hào)作為特征向量，采用BPNN（Back propagation neural network）對(duì)特征向量進(jìn)行診斷識(shí)別。然而，這類如EMD、SVD（Singular value decomposition）等分解方法是針對(duì)某種特定情況而設(shè)計(jì)，且難以獲取故障的深層特征[6]。

文獻(xiàn)[7]對(duì)三相電流數(shù)據(jù)篩選處理，然后利用CNN提取逆變器原始故障特征，最終實(shí)現(xiàn)故障診斷。

在上述方法中，信號(hào)分析法、特征提取法均基于時(shí)序模態(tài)信號(hào)；所以，當(dāng)采用單一模態(tài)特征進(jìn)行診斷分析時(shí)，算法缺乏對(duì)其他模態(tài)的聯(lián)合提取，故難以實(shí)現(xiàn)全面提取故障特征[8]。

快速傅里葉變換（Fast Fourier transform，F(xiàn)FT）是將信號(hào)由時(shí)域變換為頻域的一種方法。將原始模態(tài)信號(hào)變換為頻域模態(tài)信號(hào)，能實(shí)現(xiàn)特征上的互補(bǔ)；通過時(shí)域和頻域2種模態(tài)結(jié)合能更容易實(shí)現(xiàn)故障的分類。文獻(xiàn)[9]對(duì)時(shí)域和頻域特征進(jìn)行聯(lián)合提取，對(duì)簡(jiǎn)單轉(zhuǎn)子模型進(jìn)行分析并實(shí)現(xiàn)故障診斷。文獻(xiàn)[10]將時(shí)域信號(hào)和頻域信號(hào)分別輸入多尺度自歸一化壓縮激勵(lì)模塊的雙分支卷積神經(jīng)網(wǎng)絡(luò)，據(jù)此實(shí)現(xiàn)了高精度的模擬電路故障診斷。

鑒于此，本文提出一種基于多模態(tài)融合雙分支卷積神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制的VSC-STATCOM逆變器故障診斷方法：利用DBCNN分別提取故障信號(hào)的時(shí)域和頻域2種模態(tài)的特征，再將不同模態(tài)特征融合并進(jìn)行深層提取；利用SA的權(quán)重分配功能，在增強(qiáng)有效信息同時(shí)抑制無效特征，進(jìn)而實(shí)現(xiàn)故障診斷。

1 故障診斷方法

1.1 VSC-STATCOM原理

圖1 VSC-STATCOM原理結(jié)構(gòu)

VSC-STATCOM系統(tǒng)中，逆變器交流輸出側(cè)波形可以反映電路的特性。當(dāng)IGBT發(fā)生故障時(shí)，逆變器交流側(cè)的波形會(huì)出現(xiàn)變化，根據(jù)不同的波形可以判斷哪個(gè)IGBT發(fā)生故障。

發(fā)生故障的IGBT，可能會(huì)是單個(gè)或多個(gè)。考慮到3個(gè)及以上的IGBT同時(shí)發(fā)生故障的概率很低。為了簡(jiǎn)化模型，僅研究單管和雙管故障情況，即：每相的不同橋臂發(fā)生單管故障，同一橋臂上的2支IGBT發(fā)生故障，不同橋臂上的2支IGBT發(fā)生故障。

故障情況如表1所示。共統(tǒng)計(jì)了21種故障。

表1 IGBT故障類型

圖2 正常情況下逆變器輸出波形

當(dāng)逆變器發(fā)生故障時(shí)，發(fā)生故障的IGBT所在半軸的波形會(huì)出現(xiàn)突變，突變后的波形逐漸衰減至0。

雙管故障逆變器輸出波形如圖4所示。

圖3 單管故障逆變器輸出波形

圖4 雙管故障逆變器輸出波形

1.2 快速傅里葉變換

當(dāng)VSC-STATCOM系統(tǒng)運(yùn)行在不同工況時(shí)，三相電流會(huì)隨時(shí)間不斷變化；受不平衡負(fù)載的影響后，其波形變化更為復(fù)雜。

圖5展示了功率開關(guān)管S1以及S2發(fā)生故障的故障前0.3周期和故障后1周期的頻譜變化。考察圖5可以發(fā)現(xiàn)，S1和S2的三相頻譜在不同頻段上存在明顯的差異，尤其是在發(fā)生故障的A相上，頻譜的差異更加顯著。因此，可以引入頻域信號(hào)來反映IGBT不同的故障類型。頻域與時(shí)域信號(hào)的結(jié)合，使信號(hào)既包含了穩(wěn)定的頻域特征，也可以從中捕捉到信號(hào)的時(shí)序變化，進(jìn)而為故障診斷提供準(zhǔn)確的頻率和時(shí)間信息，最終達(dá)到提取更準(zhǔn)確的定位信號(hào)特征的目的。將上述方法與深度學(xué)習(xí)算法結(jié)合，則可以達(dá)到減小系統(tǒng)的規(guī)則設(shè)計(jì)、提高泛化能力和準(zhǔn)確率的目的[11]。

圖5 故障頻譜

1.3 雙分支CNN和自注意力機(jī)制組合故障診斷模型

為了更好地考慮時(shí)序變化和頻率幅值特征的變量細(xì)節(jié)，本文結(jié)合CNN強(qiáng)大的特征提取能力與自注意力機(jī)制在處理信息方面的優(yōu)越性，提出一種基于多模態(tài)的雙分支CNN和自注意力機(jī)制相結(jié)合的VSC-STATCOM開路故障診斷模型。DBCNN-SA模型如圖6所示。圖中，診斷模型包括2個(gè)分支，輸入卷積塊、主干卷積塊組成的特征提取部分和自注意力機(jī)制信息篩選部分。

首先，為了增強(qiáng)模型的特征提取能力，在每個(gè)卷積層后面增設(shè)最大池化層；其次，為了降低訓(xùn)練過程中的噪聲水平，防止特征融合后出現(xiàn)梯度爆炸問題，在主干卷積層后設(shè)置批量歸一化層（Batch normalization，BN）和ReLU激活函數(shù)。

卷積層和池化層提取特征的表達(dá)式為：

圖6 DBCNN-SA模型

將經(jīng)過分支上最大池化的特征向量用concatenate函數(shù)合并，在接入主干卷積層和池化層提取特征扁平化后輸入到自注意力機(jī)制中，最后經(jīng)全連接層、Softmax層和分類層輸出診斷結(jié)果。相關(guān)計(jì)算過程為：

CNN具有強(qiáng)大的特征提取能力，對(duì)格狀結(jié)構(gòu)的處理具有良好的性能，具有優(yōu)越的特征提取能力[12]。傳統(tǒng)的CNN只有一個(gè)輸入，很難捕捉到同一信號(hào)以不同形式隱藏在空間中的非線性特征。為了能更好地優(yōu)化CNN對(duì)2種模態(tài)特征的提取能力，本文引入雙分支結(jié)構(gòu)的CNN，對(duì)2種模態(tài)信號(hào)進(jìn)行單獨(dú)的提取。通過不同輸入提取不同模態(tài)的隱含固有特征，使提取到的特征更加豐富和全面。通過融合不同模態(tài)的特征信息，從而使網(wǎng)絡(luò)能夠?qū)W習(xí)到2種模態(tài)之間的典型性特征，進(jìn)而提高分類的準(zhǔn)確率。

利用注意力機(jī)制，可以實(shí)現(xiàn)對(duì)輸入信息中重要成分的感知，并根據(jù)信息的重要程度分配有限的信息處理資源。

考慮到CNN提取特征的信息量過大，為篩選出關(guān)鍵信息進(jìn)而實(shí)現(xiàn)準(zhǔn)確分類，引入自注意力機(jī)制來獲得整個(gè)網(wǎng)絡(luò)的信息；賦予網(wǎng)絡(luò)中各變量以權(quán)重，根據(jù)權(quán)重值的高低來篩選出關(guān)鍵信息和次要信息；將權(quán)重值高的信息作為故障分類的關(guān)鍵因素。將分支CNN獲取的大量故障信息作為自注意力機(jī)制的輸入，在重要特征的基礎(chǔ)上實(shí)現(xiàn)故障分類。

DBCNN-SA模型如圖6所示。圖中，引入的自注意力機(jī)制與分支CNN共同組合成特征提取和信息篩選一體的故障分類網(wǎng)絡(luò)，實(shí)現(xiàn)兩者優(yōu)勢(shì)互補(bǔ)。

2 VSC-STATCOM逆變器故障診斷實(shí)驗(yàn)驗(yàn)證

為了評(píng)估本文模型對(duì)逆變器故障診斷的有效性和準(zhǔn)確性，本文以VSC-STATCOM中逆變器模塊為對(duì)象，通過模擬IGBT在不同時(shí)刻、不同負(fù)載下的開路故障來建立故障數(shù)據(jù)集，然后用DBCNN-SA訓(xùn)練和測(cè)試。

2.1 故障實(shí)驗(yàn)數(shù)據(jù)集

本文利用MATLAB/Simulink仿真軟件搭建VSC-STATCOM模型，模擬故障發(fā)生狀態(tài)，生成模型訓(xùn)練和測(cè)試所需的大量故障數(shù)據(jù)樣本。

模擬21種IGBT開關(guān)故障情況。每種情況下設(shè)置10種故障發(fā)生時(shí)間。重復(fù)10次運(yùn)行，每次改變負(fù)載值（波動(dòng)范圍為0～0.09，步長(zhǎng)為0.01）。以50 kHz的采樣頻率采集故障點(diǎn)前0.3個(gè)周期及后1個(gè)周期的輸出電流信號(hào)，一共得到樣本長(zhǎng)度為1 301的2 100組數(shù)據(jù)。

2.2 數(shù)據(jù)預(yù)處理

為了能夠準(zhǔn)確識(shí)別每類故障，需要對(duì)上述仿真獲得的故障數(shù)據(jù)進(jìn)行必要的數(shù)據(jù)處理。

1）將仿真獲取的原始數(shù)據(jù)作為時(shí)域樣本，然后對(duì)其進(jìn)行快速傅里葉變換，并提取其頻譜幅值的2/作為頻域樣本。

2）對(duì)于單個(gè)樣本，三相電流是相互影響的整體。為能使CNN對(duì)存在于三相電流局部差異中的大量故障細(xì)節(jié)信息進(jìn)行深層地特征提取，把時(shí)域和頻域三相數(shù)據(jù)序列并列組合為二維矩陣，得到 1 301×3的樣本矩陣。

3）為能深度提取逆變器的故障特征、捕捉到同類故障的波動(dòng)變化，將時(shí)域和頻域樣本數(shù)據(jù)按照8:2的比例隨機(jī)劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。首先將訓(xùn)練集用于DBCNN-SA中訓(xùn)練，訓(xùn)練過程中根據(jù)訓(xùn)練曲線調(diào)整模型的結(jié)構(gòu)參數(shù)，然后利用測(cè)試集來評(píng)估最后的分類結(jié)果。

2.3 DBCNN-SA模型結(jié)構(gòu)

模型訓(xùn)練是故障診斷的關(guān)鍵環(huán)節(jié)。合理選擇模型結(jié)構(gòu)和超參數(shù)有助于提高故障分類的準(zhǔn)確率[14]。合適的卷積核大小可以更好地捕獲輸入數(shù)據(jù)的波動(dòng)規(guī)律及不同輸入之間的共性特征。

本文通過改變卷積核的大小，以確定DBCNN-SA中的卷積核大小。由于本文的故障樣本大小為1 301×3，同時(shí)，三相樣本的每一相是受其他兩相影響的，因此，卷積核的寬度固定為3，只改變卷積核的高度。池化核為2×2。注意力機(jī)制采用32個(gè)鍵和查詢通道的單頭自注意力。采用Adam自適應(yīng)優(yōu)化器。在小批量設(shè)置為100、迭代次數(shù)為800次的情況下反復(fù)比較，依據(jù)準(zhǔn)確率來確定卷積核的高度，比較結(jié)果如表2。

表2 DBCNN-SA不同卷積核大小對(duì)比

從表2可以看出，當(dāng)分支和主干都采用同樣大小的卷積核，即4×3、8×3、16×3、32×3和64×3的卷積核時(shí)，故障診斷準(zhǔn)確率最高為99.29%。主干卷積核的高度為分支卷積核高度的一半時(shí)，診斷準(zhǔn)確率最高為98.10%；相比主干和分支都選用32×3的卷積核，準(zhǔn)確率由99.29%下降至98.10%。

一般情況下，卷積核過大則提取到的特征信息過多，這將導(dǎo)致模型無法捕捉到某些重要信息；而卷積核過小會(huì)導(dǎo)致提取到的特征信息不充分，導(dǎo)致識(shí)別精度下降[15]。為此，本文分支和主干都選用大小適中的32×3的卷積核。

2.4 實(shí)驗(yàn)分析

為了更好地證明提出的時(shí)域信號(hào)和頻域信號(hào)組合方法的有效性和泛化能力，針對(duì)本文VSC-STATCOM功率開關(guān)管的開路故障，分別建立將輸入改為僅原始信號(hào)輸入、僅頻譜信號(hào)輸入以及時(shí)域和頻域信號(hào)同時(shí)輸入的故障診斷模型，以實(shí)現(xiàn)21種不同故障類型的診斷識(shí)別。其中，僅原始信號(hào)輸入、僅頻譜信號(hào)輸入的診斷模型在DBCNN-SA模型的基礎(chǔ)上取消一條輸入支路，形成單輸入單輸出的CNN-SA傳統(tǒng)卷積網(wǎng)絡(luò)；2種信號(hào)同時(shí)輸入使用DBCNN-SA診斷模型。

3種信號(hào)經(jīng)自注意力機(jī)制增強(qiáng)有效特征輸出后使用T-SNE（T-Distributed stochastic neighbor embedding）降維處理，得到的特征可視化圖如圖7所示。比較圖7中3幅T-SNE可視化圖可得出：（a）中的各種顏色按類別相互分散開來，說明不同故障類型在經(jīng)SA模塊輸出后，可以明顯被辨別。（b）中的部分不同的顏色相互交疊在一起，說明時(shí)域信號(hào)在經(jīng)過特征提取、特征增強(qiáng)后，有部分不同故障相互混淆，模型不能很好地實(shí)現(xiàn)分類。（c）中的絕大部分顏色相互混疊，說明頻域信號(hào)在特征提取以及增強(qiáng)后絕大部分不同故障交疊在一起，很難進(jìn)行區(qū)分。

圖7 自注意力輸出后的特征可視化

表3列出了2種信號(hào)輸入DBCNN-SA模型、僅原始信號(hào)輸入以及僅頻譜信號(hào)輸入CNN-SA模型時(shí)的IGBT的診斷精度。

表3 VSC-STATCOM逆變器故障診斷精度

表3中，為了客觀評(píng)價(jià)模型的診斷精度，避免偶然性誤差影響，對(duì)于每類情況統(tǒng)一進(jìn)行10次實(shí)驗(yàn)，取10次實(shí)驗(yàn)的診斷精度作為分類結(jié)果。將時(shí)域和頻域信號(hào)輸入DBCNN-SA模型，則只有單管S1、S4、S6、雙管S1S2、S1S4、S3S6、S4S6未能準(zhǔn)確識(shí)別，其余都實(shí)現(xiàn)100%診斷，最終識(shí)別率為99.67%。

僅輸入時(shí)域模態(tài)信號(hào)時(shí)，模型對(duì)于21類IGBT故障類型都不能完全準(zhǔn)確識(shí)別，最終診斷結(jié)果為94%。

僅輸入頻域模態(tài)信號(hào)時(shí)，模型的診斷準(zhǔn)確率比較低，除了對(duì)雙管S1S2和S5S6故障能準(zhǔn)確識(shí)別外，不能對(duì)其余的故障類型實(shí)現(xiàn)完全準(zhǔn)確識(shí)別，最終的診斷結(jié)果為76.43%。

綜上分析，僅使用一種模態(tài)信號(hào)則模型不能很好地診斷故障類別，而時(shí)域和頻域結(jié)合的方法對(duì)IGBT具有較高的診斷準(zhǔn)確率。

為了進(jìn)一步驗(yàn)證輸入相數(shù)對(duì)診斷精度的影響，分別將ABC三相，AB兩相以及A相的時(shí)域和頻域信號(hào)輸入DBCNN-SA。表4列出了在無噪聲以及10 dB高斯白噪聲情形下的診斷結(jié)果，為了防止偶然性誤差的影響，取10次實(shí)驗(yàn)結(jié)果的平均值作為最終的診斷結(jié)果。

表4 輸入不同相數(shù)信號(hào)時(shí)模型診斷準(zhǔn)確率比較

表4實(shí)驗(yàn)結(jié)果表明，模型在輸入ABC三相以及AB兩相的時(shí)域和頻域信號(hào)情況下均取的了很好的識(shí)別效果。無噪聲情形下，輸入AB兩相信號(hào)的診斷結(jié)果相比輸入ABC三相診斷結(jié)果由99.76%下降至98.57%，下降幅度較小；相比只輸入A相診斷結(jié)果由68.74%提升至98.57%，提升幅度較大。10 dB高斯白噪聲情形下，輸入AB兩相的診斷結(jié)果相比于ABC三相的診斷結(jié)果由98.57%下降至98.05%，幾乎保持不變；但相較于診斷結(jié)果為65.04%的A相來說，準(zhǔn)確率有了大幅度的提升。

通過不同相數(shù)的比較，說明DBCNN-SA在識(shí)別VSC-STATCOM逆變器故障類別時(shí)可以只選擇輸入兩相就能達(dá)到很好的診斷結(jié)果。

3 結(jié)論

本文提出一種多模態(tài)融合的雙分支卷積神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制的VSC-STATCOM故障診斷方法。通過實(shí)驗(yàn)驗(yàn)證，得到以下結(jié)論：

1）使用FFT將原始故障信號(hào)變換為頻域信號(hào)，從頻譜上反映不同故障信號(hào)的能量分布與幅值特征，與隨時(shí)間變化的波形結(jié)合，更能凸顯出每類故障的特點(diǎn)。

2）引入雙輸入的DBCNN-SA組合診斷網(wǎng)絡(luò)，使用DBCNN模型同步提取時(shí)序和頻譜之間的共性特征，使用SA權(quán)重分配特性增強(qiáng)卷積提取有效特征、抑制無效特征，使準(zhǔn)確率進(jìn)一步提升。

3）僅靠單一模態(tài)很難辨別出故障類別，時(shí)序和頻譜2種模態(tài)結(jié)合能提高分類準(zhǔn)確率；通過對(duì)ABC三相、AB相以及A相多種信號(hào)輸入情況的比較，發(fā)現(xiàn)僅靠?jī)上嘈盘?hào)輸入模型就能達(dá)到很高識(shí)別準(zhǔn)確率，這進(jìn)一步證明時(shí)域和頻域2種模態(tài)結(jié)合診斷VSC-STATCOM逆變器的可行性。

[1] 劉闖, 寇磊, 蔡國(guó)偉, 等. 基于人工智能的電力電子變換器開路故障診斷研究綜述[J]. 電網(wǎng)技術(shù), 2020, 44(8): 2957-2970. LIU CHUANG, KOU LEI, CAI GUOWEI, et al. Review for AI-based open-circuit faults diagnosis methods in power electronics converters[J]. Power System Technology, 2020, 44(8): 2957-2970(in Chinese).

[2] 徐小健, 于飛. 基于輸出電壓軌跡的三相逆變器開關(guān)管開路故障診斷[J/OL]. 中國(guó)電機(jī)工程學(xué)報(bào): 1-11[2023-09-21]. https://doi.org/10.13334/j.0258-8013. pcsee.222519. XU XIAOJIAN, YU FEI. A fault diagnosis method based on output voltage patterns for switch open-circuit fault of three-phase inverters[J/OL]. Proceedings of the CSEE: 1-11[2023-09-21]. https://doi.org/10.13334/j. 0258-8013.pcsee.222519(in Chinese).

[3] 李凱迪, 伍珣, 趙俊棟, 等. 基于KPCA-Bayes的三相逆變器多功率管開路故障診斷研究[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2022, 19(12): 3818-3826. LI KAIDI, WU XUN, ZHAO JUNDONG, et al. A KPCA-Bayes based diagnosis method for multiple open-circuit faults of three-phase inverters[J]. Journal of Railway Science and Engineering, 2022, 19(12): 3818-3826(in Chinese).

[4] 錢存元, 梁嫣楚, 胡浩. 基于小波神經(jīng)網(wǎng)絡(luò)的逆變器開路故障診斷方法研究[J]. 機(jī)電一體化, 2019, 25(Z1): 22-28. QIAN CUNYUAN, LIANG YANCHU, HU HAO. Research on open-circuit fault diagnosis method of inverter based on wavelet neural network[J]. Electro- mechanical Integrating, 2019, 25(Z1): 22-28(in Chinese).

[5] 錢存元, 吳昊, 陳昊然. 基于EMD-BPNN的逆變器IGBT開路故障診斷方法[J/OL]. 電氣工程學(xué)報(bào): 1-11[2023-09-21]. http://kns.cnki.net/kcms/detail/10.1289. TM.20230729.1700.004.html. QIAN CUNYUAN, WU HAO, CHEN HAORAN. IGBT open-circuit fault diagnosis method of inverter based on EMD-BPNN[J/OL]. Journal of Electrical Engineering: 1-11[2023-09-21]. http://kns.cnki.net/kcms/ detail/10.1289.TM.20230729.1700.004.html(in Chinese).

[6] 劉俊, 吳海軍, 周華西. 基于降噪多分支CNN和注意力機(jī)制的滾動(dòng)軸承故障診斷方法[J]. 組合機(jī)床與自動(dòng)化加工技術(shù), 2023(2): 113-116. LIU JUN, WU HAIJUN, ZHOU HUAXI. Fault diagnosis of rolling bearings based on denoising multi- branch CNN and attention mechanism[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2023(2): 113-116(in Chinese).

[7] 于海, 鄧鈞君, 王震坡, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的逆變器故障診斷方法[J]. 汽車工程, 2022, 44(1): 142-151. YU HAI, DENG JUNJUN, WANG ZHENPO, et al. Inverter fault diagnosis method based on convolutional neural network[J]. Automotive Engineering, 2022, 44(1): 142-151(in Chinese).

[8] 薛陽(yáng), 雷文平, 岳帥旭, 等. 多模態(tài)學(xué)習(xí)方法在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 機(jī)械科學(xué)與技術(shù), 2022, 41(8): 1149-1153. XUE YANG, LEI WENPING, YUE SHUAIXU, et al. Application of multimodal deep learning method in rolling bearing fault diagnosis[J]. Mechanical Science and Technology for Aerospace Engineering, 2022, 41(8): 1149-1153(in Chinese).

[9] 趙柄錫, 冀大偉, 袁奇, 等. 采用時(shí)域與時(shí)頻域聯(lián)合特征空間的轉(zhuǎn)子系統(tǒng)碰磨故障診斷[J]. 西安交通大學(xué)學(xué)報(bào), 2020, 54(1): 75-84. ZHAO BINGXI, JI DAWEI, YUAN QI, et al. Rubbing fault diagnosis of rotor system based on joint combined feature space in time and time-frequency domains[J]. Journal of Xi’an Jiaotong University, 2020, 54(1): 75-84(in Chinese).

[10] YANG J, GAO T, JIANG S. A dual-input fault diagnosis model based on SE-MSCNN for analog circuits[J]. Applied Intelligence, 2023, 53(6): 7154-7168.

[11] 李政, 汪鳳翔, 張品佳. 基于圖像融合與遷移學(xué)習(xí)的永磁同步電機(jī)驅(qū)動(dòng)器強(qiáng)泛化性故障診斷研究[J/OL]. 中國(guó)電機(jī)工程學(xué)報(bào): 1-11[2023-09-21]. http://kns.cnki. net/kcms/detail/11.2107.TM.20230710.1349.016.html. LI ZHENG, WANG FENGXIANG, ZHANG PINJIA. A strong generalized fault diagnosis method for PMSM drives with image fusion and transfer learning[J/OL]. Proceedings of the CSEE: 1-11[2023-09-21].http://kns. cnki.net/kcms/detail/11.2107.TM.20230710.1349.016.html(in Chinese).

[12] 梁超, 劉永前, 周家慷, 等. 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)內(nèi)多點(diǎn)位風(fēng)速預(yù)測(cè)方法[J]. 電網(wǎng)技術(shù), 2021, 45(2): 534-542. LIANG CHAO, LIU YONGQIAN, ZHOU JIAKANG, et al. Wind speed prediction at multi-locations based on combination of recurrent and convolutional neural networks[J]. Power System Technology, 2021, 45(2): 534-542(in Chinese).

[13] 曾昭瑢, 何怡剛. 基于SE-DSCNN的MMC開關(guān)管故障診斷方法[J]. 電力自動(dòng)化設(shè)備, 2022, 42(5): 104-111. ZENG ZHAORONG, HE YIGANG. Fault diagnosis method for switches in MMC based on SE-DSCNN[J]. Electric Power Automation Equipment, 2022, 42(5): 104-111(in Chinese).

[14] 宮文峰, 陳輝, 張美玲, 等. 基于深度學(xué)習(xí)的電機(jī)軸承微小故障智能診斷方法[J]. 儀器儀表學(xué)報(bào), 2020, 41(1): 195-205. GONG WENFENG, CHEN HUI, ZHANG MEILING, et al. Intelligent diagnosis method for incipient fault of motor bearing based on deep learning[J]. Chinese Journal of Scientific Instrument, 2020, 41(1): 195-205(in Chinese).

[15] 畢貴紅, 趙鑫, 陳臣鵬, 等. 基于多通道輸入和PCNN-BiLSTM的光伏發(fā)電功率超短期預(yù)測(cè)[J]. 電網(wǎng)技術(shù), 2022, 46(9): 3463-3476. BI GUIHONG, ZHAO XIN, CHEN CHENPENG, et al. Ultra-short-term prediction of photovoltaic power generation based on multi-channel input and PCNN-BiLSTM[J]. Power System Technology, 2022, 46(9): 3463-3476(in Chinese).

Inverter Fault Diagnosis Based on Multi-modal Fusion and Convolutional Neural Network

ZHANG Jingchao, BI Guihong, ZHAO Sihong, KONG Fanwen, CHEN Dongjing, CHEN Shilong

(School of Electric Power Engineering, Kunming University of Science and Technology, Kunming 650500, China)

The fault of voltage source controlled static synchronous compensator (VSC-STATCOM) is random and unpredictable, and its original signal cannot fully reflect the waveform characteristics of power switch, which makes the fault feature extraction and diagnosis difficult. In order to solve this problem, a fault diagnosis method of inverter based on multi-modal fusion technology (MFT), double branch convolution neural network (DBCNN) and self-attention mechanism (SA) is proposed in this convolutional neural network. First, a fast Fourier transform is used to convert the time-domain mode signal to the frequency-domain mode signal of the fault data of the inverter. Then, the features of two modes in time domain and frequency domain are extracted and fused by DBCNN, and the key features selected by SA weight adaptive distribution capability are used as the basis of fault classification, which solves the problem that the open circuit fault of power switch tube is difficult to distinguish. In the process of fault diagnosis of inverter, the method of combining MFT and convolutional neural network is used to establish an accurate and fast fault classification system. The experiments on VSC-STATCOM inverter show that MFT-DBCNN-SA can improve the accuracy of fault diagnosis compared with single mode CNN-SA and frequency CNN-SA. The experimental results of different phase numbers show that the fault classification can be well diagnosed by using this method only by two phases. Compared with the research in the same field, the level of the proposed fault diagnosis method is equal or improved.

inverter; multi-mode fusion technology; dual-branch convolutional neural network; self-attention mechanism; fault diagnosis

10.3969/j.ISSN.1672-0792.2024.03.004

TM772

A

1672-0792(2024)03-0034-10

國(guó)家自然科學(xué)基金資助項(xiàng)目（51767012）。

2023-10-08

張靖超（1998—），男，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)控制與診斷；

畢貴紅（1968—），男，教授，研究方向?yàn)樾履茉聪到y(tǒng)建模、優(yōu)化與智能數(shù)據(jù)；

趙四洪（1974—），男，講師，研究方向?yàn)榉抡媾c控制、智能電網(wǎng)等；

孔凡文（1999—），男，碩士研究生，研究方向?yàn)樯疃葘W(xué)習(xí)、電氣設(shè)備故障診斷；

陳冬靜（2000—），女，碩士研究生，研究方向?yàn)樯疃葘W(xué)習(xí)，新能源建模；

陳仕龍（1973—），男，教授，研究方向?yàn)殡姎庠O(shè)備故障診斷、系統(tǒng)仿真與控制。

畢貴紅