基于SE-DSCNN的MMC开关管故障诊断方法

作     者：曾昭瑢 何怡刚 ZENG Zhaorong;HE Yigang

作者机构：武汉大学电气与自动化学院湖北武汉430072 

出 版 物：《电力自动化设备》 (Electric Power Automation Equipment)

年 卷 期：2022年第42卷第5期

页      面：104-111页

核心收录：

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 

基　　金：国家自然科学基金资助项目(51977153,51977161,51577046) 国家自然科学基金重点项目(51637004) 国家重点研发计划“重大科学仪器设备开发”资助项目(2016YFF0102200) 装备预先研究重点项目(41402040301) 武汉市科技计划项目(20201G01) 

主　　题：MMC 开关管故障 挤压-激励模块 深度可分离卷积神经网络 故障诊断 

摘      要：为了实现模块化多电平变换器(MMC)子模块开关管的故障诊断,提出了一种基于挤压-激励模块的深度可分离卷积神经网络(SE-DSCNN)。该网络直接利用原始电容电压数据,不需要任何的特征提取算法,能够自动提取隐藏在原始数据中的深层特征,结合挤压-激励模块以突出通道域中具有代表性的特征,利用深度可分离卷积(DSC)来减少网络的计算量。利用滑动时间窗口将数据分段并归一化后输入提前训练好的最优模型中,模型输出预测标签。通过与其他人工特征提取方法及深度学习方法进行对比,结果表明模型参数量比具有相同卷积层数的标准卷积神经网络(CNN)减少了70.92%左右。所提方法在已有样本片段上的分类准确率及不同故障时期的诊断正确率均达99%及以上,诊断单个样本片段所需的时间约为0.34 ms,不但能区分故障早期的耦合性特征,还能实现准确、可靠、高效、快速的故障诊断。