基于GAF-CNN的三相逆变器故障诊断模型(英文)

作     者：董唯光 陆浩博 李生昌 

作者机构：兰州交通大学自动化与电气工程学院 

出 版 物：《Journal of Measurement Science and Instrumentation》 (测试科学与仪器(英文版))

年 卷 期：2024年

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] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主　　题：故障诊断 格拉姆角场 卷积神经网络 抗噪声干扰 鲁棒性 

摘      要：为了将深度学习在识别二维图像上的优势应用于三相逆变器故障诊断，提出一种基于格拉姆角场(Gramian Angular Field，GAF)和卷积神经网络(Convolutional Neural Network，CNN)的三相逆变器故障诊断模型。由于逆变器不同工作状态的电流信号不同，其时间序列编码形成的图像也不同，这使得图像识别技术可以用于时间序列分类，用来识别逆变器故障电流信号。首先将一维的逆变器故障电流信号通过格拉姆角场转化为二维图像，然后输入构造的适合逆变器故障诊断的卷积神经网络模型，实现对逆变器故障的检测、分类和定位。仿真试验结果表明，该方法在不同的噪声数据下，识别准确率均高于99.36%。相比于其他传统方法具有更好的准确性和可靠性，在噪声数据中有较好抗噪声干扰能力和鲁棒性，是一种行之有效的逆变器故障诊断方法。