基于改进CNN-GAP-SVM的船舶电力变换器快速故障诊断方法

作者：宫文峰; 陈辉; Danwei WANG; 张泽辉; 高海波

来源：计算机集成制造系统, 2020, 1-18.

• 智能故障诊断
• 卷积神经网络
• 支持向量机
• DC-DC变换器
• IGBT开路故障

近年来，基于深度学习技术的智能故障诊断方法在电力变换器领域得到了广泛研究。卷积神经网络(Convolutional Neural Network，CNN)因其强大的特征提取能力而具备辨识早期微小故障的潜力。然而，现行的CNN算法因其模型结构过于复杂、训练参数量较多、诊断时间较长而不适于电气故障的快速诊断。为此，提出了一种基于改进CNN-GAP-SVM的深度学习新算法，用于DC-DC变换器早期故障的快速诊断。首先，原始的时间序列监测数据被转变为二维特征图故障样本；其次，该方法设计了一个全局均值池化(Global Average Pooling, GAP)层用于代替传统CNN中2～3层的全连接层部分以减少模型参数量；然后，采用非线性支持向量机(Support vector machine, SVM)代替传统Softmax函数作为最终分类器，进一步提升诊断精度。实验表明：提出的方法不仅提升诊断准确率至100%，而且还提升了23%的诊断速度。通过与传统智能诊断方法相比较，验证了提出的方法具有更快的诊断速度和更高的诊断准确率。

• 单位
  武汉理工大学; 新加坡南洋理工大学