文献类型：期刊文章

作　　者：宫文峰[1,2,3] 陈辉[1] WANG Danwei[3] 张泽辉[1] 高海波[1]

GONG Wenfeng;CHEN Hui;WANG Danwei;ZHANG Zehui;GAO Haibo(Key Laboratory of High Performance Ship Technology of Ministry of Education in China, Wuhan University of Technology, Wuhan 430063, China;School of Marine Engineering,Beihai Campus, Guilin University of Electronic and Technology, Beihai 536000,China;School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore 639798, Singapore)

机构地区：[1]武汉理工大学高性能船舶技术教育部重点实验室仿真中心,湖北武汉430063 [2]桂林电子科技大学北海校区海洋工程学院,广西北海536000 [3]南洋理工大学电子与电气工程学院ST Engineering-NTU联合实验室,新加坡639798

出　　处：《计算机集成制造系统》

基　　金：广西自然科学基金资助项目(2020GXNSFBA159058);国家重点研发计划资助项目(2019YFE0104600);国家自然科学基金资助项目(51579200,U1709215);中央高校基本科研业务费专项资助优秀博士学位论文资助项目(2019-YB-023);中国国家留学基金委博士联合培养资助项目(CSC201906950020)。

年　　份：2022

卷　　号：28

期　　号：5

起止页码：1370-1384

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：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(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用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,将原始的时间序列监测数据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(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(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:所提方法不仅将诊断准确率提升至100%,还提升了23%的诊断速度。通过与传统智能诊断方法相比较,证明了所提方法具有更快的诊断速度和更高的诊断准确率。

关 键 词：智能故障诊断 卷积神经网络  支持向量机  DC-DC变换器 开路故障

分 类 号：TH165.3] TP277]