典型文献
基于SE-DSCNN的MMC开关管故障诊断方法
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
曾昭瑢;何怡刚
作者机构：
武汉大学 电气与自动化学院,湖北 武汉 430072
文献出处：
引用格式：
[1]曾昭瑢;何怡刚-.基于SE-DSCNN的MMC开关管故障诊断方法)[J].电力自动化设备,2022(05):104-111
A类：
DSCNN,开关管故障
B类：
SE,MMC,故障诊断方法,模块化多电平变换器,子模块,深度可分离卷积神经网络,电容电压,特征提取算法,自动提取,原始数据,深层特征,通道域,计算量,滑动时间窗口,练好,最优模型,模型输出,输出预测,其他人,深度学习方法,模型参数量,卷积层,层数,标准卷积,有样,本片,分类准确率,诊断正确率,ms,耦合性
AB值：
0.278957
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
