A365-用CNN，transformer，CNN-transfomer三种模型完成故障诊断.md

A365-用CNN，transformer，CNN-transfomer三种模型完成故障诊断

【购买前必看】

1、关于我们

深度学习乐园是由python哥全职技术团队组建运营【团队成员为：复旦大学博士、华东理工爱丁堡博士、格拉斯哥博士、纽约大学硕士、浙江大学硕士】。

我们只做python业务，精通sklearn机器学习/torch深度学习/django/flask/vue全栈开发。

2、关于项目

我们从2018年开始，就专注于深度学习sci、ei、ccf、kaggle等，至今已有7年，共发表过10多篇顶刊顶会。

官网累积了数百个项目，已有3000多学员付费购买，圈子内有口皆碑：www.zzgcz.com （更多高级私密项目无法对外，联系微信定制：zzgcz_com）

3、售后承诺

包远程安装调试，所有项目均在本地运行通过，大部分都有截图和录屏。

支持二次修改，所有项目都是我们自己写的，改起来也非常容易。

加急定制1-2天可完成，这就是实力证明，远程验收满意后再付全款！

所有客户终身售后。兼职的人家都有主业，谁愿意持续服务你？

数据描述：

压缩包内有 4 个文件夹，文件夹每个 mat 文件有 166667*4 的数据，代表四个电压信号，文

件 a10 有八类故障文件（代表 dab 模型开关管 s1-s4，二极管 d5-d8 故障），a11 有六类故障

文件（代表双管故障），a11，a12 正常态数据一致。

文件 a12 有八类故障文件（代表 dab 模型开关管 s5-s8，二极管 d1-d4 故障），a13 有六类故

障文件（代表双管故障），a11，a12 正常态数据一致。

希望使用 CNN，transformer，CNN-transfomer 三种模型完成故障诊断，四个电压数据组成一

个故障分组。

cnn结果：

Image Token: SWR8bajCGoIFufxxBURcqj6qnyb

Image Token: Ostgbwgu3ox9WDxHHfOc9PTun7D

Image Token: Aa3nb0YNBoobeoxgRRIcQDMfnIe

transformer结果：

Image Token: UwfabO2WFohbUJxMR6kcVh5TnGc

Image Token: YaQUbMYoAocc94xCfmccBUxwnNe

Image Token: QtOob7pkfoJYg0xl16ec0tlDnyg

cnntransformer结果：

Image Token: OzkEbrymQow15axtiJ9cPEfWnSf

Image Token: GwIHb6cGvodsFkxSVvvcMb7anrd

Image Token: Q7ZYb9qZKo7UOwxVlSqctQx4nKe

1课题背景及意义

随着电力系统对于元件小型化轻量化以及可靠度、控制能力的需求，电力电子技术利用电力电子器件对电能进行变换控制，并广泛地应用于新能源发电、高压交直流输电、主动配网以及变频驱动等电能发、输、配、用各个环节。目前，世界上60%以上的电能通过电力电子器件进行变换与控制([1])。

DC-DC转换器或直流电源变换器，是一种能够将不稳定或不合适的直流输入电压转换为所需的直流输出电压的电力电子电路。其中隔离型DC-DC变换器因其高可靠性、电气隔离及宽电压调节能力被广泛应用在电源与电动汽车领域，是电子设备设计中不可或缺的组件。然而，随着电子电路使用的时间越来越长，故障与问题也会随之而来。因此，对于电子电路的故障成因、检测及排除已成为一项非常重要的工作([2])。并且由于其复杂的电路结构及高频开关特性导致器件易受负载波动、温度变化等因素影响，引发开路、短路等故障为确保其工作稳定性，需要高效准确迅速的故障检测手段。

传统故障诊断方法多依赖专家经验或基于物理模型进行解析，但受限于建模误差、故障信号的非线性及工作环境的变化性，存在使用场合局限、错误率高的问题。近年来，智能诊断技术逐渐成为研究热点，其中神经网络凭借强大的非线性诊断能力、自动提取特征优势及端到端的学习特性，为复杂工作条件下的故障分类与早期预警提供了新思路。同时推动人工智能技术在电力电子领域的深度融合，为新能源、电动汽车等高可靠性应用场景提供技术支撑，助力“双碳”目标下能源系统的智能化转型。

2课题国内外研究现状

2.1国内外研究现状

在电子工业的发展过程中，故障诊断技术的演进成为保证电子设备可靠性和功能完整性的关键([3])。故障诊断的基本原理是通过观察和分析设备故障的表现，确定故障的原因和位置，并采取适当的维修措施。这包括检查设备状况、分析数据和信号、提取故障信息，并应用专业知识进行诊断判断([)(4)(])。故障诊断的目标是提高维修效率和设备可靠性,其作为一门跨学科的综合技术，包含了现代信号处理技术、智能模式识别方法、人工智能算法、概率统计理论以及先进计算机技术等多维学科([)(5)(])。国际上该技术的历史可追溯至上世纪60年代初期，当时以美国、日本及欧洲国家为代表的工业强国率先启动设备状态监测与故障诊断技术的系统性研究。在技术应用初期，主要服务于航天航空（如NASA阿波罗计划的设备健康监测）、核能发电（核反应堆安全控制系统）以及电力输配网络（高压变电站监测）等对设备可靠性要求极高的战略型工业领域。早期在设备发生故障时，一般由专业的维修人员观察设备运行状态，测试其噪声、轨迹、温度、振动等参数的异常变化，与正常状态比对，根据长期积累的维修经验做出故障诊断([)(6)(])。随着信息技术的突破性发展，至80年代后，人工智能在故障诊断上发展迅速([)(7)(])。我国状态监测与故障诊断技术发展相对于国外较晚，国内开展设备故障诊断从20世纪80年代开始，但发展较为迅速。经过多年发展主流故障诊断方法包括，模型构建、信号分析、数据驱动等方法。

2.2主要方法

基于模型的方法：这种方法通过建立准确的电路数学模型（如状态方程、传递函数）检测参数的异动。故障诊断模型多是基于设备工作原理建立正向的数学模型，通过实时分析各个环节之间的异常情况来分析设备的工作状态([8]-[10])。张翼翔,杨铁宝提出了一种基于HMM的DC/DC变换器故障检测方法。分析开关电源的失效机理,选择输出电压、电感电流作为特征参数;然后对每个状态的观察样本序列训练并建立HMM模型([11])。Choi K ,Kim K ,Kim S提出一种算法采用比例型状态观测器和无积分动作的扰动观测器（DOB）的组合设计([12])。通过分析估计误差动力学，推导出了所提算法的收敛性、性能恢复性和无偏移特性。综合来说，基于模型的故障诊断以系统的内部特性为基础构建模型来实现故障在线监测，对于电路结构简单且易于建模的场景比较有效，核心内容在利用传感器准确采集数据构建精度足够的数学模型，因此建模效果依赖于对电路拓扑结构及运行状态的全面了解。但在复杂电路系统的实际应用中，故障状态下电路状态呈现多样化，存在电路分析复杂度高、系统误差累积、高频开关特性、参数非线性以及噪声干扰因素等问题，这些限制导致数学模型构建过程中难以完全消除偏差，最终影响诊断模型的精度保障，且对工作环境变化的适应性较差。

基于信号分析的方法：利用电压、电流波形特征（如谐波）进行阈值判断。信号模型（如相关函数、频谱、小波变换等）可以直接分析信号，提取诸如方差、幅值、频率等特征值，以此为依据进行故障诊断。张龙港,康劲松,郭其一针对DAB中IGBT模块不同的开路故障情况,通过建立DAB动态数学模型,对实测的电流值与估计值的状态残差进行了分析,研究了基于电感电流的双有源桥DC/DC变换器开路故障诊断及定位方法([13])。ZandiO ,PoshtanJ引入一个创新的诊断信号（由电流传感器记录），其波形主要反映转换器的正常或故障状态。由于诊断信号在转换器的稳态运行中是周期性的，其傅里叶级数系数以及转换器的占空比被用作转换器中故障诊断的区别特征。通过卡尔曼滤波器对傅里叶变换过的特征进行估计([14])。 Hassan A ,Younes A ,Lais O提出一种方法根据输出预测电压的斜率触发电源开关，调节器 synthesis 使用小信号模型的传递函数。通过估计几个占空比的输出电压来验证预测方法的效率，方法的主要优点是实现简单、成本低([15])。Bedoud K ,Bahi T,Merabet H等人采用故障检测和隔离方法，基于两种基于定子电流分析的技术，分别使用基于d-q Park的向量分量的决策算法与ABC三相中电流相位的标准化残基量来实现故障诊断([16])。Yang Y ,Yueming J ,Yanlong L等通过时域的统计特征和输出频域中的小波分析局部能量值。基于重叠计算去除冗余故障特征，为每种类型的初期故障选择唯一的故障特征([)(17)(])。可以看出基于信号的诊断方式适用的范围较小，对单一故障的诊断效果较好，但无法对多故障耦合的情况做出好的判断，面对微小故障信号波动小的状况效果较差。

基于数据驱动的方法：随着人工智能技术的发展，数据驱动的故障诊断方法逐渐成为主流，其核心是通过学习历史数据提取故障特征，典型技术包括支持向量机（SVM）、随机森林及神经网络。神经网络因其强大的非线性拟合能力、自适应学习及端到端特征提取特性，在复杂系统诊断中表现突出。吴丹采用小波变换与BP神经网络组合来进行故障诊断([18])。宫文峰, 陈辉, WANG Danwei等设计了一个全局均值池化层，用于代替传统CNN中2～3层的全连接层部分，来减少模型参数量；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([19])，王福忠, 任淯琳, 张丽等使用LSTM神经网络与麻雀搜索算法优化的SVM组合进行诊断([20])。

3毕业设计研究内容及任务

3.1研究内容

  1. 基于典型的隔离型DC-DC变换器知识（如双向全桥DC-DC变换器），深入研究变换器各类故障，了解各种故障的形成原因，对simulink元件库与建模方法进行学习，探究利用仿真软件的数值改变与元件接入方法来模拟实际情况下的故障模式。获取各类故障影响下的输出图像与数据。

  2. 将正常输出信号对比各类故障信号，分析故障影响，设计好故障数据集的划分，将故障特征提取方法多模态分解与卷积神经网络作为故障提取工作的工具，通过实际实验与改进，准确做到故障特征提取。

  3. 学习各类神经网络，编程尝试各类神经网络对数据处理的效果，思考各类神经网络的优缺点，选取合适的神经网络。

  4. 综合各种神经网络知识，对多种神经网络的组合进行研究，利用Python软件对神经网络进行建模编程。

  5. 通过大量仿真模拟对神经网络进行训练，观察诊断效果，对神经网络进行调试。

3.2预期目标

  • 能够比较全面识别隔离型DC/DC变换器各种常见故障

  • 能通过电流电压信号波形来进行故障诊断

  • 故障识别准确率大于90%以上

4研究思想及设计方案

4.1研究思路

设计大概分为五个阶段，前期主要学习总结方法与针对故障本体进行研究，后期根据情况对神经网络进行建模训练。整体流程如图1。

图 1 设计流程图

4.2毕业设计具体研究方案

  • 故障模拟与研究：这部分研究工作主要分为两部分，隔离型DC/DC变换器的故障分类工作与建模仿真工作，第一部分主要工作内容为，收集翻阅足够的DC/DC变换器的故障资料，体系化分类故障情况，要细致的分析整理出各种故障的形成原因，为下一部分建模后故障注入模型提供依据，建模仿真环节要综合大量网络资料，正确挑选MATLAB软件内simulink提供的电气元件进行模型搭建，要保证搭建的模型符合实际隔离型DC/DC变换器工作情况，在建模完成后进行故障注入，基于故障原理对模型内元件进行拆卸、替换、元件数值调整等操作来模拟断路、短路等故障情况，反复实验仿真达到输出信号稳定。

  • 故障特征提取：这部分工作主要分为三部分，第一部分主要对各类故障信号进行整理分析，在输出电流、电压的故障信号中挑选各类故障特征较明显的信号作为特征提取的数据源，在第二部分对所选择的故障信号以固定的步长参数建立数据集，并划分训练集、验证集、测试集，第三部部分拟采用变分模态分解（VMD）对原始数据集进行变换处理，得到多个模态分量，每个模态分量作为输入，经过 CNN 进行特征提取和抽象，完成故障特征提取。完成过程中利用图书馆网络资料，查阅相关知识，难以理解的部分向指导老师求教。

  • 神经网络选取：工业现场的复杂性与不可预知性对于系统的故障预测方法提出了更高的要求，单一的人工智能故障诊断模型可能较难获取准确、完备、有效的诊断知识。需尝试多种神经网络的组合使用，此环节将收集一定神经网络数据资料对Transformer与BiLSTM两类神经网络进行综合评估，比较分析各模型的优劣包括建模难度、模型收敛速度、分类准确率、模型处理速度等便于选取合适方法。作为在CNN神经网络提取信号特征后续继续进行处理来提高整体模型诊断性能的手段。

  • 神经网络建模：主要内容为实现上文故障提取过程中使用CNN神经网络对VMD处理后输出信号进行处理以及神经网络模型的建模实验，要求掌握Python软件的使用，通过文献与网络资源的查阅，正确编写需求的模型。

  • 神经网络的训练与调试：在制作数据集时，区分了用于训练、测试及验证的数据，计划使用70%的数据用于训练，20%的数据用于验证，余下为测试用数据，在训练与验证过程中对模型出现的问题进行调查并解决，必要时寻求指导教师的帮助，通过调整参数，改变卷积层层数等方式优化模型性能。

4.3可行性分析

由于实际DC/DC变换器的常见故障类型（短路、断路等）所表现出的故障状态与MATLAB仿真的故障信号差距较小可以认为基于仿真数据的训练是有实际意义的，在故障特征提取方面，VMD 用于从时间序列中提取多尺度特征，以解决非线性和非平稳问题([21])，其性能强大具有较好抗噪能力，能解决频率混叠问题([22]-[23])，表现出良好的噪声鲁棒性([24])，相比其他方法更具有优势。CNN可以从图片、视频等高维数据中提取特征值([25])，针对图像的平移变换、形变和缩放，卷积神经网络具有良好的容错性([26])。Transformer能够同时考虑输入序列中的所有位置，获得全局的上下文信息，从而更好地捕捉任务中的关键信息和局部特征([27])。充分利用CNN在提取局部特征信息以及Transformer在全局特征信息建模的优越性，实现局部特征与全局上下文信息的交互与整合([28])。双向长短期记忆神经网络(BiLSTM),通过双向时序学习,展现出在时间序列数据分析中优秀性能([29])。BiLSTM可以从两个方向对时间序列数据进行学习而CNN可以很好的提取数据特征, 并且对数据进行降维处理两者结合会大幅提高模型性能([30])。

5工作计划及进度安排

表1 工作计划及进度安排

序号 教学周次 工作计划及进度安排
1 第1-2周 广泛收集资料，确定毕业设计题目
2 第3-4周 总结所看的文献，撰写开题报告
3 第5-6周 修改开题报告，完成外文翻译
4 第7-8周 开展隔离型DC-DC变换器故障研究
5 第9-10周 使用MATLAB进行电路搭建与故障模拟
6 第11-12周 故障特征提取（VMD与CNN学习与使用）
7 第13-14周 神经网络研究测试（Tansfomer模型与BLSTM模型）
8 第15-16周 神经网络整体建模
9 第17-18周 神经网络训练与调试
10 第19-20周 撰写论文与修改
11 第21-22周 论文整体修改，确定终稿。
12 第23-24周 制作PPT，参加答辩

参考文献

  • 王兆安, 刘进军. 电力电子技术[M]. 5版. 北京: 机械工业出版社, 2009.

  • 董松涛. 电子电路中的故障检测与应对措施分析[J]. 集成电路应用, 2024, 41(3): 102-103.

  • 陈映芳. 电子电路故障诊断技术的最新发展研究[J]. 家电维修, 2025 (2): 3-5.

  • 蒋友建. 电工电子设备故障诊断与维修技术分析[J]. 电子技术, 2024, 53(7): 248-249.

  • 赵庆海, 赵玮, 石玉霞. 现代故障诊断技术研究现状与趋势[J]. 包装工程, 2018, 39(15): 159-165.

  • 王世林, 牛玉广, 李晓明, 等. 多变量状态估计故障预警在工业过程中的应用[C]//第33届中国控制会议论文集. 南京: 中国自动化学会控制理论专业委员会, 2014: 3152-3157.

  • 赵祥, 薛誓颖. 人工智能在故障诊断中的发展与应用[J]. 物联网技术, 2022, 12(7): 71-72+76.

  • 刘自然, 胡毅伟, 石璞, 等. 基于改进经验小波变换的滚动轴承故障特征提取方法研究[J]. 中国测试, 2019, 45(10): 10-15.

  • 李照良. 机电设备故障诊断维修及管理分析研究[J]. 科技与企业, 2013, 22(14): 268.

  • 杨丛军. 矿山机电设备故障分析方法的研究[J]. 科技创业家, 2013 (3): 92.

  • 张翼翔, 杨铁宝. 基于隐马尔科夫模型的DC/DC变换器故障检测[J]. 电脑与电信, 2015 (Z1): 63-66.

  • 张龙港, 康劲松, 郭其一. 基于电感电流的双有源桥DC/DC变换器的开路故障诊断[J]. 铁道车辆, 2021, 59(6): 25-30+44.

  • 宫文峰, 陈辉, WANG Danwei, 等. 基于改进CNN-GAP-SVM的船舶电力变换器快速故障诊断方法[J]. 计算机集成制造系统, 2022, 28(5): 1370-1384.

  • 王福忠, 任淯琳, 张丽, 等. 基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断[J]. 河南理工大学学报（自然科学版）, 2024, 43(5): 118-126.

  • 江星星, 宋秋昱, 杜贵府, 等. 变分模式分解方法研究与应用综述[J]. 仪器仪表学报, 2023, 44(1): 55-73.

  • Choi K, Kim K, Kim S. Proportional-Type Sensor Fault Diagnosis Algorithm for DC/DC Boost Converters Based on Disturbance Observer[J]. Energies, 2019, 12(8).

  • Zandi O, Poshtan J. A novel algorithm for open switch fault detection and fault tolerant control of interleaved DC-DC boost converters[J]. IET Power Electronics, 2024, 17(6): 721-730.

  • Hassan A, Younes A, Lais O. New open circuit fault detection in a DC-DC converter[J]. International Transactions on Electrical Energy Systems, 2021, 31(11).

  • Bedoud K, Bahi T, Merabet H, et al. Open-switch fault detection and isolation of DC-AC static inverter feeding induction machine[J]. International Journal of Nonlinear Dynamics and Control, 2021, 2(1): 19-32.

  • Yang Y, Yueming J, Yanlong L, et al. Incipient fault diagnosis method for DC–DC converters based on sensitive fault features[J]. IET Power Electronics, 2020, 13(19): 4646-4658.

  • Wang Y X, Markert R, Xiang J W, et al. Research on variational mode decomposition and its application in detecting rub-impact fault of the rotor system[J]. Mechanical Systems and Signal Processing, 2015, 60-61: 243-251.

  • Yang W, Peng Z, Wei K, et al. Superiorities of variational mode decomposition over empirical mode decomposition particularly in time-frequency feature extraction and wind turbine condition monitoring[J]. IET Renewable Power Generation, 2017, 11(4): 443-452.

  • He N N, Wang C W. Enhancing monthly runoff prediction: a data-driven framework integrating variational mode decomposition, enhanced artificial rabbit optimization, support vector regression, and error correction[J]. Earth Science Informatics, 2025, 18(3): 265.

  • 周宇, 王燕. 基于卷积神经网络的轴承故障诊断综述[J]. 北京印刷学院学报, 2024, 32(8): 6-12.

  • 巴桂. 基于卷积神经网络的图像分类算法[J]. 电脑与信息技术, 2020, 28(1): 1-3.

  • 孙露露, 刘建平, 王健, 等. 细粒度图像分类上Vision Transformer的发展综述[J]. 计算机工程与应用, 2024, 60(10): 30-46.

  • 郭佳霖, 智敏, 殷雁君, 等. 图像处理中CNN与视觉Transformer混合模型研究综述[J]. 计算机科学与探索, 2025, 19(1): 30-44.

  • 赵忠峰, 王雪妮, 晋华, 等. 基于CNN-BiLSTM模型的平原型水库洪水预报研究[J]. 水电能源科学, 2025, 43(2): 10-14.

  • 吴丹. DC/DC开关电源的故障诊断研究[D]. 长沙: 中南大学, 2007.

  • 李靖萱. 基于CNN-BiLSTM和注意力机制的汇率预测研究[D]. 福州: 福建师范大学, 2023.