基于多通道的二维递归融合图和LMCR模型的NPC型三电平逆变器故障诊断

针对中点钳位型三电平逆变器在恶劣并网环境下IGBT易发生单管与双管故障、故障特征差异微弱导致识别精度低的问题，提出一种结合多通道二维递归融合图与轻量化多尺度残差网络（LMCR）的故障诊断方法。通过仿真获取三相电流信号，构造递归图并进行多通道融合以提取时序特征；将融合图输入LMCR模型，利用多级Inception结构与残差连接实现多尺度特征提取与梯度稳定。实验结果表明，该方法在无噪声下平均识别准确率达100%，含噪环境下仍达92.53%，具有优异的特征提取能力与抗噪性能。

中点钳位(neutral point clamped,NPC)型三电平逆变器并网工作环境恶劣,IGBT面临单管与双管同时故障的挑战,这使得故障特征之间的差异变得非常微弱,进而导致双管故障的识别精度难以有效提升.为此,提出了一种新的故障诊断方法,该方法结合了多通道的二维递归融合图和轻量化多尺度残差(lightweight multiscale convolutional residuals,LMCR)网络.首先,通过仿真获取三相电流信号作为故障信号;再利用递归图(recurrence plot,RP)将三相电流信号分别转化为二维图并进行多通道融合,以捕捉时间序列中的周期性、突变点和趋势等特征;最后,将递归融合图作为输入,输入到LMCR模型中进行故障识别,LMCR模型整合多级Inception结构和残差网络,用于提取不同尺度的特征并融合这些特征,从而保证网络的梯度消失和爆炸.实验结果显示,该方法在IGBT故障识别中表现出色,无噪声环境下平均识别准确率达100％,噪声环境中也达到了 92.53％,充分证明了该方法具有较强的特征提取能力和优异的抗噪性能.