← 返回
一种用于跨多种变换器类型的多任务故障诊断的由粗到精神经网络框架
A Coarse-to-Fine Neural Network Framework for Multitask Fault Diagnosis Across Diverse Converter Types
| 作者 | Fan Wu · Kai Chen · Hao Ying · Gen Qiu · Yifan Wang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年9月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 机器学习 深度学习 可靠性分析 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 多任务学习 故障诊断 神经网络 变换器 特征提取 深度学习 诊断性能 |
语言:
中文摘要
本文提出了一种基于多任务神经网络的联合故障诊断模型，旨在解决多种变换器类型下的故障诊断问题。该方法通过由粗到精的策略，有效提取共享故障特征，提升了诊断性能并降低了开发成本，为开发便携式、通用化的智能诊断工具提供了新思路，克服了传统方法中负迁移带来的挑战。
English Abstract
A multitask-neural-network-based model for joint fault diagnosis of multiple converter types (JFD-MCTs) provides significant benefits by improving diagnostic performance, reducing model development costs, and promoting the advancement of portable and universal diagnostic tools. However, challenges remain in effectively extracting shared fault features, with susceptibility to negative transfer caus...
S
SunView 深度解读
该技术对于阳光电源的iSolarCloud智能运维平台具有极高的应用价值。阳光电源产品线涵盖光伏逆变器、储能PCS（如PowerTitan/PowerStack）及风电变流器等多种设备，该框架通过多任务学习实现跨设备类型的故障诊断，能显著降低针对不同产品线单独开发诊断算法的成本。建议将其集成至iSolarCloud，利用海量设备运行数据训练该模型，实现对组串式逆变器和储能变流器故障的精准预判与定位，从而提升电站运维效率，降低全生命周期运维成本，增强产品在复杂电网环境下的可靠性竞争力。