作者未知 · IEEE Transactions on Industrial Informatics · 2025年1月

卷积神经网络（CNNs）在多种类型的多电平逆变器故障检测中展现出了巨大潜力。尽管卷积神经网络性能卓越，但其可解释性仍是一项挑战。这是因为网络具有复杂的黑箱行为。因此，它们在实际应用中广泛采用不同模型方面带来了重大挑战。此外，仅依靠准确率是不够的，特别是在关键应用中，保持可信度和鲁棒性对于保护系统免受潜在损害至关重要。因此，本研究采用了一种名为梯度加权类激活映射（Grad - CAM）的可视化解释方法用于多电平逆变器的故障检测。Grad - CAM方法能够识别模型的重要特征并解释故障类型的检测结果...

解读: 从阳光电源的业务视角来看，这项基于可解释深度学习的多电平逆变器故障检测技术具有重要的应用价值。作为全球领先的逆变器制造商，我们的产品线涵盖集中式、组串式及储能逆变器，其中多电平拓扑结构广泛应用于大功率场景。该技术通过卷积神经网络实现故障检测，并引入Grad-CAM可视化方法解决了深度学习"黑箱"问题...