Wu Fan · Qiu Gen · Zhang Gang · Sheng Hanming 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年4月

基于深度学习的数据驱动方法在变流器故障诊断中表现优异，但普遍存在依赖故障样本、精度与鲁棒性不足的问题，限制了其在工业系统中的应用。本文提出一种小样本学习理论，通过共享特征提取器实现严格的跨域特征分布对齐，以同时获取域不变性与故障判别性特征，从而提升诊断性能。基于该理论，设计了一种具有嵌入式结构和参数分离训练机制的渐近特征分布对齐神经网络。该结构通过多层渐近特征约束实现严格分布对齐，并结合渐近损失函数提升训练稳定性。在多种变流器上的实验表明，即使在零样本条件下，该方法仍能准确识别多个开路故障位置，...

解读: 该协同分布对齐神经网络技术对阳光电源ST系列储能变流器和SG系列光伏逆变器的智能运维具有重要应用价值。其零样本/小样本学习能力可解决工业现场故障数据稀缺问题，直接应用于iSolarCloud云平台的预测性维护模块。针对IGBT/SiC功率模块开路故障的精准定位能力，可显著提升PowerTitan大型...