本程序参考中文EI期刊《电力自动化设备》2023年12月29号网络首发文献：《基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断》,此外，在此基础上进一步对模型进行多重改进，每个人都可以构造属于自己的双流卷积！
文献解读：这篇文献中，首先，采集一维故障电压与电流信号的时序序列；其次，利用格拉姆角场对其进行变换，将两种一维时序信号转化为格拉姆角场，最后，将生成的两组图像同时送入CNN进行并行学习训练，实现逆变器故障诊断。模型改进：我们提出的模型在上述模型基础上作出多重改进：采用双支路结构，构造双流卷积模型（Dual-Stream Convolutional Neural Network，DSCNN），仅需原始故障波形数据，即可根据波形数据，将一维序列转化为二维小波cwt时频图像。①一路为图像输入经2D-CNN提取小波时频图像特征，②另一路为故障波形直接输入1D-CNN提取时序特征，高维图像特征和一维时序特征融合，构建出1D-CNN和2D-CNN（DSCNN）模型。③融合多头注意力机制有效把握提取特征的贡献程度，将特征进行重点强化，提高故障识别的准确率，并计算精确度、召回率、精确率、F1分数等评价指标。故障识别流程如下：
完整代码：https://mbd.pub/o/bread/ZZqcmphx
七重创新点：
1、双流卷积：将一维时序信号和二维图像融合，可以综合利用不同模态的信息，从而更全面地描述数据的特征。这有助于提取更丰富、更有区别性的特征，从而提高故障识别的准确性，仅需原始故障波形数据，即可将一维序列转化为二维cwt时频图像。2、cwt时频特征：cwt时频图提供了时频局部化的特征，可以确定波形在时间和频率上的局部特征。这对于识别故障信号中的瞬态特征或频率成分的突发变化非常有效，这些特征在单一的时域或频域分析中难以分析。3、波形特征提取：1D-CNN更适合于捕获局部特征和序列中的局部模式。在故障波形中，许多重要的特征可能集中在特定的时间段内，1D-CNN可以更好地捕获这些时间相关的局部特征。4、空间特征学习：2D-CNN在图像处理中表现出色，能够有效地学习图像的空间特征和局部模式。将2维卷积用于图像数据的处理可以帮助提取图像的纹理、形状和边缘等特征，有助于更准确地进行分类和故障识别。5、融合优势：通过融合不同模态的信息，算法可以弥补一维时序信号和二维图像各自的局限性。例如，图像可能对于某些故障模式更敏感，而时序信号则对于其他模式更敏感。将它们结合起来，可以增强算法的鲁棒性和泛化能力。6、多头自注意力机制：融合多头注意力机制有效把握提取特征的贡献程度，将特征进行重点强化，提高故障识别的准确率。7、提高泛化能力：多模态融合可以帮助算法更好地理解数据的本质特征，从而减少过拟合的风险，提高算法在新数据上的泛化能力。适用领域：适用于各种数据分类场景，如滚动轴承故障、变压器油气故障、电力系统输电线路故障区域、绝缘子、配网、电能质量扰动，等领域的识别、诊断和分类。直接替换数据就可以，使用Excel表格直接导入，不需要对程序大幅修改。程序内有详细注释，便于理解程序运行。数据格式：一行一个样本，最后一列为样本所属的故障类型标签![]()
程序结果：（由上述一维序列自动转化为cwt小波时频图像）完整代码：https://mbd.pub/o/bread/ZZqcmphx欢迎感兴趣的小伙伴点击左下角“阅读原文”或上方链接获得完整版代码哦~，关注小编会继续推送更有质量的学习资料、文章程序代码~
