本程序参考中文EI期刊《电力自动化设备》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双重改进，程序注释清晰，干货满满，下面对文章和程序做简要介绍！
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。![]()
格拉姆角场的原理：格拉姆角场（GAF）是一种将一维序列转化为图像的方法,分为格拉姆求和（GASF）场和格拉姆差场（GADF）。它对笛卡尔坐标系下的时间序列进行极坐标编码，再通过三角运算生成格拉姆矩阵，从而将一维时间序列转化为二维图像。转换后的图像可以保留数据的时间依赖性和潜在联系特征，同时具有较大的稀疏性，剔除了多模态间的冗余信息，转化流程如下：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，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格拉姆角场图像。①一路为图像输入经CNN提取格拉姆角场图像特征，②另一路为故障波形直接输入经GRU提取时序特征，高维图像特征和一维时序特征融合。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：
六重创新点：
1、多模态融合：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，从而提高分类和识别的准确性。2、时序信息捕获：GRU（门控循环单元）是一种适用于时序数据的循环神经网络，它能够捕获一维时序信号中的动态变化和趋势。通过将GRU与CNN结合，算法可以同时考虑时序特征和空间特征，进一步提升了算法的性能。3、空间特征学习：CNN（卷积神经网络）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CNN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。4、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。5、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。6、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![]()
![]()
![]()
完整代码：https://mbd.pub/o/bread/ZZiUlZpq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~
