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复现并改进，该论文推出时间短，复现及改进还没有人应用到其他研究方向，如轴承、变压器、电能质量等方向，这种并行结构区别与传统的搭积木式结构，极易录用！
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求和场和格拉姆差场，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。模型改进：我们提出的模型在上述模型基础上作出改进：采用双支路结构，构造双路并行卷积（Parallel Convolutional Neural Network，PCNN），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GASF求和场输入经CNN提取和场图像特征，②另一路为GADF格拉姆差场，输入经CNN提取差场图像特征，实现两类高维图像特征融合。③融合多头注意力机制(Muti-head Self Attention,MSA)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：
创新点：
1、时序图像化：将一维故障波形转化为二维图像，可以把时间序列转成图⽚，充分利⽤深度学习在图像视觉上的优势,提取波形转换后的颜色纹理等特征。2、多通道输入：将二维GASF和GADF图像融合，可以综合利用不同格拉姆角场的信息，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。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：通过融合不同图像模态的信息，算法可以弥补两种二维图像各自的局限性。例如，GASF图像可能对于某些故障模式更敏感，而GADF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MSA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/ZZqYm59v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~
