基于连续小波变换与卷积神经网络的电力电子变换器开路故障诊断方法研究

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Detecting Open-Circuit Faults in Power Electronic Converters Using Continuous Wavelet Transform and Convolutional Neural Networks for Simultaneous Charging Systems

本刊推荐一项关于电力电子变换器故障诊断的创新研究。针对同步充电系统中双有源桥(DAB)DC-DC变换器的开路故障(OCFs)检测难题，研究团队提出了一种结合连续小波变换(CWT)和AlexNet卷积神经网络(CNN)的智能诊断策略。该方法通过平均电压值快速识别故障开关，利用CWT将电压信号转换为二维时频图，再经CNN实现故障精确定位。仿真结果表明，该策略在降低传感器数量的同时实现了高精度故障诊断，为提升电动汽车充电系统可靠性提供了有效解决方案。

　　

随着电动汽车在全球范围内的快速普及，充电基础设施的可靠性已成为制约其发展的关键因素。同步充电技术通过同时为多辆电动汽车充电，可显著缩短用户等待时间，但这对充电系统核心部件——功率电子变换器的可靠性提出了更高要求。其中，双有源桥(Dual-Active-Bridge, DAB)DC-DC变换器因其高效率、电气隔离和双向功率流能力，成为同步充电系统的理想选择。然而，DAB变换器中的绝缘栅双极型晶体管(IGBT)和金属氧化物半导体场效应晶体管(MOSFET)等功率开关器件，由于频繁的开关操作、热应力和电应力，极易发生故障。特别是开路故障(Open-Circuit Faults, OCFs)，虽不如短路故障严重，但会导致系统应力增加，若不及时检测，可能引发连锁故障，造成整个充电系统瘫痪。

传统故障诊断方法存在明显局限性：信号处理方法特征提取能力弱，模型构建方法需要精确数学模型，数据驱动方法虽有所进展但仍受限于传感器数量和特征表达能力。更棘手的是，同步充电系统中的DAB变换器通常包含12个功率开关，传统方法难以在保证经济性的前提下实现精准故障定位。针对这一技术瓶颈，来自埃及艾斯尤特大学和德国慕尼黑工业大学的Khaled Sayed Abd El-Naeem研究团队在《Arabian Journal for Science and Engineering》上发表了一项创新研究，提出了一种基于连续小波变换(Continuous Wavelet Transform, CWT)和卷积神经网络(Convolutional Neural Networks, CNN)的智能故障诊断策略。

研究团队采用了一种巧妙的数据采集方案，通过测量开关对中点电压(V_A-V_F)而非传统的交流输出电压信号，有效解决了故障定位模糊问题。在数据预处理阶段，利用复杂Morlet小波进行连续小波变换，将一维电压信号转换为包含丰富时频信息的二维尺度图。这些尺度图随后被输入到经过改进的AlexNet卷积神经网络中，该网络包含5个卷积层、3个池化层和3个全连接层，能够自动学习故障特征并进行精确分类。

关键技术方法包括：通过MATLAB/SimULINK构建同步充电系统仿真模型，模拟不同开关在各种荷电状态(15%-90%)下的开路故障；采用连续小波变换(CWT)将电压信号转换为时频尺度图；利用AlexNet卷积神经网络(CNN)进行特征学习和故障分类；通过五折交叉验证评估模型性能；系统研究传感器数量对诊断准确率的影响。

研究结果验证了所提方法的有效性。正常工况下，中点电压呈现标准的方波波形，而故障开关会导致对应中点电压信号产生明显畸变。通过CWT转换后的时频图清晰展示了不同开关故障的独特特征模式，为CNN准确分类提供了可靠依据。

模型性能验证表明，在采用六个电压传感器的完整配置下，CNN模型经过10个训练周期后，对测试数据集的分类准确率达到100%。五折交叉验证的平均准确率高达99.91%，各项评估指标(精确度、召回率、F1分数)均接近完美值。混淆矩阵分析显示，模型能够准确区分12种开关故障和正常状态，无任何误分类情况。

传感器数量优化研究是本研究的一大亮点。团队系统评估了传感器数量从6个逐步减少到1个时的诊断性能。令人惊喜的是，即使仅使用单个传感器(V_E)，经过125个训练周期后，模型仍能达到99.2%的准确率。这一发现极大降低了系统复杂度和成本，为实际工程应用提供了重要参考。

故障特征可视化分析通过对比不同开关故障下的电压信号和对应CWT时频图，直观展示了故障特征的独特性。例如，S₁和S₂开关故障在V_A电压信号上产生明显畸变，而其CWT时频图呈现出独特的能量分布模式，这些特征成为CNN准确识别不同故障的基础。

研究结论明确指出，基于CWT-CNN的故障诊断策略成功解决了同步充电系统中DAB变换器的开路故障检测难题。该方法创新性地利用中点电压信号而非传统交流输出电压，结合先进的时频分析和深度学习技术，实现了在多种工况下的高精度故障定位。特别值得强调的是，该方法在保证高准确率的同时，显著降低了传感器需求，单传感器配置下仍保持优异性能，展现出强大的工程实用价值。

讨论部分深入分析了所提方法相较于传统技术的优势。与基于快速傅里叶变换(Fast Fourier Transform, FFT)的方法相比，CWT能够同时保留信号的时间和频率信息，更适合分析非平稳故障信号。与一维CNN和短时傅里叶变换(Short-Time Fourier Transform, STFT)-CNN相比，CWT-CNN组合凭借其优异的时频分辨能力和特征学习能力，实现了更高的诊断准确率。AlexNet网络的深层结构、ReLU激活函数和dropout层设计，有效防止了过拟合，确保了模型的泛化能力。

这项研究的实际意义在于为电动汽车充电基础设施提供了一种经济、可靠的故障诊断解决方案。通过早期准确检测开路故障，可以避免系统进一步损坏，减少维护成本，提高充电站运营效率。随着电动汽车市场的持续扩张，这种智能诊断方法有望成为保障充电网络可靠运行的关键技术，推动可持续交通系统的健康发展。未来研究方向包括将该方法扩展到其他类型故障诊断，以及在真实噪声环境下验证其鲁棒性，进一步推动其向实际工程应用转化。