基于改进CNN-GAP-SVM的船舶电力变换器快速故障诊断方法

宫文峰，陈 辉，WANG Danwei，张泽辉，高海波

(1.武汉理工大学 高性能船舶技术教育部重点实验室仿真中心，湖北 武汉 430063；2．桂林电子科技大学北海校区 海洋工程学院，广西 北海 536000；3.南洋理工大学 电子与电气工程学院ST Engineering-NTU联合实验室，新加坡 639798)

0 引言

近十年来，我国在国产航空母舰、新型战略核潜艇、高能电磁炮和新一代电力推进系统等尖端装备研制方面取得了突破性进展，中国已成为世界第一造船大国，也是全球第一航运大国[1-2]。舰船是保障国家海洋主权和实现“海洋强国梦”的重要载体，如今，随着新一代船舶朝着智能化、绿色化和新能源方向快速发展，由电力推进替代传统的机械推进方式成为高技术船舶重要的发展趋势[3-4]。相比传统的机械推进，电力推进具有更好的操控性、轻量化和低噪音，更便于快速机动和紧急静默，且具有节能环保和“零排放”的优点，目前已成为多数海洋强国发展的重点方向[5-6]。通常，电力推进船可由燃料电池、超级电容、太阳能电池、风力发电机、柴油发电机以及核能发电机组等多种方式提供电能，由于电源形式多样，为实现交叉组网和能量变换，电力变换器在船舶电力系统中发挥着极其重要的作用[6-7]。船舶在复杂的海况环境下航行时，受风、浪、流等影响，变换器需要根据负载和用电需求频繁变化，且由于长时间承受过压、过流、过热、频繁变载以及潮湿和腐蚀等影响而易于发生各种故障[8]。电气故障不同于一般的机械故障，其初始特征模糊不明显，故障升级速度快，一旦电力变换器发生故障，若处理不及时，轻则造成元器件损毁、电力系统波动或失衡，重则造成整个电网的瘫痪或系统崩溃，甚至带来人员伤亡[9-10]。因此，开展电力变换器早期故障的快速智能诊断和预警方法研究极为必要，目前已成为业内学者研究的重点[11-15]。

目前，国内外学者针对电气设备故障诊断的研究方法主要有专家系统法[12]、电流检测法[13]、电压检测法[14]、解析模型法[15]、故障树法[16]和基于智能算法的方法[17]。上述方法虽然得到了一定应用，但仍存在一些不足。基于模型的方法通常需要建立精准的数学模型描述故障问题，该方法建模复杂，适用于处理特定问题，其通用性和迁移能力较差[18]。基于专家系统定性分析的诊断方法需要根据专家经验，建立用于诊断的知识库、规则库和推理机，其诊断的准确度取决于专家经验和知识库的完备程度，且该方法难以处理微小故障和特征模糊的故障问题[19]。近年来，随着机器学习研究的不断兴起，基于支持向量机(Support Vector Machine, SVM)、极限学习机(Extreme Learning Machine, ELM)、K近邻法(K-Nearest Neighbor, KNN)和人工神经网络(Artificial Neural Network, ANN)等智能算法已被广泛应用于故障诊断中[19-21]。然而，此类浅层机器学习算法采用了较为简单的模型结构，其较差的特征提取能力难以直接从原始故障数据中辨识微小的故障特征[18]。为此，业内学者通常首先运用诸如经验模态分解(Empirical Mode Decomposition, EMD)[20]、小波变换(Wavelet Transform, WT)[22]、快速傅里叶变换(Fast Fourier Transform, FFT)[23]和统计特征[24]等传统的特征提取方法，根据经验对原始故障数据进行特征提取和特征选择，然后再将精选的主要特征输入到浅层机器学习算法中，完成最终的故障分类[18]，此类组合方法虽然取得了一定效果，但是采用EMD、FFT和WT等方法人工提取的特征往往依赖于工程师凭经验和专业知识完成，存在较大的主观和盲目性，诊断效果很大程度上取决于技术人员的经验水平，并且很多反映早期故障的微小特征很难被捕捉和提取，不利于早期电气故障的快速诊断[24-25]。

近5年来，深度学习技术在模式识别领域取得了举世瞩目的成效，卷积神经网络(Convolutional Neural Network, CNN)作为一种典型的深度学习算法，因其强大的特征提取能力和非线性映射能力，可以直接从原始数据中提取代表特征，从而避免了传统智能诊断方法中需要采用多种信号处理方法根据专家经验提取特征的繁琐操作[26]，CNN相比传统的浅层机器学习算法在模式分类性能上具有显著的优势，目前已得到故障诊断业内学者的广泛关注[23-25]。WANG等[23]提出一种基于FFT和多层CNN相结合的方法，用于电动机故障诊断，但是该方法仍然需要使用传统的FFT方法对原始数据提取频谱特征；WEN等[28]提出一种4层的CNN算法，并直接采用原始时域信号进行故障诊断，进而改进了WANG等[23]方法的不足，然而该算法仍然包含了一个具有3层隐含层的全连接网络层(Fully Connected, FC)作为最终分类层，存在巨大的训练参数量，从而导致模型的训练时间和测试时间较长，不利于电气类故障的快速诊断。

针对以上不足，本文提出一种基于改进的CNN-GAP-SVM的深度学习新算法，用于电力变换器的快速故障诊断。首先，该方法采用数据重构的方法将原始的一维时间序列故障数据转变为二维特征图训练样本；其次，设计了一个维度自适应的全局均值池化层(Global Average Pooling, GAP)代替传统CNN中的2～3层的全连接层结构，从而减少了诊断模型的总参数量和诊断时间；然后，在模型的测试阶段设计了一个非线性SVM代替传统CNN中的Softmax分类器，从而进一步提升诊断准确率。本文所提出的方法可直接对电力变换器的原始输出信号进行特征自动提取，诊断结果和误分类信息自动输出，端到端的算法结构无需任何人工特征提取操作。经DC-DC变换器的故障诊断实验表明，所提方法相比传统的智能诊断方法具有更高的诊断准确率和更快的诊断速度。

1 传统卷积神经网络

CNN是一种特殊的前馈式深度学习算法[18]，具有强大的特征提取能力，目前主要应用于图像识别和自然语言处理领域[29]。CNN不同于传统的全连接式BP(back propagation)神经网络，它通过采用卷积和池化两种特殊的操作算子模拟动物视觉系统的工作原理[25]，并引入稀疏式连接和参数权共享机制在时间和空间上降维采样以精减数据维度，极大地减少了模型参数量[29]。CNN通过构建多个虚拟神经元滤波器，从输入图像中逐层提取代表特征，其强大的非线性特征映射能力具备辨识微小故障的潜力[18]，如图1所示为卷积神经网络的基本架构[25]。

如图1所示，传统的CNN主要由卷积层、池化层、全连接层和Softmax分类器组成[29]。卷积层和池化层用于提取和筛选图像特征，全连接层用于进一步提取池化层的输出特征，Softmax层将全连接层的输出作归一化处理，使其符合概率分布[23]。经过大量的实验研究发现，该类应用于计算机视觉领域的传统CNN算法若直接应用于电气故障诊断中应注意以下3点问题：

(1) 电气故障诊断不同于图像识别和语音识别任务，电气故障诊断的关键在于快速辨识早期微小故障特征与正常状态的区别，并非目标匹配，因此，主流的VGGNet、GoogleNet 和ResNet等复杂模型并不适合直接迁移应用在电气故障诊断领域问题中。

(2) 传统CNN模型中2～3层的全连接层结构带入了过多的训练参数量，该部分占据了CNN总参数量的80%～90%[30]，过多的训练参数不仅容易引起训练过拟合，还将导致增加模型的训练难度和测试时间，不利于电气故障的快速诊断。

(3) 传统CNN模型中通常采用Softmax函数作为分类器，而Softmax实质上只是将全连接层输出结果转变为符合概率分布的简单变换[23]，并没有为CNN的诊断性能提高带来任何帮助，因此，难以进一步提升最终的诊断准确率。

2 改进的CNN-GAP-SVM诊断算法

针对传统CNN和现有浅层智能诊断算法的不足，结合电力变换器对故障诊断的快速实时性要求，本文提出一种改进的CNN-GAP-SVM新算法，用于电力变换器IGBT开路故障的快速诊断，其框架结构如图2所示。该诊断框架包含3个模块：最上层为故障诊断的结果输出及可视化模块，最底层为故障数据采集模块，中间层为提出的CNN-GAP-SVM诊断算法模块。该算法主要由输入层、特征提取层、GAP层和SVM输出层组成。原始的电力变换器故障监测数据直接输入到模型输入层进行数据处理，特征提取层自动进行特征提取和稀疏处理等操作，GAP层自动完成维度变换和参数量压缩和精减，最终的诊断结果和误分类信息由SVM分类器自动输出，“端到端”的算法结构无需依照专家经验对原始数据做任何的手工特征提取和特征选择操作，具有良好的可操作性和通用性。

本文提出的算法将CNN强大的特征提取能力和SVM优越的多分类功能相结合，主要改进包括以下两个方面：①为了改善传统CNN模型中因2～3层的全连接层所产生的巨大参数量而导致模型的训练时间和测试时间过长的不足，所提算法中设计了一个具有维度自适应的全局均值池化层代替该全连接层部分，从而有效减少了CNN模型的总参数量、训练时间和诊断时间，GAP层可自动地根据特征提取层的输出维度与输出层的输入维度之间进行衔接和维度变换，实现网络层间的连接和特征传递；②为了进一步提升诊断准确率，该方法在输出层中设计了一个n分类的非线性SVM代替传统CNN中的Softmax分类器，最终的诊断结果由SVM分类器输出，所提方法既可以提高诊断速度又能进一步提升诊断准确率。如图3所示为所提算法的诊断流程图，该诊断方法的基本流程和步骤如下：

步骤1采集DC-DC电力变换器的输出信号数据，如输出电压信号或电流信号。

步骤2将原始的故障监测数据输入到诊断模型中，输入层将自动对原始一维时间序列数据进行必要的数据处理，主要包括噪音滤波、数据规范化、数据重构和二维特征图训练样本生成等。

步骤3数据集划分。将所有数据集样本随机划分为训练集、验证集和测试集。

步骤4建立CNN-GAP-SVM诊断模型，初始化模型训练参数值。

步骤5执行模型的训练、验证和测试，将训练数据集输入到建立的CNN-GAP-SVM诊断模型进行模型训练，训练过程中采用梯度下降反向传播算法进行参数更新，训练过程中实时调用验证集数据对损失误差和准确率进行验证，考察过拟合和收敛情况；在给定的迭代次数内，如果模型的准确率和损失值达到要求，则执行步骤6，否则转步骤4修改模型进行调参，依次循环，最后保存最佳的CNN-GAP-SVM模型超参数和权重。

步骤6最后，将测试集数据输入到训练好的CNN-GAP-SVM模型中，输出电力变换器的故障诊断结果。

在提出的CNN-GAP-SVM算法中，训练过程包含前向传播计算和误差反向传播两个过程。

2.1 前向传播计算阶段

2.1.1 输入层(Input Layer, IL)

输入层是一个具有数据格式化处理功能的接口层，主要用于接收原始数据，并对其进行噪音滤波、数据归一化和格式标准化处理，从而产生CNN模型可识别的二维特征图训练样本。通常，电力变换器的实际监测信号中会掺杂一些噪音干扰，这些噪音多为高频信号，且与正常和故障状态时的信号波形具有明显的差异性，为提高信号质量，在采集系统中可提前设置滤波方法滤除噪音[31]。由于CNN要求的数据格式是二维图像数据[29]，然而，在故障监测系统中采集到的原始数据是一些杂乱无序的一维时间序列数据，这些数据无法被CNN诊断模型直接使用，为符合CNN算法对训练样本二维图像的格式要求，本文采用数据重构[18]的方法将采集的原始一维时间序列数据转变为二维图像格式，用于CNN的训练和测试，其数据重构方法如图4所示。

2.1.2 特征提取层(Feature Extraction Layer, FEL)

特征提取层是CNN-GAP-SVM算法的关键，主要用于故障特征的深度提取，由多个依次堆叠的卷积层和池化层组成。

(1) 卷积层 (Convolution Layer, CL)

卷积运算是CNN的核心模块，它采用矩形的卷积核遍历输入特征图上的每一个元素，输入特征图与卷积核相重合区域内对应点相乘后求和，再加上偏置，得到输出特征图中的一个值[25]。卷积操作的数学表达如式(1)所示[23]：

Xi=f(Wi⊗Xi-1+Bi)。

(1)

式中：⊗表示卷积运算符；Xi-1为输入特征图；Xi为输出特征图；Wi为卷积核权重；Bi为偏置；f(·)为激活函数，在CNN中常用ReLU[29]作为激活函数，其数学表达式为：

f(x)=max(0,x),x∈(-∞,+∞)。

(2)

(2) 池化层(Pooling Layer, PL)

池化层位于卷积层之后，主要作用是对卷积运算后得到的输出特征图进行降维减参[25]。常用的池化操作主要有最大池化和均值池化[29]。在CNN中最常用的是最大池化，其数学表达式[18]为：

(3)

式中：Pi为最大池化后的输出特征图；Xi(tx,y)为输出特征图的第tx,y个像素值；S和H分别为池化窗的宽度和高度；max(·)表示取最大值。

2.1.3 全局均值池化层(GAP)

为达到电气故障快速诊断的目的，本文算法中设计了一个具有维度自适应的全局均值池化层来代替传统CNN模型中2～3层的全连接网络层部分，该GAP层可根据CNN的输出维度和故障类别数自适应地调整GAP匹配参数。通过GAP操作，CNN可有效减少模型的参数量达90%以上，从而提高故障诊断的速度。在所提方法中，该GAP层的结构设计为一个[m,a×b,n]的张量矩阵，其中m表示输入GAP层的特征图通道数，a×b表示前一层网络输入给GAP层的特征图尺寸，n表示GAP层的全局均值池化核的数量，对应n个故障类别。在本算法设计中，当任意一张特征图输入GAP层时，GAP层会自动匹配GAP池化核的个数和维度。对于n分类问题，GAP层将采用n个全局均值池化核对输入GAP层的特征图执行全局均值池化操作，每个GAP池化核的尺寸设计为与被池化的特征图尺寸完全相同，并对池化核内[a×b]的所有元素值计算一个全局平均值作为最终代表特征值[25]，最后n个GAP池化核计算得到n个与传统CNN的全连接层效果一样的值，GAP操作的数学表达式为：

(4)

2.1.4 SVM输出层

SVM是最早由VAPNIK等[32]根据统计学习理论提出的具有严谨数学推理的经典二分类模型，在解决小样本和多分类等任务中，SVM相比传统CNN中的Softmax末端分类函数具有更加优越的分类性能[33]。为进一步提升诊断的准确性，在所提算法中使用非线性的SVM代替Softmax函数作为最终分类器。 SVM将GAP层输出的稀疏特征数据作为输入，通过使用核技巧和软间隔最大化，在高维特征空间里构建最大软间隔分离超平面，完成最终的分类，SVM的数学模型[34]为：

(5)

式中w和b为优化参数，通过调整w和b，使目标函数最小化，从而得到最大软间隔分离超平面。本文采用高斯径向基核函数，构建的分类决策函数[18]可表示为：

(6)

2.2 误差反向传播阶段

本文采用误差BP算法[29]进行模型训练和参数更新，并使用Adam自适应学习率梯度下降法[25]调整各层之间的参数。为了有效执行BP计算，在训练过程中先采用Softmax函数对GAP层的输出结果执行归一化操作，再将归一化后的结果与该样本对应的真实标签相比较即可计算得到误差损失值。本算法使用了交叉熵损失函数，其数学表达式[18]为：

(7)

(8)

(9)

式中：w′和b′分别为更新后的权重和偏置；w和b为当前的权重和偏置；η∈(0,1)为学习率。训练的过程即不断调整w和b，以最小化J(w)。

3 实验验证

为验证改进的CNN-GAP-SVM诊断算法的有效性和准确性，本实验以某新型电动船的某隔离型三相全桥式双向DC-DC变换器作为实验对象。

3.1 隔离型三相桥式双向DC-DC变换器

隔离型双向DC-DC变换器是电力推进船中重要的功能部件，其具有电力变换效率高、输出形式多样、稳压范围宽和能够适应高/低压变换的特点，目前在新能源电动船舶上应用广泛，其工作原理如图5所示[35]。该变换器的三相全桥式结构由3个单相双半桥DC-DC结构组成，三相之间以120°相位交错工作，其输入侧和输出侧之间设置有高频变压器，能够实现良好的电气隔离，通过合适的变压器匝比设计可以匹配不同的电压等级，拓宽了升、降压范围[36]。作者团队采用MATLAB Simulink软件搭建了该DC-DC变换器的仿真模型，如图6所示。该模型包括一个100 V的直流电源，高频变压器的主侧和次侧分别由功率开关器件G1～G6和G7～G12组成全桥整流电路，低压侧与高压侧之间的升压比为1∶4，其主要参数如表1所示。

表1 隔离型双向DC-DC变换器模型参数

根据国内外相关研究，电力变换器故障多数是由主电路上的功率开关器件损坏引起的，尤其是以逆变电路上的高频率绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor, IGBT)开路故障居多，约占所有故障的38%[10-11]。IGBT在高频次状态下工作，其损耗大、发热严重，最易出现故障失效，主要类型有开关短路故障(Short-Circuit Fault, SCF)和开关开路故障(Open-Circuit Fault, OCF)[37]。短路故障往往伴随着瞬间毁坏性大电流，针对短路故障，DC-DC变换器一般设有过流检测电路，一旦出现过流将会在微秒间切断供电并触发故障警报[13]。相对于SCF而言，开路故障发生时电网系统仍能继续工作，由于早期的IGBT开路故障外部表现很微弱、故障特征不明显，其量级并不容易激活电网系统的保护程序[37]，使得该故障很难被人工早期发现，若IGBT的开路故障处理不及时，将会快速影响其他IGBT产生过流，导致从微小故障快速转变为重大显著故障。因此，本实验重点讨论电力变换器的单个IGBT发生开路故障时的快速诊断方法。

3.2 故障数据集

本实验直接采用DC-DC变换器的末端输出电压信号原始数据作为诊断模型的实验数据。考虑到每一个IGBT出现故障的可能性，本实验依次采集12个IGBT出现开路故障时的数据，从而得到12种故障状态和1个正常状态数据集。故障数据采样频率为24 kHz，每个状态采集25 s，共计60万个数据点，每种故障划分为1 000个样本段，每个样本包含600个数据点，13种状态共有13 000个样本。按照图4所示的数据重构方法，将每一个形状为[600,1]的序列样本转变为[30, 20, 1]的二维特征图格式，其中1表示1通道，因此每类故障状态有1 000个输入特征图样本。本实验对每类故障的1 000个样本随机取出70%作为训练数据集，剩余30%作为测试数据集，在训练数据集中随机取出20%作为验证数据集，因此，总的测试集样本为3 900个，最终的DC-DC变换器的故障数据集描述如表2所示。如图7所示为变换器IGBT1～IGBT6依次出现开路故障时的输出电压波形，由图7可知，不同故障之间波形极其相似。

表2 DC-DC变换器开路故障数据集

3.3 CNN-GAP-SVM故障诊断结果

(1)模型建立

建立合适的CNN-GAP-SVM模型拓扑结构和选择合理的模型超参数对故障诊断效果的影响至关重要，本实验经过多次反复计算，对激活函数、优化器、学习率、卷积核与池化核等超参数进行了调试，最终建立了故障诊断准确率相对最优的模型结构，如图8所示，其详细超参数如表3所示。由图8和表3可以看出，本模型包含2个卷积层，原始输入特征图经过第一个卷积层操作后输出为64个特征图，在经过第二个卷积层操作后输出为13个特征图(对应13个类别)，在第二个卷积层后设置了全局均值池化层，最后由分类输出层完成故障的分类。

从表3可以看出，整个模型的总参数量仅为8 323个，若采用传统CNN模型，假设有2个隐含层，第1隐含层节点为128，第2节点为13，由于CNN特征提取层的输出为[12, 7, 13]，则需要通过Flatten函数将其拉直展成为一维序列才能输入到全连接层，即拉直后的序列长度为12×7×13=1092，此处全连接层为3层，其神经元节点为1092-128-13，3层的全连接层产生的总参数量高达149 722个，比提出的CNN-GAP-SVM算法总参数量多了近18倍之多。因此，提出的CNN-GAP-SVM算法可以极大地减少模型训练参数量，从而有效减少计算时间，提高了故障诊断的速度，两者参数量对比如表4所示。

表3 建立的CNN-GAP-SVM故障诊断模型参数表

续表3

表4中各网络层的参数量计算方法[25]如下：

(10)

式中：CNNnum为卷积层的参数个数；DBNnum为全连接层的参数个数；Knum为卷积核的个数，即输出通道数；kheight为卷积核的高度尺寸；kwidth为卷积核的宽度尺寸；Inum为输入卷积层的数据通道数；Bnum为卷积层的偏置参数个数；Ninput为全连接层输入参数的维度数，即输入网络节点数；Noutput为全连接输出结点的个数。

表4 模型训练参数量对比表

(2)故障诊断结果分析

根据上述工作，将表2所示的故障数据集输入表3所示的CNN-GAP-SVM模型中进行训练。本实验采用Adam优化器，mini-batch为128，学习率自适应调整，循环迭代次数为50，其准确率与损失下降曲线如图9所示，经过反复调参，SVM的最终超参数设置为惩罚系数C=10、高斯径向基核函数、松弛变量ξ=0.1，最终的故障诊断结果和运行时间如表5所示。本文引入了精确率和召回率[18]对最终故障诊断结果进行评估，在表5中，左侧为传统CNN算法的诊断结果，右侧为改进CNN-GAP-SVM诊断的结果，可以看出：所提方法的F1均值诊断准确率已从传统CNN方法的98.82%提升至100%。

从表5可以看出，提出的CNN-GAP-SVM性能明显优于CNN-softmax算法，在准确率方面，传统的CNN-softmax模型对3 900个测试样本的分类准确率为98.82%，而改进的CNN-GAP-SVM算法的诊断准确率已高达100%，由此可见SVM发挥的作用尤其明显。在训练时间方面，传统CNN-softmax算法对7 280个训练集样本的训练时间为548.79 s，而改进的CNN-GAP-SVM算法训练时间为476.49 s。在测试时间方面,传统CNN-softmax算法对3 900个测试样本的测试时间为2.021 s，而改进CNN-GAP-SVM算法的总测试时间仅为1.541 s，减少23.7%的诊断时间，这对电气故障的快速诊断极为重要。为进一步量化诊断模型正确分类和误分类的数量和位置，本文引入多分类混淆矩阵[25]对表5所示的诊断结果进行量化，如图10所示。

表5 故障诊断结果评估

在图10中：每一类故障的测试集样本数为300个，共13类工作状态；主对角线上的数字代表了CNN-GAP-SVM算法对每一类故障状态正确诊断的样本个数。如图10a所示为传统CNN-Softmax的诊断结果，可以看出，3 900个样本中有46个样本出现错判，其中有14个IGBT1开路故障被误判为IGBT5开路故障，有2个故障1被误判为故障7，有30个故障7被误判为故障10。如图10b所示为CNN-GAP-SVM诊断的结果，没有样本被误判，诊断准确率高达100%。实验表明，本文提出的CNN-GAP-SVM方法在保证100%准确率的前提下具备更快的诊断速度和更好的诊断性能。

3.4 特征提取可视化

卷积神经网络具备强大的深度特征自动提取能力，然而CNN一直被当作黑箱子来对待。为进一步说明CNN-GAP-SVM模型的不同网络层级对故障特征的提取效果，本实验引入流形学习中最常用的t-SNE[18]技术对CNN各层提出的特征数据进行降维可视化。本实验以测试集的3 900个原始故障样本为输入，采用t-SNE降维至三维进行可视化输出，如图11所示。如图11a所示为原始故障样本分布，图11b为经过第1卷积层特征提取后的故障样本分布，图11c为Softmax层输出的故障样本，图11d为SVM分类后的数据分布。从图11a～图11d看出，原始数据分布散乱无序，经过第1卷积层、第2卷积层和全局均值池化层处理后的故障样本逐步聚集在一起，在图11c所示的Softmax层中，样本数据仍有部分误分类，这与诊断结果相吻合；在图11d所示的SVM输出层，所有样本被准确的区分，各自聚集在一起，得到13个样本群。由此可见，本文提出的CNN-GAP-SVM算法对原始故障数据逐层自动特征提取的效果十分显著。

3.5 与其他算法对比验证

为进一步验证本文提出的CNN-GAP-SVM算法智能诊断的优越性，本实验将提出的方法与当前主流的支持向量机(SVM)、K近邻(KNN)和深度BP神经网络(Deep BP Neural Network,DNN)等智能算法进行综合对比验证。对比实验仍采用表2所示的故障数据集作为上述3种算法的输入依次进行测试。在传统的故障诊断方法中，特征提取至关重要，常用的方法有小波变换(WT)、经验模态分析(EMD)、快速傅立叶变换(FFT)和统计特征(Statistical Feature,SF)等，前3种方法已在诸多文献中被证明在特征提取方面CNN更具优越性[23,27,33]，统计特征(SF)由于具有较好的可操作性和适应性被广泛应用，XIA等[24]和SHAO等[26]采用SF提取了原始数据的时域和频域特征。本实验采用相同的对比方法，从原始的故障数据中提取了14个统计特征，包含10个时域特征和4个频域特征，如表6所示[25]，提取的14个统计特征用于SVM和KNN的诊断，DNN和CNN直接采用原始数据，实验结果如表7所示。由表7可明显看出，SVM、KNN、DNN和传统CNN的准确率分别为93.38%、96.51%、97.26%和98.82%，而本文改进的方法准确率高达100%，对比实验表明，所提算法的诊断性能明显优于其他诊断算法。

表6 时域和频域特征提取方法

表7 5种算法诊断准确率数据表 %

续表7

4 结束语

针对传统的智能故障诊断方法与现行CNN算法的不足，本文提出一种基于改进CNN-GAP-SVM的深度学习新方法，用于DC-DC变换器开路故障的快速智能诊断。该方法通过设计一个具有维度自适应的全局均值池化层和一个非线性的SVM分类器分别代替传统CNN中2～3层的全连接层和Softmax分类函数。所提算法由一个输入层、特征提取层、全局均值池化层和SVM分类输出层组成，首先，原始的故障数据直接输入模型的输入层进行数据处理和数据重构；其次，特征提取层自动完成特征提取和数据挖掘；然后，全局均值池化层进一步完成维度变换和参数量精减；最后，诊断准确率再由SVM进一步提升和输出。

通过将提出的方法用于DC-DC电力变换器的IGBT开路故障诊断，并与主流的SVM、KNN和DNN及传统CNN进行对比验证，结果表明：所提方法具有更高的诊断准确率和更快的诊断速度，在诊断准确率方面，4种对比方法的准确率分别为：93.38%、96.51%、97.26%和98.82%，而提出的方法高达100%；在诊断速度方面，提出的CNN-GAP-SVM算法可提升诊断速度达23%，并可减少模型参数量90%以上。本文所提方法不但可以取得更加优越的诊断性能，而且无需对原始数据作任何的手工特征提取操作，“端到端”的算法结构更加适用于电力变换器等电气设备故障的快速智能诊断。

未来，作者团队将继续在基于深度学习的船舶机电系统故障预测和在线健康评估方向开展持续性研究。