基于GSABO-VMD-CNN-BiLSTM模型的电力电子电路软故障诊断
范皖北1
姜媛媛2
1.安徽理工大学 电气与信息工程学院,安徽 淮南 2320012.安徽理工大学 电气与信息工程学院,安徽 淮南 232001;安徽理工大学 环境友好材料与职业健康研究院,安徽 芜湖 241003
摘要：针对传统电力电子电路软故障诊断中信号特征不足且含噪声导致准确性不高的问题,提出了基于融合黄金正弦的自适应反向传播优化-变分模态分解-卷积神经网络-双向长短期记忆(golden sine adaptive backpropagation optimization-variational mode decomposition-convolutional neural network-bidirectional long short-term memory,GSABO-VMD-CNN-BiLSTM)模型的电力电子电路软故障诊断方法.首先,运用GSABO算法优化VMD参数,以解决模态混叠和端点效应问题.然后,结合最小包络熵和最小排列熵构建复合适应度函数,并利用小波阈值函数进行去噪,从而提升数据质量.最后,提取时域特征输入CNN-BiLSTM模型,完成故障诊断.通过对 150 W的Boost电路进行实验验证,结果显示,该模型的准确率达到了 99.58%,并在不同信噪比下的准确率、召回率等指标上均有不错的表现.该模型能够有效应用于电力电子电路软故障诊断.
关键词：DC/DC电路变分模态分解小波阈值复合适应度函数CNN-BiLSTM
分类号：U226.8+1(电气化铁路)
资助基金：安徽省重点研究与开发计划项目(202104g01020012)
论文发表日期：2025-06-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 259-265 )
英文信息