仿真为三相双闭环系统，可用于三相逆变器故障诊断 仿真可以持续生成数据，可以看故障波形 仿真可控制6个IGBT的导通和关断 单管，双管（包括同相，同侧，交叉）故障 带数据集（一维），数据集包括22种故障类型 一种正常，21种故障h可以用深度学习做故障诊断 还有一维数据转二维图像的代码（马尔可夫转移场，格拉姆角场，相对位移矩阵法） 具体细节

咱们先来瞅瞅这个系统的核心——三相双闭环控制系统。这玩意儿就像个精密的外科医生，实时监测输出电压和电流，通过电压外环和电流内环的配合，把PWM调制玩得出神入化。重点来了，这系统能故意搞事情！通过控制6个IGBT的开通关断，可以模拟出单管炸机、同相上下管一起挂彩、甚至交叉短路等21种花式故障。

举个栗子，想搞个单管开路故障？在Simulink里直接给对应IGBT的驱动信号上锁就行。这时候观察输出波形，原本规整的三相电压立马开始蹦迪——某相电压突然塌陷，电流波形出现明显畸变，就像心电图突然抽风了一样。

`python

# 伪代码示意故障注入

def injectfault(switchstates):

# switch_states是6位列表，对应6个IGBT的状态

if faulttype == 'singleopen':

switch_states[2] = 0 # 让第三个IGBT保持关断

elif faulttype == 'crossshort':

switch_states[1] = 1 # 非常规触发组合

switch_states[4] = 1

return generatewaveform(switchstates)

`

数据集生成才是重头戏。22类故障（含正常状态）每种采集5000个周波，采样率设到10kHz以上。这里有个骚操作：用滑窗法切片段，每个样本包含故障发生前后各3个周波。这样处理后的数据既保留了故障特征，又能让模型学会识别故障起始点。

仿真为三相双闭环系统，可用于三相逆变器故障诊断 仿真可以持续生成数据，可以看故障波形 仿真可控制6个IGBT的导通和关断 单管，双管（包括同相，同侧，交叉）故障 带数据集（一维），数据集包括22种故障类型 一种正常，21种故障h可以用深度学习做故障诊断 还有一维数据转二维图像的代码（马尔可夫转移场，格拉姆角场，相对位移矩阵法） 具体细节

说到时频转换，马尔可夫转移场（MTF）简直不要太香！把一维电流信号转换成彩图，肉眼都能看出不同故障的纹理差异。上段核心代码：

`python

def markovtransitionfield(signal, bins=8):

# 先给信号分箱，类似量化操作

qt = np.digitize(signal, np.histogram(signal, bins)[1][:-1])

mtf = np.zeros((bins, bins))

# 统计状态转移概率

for i in range(len(qt)-1):

mtf[qt[i], qt[i+1]] += 1

# 归一化并生成图像矩阵

return mtf / mtf.sum(axis=1, keepdims=True)

`

训练模型时有个坑要注意：直接用原始波形训练CNN准确率可能不到80%，但经过MTF转换后能飙到95%以上。这是因为图像化的数据更好地保留了时间序列的转移特征，比原始波形多了空间维度的信息。

实测中发现，当出现同侧双管故障时，格拉姆角场生成的图像会出现明显对角线特征；而交叉故障在相对位移矩阵中会呈现块状纹理。这些视觉特征和故障时的电流矢量轨迹突变有直接对应关系——毕竟不同故障类型的电流路径差异会体现在信号相关性上。

最后来个硬核技巧：在数据预处理时加入负载突变干扰，这样训练出来的模型鲁棒性直接拉满。毕竟真实场景中，故障可能发生在任何负载状态下，不能让模型只会认实验室环境里的完美数据。