摘要
助推斩波器是高速磁悬浮列车440伏电网中的核心电气组件，可为电池充电及辅助系统提供稳定电力。对助推斩波器进行故障诊断对于识别运行故障并保障列车稳定运行至关重要。然而，这类故障既存在长周期波动特征，又具有瞬态特性，单一流形结构难以同时捕捉这些特征。本文提出一种基于TimesNet-CNN双分支架构的多尺度故障诊断方法，构建了并行互补的特征提取机制。TimesNet分支利用快速傅里叶变换自适应识别主导周期，将一维序列转换为二维结构，通过Inception卷积函数清晰呈现周期内波动与周期间趋势的整体演变规律；而CNN分支则借助多层小卷积核及分层下采样技术，提取局部高频异常特征。经过特征融合后，该方法能够同时有效区分全局周期性特征与局部瞬态特征。最后，研究在包含11种系统状态（10种故障类型和1种正常状态）的真实数据集上进行了实验，结果表明该方法的精确度、召回率及F1分数均优于TimesNet、CNN、ResNet和Informer模型，从而证明了双分支特征融合机制在捕捉多尺度故障特征、实现助推斩波器故障高精度识别方面的有效性。
