随着电力电子技术和半导体技术的不断发展,多电平逆变器逐渐成为某些高压、大功率应用场合的主流选择,这其中又以中点钳位型（Neutral Point Clamped,NPC）三电平逆变器的使用较为广泛。相较于传统的两电平逆变器,NPC型三电平逆变器具有功率管电压应力低、输出波形畸变率低、谐波小等优势,但由于其功率管数量多、拓扑结构复杂,导致出现故障的概率也大大增加。本文针对NPC型三电平逆变器的核心元件IGBT（Insulated Gate Bipolar Transistor）功率管的开路问题,研究其故障诊断方法来实现对故障管的识别与定位,从而提高逆变器的可靠性,在工程应用上具有一定的价值。本文首先针对电力电子变换器故障诊断技术的国内外研究现状作了较为全面地综述,介绍了NPC型三电平逆变器的拓扑结构、工作原理和调制技术,并通过对NPC型三电平逆变器的故障分析,总结其主要的功率管开路故障类型。针对永磁同步电机矢量控制系统中的NPC型三电平逆变器单管开路故障问题,本文研究了一种基于信号处理的、实时的诊断方法。在MATLAB/Simulink环境下建立系统仿真模型对故障进行分析,选择三相电流原始信号作为研究基础。首先通过NPC型三电平逆变器拓扑结构的对称性来检测开路故障的产生,接着根据故障特征量来设计诊断算法,进而完成对包含健康状态在内的13种故障类型的诊断。设计搭建物理实验平台,对该诊断方法进行验证。实验结果表明,该诊断方法能在开路故障发生后的一个电流基波周期内检测到故障产生,并准确定位到故障管。因此,该方法的有效性和快速性得到了验证。针对NPC型三电平逆变器的单管开路和双管复合开路故障问题,研究了一种基于一维卷积神经网络（One Dimensional Convolutional Neural Network,1DCNN）的诊断方法。采集各种故障状态下的电流信号作为故障数据集,构建1DCNN模型并确定网络结构和参数。通过故障数据集制作样本并输入到1D-CNN模型中,对模型进行训练和优化。在确定适合模型的相关参数后,采用数据集增强（Data Augment）技术来扩充样本数量,进一步提升模型的训练效果。实验结果显示,训练好的1D-CNN模型性能优异,在测试集上能够达到较高的诊断准确率。考虑到卷积神经网络在图像识别领域具有独特的优势,研究了一种基于格拉姆角场（Gramian Angular Field,GAF）和卷积神经网络相结合的诊断方法。通过GAF技术将一维的故障数据样本转化为二维的图像样本,同时保留完整的故障特征。将二维的图像样本输入到构建完成的GAF-CNN模型中,对模型进行训练和优化。为了提高网络模型的诊断性能和泛化能力,加入批量归一化算法,并通过实验来验证其有效性。实验结果显示,训练好的GAF-CNN模型性能优异,在测试集上能够达到较高的诊断准确率。该论文有图41幅,表9个,参考文献76篇。