开关电源作为各种电气设备的不可或缺的部分,开关电源的健康状况关系到设备运行的可靠性,同时也关系到整个化工厂区生产的安全。由于化工企业工艺流程繁杂,使用大量的电气设备,开关电源损坏也是常见故障,经实测,开关电源中滤波电容失效会对电网注入谐波信号,从而影响电网整体供电质量,严重情况下会引起电网其他电气设备运行异常,产生连锁反应,因此研究开关电源故障预警及诊断具有重要意义。原料比例的变化,负载的改变,温度的变化等因素导致化工生产过程往往是多模态工况,导致单一的神经网络模型在开关电源故障诊断方面精度不够准确。针对这种情况,本课题以工业开关电源为例,提出一种多模态深度神经网络,采用分级式深度神经网络,首先第一级网络对多模态数据进行模态识别,再在第二级网络上对每个模态建立深度神经网络诊断模型,从而提升了多模态工况下开关电源故障诊断精度。本课题首先介绍了开关电源基本原理,分析常见故障电子元器件故障模型和故障模式;阐述了BP神经神经网络的算法核心思想,分析了卷积神经网络(CNN),并且结合了剩余学习的思想,最终构建了一种深度可达几十层的深度残差网络(Res Net),在网络模型的训练上引入超参数优化算法,正则化算法,Dropout等,提升网络模型的鲁棒性。最后将故障诊断模型进行压缩并优化,使之能够移植到Zynq So C开发平台,使得故障诊断具有实际应用价值,并搭建开关电源故障检测系统及友好的界面。