励磁装置对同步发电机和电力系统的稳定运行起着重要的作用,一旦励磁装置发生故障,将会严重影响到机组的可靠运行并进而影响整个电力系统安全、稳定和经济运行。励磁功率单元作为励磁装置的主体部分,对其整体的可靠性起着关键作用。针对该主回路中晶闸管的故障问题,本文采用机器学习的方法,研究它的故障诊断技术。首先,针对励磁功率单元主回路中晶闸管的故障情况,使用MATLAB/Simulink仿真软件平台,搭建了三相桥式全控整流电路仿真模型,仿真各种工况下的输出波形,将生成的负载整流输出电压波形图和三相交流输入电流波形图进行分类整理成图片数据集,并进行分类标记,制作成符合后续机器学习网络训练和测试要求的数据集,共产生54000个图片文件。其次,利用Pycharm、TensorFlow深度学习框架构建AlexNet卷积神经网络（CNN）故障模型,然后将该模型分别应用于两种数据集的故障诊断,分别对网络模型输出的准确率和损失率进行分析对比,验证了所采用的CNN网络模型可以利用电压数据集和电流数据集实现晶闸管故障诊断。针对AlexNet卷积神经网络训练所需要的时间较长、权值更新慢、占用内存大、且易出现过拟合等不足,对该网络模型进行如下优化:第一,使用卷积层替代三个全连接层,同时将全连接层中参数进行压缩调整,这样不仅减少了参数数量及缩小占用内存空间,而且也提高模型运行速度,缩短计算时间;第二,添加Adam Optimization优化器,利用该优化器基于训练数据迭代更新神经网络权值,加快计算速度、减少所需内存和参数要求;第三,使用批量规范化（Batch Normalization）层替代局部响应归一化（Local Response Normalization）层,在同样的分类效果中BN层更有利于加快网络的收敛速度,改善了网络的稳定性。第四,使用Xavier＿initializer初始化也提高了模型的训练速度和分类精度。实验证明优化后的网络分类结果优于传统的网络,且训练时间缩短、占用内存缩小。最后进行了网络模型的参数的实验设置。对每层卷积层中核大小的设置、批处理样本数量的设置、样本比例的设置、迭代次数的设置、Dropout参数设置进行了对比实验。通过实验结果分析,提出了优良的故障网络诊断模型,为将来通过硬件实现励磁功率单元智能故障诊断做出理论性铺垫。