El diagnóstico de fallas es uno de los problemas más importantes para un convertidor modular multinivel (MMC). Sin embargo, las soluciones convencionales son deficientes en dos aspectos. En primer lugar, carecen de la información de características necesaria. En segundo lugar, son incapaces de realizar un diagnóstico de fallas de circuito abierto del convertidor modular multinivel con el grado de precisión requerido. Para resolver este problema, se propone un método de diagnóstico inteligente que integra el diagrama modal de tiempo-frecuencia y FFT-CNN-BiGRU-Attention. Al seleccionar la corriente de fase y el voltaje del brazo del puente como los parámetros de falla centrales, se utiliza el algoritmo de enjambre de partículas para optimizar los parámetros de Descomposición Modal Variacional, y la señal de falla se descompone y reconstruye en componentes de características sensibles. Las señales reconstruidas se transforman además en diagramas de tiempo-frecuencia modal a través de la transformada de wavelet continua para retener completamente las características del dominio tiempo-frecuencia. En la etapa de construcción del modelo, las características del dominio de frecuencia se extraen primero utilizando la transformada rápida de Fourier (FFT), y los patrones locales se capturan a través de una combinación con una red neuronal convolucional; posteriormente, se analizan las correlaciones temporales utilizando celdas de bucle de compuerta bidireccional, y se introduce el Mecanismo de Atención para fortalecer las características clave. Las simulaciones muestran que el método propuesto logra una precisión del 98.63% en la localización de transistores bipolares de puerta aislada (IGBT) defectuosos en el submódulo, con capacidad de respuesta en tiempo real de segundo nivel. En comparación con el esquema publicado recientemente, mantiene un rendimiento estable bajo condiciones de trabajo complejas como la interferencia de ruido y los desequilibrios de datos, mostrando una mayor robustez y valor práctico. Este estudio proporciona una nueva idea para la operación y mantenimiento inteligente de dispositivos electrónicos de potencia, que puede extenderse al diagnóstico de fallas de otros equipos de potencia en el futuro.