一种基于深度学习的电动汽车IGBT型共直流母线充电设备故障诊断方法

一种基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法
技术领域
1.本发明属于故障诊断技术领域，具体涉及一种基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法。


背景技术：

2.近年来随着电动汽车数量的增加，大家对充电质量和充电时间有着越来与高的要求，希望在短的时间内完成汽车高质量充电。电动汽车igbt型共直流母线充电设备(简称为“充电设备”)具有输出功率大、充电时间短、电能质量高等优点，获得了大量的安装与使用。然而，这类充电设备大多安装在户外区域，长期承受着雨、露等较大的环境压力，导致充电设备的功能维护面临着越来越多的问题。例如，充电设备的充电模块、绝缘检测模块等核心部件经常发生故障，降低充电设备的安全性和可靠性。同时，充电设备的定期维护和发生故障后故障原因的排查需要花费大量的人力和时间，使得其维护和保障成本越来越高。因此，有效的充电设备故障诊断方法对于充电设备的安全运行和降低维护成本具有重要意义。
3.目前故障诊断的方法主要分为定性分析和定量分析两大类，其中定量分析中基于解析模型的方法和基于数据驱动的方法在设备故障诊断中广泛使用。基于解析模型的方法往往能够获得较高的故障诊断准确率，但是由于充电设备的内部结构复杂，精确的数学模型难以建立，而且建立的模型也仅适应于特定型号的设备，普适性较差，因此基于解析模型的方法难以适用。设备在运行过程中，积累了大量的运行数据，基于数据驱动的方法通过对运行数据进行分析处理，提取故障数据的特征，映射故障数据与故障类型之间的关系，实现设备的故障诊断。该方法不依赖于精确的数学模型，实现相对简单且通用性较强。充电设备的故障数据蕴含了充电设备在不同工况下丰富的故障信息，具有耦合性强、多维性等特点，基于深度学习的故障诊断方法能够对上述信息进行充分的利用，且能够克服传统故障诊断方法泛化能力差、容易陷入局部最优解的缺陷。


技术实现要素：

4.本发明针对电动汽车充电设备的故障诊断问题，提出一种基于深度学习的电动汽车igbt型共直流母线设备故障诊断方法。在该方法中，在典型深度置信网络模型基础上引入nesterov动量法和自适应学习率加速模型的收敛，构建自适应深度置信网络模型，提高模型的训练速度，并使用改进粒子群算法优化深度置信网路的超参数，提升模型故障诊断的性能。
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法，具体包括如下步骤：
7.步骤1：对电动汽车igbt型共直流母线充电设备的运行状态数据进行分析，并进行预处理，以建立数据集；
8.步骤2：将数据集划分为训练集、验证集以及测试集；
9.步骤3：建立基于自适应深度置信网络的充电设备故障诊断模型，使用训练集对其进行训练；
10.步骤4：使用验证集和测试集对故障诊断模型的性能进行评估；
11.步骤5：将充电设备的运行状态数据输入满足要求的充电设备故障诊断模型，得到诊断结果。
12.本发明步骤1中，所述充电设备的运行状态分为正常状态和故障状态，其中故障状态包括但不局限于直流母线输出过电压故障、直流母线输出过电流故障、直流母线输出接触器故障、电动汽车bms通信故障、充电设备绝缘检测故障、充电模块过温故障、充电模块输入缺相故障、充电设备输出过电压故障、充电设备连接器故障等。
13.本发明步骤1中，所述充电设备的运行状态数据，包括但不局限于充电设备输入电压、充电设备输入电流、充电设备输出电压、充电设备输出电流、充电设备输出功率、车辆充电需求电压、车辆充电需求电流、充电设备直流母线电压、直流断路器状态、电池温度、电池设定温度、散热风扇状态、辅助单元输出电压、充电时长、绝缘检测模块状态等信息。
14.本发明步骤1中，对数据集进行预处理，具体包括以下操作：
15.(1)缺失值的处理，根据数据的重要性程度，分别执行插值或者删除操作；
16.(2)异常值的处理，对于数据集中的异常数据，执行删除操作；
17.(3)数据的归一化，通过极差标准化的方法将数据的范围映射到[0,1]之间。
[0018]
本发明步骤3中，所述自适应深度置信网络使用nesterov动量法对网络进行优化，并对初始公式进行等效变换以加快训练速度，nesterov动量法的初始计算公式为：
[0019][0020]
θ
t
＝θ
t
‑1+v
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0021]
对上式进行变换，令θ
′
t
＝θ
t
+βv
t
，则有
[0022][0023]
令θ
t
＝θ
′
t
，则有
[0024][0025]
式中，θ＝{w,a,b}表示网络的参数，a，b分别为可见层与隐藏层的偏置，w是可见层与隐藏层的连接权重，v
t
表示第t次迭代后的速度，v
t
‑1代表第t
‑
1次迭代后的速度，β为动量值，α为学习率。
[0026]
本发明步骤3中，所述自适应深度置信网络，在引入nesterov动量的基础上，使用独立的自适应学习率对网络参数进行更新，计算公式为：
[0027][0028][0029]
式中，表示第t次训练后参数θ的梯度，若当前参数的权重梯度方向与前一
次权重梯度方向保持一致时，ψ
t
增加ξ，反之，则ψ
t
减小1
‑
ξ倍，参数ψ的初始值设为1，参数ξ设为0.1。
[0030]
本发明步骤3中，所述自适应深度置信网络采用改进粒子群算法选取网络的超参数，所述改进粒子群算法的惯性因子采用随机权重的方式进行更新，计算公式为：
[0031][0032]
式中，μ
min
随机惯性权重的最小值，μ
max
随机惯性权重的最大值，u(0,1)是[0,1]之间均匀分布的随机数，n(0,1)是服从标准正态分布的随机数，σ用来度量随机惯性权重ω与其数学期望之间的偏离程度。
[0033]
本发明步骤3中，使用训练集数据训练自适应深度置信网络，得到充电设备故障诊断模型的过程具体包括两个阶段，第一个阶段是预训练，按照自下而上的顺序对每一个受限玻尔兹曼机进行训练，从而实现输入数据高层特征的提取和训练网络连接权重的初始化；第二个阶段是微调，采用反向传播算法，利用标签数据，按照自上而下的顺序对参数进行微调，进一步优化网络结构。上述过程结束之后，使用测试集数据评估故障诊断模型的性能。
[0034]
本技术的有益效果在于：
[0035]
(1)本技术提供的基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法，对充电设备数据进行预处理之后，使用深度学习的方法提取充电设备原始数据中隐含特征，实现故障数据与故障类型之间的映射；
[0036]
(2)本技术提供的基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法是基于数据驱动的，不需要建立精准的充电设备物理模型，降低了对传统信号处理技术以及先验知识的依赖，且具有较强的普适性；
[0037]
(3)本技术提供的基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法在深度置信网络的基础上，加入了nesterov动量法和独立的自适应学习率，构建自适应深度置信网络模型，提高了模型的收敛速度，并使用改进粒子群算法优化网络的超参数，进一步增强了充电设备故障诊断模型的分类性能；
[0038]
(4)本技术提供的基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法为电动汽车大功率充电设备的故障诊断提供了可行的实施案例。
附图说明
[0039]
图1为本发明基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法的流程示意图；
[0040]
图2为本发明电动汽车igbt型共直流母线充电设备的结构示意图；
[0041]
图3为本发明nesterov动量算法流程图；
[0042]
图4为本发明改进粒子群算法流程图。
具体实施方式
[0043]
下面结合说明书附图对本发明的具体实施方法作进一步详细的说明。实施本发明
的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
[0044]
图1为本发明基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法的流程示意图。本实施案例选取的igbt型共直流母线充电设备的结构如图2所示，针对其的故障诊断方法包括以下步骤：
[0045]
步骤1：对电动汽车igbt型共直流母线充电设备的运行状态数据进行分析，并进行预处理，以建立数据集。具体的，选取包括但不局限于充电设备输入电压、充电设备输入电流、充电设备输出电压、充电设备输出电流、充电设备输出功率、车辆充电需求电压、车辆充电需求电流、充电设备直流母线电压、直流断路器状态、电池温度、电池设定温度、散热风扇状态、辅助单元输出电压、充电时长、绝缘检测模块状态等数据类型的数据样本构建数据集，并按照故障类型对数据样本进行标注。
[0046]
进一步地，数据的预处理包括以下操作：
[0047]
(1)缺失值的处理，根据数据的重要性程度，分别执行插值或者删除操作；
[0048]
(2)异常值的处理，对于数据集中的异常数据，执行删除操作；
[0049]
(3)数据的归一化，通过极差标准化的方法将数据的范围映射到[0,1]之间，计算公式为：
[0050][0051]
式中，x
min
和x
max
分别为充电设备运行状态数据样本中的最小值和最大值；x
out
是输入数据x
in
归一化的结果。
[0052]
步骤2：将数据集划分为训练集、验证集以及测试集。具体的，按照6:2:2的比例将数据集划分为训练集、验证集以及测试集，训练集数据用于构建故障诊断模型，验证集以及测试集数据用于评估故障诊断模型的分类性能。
[0053]
步骤3：建立基于自适应深度置信网络的充电设备故障诊断模型，使用训练集对其进行训练。自适应深度置信网络的训练过程分为预训练和微调两个阶段。
[0054]
自适应深度置信网络的预训练采用逐层贪婪学习算法，按照自下而上的顺序对每一个受限玻尔兹曼机进行训练，从而实现输入数据高层特征的提取和训练网络连接权重的初始化。受限玻尔兹曼机作为深度置信网络的基本组成单元，是一种基于能量的概率分布模型。它由一个可见层v＝(v1,v2,v3,
…
,v
n
)
t
和一个隐藏层h＝(h1,h2,h3,
…
,h
m
)
t
组成。
[0055]
对于一组可见层和隐藏层单元的状态(v,h)，受限玻尔兹曼机的能量函数可以表示为：
[0056]
e(v,h|θ)＝
‑
a
t
v
‑
b
t
h
‑
v
t
wh
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0057]
式中，θ＝{w,a,b}是受限玻尔兹曼机的参数集合，其中w∈r
n
×
m
是可见层与隐藏层的连接权重矩阵，a∈r
n
是可见层偏置，b∈r
m
是隐藏层偏置。
[0058]
由公式(2)，可以计算出受限玻尔兹曼机可见层与隐藏层的联合概率分布：
[0059][0060]
式中，z(θ)＝∑
v,h
exp(
‑
e(v,h|θ))称为配分函数。
[0061]
由公式(3)可以计算可见层节点单元的边缘分布：
[0062][0063]
根据受限玻尔兹曼机的结构特点，可见层的第i个单元和隐藏层的第j个单元被激活的概率可以表示为：
[0064][0065][0066]
式中，σ(x)＝1/(1+e
‑
x
)。
[0067]
进一步地，在受限玻尔兹曼机的训练过程中，使用nesterov动量法加快模型的训练过程，nesterov动量算法流程如图3所示。执行该算法时，每一次更新参数之前，需要进行一次临时参数的更新，即用于计算参数梯度，这导致运算速度慢于典型动量算法。为解决这个问题，对其进行以下变换，得到nesterov动量法的等效表达：
[0068]
令θ
′
t
＝θ
t
+βv
t
，则有
[0069][0070]
令θ
t
＝θ
′
t
，则上述公式可以变换为
[0071]
式中，θ＝{w,a,b}表示网络的参数，a，b分别为可见层与隐藏层的偏置，w是可见层与隐藏层的连接权重，v
t
表示第t次迭代后的速度，v
t
‑1代表第t
‑
1次迭代后的速度，β为动量值，α为学习率。
[0072]
进一步地，在受限玻尔兹曼机的训练中引入独立的自适应学习率，以达到令人满意的分类效果和训练速度，受限玻尔兹曼机的参数的更新方法可以表示为：
[0073][0074][0075]
式中，表示第t次训练后参数θ的梯度，若当前参数的权重梯度方向与前一次权重梯度方向保持一致时，ψ
t
增加ξ，反之，则ψ
t
减小1
‑
ξ倍，参数ψ的初始值设为1，参数ξ设为0.1。
[0076]
进一步地，自适应深度置信网络的超参数借助于改进粒子群算法进行选取。目前，深度置信网络的超参数往往是依靠经验，选择多组不同的参数进行调试比较得到的，这通常需要耗费大量的时间和精力。针对这个问题，本发明提出使用粒子群算法寻找网络的最优超参数，并对粒子群算法进行改进。改进粒子群算法在运行过程中，采用随机权重的方式对惯性因子进行调整，以减少训练时间。改进粒子群算法的流程图如图4所示，具体地按照以下步骤进行：
[0077]
步骤3.1：参数的初始化。确定粒子群的粒子数量n，粒子群的每一个粒子表示一组待优化的深度置信网络参数；最大迭代次数m；
[0078]
步骤3.2：在一定的范围内，对每一个粒子的位置x
id＝0
和速度v
id＝0
进行初始化；
[0079]
步骤3.3：对粒子群算法的惯性因子进行采用随机权重的方法进行调整，计算公式为：
[0080]
利用
[0081]
式中，μ
min
随机惯性权重的最小值，μ
max
随机惯性权重的最大值，u(0,1)是[0,1]之间均匀分布的随机数，n(0,1)是服从标准正态分布的随机数，σ用来度量随机惯性权重ω与其数学期望之间的偏离程度；
[0082]
步骤3.4：将深度置信网路的分类误差作为粒子群的适应度函数，并对每一个粒子进行评估。在本次迭代历史数据中寻找具有最大适应度的粒子和全局最佳粒子
[0083]
步骤3.5：利用下式更新每一个粒子的位置和速度，
[0084][0085][0086]
式中，v
id+1
是更新后的第i个粒子的速度，ω为惯性因子，c1，c2为学习因子，取值范围为[0,2]，r1，r2是随机分布在[0,1]之间的随机数，是更新后第i个粒子的位置；
[0087]
步骤3.6：利用更新后的粒子重新计算分类误差，判断是否满足迭代停止条件，所述迭代停止条件为当前的迭代次数达到最大迭代次数，即d＝m，或者分类误差低于设定阈值；
[0088]
步骤3.7：若满足迭代停止条件，将当前的全局最佳粒子确定为自适应深度置信网络的超参数；
[0089]
步骤3.8：若不满足迭代停止条件，重新执行步骤3.3，进入下一次迭代。
[0090]
为便于求得深度置信网路的网络参数，使用对比散度算法(contrastive divergence，cd
‑
k)来快速训练受限玻尔兹曼机，受限玻尔兹曼机各参数的梯度近似计算公式为：
[0091][0092][0093][0094]
式中，参数k表示吉布斯采样的采样次数。
[0095]
在微调阶段，采用反向传播算法，利用标签数据，按照自上而下的顺序对参数进行微调，进一步优化网络结构，从而降低分类误差，提高分类的准确性。与无监督的预训练不同，有监督的微调会同时更新所有参数，直到达到迭代停止条件为止。
[0096]
步骤4：使用验证集和测试集对故障诊断模型的性能进行评估。获得故障诊断模型之后，需要对其的性能进行评估。如果测试结果符合预期效果，则将其应用到实际项目当中，否则需要对网络的结构、参数进行调整，重新构造充电桩故障诊断模型。
[0097]
步骤5：将充电设备的运行状态数据输入满足要求的充电设备故障诊断模型，得到诊断结果。操作人员可以参考这些信息，对充电设备进行检查和维修，使充电设备快速恢复到正常运行状态。
[0098]
虽然本发明已以较佳实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。