一种基于CWT与ResNet的DC-DC变换器故障诊断方法及装置

本发明涉及dc-dc变换器故障诊断，特别是涉及一种基于cwt与resnet的dc-dc变换器故障诊断方法及装置。

背景技术：

1、dc-dc变换器是集成电路中的重要器件，已广泛应用于光伏发电系统、新能源电池电控系统、航空航天充电设备以及5g通讯技术等领域。dc-dc变换器在各类电子设备中承担着不同电压之间的转换功能，有着不可替代的作用。dc-dc变换器相应电源电路的正常工作是整个电子设备稳定运行的前提，其可靠性直接影响着电子设备运行的可靠性，因此对dc-dc变换器进行状态检测与故障诊断极为重要。

2、现有技术中，对dc-dc变换器的故障诊断方法主要通过信号获取、特征提取、分类与拟合来实现硬故障识别与参数退化识别，最后根据故障情况，来对系统进行保护决策与剩余寿命预测。

3、然而，当前dc-dc变换器的使用环境通常为具有随机动态负载的大规模集成系统，大规模集成系统的传感器数量随系统集成度呈指数型增加，对于集成度较高的集成系统，现有的dc-dc变换器故障诊断方法精确度低，泛化能力弱，且在随机动态负载情况下，采集的电压电流数据不稳定，会进一步降低dc-dc变换器故障诊断精度。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种具有较高的诊断精度的基于cwt与resnet的dc-dc变换器故障诊断方法及装置。

2、第一方面，本发明提供了一种基于cwt与resnet的dc-dc变换器故障诊断方法。所述方法包括：

3、通过连续小波变换将dc-dc变换器所在电路的预处理电路信号转换为cwt时频图；

4、将所述cwt时频图输入残差神经网络故障诊断模型，获得dc-dc变换器故障诊断结果，所述诊断结果包括故障类型以及对应的故障概率；

5、所述残差神经网络故障诊断模型为resnet型神经网络结构；

6、所述残差神经网络故障诊断模型包括输出层，所述输出层包括依次包括平均池化层、全连接层和softmax分类器。

7、在其中一个实施例中，所述方法还包括：

8、利用t_sne对所述残差神经网络故障诊断模型的故障诊断效果进行可视化。

9、在其中一个实施例中，所述连续小波变换采用db3小波对所述预处理电路信号进行分解，提取预处理电路信号对应的cwt时频图。

10、在其中一个实施例中，所述残差神经网络故障诊断模型还包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层；

11、所述第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和输出层依次排列；

12、所述第一卷积层的卷积核大小为7×7，卷积核的数量为64，步长为2，最大池化层大小为3×3，最大池化层的步长为2，所述第一卷积层的输出尺寸为112×112；

13、所述第二卷积层的输出矩阵为输出尺寸为56×56；

14、所述第三卷积层的输出矩阵为输出尺寸为28×28；

15、所述第四卷积层的输出矩阵为输出尺寸为14×14；

16、所述第五卷积层的输出矩阵为输出尺寸为7×7；

17、所述输出层的输出尺寸为1×5。

18、在其中一个实施例中，所述方法还包括对所述残差神经网络故障诊断模型进行训练。

19、在其中一个实施例中，对所述残差神经网络故障诊断模型进行训练包括：

20、获取多个故障已知的dc-dc变换器的预处理电路信号；

21、将多个故障已知的dc-dc变换器的预处理电路信号分别进行连续小波变换获得多个cwt时频图组成原始信号测试集；

22、将所述原始信号测试集中的cwt时频图输入所述残差神经网络故障诊断模型；

23、根据所述残差神经网络故障诊断模型对所述原始信号测试集的分类准确度和损失曲线更新所述残差神经网络故障诊断模型的参数；

24、当所述分类准确度等于1和/或损失曲线等于0时，所述残差神经网络故障诊断模型训练完毕。

25、在其中一个实施例中，利用t_sne对所述残差神经网络故障诊断模型的故障诊断效果进行可视化包括：

26、将原始信号测试集中所有cwt时频图输入所述残差神经网络故障诊断模型获得故障分类集；

27、通过t_sne将所述原始信号测试集和所述故障分类集降维至二维进行可视化。

28、在其中一个实施例中，将所述dc-dc变换器所在电路的输出电压信号经过预处理获得预处理电路信号；

29、所述预处理包括缺失值填充和归一化处理。

30、第二方面，本发明还提供了一种基于cwt与resnet的dc-dc变换器故障诊断装置，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述基于cwt与resnet的dc-dc变换器故障诊断方法。

31、上述基于cwt与resnet的dc-dc变换器故障诊断方法及装置，通过连续小波变换将dc-dc变换器所在电路的预处理电路信号转换为cwt时频图；将cwt时频图输入残差神经网络故障诊断模型，获得dc-dc变换器故障诊断结果，诊断结果包括故障类型以及对应的故障概率；残差神经网络故障诊断模型为resnet型神经网络结构；残差神经网络故障诊断模型包括输出层，输出层包括依次包括平均池化层、全连接层和softmax分类器。连续小波变换可以克服故障信号非平稳性非线性的问题，可更加快速有效的识别出电路的不同故障，且连续小波变换具有挖掘时频特征和的能力，能够生成时频图像。残差神经网络故障诊断模型是一种resnet型神经网络结构，具有优秀的图像数据自适应特征提取分类能力，能够应对样本数量较大的特征提取分类过程。通过连续小波变换和残差神经网络故障诊断模型相结合，能够有效提高对dc-dc变换器故障的诊断精度。

技术特征：

1.一种基于cwt与resnet的dc-dc变换器故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的基于cwt与resnet的dc-dc变换器故障诊断方法，其特征在于，所述方法还包括：

3.根据权利要求1所述的基于cwt与resnet的dc-dc变换器故障诊断方法，其特征在于，所述连续小波变换采用db3小波对所述预处理电路信号进行分解，提取预处理电路信号对应的cwt时频图。

4.根据权利要求1所述的基于cwt与resnet的dc-dc变换器故障诊断方法，其特征在于，所述残差神经网络故障诊断模型还包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层；

5.根据权利要求1所述的基于cwt与resnet的dc-dc变换器故障诊断方法，其特征在于，所述方法还包括对所述残差神经网络故障诊断模型进行训练。

6.根据权利要求5所述的基于cwt与resnet的dc-dc变换器故障诊断方法，其特征在于，对所述残差神经网络故障诊断模型进行训练包括：

7.根据权利要求2所述的基于cwt与resnet的dc-dc变换器故障诊断方法，其特征在于，利用t_sne对所述残差神经网络故障诊断模型的故障诊断效果进行可视化包括：

8.根据权利要求1所述的基于cwt与resnet的dc-dc变换器故障诊断方法，其特征在于，将所述dc-dc变换器所在电路的输出电压信号经过预处理获得预处理电路信号；

9.一种基于cwt与resnet的dc-dc变换器故障诊断装置，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

技术总结
本发明涉及一种基于CWT与ResNet的DC‑DC变换器故障诊断方法及装置，该方法通过连续小波变换将DC‑DC变换器所在电路的预处理电路信号转换为CWT时频图；将CWT时频图输入残差神经网络故障诊断模型，获得DC‑DC变换器故障诊断结果，诊断结果包括故障类型以及对应的故障概率；残差神经网络故障诊断模型为ResNet型神经网络结构；残差神经网络故障诊断模型包括输出层，输出层包括依次包括平均池化层、全连接层和SoftMax分类器。通过连续小波变换和残差神经网络故障诊断模型相结合来实现对DC‑DC变换器故障，能够有效提高对DC‑DC变换器故障的诊断精度。

技术研发人员：徐钊,胡劲文,张一童
受保护的技术使用者：西北工业大学
技术研发日：
技术公布日：2024/1/12