本發(fā)明涉及電子設(shè)備的故障診斷，特別是一種基于深度學(xué)習(xí)的新能源設(shè)備故障診斷系統(tǒng)。

背景技術(shù)：

1、隨著新能源設(shè)備的廣泛應(yīng)用，如風(fēng)力發(fā)電、太陽能發(fā)電以及電動汽車等，對其運行狀態(tài)的監(jiān)控與維護(hù)顯得尤為重要。新能源設(shè)備中的電子功率器件，如逆變器、變頻器等，是實現(xiàn)電能轉(zhuǎn)換和控制的核心組件。然而，這些功率器件在長時間運行過程中容易受到環(huán)境因素、老化和負(fù)載變化的影響，導(dǎo)致故障的發(fā)生。一旦出現(xiàn)故障，不僅會降低系統(tǒng)的效率，甚至可能導(dǎo)致設(shè)備停機，造成嚴(yán)重的經(jīng)濟損失。

2、傳統(tǒng)的故障診斷方法依賴于經(jīng)驗和定期檢修，這種方式不僅耗時費力，而且難以及時發(fā)現(xiàn)潛在的故障，例如：cn114035086a。此外，隨著設(shè)備復(fù)雜度的增加，信號特征的多樣性和噪聲干擾使得故障診斷變得更加困難。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題，特別創(chuàng)新地提出了一種基于深度學(xué)習(xí)的新能源設(shè)備故障診斷系統(tǒng)。

2、根據(jù)檢測新能源設(shè)備的需求，選擇一個具有足夠采樣率和精度的數(shù)據(jù)采集卡daq卡。設(shè)置daq卡的采樣率、輸入范圍和通道配置，將電流傳感器連接到風(fēng)力發(fā)電設(shè)備的功率器件輸出端，運行采集程序，開始連續(xù)采集電流波形數(shù)據(jù)，確保daq卡的采樣時鐘與系統(tǒng)的時序t嚴(yán)格同步，對采集到的電流波形數(shù)據(jù)進(jìn)行平滑、濾波處理操作：

3、對于電流轉(zhuǎn)換公式為：

4、采樣點計算：其中m是風(fēng)力發(fā)電設(shè)備采樣點序號。

5、其中，iin為電流輸入，daqgain為數(shù)據(jù)采集卡(daq)的增益設(shè)置。增益是數(shù)據(jù)采集卡對輸入信號進(jìn)行放大的倍數(shù)。通過調(diào)整增益確保輸入信號在daq卡的測量范圍內(nèi)，并且具有足夠的分辨率。daqrange為數(shù)據(jù)采集卡的輸入范圍，表示daq卡能夠測量的最大和最小信號值。輸入范圍通常是以電壓為單位表示的，例如±10v。

6、qs為采樣頻率，表示數(shù)據(jù)采集卡每秒采集的樣本數(shù)。采樣頻率是數(shù)據(jù)采集的重要參數(shù)，其決定能夠捕獲的信號的最高頻率。根據(jù)奈奎斯特定理，采樣頻率應(yīng)該至少是被測信號最高頻率的兩倍，以避免混疊現(xiàn)象。

7、獲取電流數(shù)據(jù)更適合于對新能源設(shè)備電路狀態(tài)、負(fù)載變化以及故障診斷進(jìn)行分析。它提供了發(fā)電機運行過程中的細(xì)節(jié)信息，有助于深入理解新能源設(shè)備的行為。

8、1.數(shù)據(jù)收集與準(zhǔn)備

9、1.1數(shù)據(jù)收集

10、波形數(shù)據(jù)獲?。涸谡９ぷ鳡顟B(tài)下以及不同故障狀態(tài)下，采集功率器件的輸出電壓和電流波形數(shù)據(jù)。使用高精度示波器或數(shù)據(jù)采集卡，確保采樣率足夠高，以捕捉波形中的細(xì)微變化。

11、獲取功率器件原始波形數(shù)據(jù)x(t)，然后通過時頻分析方法處理數(shù)據(jù)，識別潛在的電氣故障，例如晶體管短路或者組件老化等故障。這種分析有助于預(yù)測性維護(hù)，防止更嚴(yán)重的故障發(fā)生。

12、1.2數(shù)據(jù)預(yù)處理

13、信號去噪：應(yīng)用濾波器或小波變換去除波形中的噪聲，確保輸入深度學(xué)習(xí)模型的數(shù)據(jù)質(zhì)量。

14、小波變換能夠很好的處理信號的局部特征，而傅里葉變換在處理全局頻率特征上具有更大的優(yōu)勢?；旌闲〔?傅里葉變換試圖將這兩種變換的優(yōu)點結(jié)合起來，既能夠分析信號的局部特征，又能夠處理信號的全局頻率信息。

15、

16、其中，f(a,b,ω)是混合小波-傅里葉變換后的系數(shù)，表示信號在給定尺度a、平移b和頻率ω下的時頻分量；

17、x(t)是功率器件的波形數(shù)據(jù)，時間變量為t；

18、a是尺度參數(shù)，控制小波函數(shù)的擴展與壓縮，b是平移參數(shù)，控制小波函數(shù)在時間軸上的位置，ω是傅里葉變換的頻率參數(shù)，代表信號的頻率成分；

19、ψ(t)是小波基函數(shù)，用于提取信號的局部特征，e-jωt是傅里葉變換的核函數(shù)，用于提取信號的頻率特征；

20、2.模型選擇與設(shè)計

21、2.1模型選擇

22、使用卷積神經(jīng)網(wǎng)絡(luò)(cnn)：cnn擅長處理二維數(shù)據(jù)和提取局部特征，用于分析波形的時間-幅度二維表示。

23、2.2模型設(shè)計

24、設(shè)功率器件的波形數(shù)據(jù)x(t)的長度為n，對連續(xù)信號x(t)進(jìn)行采樣，得到離散信號向量方便后續(xù)的數(shù)字處理；

25、

26、首先，通過若干卷積層對信號進(jìn)行特征提取。設(shè)第l層的卷積核為w(l)，其卷積操作為

27、h(l)＝f(w(l)*h(l-1)+b(l))

28、其中，

29、h(l-1)是第l-1層的輸出特征；

30、w(l)是第l層的卷積核，權(quán)重矩陣；

31、b(l)是第l層的偏置向量；

32、f(*)是激活函數(shù)；

33、經(jīng)過若干層卷積后，得到高層次特征表示h(l)；

34、h(l)＝f(w(l)*h(l-1)+b(l))

35、將高層次特征h(l)映射到一個表示小波基函數(shù)的空間，生成的小波基函數(shù)為：

36、

37、其中，h(l)和h(l-1)分別是第l層卷積層和第l-1層卷積層，wout和bout是全連接層的權(quán)重矩陣和偏置向量；

38、全連接層：通過全連接層將提取的特征映射到故障類型，并輸出最終的故障診斷結(jié)果。

39、

40、其中，是分類概率向量，屬于卷積神經(jīng)網(wǎng)絡(luò)的全連接層；

41、深度學(xué)習(xí)模型通過對功率器件的輸入波形x(t)的分析，生成一個概率分布這個概率分布中的每個元素pi代表某種故障類型ci的概率，所有pi之和為1，即：

42、

43、其中，n是所有故障類型的數(shù)量；

44、wp是故障分類器的權(quán)重矩陣，bp是故障分類器的偏置向量，softmax函數(shù)將網(wǎng)絡(luò)輸出轉(zhuǎn)化為概率分布；

45、使用梯度下降來更新模型參數(shù)；

46、重復(fù)上述步驟，直到模型收斂。

47、3.故障診斷模塊

48、3.1故障檢測與診斷

49、診斷的結(jié)果通過信號分析的結(jié)果生成診斷報告，這包括：

50、c＝argmaxpi

51、其中，c是最終確定的故障類型，argmaxpi表示使pi最大的那個i對應(yīng)的故障類型。

52、3.2可信度判斷

53、為了確保故障分類結(jié)果的可信度，設(shè)置一個閾值pmax，如果最大概率超過這個閾值，則認(rèn)為故障診斷結(jié)果是可信的，并直接使用；

54、如果pmax＞τ則認(rèn)為故障類型c是可信的；

55、如果pmax＜τ則表示故障的可信度不足，需要進(jìn)一步分析，僅發(fā)送警告提示人工檢查；

56、根據(jù)新能源設(shè)備的特性，特定的故障類型設(shè)定特定的閾值τ，用來衡量故障認(rèn)定的可信度。

57、3.3故障位置定位：通過分析故障波形的時域和頻域特征，根據(jù)故障類型定位故障在設(shè)備中的具體位置。例如，可以結(jié)合頻譜分析和時域特征定位短路點或過載源。

58、3.4故障嚴(yán)重性評估：根據(jù)波形特征，如幅度、頻率成分、諧波含量，評估故障的嚴(yán)重程度，給出修復(fù)建議。例如，輕微的電壓波動可能提示即將發(fā)生的故障，而嚴(yán)重的諧波失真可能意味著設(shè)備即將失效。

59、歷史數(shù)據(jù)對比：將當(dāng)前識別出的波形與歷史數(shù)據(jù)進(jìn)行對比，判斷故障的持續(xù)時間和演變趨勢，以提供更為準(zhǔn)確的維修時間窗和策略。

60、4.功能實驗

61、電動汽車中的逆變器負(fù)責(zé)將電池提供的直流電轉(zhuǎn)換為驅(qū)動電機的三相交流電，是電動汽車電力系統(tǒng)中的關(guān)鍵部件之一。在逆變器長期運行中，可能會出現(xiàn)多種故障，如igbt(絕緣柵雙極晶體管)的開路故障、短路故障以及過載故障。為了確保電動汽車的安全運行，及時檢測和分類這些故障至關(guān)重要。

62、本實驗利用混合小波-傅里葉變換結(jié)合深度學(xué)習(xí)的方法對電動汽車逆變器的故障進(jìn)行實時診斷和分類。通過采集逆變器輸出電流的波形數(shù)據(jù)，檢測和分類出可能的故障類型，并驗證系統(tǒng)在實際使用場景中的準(zhǔn)確性和可靠性。

63、4.1實驗數(shù)據(jù)采集

64、實驗在一個模擬電動汽車驅(qū)動系統(tǒng)中進(jìn)行，該系統(tǒng)包含一個三相逆變器。采集的實驗數(shù)據(jù)為逆變器的輸出電流信號，采樣頻率為10khz，每次采集1秒鐘的信號，得到的信號點數(shù)為10,000個樣本點。

65、采集數(shù)據(jù)包括：

66、正常工作狀態(tài)的電流波形；

67、igbt開路故障波形；

68、igbt短路故障波形；

69、負(fù)載過載故障波形；

70、實驗采集了每種狀態(tài)下的波形數(shù)據(jù)，各采集了100組數(shù)據(jù)，共計400組實驗數(shù)據(jù)。

71、4.2實驗信號波形

72、以igbt短路故障為例，以下是采集到的逆變器輸出電流信號：

73、

74、在短路故障狀態(tài)下，可以明顯觀察到電流波形的突增，尤其是波形的高幅值和快速變化的頻率特征。

75、4.3深度學(xué)習(xí)模型分類

76、將提取出的時頻特征輸入到預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)(cnn)模型中進(jìn)行故障分類。模型結(jié)構(gòu)包括3層卷積層和2層全連接層，最后通過softmax層輸出故障的概率分布。

77、模型分類結(jié)果：

78、正常狀態(tài)：99.5％；

79、igbt開路故障：97.8％；

80、igbt短路故障：98.9％；

81、負(fù)載過載故障：96.7％；

82、4.4實驗結(jié)果與分析

83、通過對實驗數(shù)據(jù)的分析和深度學(xué)習(xí)模型的訓(xùn)練，最終的故障分類準(zhǔn)確率為98.2％，表明該方法在電動汽車逆變器故障診斷中的有效性。

84、具體實驗結(jié)果：

85、

86、4.5故障定位與嚴(yán)重性評估

87、在該實驗中，混合小波-傅里葉變換不僅幫助分類故障類型，還通過時頻圖顯示出故障發(fā)生的具體時間。對于短路故障，其高頻分量在0.45秒到0.47秒間達(dá)到峰值，確認(rèn)了故障的具體時間點。同時，結(jié)合波形幅值變化和頻率成分變化，評估了故障的嚴(yán)重性。

88、故障發(fā)生時間：0.45秒到0.47秒

89、故障嚴(yán)重性：高幅值波形和顯著的高頻分量表明了igbt短路故障的嚴(yán)重性，需立即停機檢查。

90、4.6實驗總結(jié)

91、通過本實驗的實施，混合小波-傅里葉變換結(jié)合深度學(xué)習(xí)技術(shù)，能夠有效地檢測電動汽車逆變器中的多種故障類型，并對故障位置進(jìn)行準(zhǔn)確定位。該方法提供了比傳統(tǒng)傅里葉變換和小波變換更高的時頻分析能力，特別是在故障信號的瞬態(tài)特征捕捉上具有顯著優(yōu)勢。這為電動汽車電力系統(tǒng)的健康管理和預(yù)測性維護(hù)提供了有力的支持。

92、綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

93、首先，通過結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(cnn)和混合小波-傅里葉變換技術(shù)，本發(fā)明大幅提升了故障檢測的實時性和準(zhǔn)確性。與傳統(tǒng)依賴預(yù)設(shè)閾值或固定規(guī)則的故障檢測方法不同，本發(fā)明能夠?qū)υO(shè)備功率器件的波形數(shù)據(jù)進(jìn)行多尺度、多頻率的實時分析。這種高效的時頻域處理方式使得系統(tǒng)在故障發(fā)生時能夠及時捕捉到波形中的細(xì)微異常變化，從而實現(xiàn)快速響應(yīng)。尤其是在新能源設(shè)備運行過程中出現(xiàn)突發(fā)異常時，系統(tǒng)能夠精確識別信號中的異常成分，避免了傳統(tǒng)方法因響應(yīng)滯后或誤判而導(dǎo)致的設(shè)備損壞或故障擴展。

94、其次，本發(fā)明通過深度學(xué)習(xí)模型的自動化學(xué)習(xí)能力，能夠?qū)Χ喾N復(fù)雜的故障模式進(jìn)行高效分類。卷積神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練大量故障數(shù)據(jù)，自動提取并學(xué)習(xí)不同故障類型的波形特征，因此系統(tǒng)能夠識別非線性且復(fù)雜的故障情況，包括短路、過載以及器件老化等多種異常狀態(tài)。此外，隨著數(shù)據(jù)的不斷積累和模型的優(yōu)化，系統(tǒng)具備自適應(yīng)的特性，即使出現(xiàn)新的故障類型，系統(tǒng)也能通過不斷學(xué)習(xí)，實現(xiàn)對未知故障的精準(zhǔn)分類和診斷，從而大大提高了故障識別的全面性和準(zhǔn)確性。

95、在故障定位方面，本發(fā)明利用混合小波-傅里葉變換的時頻局部化特性，實現(xiàn)了對故障發(fā)生位置的精準(zhǔn)定位。通過對設(shè)備輸出信號在不同頻率和時間段的分析，系統(tǒng)能夠識別出故障的確切發(fā)生時間和具體的設(shè)備部件，從而為設(shè)備維護(hù)人員提供清晰、準(zhǔn)確的故障位置信息。這不僅顯著減少了故障排查時間，還降低了由于定位不準(zhǔn)帶來的不必要的檢修成本，提升了設(shè)備維護(hù)的效率。

96、最后，通過自動化故障診斷，本發(fā)明顯著減少了維護(hù)成本。系統(tǒng)能夠在故障發(fā)生前預(yù)測潛在問題，提供修復(fù)建議，從而避免了設(shè)備的非計劃停機。同時，精準(zhǔn)的故障分類和定位功能也大大減少了盲目檢修所需的時間和人力成本。這種基于智能化分析的維護(hù)方式，不僅提升了設(shè)備的運營效率，還大幅降低了運維支出。

97、本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。