一种基于多模态图像融合的电动汽车逆变器开路故障诊断方法及系统
本发明涉及电动汽车动力系统故障诊断,具体涉及一种基于多模态图像融合的电动汽车逆变器开路故障诊断方法及系统,适用于新能源汽车逆变器运行状态监测与故障类型识别。
背景技术:
1、随着电动汽车产业的快速发展,逆变器作为驱动电机与动力电池间的核心能量转换装置,其运行可靠性对车辆动力性能和行驶安全至关重要。然而,内部igbt模块在高温、过压、高频开关等复杂工况下易发生开路故障,若未及时诊断可能引发动力中断或安全事故。传统诊断方法多基于单一特征分析,存在明显局限:单一特征对负载突变、转速波动等复杂工况鲁棒性不足,易漏诊误判;需人工提取均方根值、频率分量等特征,依赖专家经验,难以适应多样化故障场景;传统神经网络仅处理单模态数据,未充分挖掘多维度特征关联,导致诊断准确率受限。近年来,虽有研究尝试多模态特征融合或算法优化,但仍存在特征转换效率低、复杂工况下互补性不足等问题,实际工程应用中难以实现高效精准诊断。为解决上述问题,本发明提出一种基于多模态图像融合的电动汽车逆变器开路故障诊断方法及系统,通过将一维电流信号转换为二维时域与频域双模态特征图像,并结合双分支异构卷积神经网络进行特征提取与融合,显著提升复杂工况下的故障诊断准确率与适应性。
技术实现思路
1、本发明基于多模态图像融合技术,解决传统逆变器开路故障诊断鲁棒性不足、依赖人工经验、单模态特征挖掘不充分等问题。方法通过将一维电流信号转换为二维时域/频域双模态特征图像,利用双分支异构卷积网络提取特征,实现跨模态融合,提升复杂工况下故障识别准确率,降低人工依赖,实现快速诊断,保障电动汽车动力稳定与安全。
2、有鉴于此,本发明第一方面提供了一种基于多模态图像融合的电动汽车逆变器开路故障诊断方法,包括以下步骤:
3、采集电动汽车逆变器三相输出电流信号,并进行归一化处理生成标准化电流序列;
4、通过格拉姆角差场算法将标准化电流序列映射为二维时域特征图像,保留电流波形的时空畸变特性;
5、对上述二维时域特征图像执行二维离散傅里叶变换,生成频域能量分布图像,提取频域谐波分量特征;
6、搭建双分支卷积神经网络,采用双分支异构输入架构,分别独立处理经格拉姆角差场转换的二维时域信号图像及其二维离散傅里叶变换的能量分布图像;
7、将时域特征图像与频域能量分布图像输入双分支卷积神经网络,分别通过卷积层提取时域畸变特征与频域能量特征,经全连接层的softmax函数归一化生成各故障类别的概率分布。
8、优选地,采集电动汽车逆变器三相输出电流信号,并进行归一化处理生成标准化电流序列的具体步骤包括:
9、采用传感器同步采集逆变器a相、b相、c相输出电流信号,其中a相电流信号作为后续故障诊断的核心分析数据。
10、对包含时间向量的a相故障电流信号进行归一化处理:
11、
12、式中:将故障电流的时间序列定义为,其中为时间点的总数,代表在第个时间点记录的原始时间序列中的数据点,表示归一化处理后新时间序列中的数据点。
13、优选地,通过格拉姆角差场算法将标准化电流序列映射为二维时域特征图像,保留电流波形的时空畸变特性的具体步骤包括:
14、将归一化后的一维时间序列从笛卡尔坐标系转换到极坐标系下:
15、
16、式中:表示为极角,为极坐标半径,为时间戳,为正则化常数。
17、经过归一化处理和极坐标变换之后,根据格拉姆矩阵的定义,以及矩阵中每个元素类似向量内积运算的特点,采用格拉姆矩阵进行变换。格拉姆矩阵可以表示为:
18、
19、式中:g为格拉姆角场矩阵;为内积运算。
20、格拉姆角差场惩罚项的特定内积形式:
21、
22、格拉姆角差场公式:
23、
24、优选地,对上述二维时域特征图像执行二维离散傅里叶变换,生成频域能量分布图像,提取频域谐波分量特征的具体步骤包括:
25、二维离散傅里叶变换:
26、
27、式中:是一个大小的图像函数,表示图像在空间坐标处的像素值,和分别是图像在空间域中的横向和纵向坐标,即和为空间域采样值。通过二维离散傅里叶变换,得到图像的频谱,和是频率坐标即频率域采样值,分别对应于频率域中的轴和轴。和则分别表示图像的宽度(横向像素数)和高度(纵向像素数)。
28、优选地,搭建双分支卷积神经网络,采用双分支异构输入架构,分别独立处理经格拉姆角差场转换的二维时域信号图像及其二维离散傅里叶变换的能量分布图像的具体步骤包括:
29、网络的两个并行通道均采用五层异构特征提取模块:首先通过卷积核进行空间局部特征捕获,设置步长为1并采用全零填充策略以维持特征图尺度,初步提取故障信号的时空关联性信息;随后利用批量归一化层对特征图进行标准化处理,通过调节数据分布缓解梯度异常传播问题,增强模型训练稳定性;引入relu激活函数建立非线性映射关系,激活高维特征空间中的有效信息;继而对特征图进行最大池化操作,在保留显著故障响应特征的同时压缩空间维度,降低后续计算复杂度;最后通过dropout层以20%的概率随机抑制神经元激活状态,降低网络对局部特征的过拟合风险。
30、优选地,将时域特征图像与频域能量分布图像输入双分支卷积神经网络,分别通过卷积层提取时域畸变特征与频域能量特征,经全连接层的softmax函数归一化生成各故障类别的概率分布的具体步骤包括:
31、softmax函数的定义为式:
32、
33、式中:是softmax层输出的概率,输出的值在[0,1]的范围内;是softmax分类器的参数;表示输出的概率归一化,即输出的总概率为1。
34、优选地,一种基于多模态图像融合的电动汽车逆变器开路故障诊断系统包括以下模块:
35、电流信号采集与归一化模块,用于采集电动汽车逆变器三相输出电流信号,并进行归一化处理生成标准化电流序列,其中a相电流信号作为核心分析数据;
36、时域特征图像生成模块,用于通过格拉姆角差场算法将标准化电流序列映射为二维时域特征图像,保留电流波形的时空畸变特性;
37、频域特征图像生成模块,用于对二维时域特征图像执行二维离散傅里叶变换,生成频域能量分布图像并提取频域谐波分量特征;
38、双分支卷积神经网络模块,采用双分支异构输入架构,分别独立处理时域特征图像与频域能量分布图像,包含卷积层、批量归一化层、激活函数层、池化层及dropout层以提取故障特征;
39、故障概率输出模块,用于将时域特征图像与频域能量分布图像输入双分支卷积神经网络,通过卷积层提取时域畸变特征与频域能量特征,经全连接层的softmax函数归一化生成各故障类别的概率分布。
40、相对于现有技术,本发明的优点如下:通过将一维电流信号转换为二维时域/频域双模态特征图像,利用双分支异构卷积网络提取特征,实现跨模态融合,提升复杂工况下故障识别准确率,降低人工依赖,实现快速诊断,保障电动汽车动力稳定与安全。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com