一种加热装置的故障检测方法、设备及存储介质与流程

摘要: 本技术涉及故障检测,具体涉及一种加热装置的故障检测方法、设备及存储介质。背景技术:1、加热装置作为新能源车辆温控系统的核心组件,主要用于冬季发动机预热及座舱制热...
一种加热装置的故障检测方法、设备及存储介质与流程

本技术涉及故障检测,具体涉及一种加热装置的故障检测方法、设备及存储介质。

背景技术:

1、加热装置作为新能源车辆温控系统的核心组件,主要用于冬季发动机预热及座舱制热。由于加热装置中的热敏电阻具有阻值随温度变化而变化的特性,在长期工作过程中易老化失效而诱发加热装置故障,开展加热装置的故障检测对保障行车安全至关重要。

2、目前的故障检测方式大都预先设定加热装置的电流或温度的静态门限,通过判断实时采样值是否超出该门限来判定故障。然而加热装置的运行工况复杂多变,目前的故障检测方式难以适配,导致加热装置的故障检测准确性不佳。

技术实现思路

1、本技术实施例的主要目的在于提出一种加热装置的故障检测方法、设备及存储介质,旨在提高加热装置的故障检测准确性。

2、本技术实施例提供了一种加热装置的故障检测方法,所述加热装置包括热敏电阻,所述方法包括:获取所述热敏电阻在所述加热装置的第一运行时段的第一阻值时序数据;对所述第一阻值时序数据进行特征提取,得到第一目标特征向量;所述第一目标特征向量中的每个分量分别表征所述第一阻值时序数据在一个特征维度的特征值;将第二目标特征向量输入至目标故障检测模型,得到所述加热装置的故障检测结果;所述第二目标特征向量基于所述第一目标特征向量确定。

3、在一实施方式中,在所述将第二目标特征向量输入至目标故障检测模型,得到所述加热装置的故障检测结果之前,还包括:获取多个第一样本特征向量;其中,每个所述第一样本特征向量分别基于对所述热敏电阻的一个第二阻值时序数据进行特征提取得到;每个所述第二阻值时序数据分别对应所述加热装置的一个第二运行时段;所述热敏电阻在每个所述第二运行时段都处于正常工作状态;利用核密度估计算法,将分别以每个所述第一样本特征向量为中心的核函数进行平滑叠加,得到连续的第一概率密度函数;基于所述第一概率密度函数及带宽的目标值,确定第二概率密度函数;在所述第一概率密度函数中所述带宽为待定系数;基于所述第二概率密度函数构建所述目标故障检测模型。

4、在一实施方式中,所述获取多个第一样本特征向量,包括:获取第一样本特征矩阵的目标协方差矩阵;其中,所述第一样本特征矩阵包括多个第二样本特征向量;每个所述第二样本特征向量分别基于对一个所述第二阻值时序数据进行特征提取得到;所述目标协方差矩阵基于所述第一样本特征矩阵中的各特征维度向量之间的协方差确定;同一特征维度向量中的每个分量一一对应表征每个所述第二阻值时序数据在同一特征维度的特征值;对所述目标协方差矩阵进行特征分解,得到多个目标特征值、及与每个目标特征值分别对应的第三样本特征向量;按照所述多个目标特征值从大到小的顺序,依次确定前k个目标特征值的累计方差贡献率;k为正整数且小于所述多个目标特征值的总数量;响应于所述前k个目标特征值的累计方差贡献率大于累计方差贡献率阈值,将所述前k个目标特征值对应的第三样本特征向量分别确定为所述第一样本特征向量。

5、在一实施方式中,所述获取第一样本特征矩阵的目标协方差矩阵,包括:获取所述第一样本特征矩阵的均值向量及标准差向量;其中,所述均值向量中的每个分量分别表征所述第一样本特征矩阵中的一个特征维度向量的平均值;所述标准差向量中的每个分量分别表征所述第一样本特征矩阵中的一个特征维度向量的标准差;基于所述均值向量及所述标准差向量,对所述第一样本特征矩阵进行标准化;基于标准化后的第一样本特征矩阵中的各特征维度向量之间的协方差,确定所述目标协方差矩阵。

6、在一实施方式中,在所述基于所述第一概率密度函数及带宽的目标值,确定第二概率密度函数之前,还包括:获取所述带宽的多个候选值;针对所述带宽的每个候选值,执行以下步骤得到所述候选值对应的对数似然值:基于所述第二概率密度函数及所述带宽的候选值,确定所述候选值对应的概率密度函数;利用所述候选值对应的概率密度函数,分别确定每个所述第一样本特征向量的概率密度值;基于所述多个第一样本特征向量的概率密度值,确定所述候选值对应的对数似然值;从所述多个候选值中选取所述对数似然值最大的候选值作为所述目标值。

7、在一实施方式中,所述基于所述第二概率密度函数构建所述目标故障检测模型,包括:获取目标概率密度阈值;所述目标概率密度阈值用于判断基于所述第二概率密度函数确定的概率密度值是否表征所述加热装置出现故障;基于所述第二概率密度函数及所述目标概率密度阈值,构建所述目标故障检测模型。

8、在一实施方式中,所述获取目标概率密度阈值,包括:获取多个第四样本特征向量及多个候选概率密度阈值;其中,每个所述第四样本特征向量分别基于对所述热敏电阻的一个第三阻值时序数据进行特征提取得到;每个所述第三阻值时序数据分别对应所述加热装置的一个第三运行时段;所述热敏电阻在至少部分所述第三运行时段处于异常工作状态;针对每个所述第四样本特征向量,基于所述第二概率密度函数,确定所述第四样本特征向量的概率密度值;针对每个所述候选概率密度阈值,基于所述候选概率密度阈值分别与所述多个第四样本特征向量的概率密度值的比较结果,以及所述热敏电阻分别与所述多个第四样本特征向量对应的实际工作状态,确定所述候选概率密度阈值的故障检测准确率;从所述多个候选概率密度阈值中选取所述故障检测准确率最高的候选概率密度阈值作为所述目标概率密度阈值。

9、在一实施方式中,在所述将第二目标特征向量输入至目标故障检测模型,得到所述加热装置的故障检测结果之前,还包括:获取第二样本特征矩阵;所述第二样本特征矩阵包括目标协方差矩阵的前k个目标特征值分别对应的第三样本特征向量;所述前k个目标特征值的累计方差贡献率大于累计方差贡献率阈值;基于所述第一目标特征向量与所述第二样本特征矩阵的乘积,确定所述第二目标特征向量。

10、在一实施方式中,所述基于所述第一目标特征向量与所述第二样本特征矩阵的乘积,确定所述第二目标特征向量,包括:基于第一样本特征矩阵的均值向量及标准差向量,对所述第一目标特征向量进行标准化;基于标准化后的第一目标特征向量与所述第二样本特征矩阵的乘积,确定所述第二目标特征向量。

11、在一实施方式中,在所述将第二目标特征向量输入至目标故障检测模型,得到所述加热装置的故障检测结果之后,还包括:基于所述第一阻值时序数据、及所述热敏电阻在所述第一运行时段的实际工作状态,更新所述目标故障检测模型。

12、在一实施方式中,所述加热装置配置有多个加热档位;所述第一阻值时序数据包括所述热敏电阻分别在每个所述加热档位下的阻值时序数据;所述第一目标特征向量包括至少一个第一分量;所述对所述第一阻值时序数据进行特征提取,得到第一目标特征向量,包括:对所述多个加热档位下的阻值时序数据之间的至少一种协同特征进行提取,得到所述至少一个第一分量;其中,所述协同特征用于表征所述多个加热档位下的阻值时序数据之间的变化一致性;每个所述第一分量分别表征所述多个加热档位下的阻值时序数据在一个协同特征维度的特征值。

13、在一实施方式中,所述第一目标特征向量包括以下至少一项:至少一个第二分量、至少一个第三分量、至少一个第四分量;所述对所述第一阻值时序数据进行特征提取,得到第一目标特征向量,包括以下至少一项:对所述第一阻值时序数据的至少一种分布统计特征进行提取,得到所述至少一个第二分量;其中,所述分布统计特征用于表征所述第一阻值时序数据的分布规律;每个所述第二分量分别表征所述第一阻值时序数据在一个分布统计特征维度的特征值;对所述第一阻值时序数据的至少一种趋势演化特征进行提取,得到所述至少一个第三分量;其中,所述趋势演化特征用于表征所述第一阻值时序数据的趋势变化规律;每个所述第三分量分别表征所述第一阻值时序数据在一个趋势演化特征维度的特征值;对所述第一阻值时序数据的至少一种时序依赖特征进行提取,得到所述至少一个第四分量;其中,所述时序依赖特征用于表征所述第一阻值时序数据中相邻时间点的阻值之间的关联性;每个所述第四分量分别表征所述第一阻值时序数据在一个时序依赖特征维度的特征值。

14、本技术实施例还提供了一种加热装置的故障检测设备,所述设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述加热装置的故障检测方法。

15、本技术实施例还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述加热装置的故障检测方法。

16、本技术实施例提供的一种加热装置的故障检测方法、设备及存储介质,方法包括:获取热敏电阻在加热装置的第一运行时段的第一阻值时序数据;并对第一阻值时序数据进行特征提取,得到第一目标特征向量,第一目标特征向量中的每个分量分别表征第一阻值时序数据在一个特征维度的特征值;以及将基于第一目标特征向量确定的第二目标特征向量输入至目标故障检测模型,得到加热装置的故障检测结果。本技术的技术方案通过对热敏电阻的阻值时序数据进行特征提取,得到用于表征阻值时序数据特性的特征向量,并利用故障检测模型基于特征向量确定故障检测结果,有利于规避加热装置复杂运行工况带来的干扰,从而能够提高加热装置的故障检测准确性。