基于深度学习的充电桩故障自动诊断方法与流程
本技术涉及故障诊断的,尤其是涉及基于深度学习的充电桩故障自动诊断方法。
背景技术:
1、随着新能源汽车的普及,充电桩作为关键的基础补能设施,其运行的安全性和稳定性直接影响着用户的充电体验与电网的安全。由于充电桩常年暴露在户外复杂环境中,其内部设备的运行状态极易受到外部环境和内部负载的双重影响。
2、现有技术中,对充电桩内部设备的故障自动诊断通常采用基于固定阈值的监控报警机制,例如当传感器监测到设备绝对温度超过设定的固定最高值时,即直接判定为过温故障并触发报警。使用这种诊断方式,一方面,由于充电桩所处的户外环境多变,夏季阳光暴晒等气象因素极易导致传感器数值飙升,固定的报警阈值无法适应动态变化的环境背景且无法剥离环境噪声干扰,极易产生大量误报,导致设备频繁误停机,严重影响用户的正常充电体验。另一方面,传统的固定阈值监测往往将各个传感器的数据孤立看待,缺乏对温度时序变化率的深度挖掘以及与运行电压、电流等多源电气数据的交叉验证,系统无法从物理变化规律上有效区分是外部天气炎热导致的正常升温,还是由于内部继电器接触不良、元器件老化等引发的真实电气故障,从而导致深层次的隐蔽故障难以被精准捕捉,整体诊断的准确度和可信度较差。
3、因此,如何有效排除外界干扰,提升对充电桩故障自动诊断的准确性、抗干扰能力和智能化水平成为亟待解决的问题。
技术实现思路
1、本发明的目的在于提供基于深度学习的充电桩故障自动诊断方法,以解决上述背景技术中提出的问题。
2、本技术提供了基于深度学习的充电桩故障自动诊断方法,所述方法包括:
3、实时采集目标充电桩所处环境的环境温度数据和光照强度数据,并同步采集所述目标充电桩在当前时刻的充电功率数据和设备结温数据;
4、获取所述目标充电桩的基准初始结温和出厂时的标准温度设计参数,结合所述环境温度数据、所述光照强度数据、所述基准初始结温和所述标准温度设计参数,得到所述设备结温数据对应的动态温度基准范围;
5、将所述设备结温数据与所述动态温度基准范围进行比对,若判断为所述设备结温数据超出所述动态温度基准范围,则生成多源数据核对指令;
6、所述目标充电桩基于所述多源数据核对指令实时采集供电回路中的运行电压数据和运行电流数据,结合所述运行电压数据和所述运行电流数据得到接触压降特征;
7、建立时间轴,沿所述时间轴对所述设备结温数据进行微分计算,提取一阶升温速率特征和二阶升温加速度特征,构建反映温度突变的设备热惯性特征;
8、将所述接触压降特征与所述设备热惯性特征进行特征融合,得到交叉验证向量,将所述交叉验证向量输入至预设的故障诊断模型中进行运算,得到带有置信度参数的特定故障诊断结果。
9、优选的,获取所述目标充电桩的基准初始结温和出厂时的标准温度设计参数,结合所述环境温度数据、所述光照强度数据、所述基准初始结温和所述标准温度设计参数,得到所述设备结温数据对应的动态温度基准范围的步骤,具体为:
10、获取预设的温度转换系数和光照热阻系数,将所述环境温度数据与所述温度转换系数相乘,得到环境影响温度值;
11、将所述光照强度数据与所述光照热阻系数相乘,得到光照影响温度值,结合所述环境影响温度值以及所述光照影响温度值,得到环境综合温度值;
12、提取所述充电功率数据中的实时电流数据和等效阻抗数据,将所述实时电流数据的平方值与所述等效阻抗数据以及预设的达到最高温度的标准时长相乘,得到内部焦耳热参数;
13、获取充电桩设计生产时的设计参数数据库,提取所述设计参数数据库中的热量-温度映射关系表;
14、基于所述内部焦耳热参数在所述热量温度映射关系表中进行查询,得到工作温度上升值,结合工作温度上升值和所述环境综合温度值,得到热参数温度值;
15、获取所述目标充电桩的基准初始结温,将所述基准初始结温与所述热参数温度值相加,得到当前时刻的理论结温预估值;
16、提取所述设计参数数据库中的所述目标充电桩的标准温度设计参数,根据所述标准温度设计参数得到所述目标充电桩的温度波动容差值;
17、将所述理论结温预估值与所述温度波动容差值进行相加和相减,得到结温上限值和结温下限值,根据所述结温上限值和结温下限值,生成动态温度基准范围。
18、优选的,获取预设的温度转换系数和光照热阻系数的步骤,具体为:
19、获取所述目标充电桩在历史空载运行周期内的历史环境温度数据、历史光照强度数据和历史设备结温数据;
20、对所述历史光照强度数据进行数值筛选,提取光照强度为零的夜间时间段,并截取所述夜间时间段内的夜间环境温度数据和夜间设备结温数据;
21、识别所述夜间设备结温数据的第一平均波动差值与所述夜间环境温度数据的第二平均波动差值,将所述第一平均波动差值和所述第二平均波动差值进行比值运算,得到温度转换系数;
22、提取所述历史光照强度数据中数值大于零的白昼时间段,并截取所述白昼时间段内的白昼环境温度数据、白昼光照强度数据以及白昼设备结温数据;
23、基于所述白昼环境温度数据以及所述温度转换系数得到白昼基础温升数据,将所述白昼设备结温数据减去所述白昼基础温升数据,得到光照辐射温升数据;
24、识别所述光照辐射温升数据的第三平均波动差值与所述白昼光照强度数据的第四平均波动差值,将所述第三平均波动差值和所述第四平均波动差值进行比值运算,得到光照热阻系数。
25、优选的,所述目标充电桩基于所述多源数据核对指令实时采集供电回路中的运行电压数据和运行电流数据,结合所述运行电压数据和所述运行电流数据得到接触压降特征的步骤,具体为:
26、基于所述多源数据核对指令,对所述目标充电桩内的供电回路进行电数据监控,采集供电回路中的运行电压数据和运行电流数据;
27、提取所述运行电压数据中的进线电压数据和出线电压数据,结合所述进线电压数据和所述出线电压数据,得到目标压降数值;
28、将所述目标压降数值以及所述运行电流数据进行比值运算,得到供电回路的接触阻抗数值;
29、识别所述运行电流数据在相邻采样点之间的电流数值差,根据所述电流数值差得到电流阶跃数值;
30、将所述电流阶跃数值乘以所述接触阻抗数值,得到瞬态压降波动数值,将所述瞬态压降波动数值作为接触压降特征。
31、优选的,建立时间轴,沿所述时间轴对所述设备结温数据进行微分计算,提取一阶升温速率特征和二阶升温加速度特征,构建反映温度突变的设备热惯性特征的步骤,具体为:
32、提取所述目标充电桩内部硬件定时器输出的时钟脉冲,对所述时钟脉冲进行连续计数,将计数结果转化为时间坐标,生成时间轴;
33、沿所述时间轴提取连续三个相邻采样节点的所述设备结温数据,分别标记为第一结温数据、第二结温数据以及第三结温数据,记录时间跨度数值;
34、提取所述第二结温数据和所述第一结温数据的第一温差数值,将所述第一温差数值除以所述时间跨度数值,得到第一历史升温速率;
35、提取所述第三结温数据和所述第二结温数据的第二温差数值,将所述第二温差数值除以所述时间跨度数值,得到当前节点的一阶升温速率特征;
36、将所述一阶升温速率特征减去所述第一历史升温速率得到速率差值,将所述速率差值除以所述时间跨度数值,得到二阶升温加速度特征;
37、将所述一阶升温速率特征和所述二阶升温加速度特征进行数据打包,生成包含速率与加速度的二维特征矩阵,将所述二维特征矩阵作为反映温度突变的设备热惯性特征。
38、优选的,将所述一阶升温速率特征和所述二阶升温加速度特征进行数据打包,生成包含速率与加速度的二维特征矩阵的步骤,具体为:
39、提取所述目标充电桩内随机存储器的空闲地址,基于所述空闲地址分配第一线性内存空间和第二线性内存空间;
40、将所述一阶升温速率特征特征按位写入所述第一线性内存空间,生成处于第一数据维度的速率数据行;
41、将所述二阶升温加速度特征按位写入所述第二线性内存空间,生成处于第二数据维度的加速度数据行;
42、提取所述速率数据行的第一字节长度和所述加速度数据行的第二字节长度,根据所述第一字节长度和所述第二字节长度生成二维结构体指针;
43、基于所述二维结构体指针将所述速率数据行的首地址和所述加速度数据行的首地址进行内存对齐与逻辑链接,生成包含速率和加速度的二维特征矩阵。
44、优选的,所述故障诊断模型的构建步骤,具体为:
45、获取历史充电桩的历史电压数据、历史环境温度数据、历史结温数据和历史故障数据;
46、基于所述历史环境温度数据以及所述历史结温数据,得到历史设备热惯性特征,基于所述历史电压数据,得到历史接触压降特征;
47、融合所述历史设备热惯性特征以及所述历史接触压降特征,生成历史训练数据组,并将所述历史故障数据与所述历史训练数据组进行一一对应链接,生成历史映射训练数据组;
48、记录所述历史映射训练数据组中的历史特征映射关系,所述历史故障数据中的历史故障表现数据以及所述历史训练数据组中的历史特征偏置向量;
49、基于所述历史特征映射关系、所述历史故障表现数据以及所述历史特征偏置向量,调用预设的神经网络进行数据模拟生成,得到模拟映射训练数据组;
50、将所述历史映射训练数据组与所述模拟映射训练数据组进行融合后,生成融合训练数据组;
51、提取所述融合训练数据组中的融合特征映射关系和融合特征偏置向量,并基于多个所述融合特征映射关系构建融合特征映射矩阵;
52、基于所述融合训练数据组,调用所述神经网络进行故障路径跟踪,并记录故障识别过程中产生的识别偏差以及故障追踪路径;
53、基于所述识别偏差对所述融合特征映射矩阵、所述融合特征偏置向量以及所述故障追踪路径进行修正,得到特征映射矩阵、特征偏置向量和目标故障追踪路径;
54、结合所述特征映射矩阵、所述特征偏置向量以及所述目标故障追踪路径,生成故障诊断模型。
55、优选的,基于所述历史环境温度数据以及所述历史结温数据,得到历史设备热惯性特征,基于所述历史电压数据,得到历史接触压降特征的步骤,具体为:
56、获取记录有所述历史环境温度数据和所述历史结温数据的历史时间轴,并提取所述历史时间轴上相邻采样节点之间的时间间隔数值;
57、将同一采样节点的所述历史结温数据减去所述历史环境温度数据得到历史净温升数据;
58、提取相邻采样节点的所述历史净温升数据进行相减计算,得到历史温升差值,将所述历史温升差值除以所述时间间隔数值得到历史设备热惯性特征;
59、提取所述历史电压数据的历史进线电压数据以及历史出线电压数据;
60、将所述历史进线电压数据减去所述历史出线电压数据,得到历史压降数据;
61、提取相邻采样节点的所诉历史压降数据并进行相减运算,得到历史压降波动差值,将所述历史压降波动差值作为历史接触压降特征。
62、优选的,将所述接触压降特征与所述设备热惯性特征进行特征融合,得到交叉验证向量,将所述交叉验证向量输入至预设的故障诊断模型中进行运算,得到带有置信度参数的特定故障诊断结果的步骤,具体为:
63、将所述接触压降特征与所述设备热惯性特征进行特征融合,生成一维数组格式的交叉验证向量;
64、将所述交叉验证向量输入至所述故障诊断模型中,将所述交叉验证向量与所述特征映射矩阵进行相乘,得到多维特征向量;
65、将所述多维特征向量与所述特征偏置向量进行对应位元素的相加运算,生成分类倾向参数;
66、对所述分类倾向参数中的每个参数元素进行自然指数运算,得到指数数值序列;
67、对所述指数数值序列中的所有元素的数值进行累加,得到加和数值,将所述指数数值序列中的每个元素分别除以所述加和数值,生成归一化概率分布序列;
68、提取所述归一化概率分布序列中的数值最大的目标概率元素作为置信度参数,并提取所述目标概率元素在所述归一化概率分布序列中的序列索引号;
69、提取所述交叉验证向量中的目标故障信息,以所述目标故障信息和所述序列索引号为起点,根据所述目标故障追踪路径进行故障索引,得到目标故障标签,结合所述目标故障标签和所述置信度参数,生成特定故障诊断结果。
70、综上所述,本技术包括以下至少一种有益技术效果:
71、通过实时采集目标充电桩所处环境的环境温度数据和光照强度数据,并同步采集目标充电桩在当前时刻的充电功率数据和设备结温数据。然后结合环境温度数据和光照强度数据,得到环境综合热参数,并将该参数与充电功率数据进行拟合计算,得出设备结温数据对应的动态温度基准范围。接着,将设备结温数据与动态温度基准范围进行比对,若判断为设备结温数据超出动态温度基准范围,则生成多源数据核对指令。目标充电桩基于多源数据核对指令,实时采集供电回路中的运行电压数据和运行电流数据,并结合两者计算得到接触压降特征。随后,建立时间轴,沿时间轴对设备结温数据进行微分计算,提取一阶升温速率特征和二阶升温加速度特征,从而构建出反映温度突变的设备热惯性特征。最后,将接触压降特征与设备热惯性特征进行特征融合,得到交叉验证向量,并将该向量输入至预设的故障诊断模型中进行综合运算,最终输出带有置信度参数的特定故障诊断结果。有效排除了外部气象环境干扰,实现了多源电气数据与热时序特征的交叉验证,提升了对充电桩故障自动诊断的准确性、抗干扰能力和智能化。
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