[发明专利]一种基于深度学习的电动汽车IGBT型共直流母线充电设备故障诊断方法

权利要求书

1.一种基于深度学习的电动汽车IGBT型共直流母线充电设备故障诊断方法，其特征在于，具体包括以下步骤：

步骤1：对电动汽车IGBT型共直流母线充电设备的运行状态数据进行分析，并进行预处理，以建立数据集；

步骤2：将数据集划分为训练集、验证集以及测试集；

步骤3：建立基于自适应深度置信网络的充电设备故障诊断模型，使用训练集对其进行训练；

步骤4：使用验证集和测试集对故障诊断模型的性能进行评估；

步骤5：将充电设备的运行状态数据输入满足要求的充电设备故障诊断模型，得到诊断结果。

2.根据权利1要求的一种基于深度学习的电动汽车IGBT型共直流母线充电设备故障诊断方法，其特征在于，所述步骤1中的充电设备运行状态分为正常状态和故障状态，其中故障状态包括但不局限于直流母线输出过电压故障、直流母线输出过电流故障、直流母线输出接触器故障、电动汽车BMS通信故障、充电设备绝缘检测故障、充电模块过温故障、充电模块输入缺相故障、充电设备输出过电压故障、充电设备连接器故障等。

3.根据权利1要求的一种基于深度学习的电动汽车IGBT型共直流母线充电设备故障诊断方法，其特征在于，所述步骤1中的充电设备运行状态数据包括但不局限于充电设备输入电压、充电设备输入电流、充电设备输出电压、充电设备输出电流、充电设备输出功率、车辆充电需求电压、车辆充电需求电流、充电设备直流母线电压、直流断路器状态、电池温度、电池设定温度、散热风扇状态、辅助单元输出电压、充电时长、绝缘检测模块状态等信息。

4.根据权利1要求的一种基于深度学习的电动汽车IGBT型共直流母线充电设备故障诊断方法，其特征在于，所述步骤1中对数据集进行预处理，具体包括以下操作：

(1)缺失值的处理，根据数据的重要性程度，分别执行插值或者删除操作；

(2)异常值的处理，对于数据集中的异常数据，执行删除操作；

(3)数据的归一化，通过极差标准化的方法将数据的范围映射到[0,1]之间。

5.根据权利1要求的一种基于深度学习的电动汽车IGBT型共直流母线充电设备故障诊断方法，其特征在于，所述步骤3中的自适应深度置信网络使用Nesterov动量法对网络参数进行优化，并对Nesterov初始计算公式进行等效变换以加快训练效率，Nesterov动量法的初始计算公式为：

θ_t＝θ_t-1+v_t (2)

对上式进行变换，令θ′_t＝θ_t+βv_t，则有

令θ_t＝θ′_t，则有

式中，θ＝{w,a,b}表示网络的参数，a，b分别为可见层与隐藏层的偏置，w是可见层与隐藏层的连接权重，v_t表示第t次迭代后的速度，v_t-1代表第t-1次迭代后的速度，β为动量值，α为学习率。

6.根据权利1要求的一种基于深度学习的电动汽车IGBT型共直流母线充电设备故障诊断方法，其特征在于，所述步骤3中的自适应深度置信网络，在引入Nesterov动量的基础上，使用独立的自适应学习率对网络参数进行更新，计算公式为：

式中，表示第t次训练后参数θ的梯度，若当前参数的权重梯度方向与前一次权重梯度方向保持一致时，ψ_t增加ξ，反之，则ψ_t减小1-ξ倍，参数ψ的初始值设为1，参数ξ设为0.1。