[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

说明书

本发明设计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，具体包括以下步骤：首先对电动汽车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；其次将数据集划分为训练集、验证集以及测试集；接着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；然后使用验证集和测试集对故障诊断模型的性能进行评估；最后将充电设备的运行状态数据输入满足要求的故障诊断模型，得到诊断结果。本发明可以有效提高IGBT型共直流母线充电设备故障诊断的准确率，为充电设备的日常维护和维修提供依据。

技术领域

本发明属于故障诊断技术领域，具体涉及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。

背景技术

近年来随着电动汽车数量的增加，大家对充电质量和充电时间有着越来与高的要求，希望在短的时间内完成汽车高质量充电。电动汽车IGBT型共直流母线充电设备(简称为“充电设备”)具有输出功率大、充电时间短、电能质量高等优点，获得了大量的安装与使用。然而，这类充电设备大多安装在户外区域，长期承受着雨、露等较大的环境压力，导致充电设备的功能维护面临着越来越多的问题。例如，充电设备的充电模块、绝缘检测模块等核心部件经常发生故障，降低充电设备的安全性和可靠性。同时，充电设备的定期维护和发生故障后故障原因的排查需要花费大量的人力和时间，使得其维护和保障成本越来越高。因此，有效的充电设备故障诊断方法对于充电设备的安全运行和降低维护成本具有重要意义。

目前故障诊断的方法主要分为定性分析和定量分析两大类，其中定量分析中基于解析模型的方法和基于数据驱动的方法在设备故障诊断中广泛使用。基于解析模型的方法往往能够获得较高的故障诊断准确率，但是由于充电设备的内部结构复杂，精确的数学模型难以建立，而且建立的模型也仅适应于特定型号的设备，普适性较差，因此基于解析模型的方法难以适用。设备在运行过程中，积累了大量的运行数据，基于数据驱动的方法通过对运行数据进行分析处理，提取故障数据的特征，映射故障数据与故障类型之间的关系，实现设备的故障诊断。该方法不依赖于精确的数学模型，实现相对简单且通用性较强。充电设备的故障数据蕴含了充电设备在不同工况下丰富的故障信息，具有耦合性强、多维性等特点，基于深度学习的故障诊断方法能够对上述信息进行充分的利用，且能够克服传统故障诊断方法泛化能力差、容易陷入局部最优解的缺陷。

发明内容

本发明针对电动汽车充电设备的故障诊断问题，提出一种基于深度学习的电动汽车IGBT型共直流母线设备故障诊断方法。在该方法中，在典型深度置信网络模型基础上引入Nesterov动量法和自适应学习率加速模型的收敛，构建自适应深度置信网络模型，提高模型的训练速度，并使用改进粒子群算法优化深度置信网路的超参数，提升模型故障诊断的性能。

为实现上述目的，本发明提供如下技术方案：

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，具体包括如下步骤：

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。

本发明步骤1中，所述充电设备的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。