一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法技术

本发明专利技术涉及一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法，属于医疗电子设备故障诊断领域。该方法利用多通道数据采集卡采集医疗电子设备开关电源不同故障状态下多个关键测试点的电信号数据，然后利用一维卷积神经网络和双向长短时记忆网络分别提取空间维度和时间维度的不同特征，并通过等比例特征图相加方式将不同维度特征进行融合，建立多维度特征融合故障诊断模型，最后利用Adam算法对模型参数进行优化，实现医疗电子设备开关电源无图纸芯片级故障智能诊断。本发明专利技术有效克服单一特征给故障诊断结果带来的片面性，能够准确识别开关电源多种常见故障类型，准确率优于基于单一特征的故障诊断方法。

A fault diagnosis method of switching power supply for medical electronic equipment based on multi-dimensional feature fusion

【技术实现步骤摘要】
一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法
本专利技术属于医疗电子设备故障诊断领域，涉及一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法。
技术介绍
医疗电子设备能否发挥其最大效能，除了与本身的技术性能有直接关系外，还和供电电源的质量有着极其重要的关系。由于开关电源长时间承受高电压、强电流的冲击，导致其故障频发，同时生产厂家为了获取维修利润也不再提供详尽的电路图等信息，导致开关电源维修难、维修贵。目前基于机器学习方法已在故障诊断领域取得了广泛的应用，但仍存在一定的缺陷：1)对电信号特征的提取大多是根据人工经验来完成，具有一定主观性；2)对数据的表达能力有限，难以学习复杂的非线性关系。相比于浅层机器学习来说，深度学习是以数据的原始形态作为算法的输入，利用各种数据挖掘技术获取其中隐含的有用信息，表征系统运行模式，进而达到检测与诊断的目的，这期间不夹杂任何人为操作，模型更具有客观性，成为目前较为实用的诊断技术。深度学习中最为典型两种模型是卷积神经网络和长短时记忆网络，特别适用于图像信息处理和时序信息处理，其应用在故障诊断领域也取得一定的成就。对于开关电源电信号而言，卷积神经网络是针对电信号的波形进行空间形态特征提取，无法提取不同时刻电信号之间的关系，而长短时记忆网络则是通过对不同时刻的电信号进行有选择的记忆和遗忘，实现长期记忆，从而提取开关电源电信号时间维度特征。若仅根据开关电源电信号的单一维度特征进行故障诊断，其诊断结果并不可靠。因此将多维度特征信息进行融合，降低或抑制随机干扰等不确定因素的影响，提高医疗电子设备开关电源故障诊断的准确性、可靠性和有效性。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于深度学习的医疗电子设备开关电源无图纸故障诊断方法，无需人工提取开关电源电信号特征，自动完成端到端的芯片级故障诊断，有效解决医疗电子设备开关电源因故障频发且缺少图纸等信息而导致其维修难、维修贵的问题。为达到上述目的，本专利技术提供如下技术方案：一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法，利用多通道数据采集卡采集医疗设备开关电源不同故障状态下多个关键测试点的电信号数据，然后利用深度学习中的一维卷积神经网络和双向长短时记忆网络分别提取空间维度和时间维度的不同特征，并通过等比例特征图相加方式将不同维度特征进行融合，建立多维度特征融合故障诊断模型，克服单一维度特征给诊断结果带来的片面性，最后利用Adam算法对模型参数进行优化，实现医疗设备开关电源无图纸芯片级故障智能诊断。该故障诊断方法的具体步骤为：S1：根据常见故障类型以及核心芯片功能对医疗电子设备开关电源进行功能模块划分，并选取关键测试点；S2：基于LabVIEW和数据采集卡完成开关电源正常状态和不同故障状态下多通道电信号数据采集及预处理；S3：基于双向长短时记忆网络提取开关电源多通道电信号时间维度特征；S4：基于一维卷积神经网络提取开关电源多通道电信号空间维度特征；S5：根据提取的不同维度特征，建立基于多维度特征融合的开关电源故障诊断模型；S6：训练Softmax分类器对医疗电子设备开关电源状态进行分类和识别；S7：构建开关电源故障诊断模型的目标损失函数，指导模型参数的训练和学习；S8：根据步骤S7中构建的目标损失函数，利用Adam算法对开关电源故障诊断模型的参数进行训练和优化；S9：当故障诊断模型完成训练后，将经过预处理后的开关电源多通道电信号输入到训练好的故障诊断模型中，完成开关电源芯片级故障的自动诊断。进一步，所述步骤S1中，功能模块划分和关键测试点选取的具体步骤为：S11：通过查询医疗电子设备开关电源上各核心芯片功能，并根据通用型开关电源的工作原理，对医疗电子设备开关电源进行功能模块划分；S12：根据医疗电子设备开关电源常见故障类型(通过文献调研和实际案例统计，分析得出医疗电子设备开关电源常见故障类型)，依次选取其核心芯片的输入端、输出端、控制端和电源端等测试点。进一步，所述步骤S2中，基于LabVIEW和数据采集卡完成正常状态和不同故障状态下的开关电源多通道数据采集及预处理的具体步骤为：S21：在医疗电子设备整体运行条件下，利用数据采集卡和LabVIEW软件对开关电源正常状态和不同故障状态进行多通道电压信号的同步采集；S22：对不满足采集卡量程的电信号进行分压处理，同时不影响开关电源的负载大小；S23：对每一通道的电信号数据进行归一化处理；S24：对归一化后的电信号数据进行重叠式分割，扩充样本数量，重叠比为80％，同时划分训练集样本和测试集样本。进一步，所述步骤S3中，基于双向长短时记忆网络提取开关电源多通道电信号时间维度特征的具体步骤为：S31：利用双向长短时记忆网络对开关电源每一个通道电信号数据选取一定的时间点进行记忆，提取相应通道的时间维度特征；S32：将提取的多通道时间维度特征进行空间维数变换，变为一维特征；S33：通过神经网络模型设计，使得时间维度特征展平后的特征元素个数为c。进一步，所述步骤S4中，基于一维卷积神经网络提取开关电源多通道电信号空间维度特征的具体步骤为：S41：利用一维卷积层提取开关电源每一通道电信号数据的空间维度特征；S42：将提取的第一层多通道空间维度特征输入到第二层的一维最大池化层中，对相应通道提取的空间维度特征进行降维；S43：将降维后的多通道空间维度特征输入到第三层的一维卷积层中，提取相应通道的空间维度深度特征；S44：将提取的第三层多通道空间维度深度特征进行空间维数变换，变为一维特征；S45：通过神经网络模型设计，使得空间维度深度特征展平后的特征元素个数为c。进一步，所述步骤S5中，建立基于多维度特征融合的故障诊断模型的具体步骤为：S51：根据特征图等比例求和的方式，分别将已提取的时间维度一维特征和空间维度一维特征中的元素各赋予0.5的权重；S52：将已提取的时间维度特征和空间维度特征进行融合，建立多维度特征融合的开关电源故障诊断模型，融合公式为：其中，Xi和Yi分别表示时间维度和空间维度待融合的一维特征，Wi表示模型参数，c表示待融合的一维特征元素个数。进一步，所述步骤S6中，训练Softmax分类器的具体过程为：对开关电源正常状态和不同故障状态进行独热编码，并利用融合后的特征训练Softmax分类器，Softmax分类器输出为一阶概率矩阵，方程为：其中，K表示故障类别数，xj表示K维向量中第j神经元的输出值。进一步，所述步骤S7中，开关电源故障诊断的目标损失函数为：其中，pij是样本i属于故障类别j的概率，qij表示模型对样本i预测属于故障类别j的概率，m表示训练样本总数，K表示开关电源故障类别数。本专利技术的有益效果在于：本专利技术提出的基于多维度特征融合故障智能诊断本文档来自技高网...

【技术保护点】
1.一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法，其特征在于，该方法具体包括以下步骤：/nS1：根据常见故障类型以及核心芯片功能对医疗电子设备开关电源进行功能模块划分，并选取关键测试点；/nS2：基于LabVIEW和数据采集卡完成开关电源正常状态和不同故障状态下多通道电信号数据采集及预处理；/nS3：基于双向长短时记忆网络提取开关电源多通道电信号时间维度特征；/nS4：基于一维卷积神经网络提取开关电源多通道电信号空间维度特征；/nS5：根据提取的不同维度特征，建立基于多维度特征融合的开关电源故障诊断模型；/nS6：训练Softmax分类器对医疗电子设备开关电源状态进行分类和识别；/nS7：构建开关电源故障诊断模型的目标损失函数，指导模型参数的训练和学习；/nS8：根据步骤S7中构建的目标损失函数，利用Adam算法对开关电源故障诊断模型的参数进行训练和优化；/nS9：当故障诊断模型完成训练后，将经过预处理后的开关电源多通道电信号输入到训练好的故障诊断模型中，完成开关电源芯片级故障的自动诊断。/n

【技术特征摘要】
1.一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法，其特征在于，该方法具体包括以下步骤：
S1：根据常见故障类型以及核心芯片功能对医疗电子设备开关电源进行功能模块划分，并选取关键测试点；
S2：基于LabVIEW和数据采集卡完成开关电源正常状态和不同故障状态下多通道电信号数据采集及预处理；
S3：基于双向长短时记忆网络提取开关电源多通道电信号时间维度特征；
S4：基于一维卷积神经网络提取开关电源多通道电信号空间维度特征；
S5：根据提取的不同维度特征，建立基于多维度特征融合的开关电源故障诊断模型；
S6：训练Softmax分类器对医疗电子设备开关电源状态进行分类和识别；
S7：构建开关电源故障诊断模型的目标损失函数，指导模型参数的训练和学习；
S8：根据步骤S7中构建的目标损失函数，利用Adam算法对开关电源故障诊断模型的参数进行训练和优化；
S9：当故障诊断模型完成训练后，将经过预处理后的开关电源多通道电信号输入到训练好的故障诊断模型中，完成开关电源芯片级故障的自动诊断。


2.根据权利要求1所述的一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法，其特征在于，所述步骤S1中，功能模块划分和关键测试点选取的具体步骤为：
S11：通过查询医疗电子设备开关电源上各核心芯片功能，并根据通用型开关电源的工作原理，对医疗电子设备开关电源进行功能模块划分；
S12：根据医疗电子设备开关电源常见故障类型，依次选取医疗电子设备开关电源核心芯片的输入端、输出端、控制端和电源端为测试点。


3.根据权利要求1所述的一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法，其特征在于，所述步骤S2中，基于LabVIEW和数据采集卡完成开关电源正常状态和不同故障状态下多通道电信号数据采集及预处理的具体步骤为：
S21：在医疗电子设备整体运行条件下，利用LabVIEW和数据采集卡对正常状态和不同故障状态下的开关电源进行多通道电压信号的同步采集；
S22：对不满足采集卡量程的电信号进行分压处理，同时不影响开关电源的负载大小；
S23：对每一通道的电信号数据进行归一化处理；
S24：对归一化后的电信号数据进行重叠式分割，扩充样本数量，重叠比为80％，同时划分训练集样本和测试集样本。


4.根据权利要求1所述的一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法，其特征在于，所述步骤S3中，基于双向长短时记忆网络提取开关电源多通道电信号时间维度特征的具体步骤为：
S31：...

【专利技术属性】
技术研发人员：张诗慧，种银保，赵鹏，肖晶晶，王晴，
申请(专利权)人：中国人民解放军陆军军医大学第二附属医院，
类型：发明
国别省市：重庆;50