【技术实现步骤摘要】
基于Tri
‑
Training和深度学习的电动汽车大功率直流充电设备故障诊断方法
[0001]本专利技术属于设备故障诊断
,具体涉及一种基于Tri
‑
Training和深度学习的电动汽车大功率直流充电设备故障诊断方法。
技术介绍
[0002]电动汽车直流充电设备作为新能源电动汽车产业的重要基础设施,随着电动汽车数量的迅速增加,得到了大规模的安装和部署。充电设备在运行过程中,由于人为、天气等因素的影响,充电设备不可避免地会发生各种故障,如果不及时的进行处理,可能会造成设备的严重损坏以及人员伤亡,例如机身温度过高引起的自燃、绝缘检测失效引起的触电、雨水浸透引起的短路等。因此,对电动汽车充电设备进行实时的状态监测和故障诊断是保障其正常运行的必要措施。
[0003]近年来,得益于计算机科学技术和人工智能的发展,基于数据驱动的方法被广泛用于工业设备的故障诊断,并取得了很多成果。与传统方法相比,该类方法既不需要构建精确或简化的物理模型也不需要依赖于大量的专家知识就可以得到较好的诊断结果。然而,由于目标设备的复杂性,采集到的设备状态数据往往是多维的,且彼此之间具有较强的耦合性。针对这种情况,深度学习凭借其处理高维非线性数据的优势,强大的数据特征提取能力往往能获得更好的故障诊断效果。众所周知,深度学习需要大量的标签数据作为训练的指导,以获取令人满意的网络模型。然而,在实际情况中,充电设备的状态数据大多是无标签的,通常通过人工标定的方式获取大量的有标签数据,这需要耗费大量的时间和人力, ...
【技术保护点】
【技术特征摘要】
1.基于Tri
‑
Training和深度学习的电动汽车大功率直流充电设备故障诊断方法,其特征在于,包括以下步骤:步骤S1:选取电动汽车大功率直流充电设备的历史运行状态数据,构建数据集;步骤S2:将数据集划分为训练集、测试集,并对其进行预处理;步骤S3:使用Tri
‑
Training方法对大量的无标签数据进行分类,获得具有高置信度的伪标签数据;步骤S4:使用训练集数据和伪标签数据构建并训练充电设备故障诊断模型,并使用测试集评估模型性能;步骤S5:将目标检测数据输入到充电设备故障诊断模型,得到诊断结果,实现所述充电设备的故障诊断。2.根据权利1要求的基于Tri
‑
Training和深度学习的电动汽车大功率直流充电设备故障诊断方法,其特征在于,所述步骤S1中选取的充电设备运行状态包括正常运行状态和故障状态,故障状态为充电设备的各种常见故障,包括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等。3.根据权利1要求的基于Tri
‑
Training和深度学习的电动汽车大功率直流充电设备故障诊断方法,其特征在于,所述步骤S1中选取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要求的基于Tri
‑
Training和深度学习的电动汽车大功率直流充电设备故障诊断方法,其特征在于,所述步骤S2中对数据集进行预处理,具体包括以下操作:步骤S21:缺失值的处理,根据数据的重要性程度,采用删除变量或者统计量填充的方法进行处理;步骤S22:异常值的处理,对于数据集中的异常数据,执行删除操作;步骤S23:数据的归一化,通过极差标准化的方法...
【专利技术属性】
技术研发人员:高德欣,林西浩,杨清,张世玉,杜玉蓉,
申请(专利权)人:青岛科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。