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

本发明专利技术公开了一种基于Tri

【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，因此造成了有标签数据难以获取，大量廉价的无标签数据无法得到充分利用的现状。因此，如何利用大量的无标签数据和少量的有标签数据实现充电设备故障诊断是当前的一个研究热点。
[0004]半监督学习旨在解决上述问题。研究人员提出了多种基于半监督的分类方法，主要有基于协同训练的方法，生成式方法以及基于图的等方法。Tri
‑
Training是协同训练的一种改进模型，不需要多个充分冗余的视图，通过单个视图学习训练三个分类器后,基于分歧给无标签数据贴上伪标签，提取有用的信息。基于上述事实，本专利技术提出了一种基于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。

技术实现思路

[0005]本专利技术针对电动汽车大功率直流充电设备的故障诊断问题，提出一种基于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。针对充电设备的运行状态数据高维度、高耦合的特点，提出了基于深度学习的充电设备故障诊断方法，同时为解决标签数据获取难度大、大量无标签数据得不到充分利用的问题，本专利技术提出使用Tri
‑
Training方法获取高置信度的伪标签数据用于深度学习网络模型的训练。
[0006]为实现上述目的，本专利技术提供如下方案：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，具体包括如下步骤：
[0007]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；
[0008]步骤S2：将数据集划分为训练集、测试集，并对其进行预处理；
[0009]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；
[0010]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；
[0011]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。
[0012]本专利技术步骤S1中，所述充电设备的运行状态数据，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。
[0013]本专利技术步骤S1中，所述充电设备的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。
[0014]本专利技术步骤S2中，对数据集进行预处理，具体包括以下操作：
[0015]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；
[0016]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；
[0017]步骤S23：数据的归一化，通过极差标准化的方法将数据的范围转化到0
‑
1之间，其中，为原始数据x归一化的结果，x
max
，x
min
为数据的最大值与最小值。
[0018]本专利技术步骤S3中，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；Tri
‑
Training方法是一种基于分歧的方分类法，不需要多个充分冗余的视图，通过单个视图训练三个独立的分类器可以实现充电设备无标签样本的类别预测，在标签预测过程中，使用来判断标记的数据是否满足要求，其中，L为原始标记数据集，|L
t
|表示第t次迭代基分类器h
j
和h
k
为h
i
(j,k≠i)新标记的训练集的数量，表示第t次迭代h
j
和h
k
错误率的上限。
[0019]本专利技术步骤S4中的充电设备故障诊断模型包括输入层、特征提取层和分类层。其中，输入层用于输入充电设备经过预处理后的监测数据；特征提取层对预处理的数据进行深层次的特征挖掘，通过深度置信网络(DBN)实现隐藏数据特征的学习；分类层实现充电设备运行状态的诊断。
[0020]本专利技术步骤S5中，采用麻雀搜索算法(SSA)对DBN的各权重参数进行优化。所述SSA有三种类型的麻雀组成；发现者、加入者以及捕食者，其中发现者通过比较预警值R2与安全值ST的大小进行自身位置的调整；加入者跟随发现者并进行监视以争夺食物；侦察者通过
判断自身的适应度值f
i
与当前的最佳适应度值f
g
，判断是否处于危险状态。
[0021]与现有的技术相比，本申请的有益效果在于：
[0022]本申请基于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，对充电桩的数据进行预处理之后，使用深度学习的方法逐层提取充电桩原始数据中隐含特征，实现故障数据与故障类型之间的映射；本申请提出使用Tri
‑
Training方法本文档来自技高网...

【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：