本申请涉及换电站设备故障诊断方法，所述方法包括如下步骤：将设备运行数据进行概念表征处理，以得到概念表征矩阵；将根据故障记录产生的故障样本进行概念表征处理，以得到关于所述故障记录的故障表征矩阵；以及确定所述概念表征矩阵与所述故障表征矩阵之间的距离，并根据所述距离确定是否存在故障。根据所述距离确定是否存在故障。根据所述距离确定是否存在故障。
【技术实现步骤摘要】
换电站设备故障诊断方法和装置、换电站以及存储介质
[0001]本申请涉及换电站的故障诊断，具体而言，涉及换电站设备故障诊断方法和装置、换电站以及存储介质。
技术介绍
[0002]换电站是新能源汽车重要的补能基础建设。换电站设备换电过程中产生的故障会影响换电体验并且可能导致车辆、电池等设备产生安全风险。换电站的设备种类较多，不同种类的设备所对应的故障模式也较多。目前，诊断换电站设备故障的方法依然以人工经验为主，故障特征只能从单变量的时序信号中提取。而由于换电站设备的特殊性，一般会采用多种信号(如扭矩信号、速度信号和位移信号)同时检测设备的运行情况。因此，对于换电站设备，当前的方法无法对换电站设备的具有长期、非稳态动态特征的复杂故障模式进行特征提取，进而进行精确的故障诊断。
[0003]随着故障诊断领域的发展，不同种类的信号处理方法被用于信号的故障特征提取，例如，经验模式分解(EMD，Empirical Mode Decomposition)(参见Lei YG，Lin J，He ZJ，Zuo MJ.A review on empirical mode decomposition in fault diagnosis of rotating machinery.Mech Syst Signal Process 2013；35：108
‑
126)、小波变换(WT，Wavelet Transform)(参见Lin J，Qu LS.Feature extraction based on Morlet wavelet and its application for mechanical fault diagnosis.J Sound Vib 2000；234：135
‑
148和Peng ZK，Chu FL.Application of the wavelet transform in machine condition monitoring and fault diagnostics：a review with bibliography.Mech Syst Signal Process 2004；18：199
‑
221)、谱峭度(SC，Spectral Kurtosis)(参见Antoni J，Randall RB.The spectral kurtosis：application to the vibratory surveillance and diagnostics of rotating machines.Mech Syst Signal Process 2006；20：308
‑
331)等方法已被用于信号的故障特征提取。
[0004]另一方面，神经网络技术也被应用于信号的特征提取，例如，可将稀疏编码(Sparse Coding)(参见Jiao，J.，Zhao，M.，Lin，J.，&Liang，K.(2019).Hierarchical discriminating sparse coding for weak fault feature extraction of rolling bearings.Reliability Engineering&System Safety，184，41
‑
54)、自编码神经网络(AE，AutoEncoder)(参见R.Thirukovalluru，S.Dixit，R.K.Sevakula，N.K.Verma，and A.Salour，“Generating feature sets for fault diagnosis using denoising stacked autoencoder，”in Proc.IEEE Int.Conf.Prognostics Health Manage.(ICPHM)，Jun.2016，pp.1
‑
7)、变分自编码(VAE，Variational AutoEncoder)等用于提取特征信号。
[0005]尽管信号处理与神经网络的方法能够对设备时间序列进行特征提取，但是信号处理方法无法进行多变量的时间序列特征提取，而神经网络方法依赖大量的故障样本进行训练。针对换电站独特的场景，即同时监测设备的多种信号如扭矩信号、位移信号和速度信号，但是故障样本数量非常稀少甚至只有单个故障样本。
[0006]信号处理与神经网络方法无法同时满足这些特性，因而无法提取有效的故障特征，进而会产生大量的误报警。有鉴于此，需要提出一种改进的故障检测机制。
技术实现思路
[0007]本申请的实施例提供了一种换电站设备故障诊断方法和装置、换电站以及存储介质，用于检测换电站设备是否存在故障。
[0008]根据本申请的一方面，提供一种换电站设备故障诊断方法，所述方法包括如下步骤：将设备运行数据进行概念表征处理，以得到概念表征矩阵；将根据故障记录产生的故障样本进行概念表征处理，以得到关于所述故障记录的故障表征矩阵；以及确定所述概念表征矩阵与所述故障表征矩阵之间的距离，并根据所述距离确定是否存在故障。
[0009]在本申请的一些实施例中，可选地，所述方法还包括：对设备运行所产生的时间序列数据进行预处理以生成所述设备运行数据。
[0010]在本申请的一些实施例中，可选地，所述时间序列数据u＝[u1，u2，...，u
n
]，并且u
i
表示所述时间序列数据u中的第i个时间序列样本，1≤i≤n且i∈N+，所述预处理包括针对所述时间序列数据标准化或归一化，其中：所述标准化包括全局标准化、样本标准化，其中：u
i
中第j个元素u
i，j
的全局标准化值为u
i，j
与u中的所有元素的均值之差与u中的各个元素的标准差的比值；和u
i
中第j个元素u
i，j
的样本标准化值为u
i，j
与u
i
中的所有元素的均值之差与u
i
中的各个元素的标准差的比值；并且所述归一化包括全局归一化、样本归一化，其中：u
i
中第j个元素u
i，i
的全局归一化值为u
i，i
与u中的各个元素中的最小值之差，与u中的各个元素中的最大值与最小值之差的比值；和u
i
中第j个元素u
i，i
的样本归一化值为u
i，j
与u
i
中的各个元素中的最小值之差，与u
i
中的各个元素中的最大值与最小值之差的比值。
[0011]在本申请的一些实施例中，可选地，将设备运行数据进行概念表征处理包括：将所述设备运行数据输入到循环神经网络，并通过所述循环神经网络确定其隐空间相关性矩阵R，其中，N为所述循环神经网络的隐藏层神经元个数；以及基于下式确定所述概念表征矩阵C：C＝R本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种换电站设备故障诊断方法，其特征在于，所述方法包括：将设备运行数据进行概念表征处理，以得到概念表征矩阵；将根据故障记录产生的故障样本进行概念表征处理，以得到关于所述故障记录的故障表征矩阵；以及确定所述概念表征矩阵与所述故障表征矩阵之间的距离，并根据所述距离确定是否存在故障。2.根据权利要求1所述的方法，其中，所述方法还包括：对设备运行所产生的时间序列数据进行预处理以生成所述设备运行数据。3.根据权利要求2所述的方法，其中，所述时间序列数据u＝[u1，u2，...，u
n
]，并且u
i
表示所述时间序列数据u中的第i个时间序列样本，1≤i≤n且i∈N+，所述预处理包括针对所述时间序列数据标准化或归一化，其中：所述标准化包括全局标准化、样本标准化，其中：u
i
中第j个元素u
i，j
的全局标准化值为u
i，j
与u中的所有元素的均值之差与u中的各个元素的标准差的比值；和u
i
中第j个元素u
i，j
的样本标准化值为u
i，j
与u
i
中的所有元素的均值之差与u
i
中的各个元素的标准差的比值；并且所述归一化包括全局归一化、样本归一化，其中：u
i
中第j个元素u
i，j
的全局归一化值为u
i，j
与u中的各个元素中的最小值之差，与u中的各个元素中的最大值与最小值之差的比值；和u
i
中第j个元素u
i，j
的样本归一化值为u
i，j
与u
i
中的各个元素中的最小值之差，与u
i
中的各个元素中的最大值与最小值之差的比值。4.根据权利要求1所述的方法，其中，将设备运行数据进行概念表征处理包括：将所述设备运行数据输入到循环神经网络，并通过所述循环神经网络确定其隐空间相关性矩阵R，其中，N为所述循环神经网络的隐藏层神经...
【专利技术属性】
技术研发人员：胥明镜，黄虹，邰康盛，吴毅成，潘鹏举，
申请(专利权)人：蔚来汽车科技安徽有限公司，
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。