不间断电源内部关键部件的故障检测方法和装置制造方法及图纸

本发明专利技术提供一种不间断电源内部关键部件的故障检测方法，包括：判断当前的运行模式是否设置为模型的训练阶段：若处于训练阶段，则利用历史数据，进行数据预处理及划分数据集；若处于非训练阶段，则采集当前数据，进行数据预处理，历史数据和当前数据包括运行参量数据和图像数据；将运行参量数据输入结合增量学习的卷积神经网络模型，将图像数据输入使用多维特征采样和矩阵乘积状态运算的张量网络模型；再次判断当前的运行模式是否设置为模型的训练阶：若处于训练阶段，进行模型训练，若符合要求，则将训练好的模型进行部署；若处于非训练阶段，则输出故障检测结果，还提供了使用上述方法的故障检测装置。方法的故障检测装置。方法的故障检测装置。

【技术实现步骤摘要】
不间断电源内部关键部件的故障检测方法和装置


[0001]本专利技术涉及电力电子
，特别涉及一种不间断电源内部关键部件的故障检测方法和装置。

技术介绍

[0002]在信息时代，不间断电源系统(Uninterruptible Power System，UPS)主要由储能模块(一般为铅酸蓄电池)、整流器、逆变器和控制开关等部分组成，利用蓄电池传送电能，通过整流器、逆变器等模块电路，将直流电转换为交流电(市电)，为重要的电力电子设备输送不间断的稳定电能。在大数据时代，其在保障信息安全等方面发挥着重要的作用，特别是在大型医院等场所，UPS的供电对象是诊疗仪器和手术设备等，更加要保证UPS的正常运行。
[0003]对UPS的定期维护和检修是一项专业技术工作，一般由专业的工程维护人员完成。但人工维护会存在对技术人员本身的经验和知识依赖性大、维护检修的滞后性大而无法实现预测性运维、需要耗费较大的人力物力财力资源等局限性。因此，通过提出智能化的故障诊断方法及其相应装置能够有效地克服人工维护方式的局限性，但现有的通用故障诊断方法面临在不同领域间的迁移性和自适应能力差、深度模型的参数量巨大难以实现边缘设备部署与实时预测分析等方面的不足。

技术实现思路

[0004]本申请提供一种强鲁棒性和高泛化性的不间断电源内部关键部件的故障检测方法和装置。
[0005]一方面，本申请提供一种不间断电源内部关键部件的故障检测方法，包括：
[0006]判断当前的运行模式是否设置为模型的训练阶段：若处于训练阶段，则利用历史数据，进行数据预处理及划分数据集；若处于非训练阶段，则采集当前数据，进行数据预处理，历史数据和当前数据包括运行参量数据和图像数据；
[0007]将运行参量数据输入结合增量学习的卷积神经网络模型，将图像数据输入使用多维特征采样和矩阵乘积状态运算的张量网络模型；
[0008]再次判断当前的运行模式是否设置为模型的训练阶：若处于训练阶段，进行模型训练，若符合要求，则将训练好的模型进行部署；若处于非训练阶段，则输出故障检测结果。
[0009]进一步地，不间断电源内部关键部件包括蓄电池、整流器、逆变器、旁路隔离变压器，运行参量数据包括主输入电压值U
im
、旁路输入电压值U
ib
、逆变器输出电压U
oi
、逆变器输出电流I
oi
、逆变器频率值f、负载量R、电池充电电压U
c
、电池充电电流I
c
共8个运行参数变量；图像数据包括蓄电池、整流器、逆变器和旁路隔离变压器4个位置处的光学检测图像。
[0010]进一步地，对于历史数据中的运行参量数据包括的8个运行参数变量，采集前30天到当前时刻的数据，每小时计算1次每分钟参量的平均值，形成运行参量数据集；对于的4个位置处的光学检测图像，采集前360天到当前时刻的图像，每12小时采集1次图像，形成图像类数据集。
[0011]进一步地，“利用历史运行参量数据和图像数据，进行数据预处理及划分数据集”包括：对运行参量数据，使用缺失值填充、离群点代替、噪声值平滑进行数据清洗，并进行数据规范化操作，针对图像数据，进行增强对比度、去噪和图像裁剪操作，的“采集当前运行参量数据和图像数据，进行数据预处理”包括：按照选定的比例将运行参量数据集和图像数据数据集按照选定比例划分为训练集和验证集。
[0012]进一步地，“采集当前数据，进行数据预处理”包括对运行参量数据进行规范化操作，对图像数据进行图像裁剪操作。
[0013]进一步地，“将运行参量数据输入结合增量学习的卷积神经网络模型”包括：
[0014]计算原始样本和新增样本之间的匹配度M
i
，新卷积网络的权重参数＝原卷积网络的权重参数
×
M
i
+新卷积网络的权重参数
×
(1
‑
M
i
)，通过卷积网络后，数据流通过由三层全连接层构成的分类器得到故障检测结果的输出，匹配度M
i
的计算公式如下：
[0015][0016]其中，卷积网络由5个卷积+池化块构成，k为特征的大小，n代表新增样本，o代表n的最佳匹配样本，g(n
i
)和g(o
i
)分别表示n和o的第i个特征，min(
·
)和max(
·
)分别表示取最小值和最大值操作，M
i
的值域位于(0，1]之间。
[0017]进一步地，使用多维特征采样和矩阵乘积状态运算的张量网络模型由多维采样层、包含4个MPS操作的矩阵乘积状态网络、多维采样层、包含3个MPS操作的矩阵乘积状态网络、包含2个MPS操作的乘积状态网络顺次连接组成，其中，将图像均分为8个子区域，多维采样层包括平均区域采样(计算每个子区域的平均值作为输出)、最大区域采样(选取每个子区域的最大值作为输出)和相关区域采样(由下式计算局部区域的相关性crs作为输出)，局部区域的相关性crs和张量C
mps
的计算公式如下：
[0018][0019][0020]其中，p表示每个子区域的像素总数，(x，y)表示每个子区域的像素位置，E(
·
)表示欧式距离，MPS表示矩阵乘积状态，表示低秩张量，l1，l2，...，l
N
表示N维张量的所引。
[0021]进一步地，采用准确率accuracy、精确度precision、召回率recall以及任务匹配度评价指标TMD判断经训练的模型是否符合部署要求，若不符合要求，则返回至“利用历史数据，进行数据预处理及划分数据集”步骤，任务匹配度评价指标TMD的计算公式和模型部署判断指征D如下：
[0022][0023][0024]其中，T
i
和F
i
分别表示第i个任务在验证集上预测正确的个数和预测错误的个数，n为任务数，apr表示准确率accuracy、精确度precision、召回率recall三者的平均值，min(
·
)和avg(
·
)分别表示取最小值和平均值操作。
[0025]另一方面，本申请提供了一种不间断电源内部关键部件的故障检测装置，包括：包括数据采集模块、上位机运算模块和显示报警模块，数据采集模块包括图像采集器、电信号采集设备、数据处理单元和数据传输线，数据处理单元用于完成图像数据和运行参数数据的预处理操作，上位机运算模块包括通信接口、运行模式判断器、服务器端训练器、边侧端部署器和数据存储单元，通信接口用于与其他模块的数据流传输及信息通信，运行模式判断器用于设置模型处于训练阶段或非训练阶段，服务器端训练器用于完成多任务学习模型的训练过程，边侧端部署器对完成训练并符合部署要求的模型实现轻量化的边缘端设备部署，经算法模型输出的运算结果将存储至数据存储单元，显示报警模块包括通信接口、结果显示单元、结果分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种不间断电源内部关键部件的故障检测方法，其特征在于，所述方法包括：判断当前的运行模式是否设置为模型的训练阶段：若处于训练阶段，则利用历史数据，进行数据预处理及划分数据集；若处于非训练阶段，则采集当前数据，进行数据预处理，所述历史数据和当前数据包括运行参量数据和图像数据；将所述运行参量数据输入结合增量学习的卷积神经网络模型，将所述图像数据输入使用多维特征采样和矩阵乘积状态运算的张量网络模型；再次判断当前的运行模式是否设置为模型的训练阶：若处于训练阶段，进行模型训练，若符合要求，则将训练好的模型进行部署；若处于非训练阶段，则输出故障检测结果。2.如权利要求1所述的不间断电源内部关键部件的故障检测方法，其特征在于，所述不间断电源内部关键部件包括蓄电池、整流器、逆变器、旁路隔离变压器，所述运行参量数据包括主输入电压值U
im
、旁路输入电压值U
ib
、逆变器输出电压U
oi
、逆变器输出电流I
oi
、逆变器频率值f、负载量R、电池充电电压U
c
、电池充电电流I
c
共8个运行参数变量；所述图像数据包括蓄电池、整流器、逆变器和旁路隔离变压器4个位置处的光学检测图像。3.如权利要求2所述的不间断电源内部关键部件的故障检测方法，其特征在于，对于所述历史数据中的运行参量数据包括的8个运行参数变量，采集前30天到当前时刻的数据，每小时计算1次每分钟参量的平均值，形成运行参量数据集；对于所述的4个位置处的光学检测图像，采集前360天到当前时刻的图像，每12小时采集1次图像，形成图像类数据集。4.如权利要求3所述的不间断电源内部关键部件的故障检测方法，其特征在于，所述的“利用历史运行参量数据和图像数据，进行数据预处理及划分数据集”包括：对所述运行参量数据，使用缺失值填充、离群点代替、噪声值平滑进行数据清洗，并进行数据规范化操作，针对所述图像数据，进行增强对比度、去噪和图像裁剪操作，所述的“采集当前运行参量数据和图像数据，进行数据预处理”包括：按照选定的比例将所述运行参量数据集和图像数据数据集按照选定比例划分为训练集和验证集。5.如权利要求2所述的不间断电源内部关键部件的故障检测方法，其特征在于，所述的“采集当前数据，进行数据预处理”包括对所述运行参量数据进行规范化操作，对所述图像数据进行图像裁剪操作。6.如权利要求2所述的不间断电源内部关键部件的故障检测方法，其特征在于，“将所述运行参量数据输入结合增量学习的卷积神经网络模型”包括：计算原始样本和新增样本之间的匹配度M
i
，新卷积网络的权重参数＝原卷积网络的权重参数
×
M
i
+新卷积网络的权重参数
×
(1
‑
M
i
)，通过卷积网络后，数据流通过由三层全连接层构成的分类器得到故障检测结果的输出，所述匹配度M
i
的计算公式如下：其中，所述卷积网络由5...

【专利技术属性】
技术研发人员：张华山，何敬远，王志强，贺良，赵阳，曾念寅，张柯歌，梁国团，
申请(专利权)人：深圳有电物联科技有限公司，
类型：发明
国别省市：