一种高精度的电子电路故障诊断方法技术

本发明专利技术涉及电子电路故障诊断技术领域，具体的是一种高精度的电子电路故障诊断方法，本发明专利技术包括以下步骤：S1、对电路的多维输出电压数据设定不同大小的截取框对数据进行截取；S2、将步骤S1中截取后的数据通过GADF进行编码，对数据进行扩充并最终形成包含故障特征的二维特征图像的故障数据；通过堆叠操作将所提取的微小特征进行重点突出；反向Ghost模块能够扩大重要通道中重要特征的影响范围，通过RPGMCBAM对特征图像中预先提取的微小特征进行进一步突出，所得诊断模型能够有效提取故障信号中的故障特征，在CSM和RPGMCBAM的加持下，微小特征得到有效提取，提升诊断模型的精度，使得诊断模型具有优异的诊断性能以及鲁棒性。使得诊断模型具有优异的诊断性能以及鲁棒性。使得诊断模型具有优异的诊断性能以及鲁棒性。

【技术实现步骤摘要】
一种高精度的电子电路故障诊断方法


[0001]本专利技术涉及电子电路故障诊断领域，具体的是一种高精度的电子电路故障诊断方法。

技术介绍

[0002]目前电力电子技术已经在新能源，生物医学，铁路交通，物联网等领域有着广泛的应用，在智能电网方面，电力存储、高压直流输电技术、柔性交流输电技术等各个方面都与电力电子技术有关，因此电力电子装置的安全使用更为重要。
[0003]目前在电子电路故障诊断领域，现有技术中是使用已知的开关变换电路模型和测量数据，建立电路状态判断模型，通过比较实际测量值与预测值的差异来判断是否出现故障，如专利申请号“CN201710500276.X”中提出的基于模型预测的三相逆变器故障在线诊断方法，特别适用于闭环控制的复杂电力电子电路的故障诊断。
[0004]现有技术中，如专利申请号“CN201710500276.X”中提出的诊断方法，未对故障中的特征加以区分，使得诊断模型同等对待重要特征和次要特征，在样本数据量较大时，不能对重要特征和次要特征进行分离，导致模型诊断出现精度不足的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种高精度的电子电路故障诊断方法，以解决上述
技术介绍
中提出的问题。
[0006]本专利技术的目的可以通过以下技术方案实现：
[0007]一种高精度的电子电路故障诊断方法，包括以下步骤：
[0008]S1、对电路的多维输出电压数据设定不同大小的截取框对数据进行截取；
[0009]S2、将步骤S1中截取后的数据通过GADF进行编码，对数据进行扩充并最终形成包含故障特征的二维特征图像的故障数据；
[0010]S3、将步骤S3中所形成的故障数据最终按照7:3的比例划分训练数据和测试数据，并使用训练数据中的故障特征图像作为CSM
‑
RPGMCBAM
‑
ResNet34模型的输入数据，对模型进行训练，并最终建立电子电路故障诊断模型；
[0011]S4、将测试数据输入到所建立的电子电路故障诊断模型，进行最终的故障诊断。
[0012]优选的，在所述步骤S1中，在二维特征图像生产过程中，采用重采样法生成特征图，以达到增加二维特征图生成数量的目的。
[0013]优选的，在所述步骤S3中，构建CSM
‑
RPGMCBAM
‑
ResNet34模型的方法包括以下步骤：
[0014]S31、首先将三通道二维特征图像按通道划分为通道一、通道二和通道三，将三个通道中的通道一划分为主要操作通道，通道二和通道三划分为次要操作通道，通过卷积操作将主要操作通道与次要操作通道进行卷积，使其分别达到三通道，并将卷积后的主要操作通道进行通道混合操作，完成CSM操作；
[0015]S32、将混合后的主要操作通道进行堆叠后，与次要操作通道进行拼接，作为RPGMCBAM的输入；
[0016]S33、以ResNet34为步骤S31中CSM和步骤S32中RPGMCBAM输入的载体，通过将CSM和RPGMCBAM部署在ResNet34网络的顶端，构建出CSM
‑
RPGMCBAM
‑
ResNet34诊断模型。
[0017]优选的，在所述步骤S32中，所述RPGMCBAM是通过添加反向Ghost模块对CSM的输出进行初步特征提取，提取后的特征张量再被输入到CBAM中，经CBAM对特征张量中的重要特征进行再一次突出后，输入到卷积神经网络的主题结构中，以实现最终的特征提取与故障诊断的目的。
[0018]优选的，所述反向Ghost模块是通过将原始Ghost卷积模块中的DFC注意力替换成反向剪枝操作，使得输入Ghost卷积模块中的重要特征得到进一步突出，次要特征得到抑制
[0019]优选的，所述剪枝操作首先将特征张量转换为权重张量，权重张量为[0，1]之间的数组成，通过单位张量减去权重张量实现权重张量的反向，此时，原本的重要特征被抑制，次要特征被突出，再设置合适的剪枝参数，对突出的次要特征进行剪枝，此时的重要特征权重变成0，最后将权重矩阵再次反向，使得重要特征被突出至最大程度，次要特征被抑制，生成最终的特征权重张量。
[0020]优选的，在所述步骤S4中，所建立的电子电路故障诊断模型达到稳定后保存模型权重，再将测试数据输入到保存权重的模型中，进行最终的故障诊断。
[0021]本专利技术的有益效果：
[0022]本专利技术通过对作为原始故障信号的多为输出电压数据进行截取，再通过GADF进行特征编码，将原始多维故障信号转化为二维特征图像，相较于直接对原始故障信号进行诊断，GADF编码能够对故障信号中的隐含特征进行进一步表征，且能够在一张特征图像上同时表达多维电压信号，最大程度的保存了故障信号中的时序信息以及空间信息，且通过CSM提取原始特征图像中的微小特征，并通过堆叠操作将所提取的微小特征进行重点突出；反向Ghost模块能够扩大重要通道中重要特征的影响范围，通过RPGMCBAM对特征图像中预先提取的微小特征进行进一步突出，所得诊断模型能够有效提取故障信号中的故障特征，在CSM和RPGMCBAM的加持下，微小特征得到有效提取，提升诊断模型的精度，使得诊断模型具有优异的诊断性能以及鲁棒性。
[0023]本专利技术采用CSM
‑
RPGMCBAM能够对一直以来被忽视的特征通道中的微小特征施加更多的注意力，使得故障特征得到充分利用，不断扩大重要通道中重要特征的影响范围，通过选择合适的剪枝参数使得重要特征以及次要特征的区别得以加大，提升诊断模型的鲁棒性。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
[0025]图1是本专利技术中一种较佳实施例的流程示意图；
[0026]图2是本专利技术中CSM操作的示意图；
[0027]图3是本专利技术中通道混合操作的示意图；
[0028]图4是现有技术中CBAM的结构示意图；
[0029]图5是图4中空间注意力模块的结构示意图；
[0030]图6是图4中通道注意力模块的结构示意图；
[0031]图7是现有技术中Ghost卷积模块结构图；
[0032]图8是本专利技术中反向Ghost卷积的结构示意图；
[0033]图9是本专利技术中RPGMCBAM的结构示意图。
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0035]一种高精度的电子电路故障诊断方法，包括故障数据生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高精度的电子电路故障诊断方法，其特征在于，包括以下步骤：S1、对电路的多维输出电压数据设定不同大小的截取框对数据进行截取；S2、将步骤S1中截取后的数据通过GADF进行编码，对数据进行扩充并最终形成包含故障特征的二维特征图像的故障数据；S3、将步骤S3中所形成的故障数据最终按照7:3的比例划分训练数据和测试数据，并使用训练数据中的故障特征图像作为CSM
‑
RPGMCBAM
‑
ResNet34模型的输入数据，对模型进行训练，并最终建立电子电路故障诊断模型；S4、将测试数据输入到所建立的电子电路故障诊断模型，进行最终的故障诊断。2.根据权利要求1所述的一种高精度的电子电路故障诊断方法，其特征在于，在所述步骤S1中，在二维特征图像生产过程中，采用重采样法生成特征图，以达到增加二维特征图生成数量的目的。3.根据权利要求1所述的一种高精度的电子电路故障诊断方法，其特征在于，在所述步骤S3中，构建CSM
‑
RPGMCBAM
‑
ResNet34模型的方法包括以下步骤：S31、首先将三通道二维特征图像按通道划分为通道一、通道二和通道三，将三个通道中的通道一划分为主要操作通道，通道二和通道三划分为次要操作通道，通过卷积操作将主要操作通道与次要操作通道进行卷积，使其分别达到三通道，并将卷积后的主要操作通道进行通道混合操作，完成CSM操作；S32、将混合后的主要操作通道进行堆叠后，与次要操作通道进行拼接，作为RPGMCBAM的输入；S33、以ResNet34为步骤S31中CSM...

【专利技术属性】
技术研发人员：陈超洋，姜媛媛，谢锦阳，
申请(专利权)人：安徽理工大学环境友好材料与职业健康研究院芜湖，
类型：发明
国别省市：