一种DCS装置电源模块异常早期诊断方法制造方法及图纸

一种DCS装置电源模块异常早期诊断方法，其获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；采用基于深度学习的人工智能技术，利用深度学习技术，从开关电源的输出波纹信号和负载值中提取特征，并利用分类处理来实现被监测电源模块的故障诊断。这样，可以对开关电源进行有效的监测，及时发现电源的异常状态，提高了电源的可靠性和安全性。和安全性。和安全性。

【技术实现步骤摘要】
一种DCS装置电源模块异常早期诊断方法


[0001]本申请涉及智能化诊断
，并且更具体地，涉及一种DCS装置电源模块异常早期诊断方法。

技术介绍

[0002]DCS装置是分布式控制系统（Distributed Control System）的简称，它是一个集合了计算机，通讯，显示和控制的由过程控制级和过程监控级组成的多级计算机系统。DCS装置可以实现对生产过程的监视、控制和管理，具有高可靠性、开放性、灵活性等特点。
[0003]DCS装置电源模块是DCS装置中负责提供电源供应的部分，即开关电源。开关电源是功率电路，长期工作在高电压、大电流、高温状态下，如果其中某些关键器件存在质量缺陷，或由于热设计不合理，在长期的电应力作用下，可能会导致器件性能劣化，如果不能及时发现这种性能变化并进行维修更换，最终会造成电源失效，装置无法正常运行。现有技术一般只对输出电流或输出电压进行检测，并不能很好的了解开关电源中关键器件是否存在质量缺陷或热设计是否不合理等。因此需要设计相应的电源监测电路，对开关电源的工作状态进行监测，并判断电源的健康状态。必要时发出告警信号提醒运维人员检修或更换。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种DCS装置电源模块异常早期诊断方法，其获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；采用基于深度学习的人工智能技术，利用深度学习技术，从开关电源的输出波纹信号和负载值中提取特征，并利用分类处理来实现被监测电源模块的故障诊断。这样，可以对开关电源进行有效的监测，及时发现电源的异常状态，提高了电源的可靠性和安全性。
[0005]第一方面，提供了一种DCS装置电源模块异常早期诊断方法，其包括：获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；对所述输出波纹信号进行基于采样窗的滑窗采样以得到多个波纹信号采样窗；将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量；将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量；将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量；计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵；对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障。
[0006]在上述DCS装置电源模块异常早期诊断方法中，将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量，包括：使用所述
作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个波形信号局部波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个波纹信号采样窗。
[0007]在上述DCS装置电源模块异常早期诊断方法中，将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量，包括：使用所述基于转换器的上下文编码器对所述多个波形信号局部波形特征向量进行基于全局的上下文语义编码以得到多个波形信号特征向量；以及，将所述多个波形信号特征向量进行级联以得到所述波纹信号全局波形特征向量。
[0008]在上述DCS装置电源模块异常早期诊断方法中，多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
[0009]在上述DCS装置电源模块异常早期诊断方法中，将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述输入向量进行一维卷积编码以得到第一尺度负载特征向量；其中，所述第一卷积公式为：其中，为第一一维卷积核在方向上的宽度、 为第一一维卷积核参数向量、 为与第一一维卷积核函数运算的局部向量矩阵，为第一一维卷积核的尺寸， 表示所述输入向量，表示对所述输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述输入向量进行一维卷积编码以得到第二尺度负载特征向量量；其中，所述第二卷积公式为：其中，为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、 为与第二一维卷积核函数运算的局部向量矩阵，为第二一维卷积核的尺寸，表示所述输入向量，表示对所述输入向量进行一维卷积编码；以及使用所述多尺度邻域特征提取模块的融合层对所述第一尺度负载特征向量和所述第二尺度负载特征向量进行级联以得到所述负载时序特征向量。
[0010]在上述DCS装置电源模块异常早期诊断方法中，计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵，包括：以如下第一高斯公式构造所述波纹信号全局波形特征向量的波纹高斯密度图；其中，所述第一高斯公式为：其中，表示所述波纹信号全局波形特征向量，且的每个位置的值表示所述波纹信号全局波形特征向量中相应两个位置的特征值之间的方差；以如下第二高斯公式构造所述负载时序特征向量的负载高斯密度图；其中，所述第二高斯公式为：其中， 表示所述负载时序特征向量，且的每个位置的值表示所述负
载时序特征向量中相应两个位置的特征值之间的方差；以如下响应性公式计算所述波纹高斯密度图相对于所述负载高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述响应性公式为：其中，表示所述响应性高斯密度图的均值向量，表示所述响应性高斯密度图的协方差矩阵，表示向量点乘，表示对向量的每个位置的值取倒数，且表示矩阵乘法；对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述响应性高斯密度图中各个位置的高斯分布降维为一维的特征向量；以及，将所述各个位置的一维的特征向量进行二维排列以得到所述分类特征矩阵。
[0011]在上述DCS装置电源模块异常早期诊断方法中，对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵，包括：计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，基于所述多个位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权以得到所述优化分类特征矩阵。
[0012]在上述DCS装置电源模块异常早期诊断方法中，计算所述分类特征矩阵的每个位置的特征值的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种DCS装置电源模块异常早期诊断方法，其特征在于，包括：获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；对所述输出波纹信号进行基于采样窗的滑窗采样以得到多个波纹信号采样窗；将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量；将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量；将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量；计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵；对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障。2.根据权利要求1所述的DCS装置电源模块异常早期诊断方法，其特征在于，将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个波形信号局部波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个波纹信号采样窗。3.根据权利要求2所述的DCS装置电源模块异常早期诊断方法，其特征在于，将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量，包括：使用所述基于转换器的上下文编码器对所述多个波形信号局部波形特征向量进行基于全局的上下文语义编码以得到多个波形信号特征向量；以及将所述多个波形信号特征向量进行级联以得到所述波纹信号全局波形特征向量。4.根据权利要求3所述的DCS装置电源模块异常早期诊断方法，其特征在于，多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。5.根据权利要求4所述的DCS装置电源模块异常早期诊断方法，其特征在于，将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述输入向量进行一维卷积编码以得到第一尺度负载特征向量；其中，所述第一卷积公式为：其中，为第一一维卷积核在方向上的宽度、 为第一一维卷积核参数向量、 为与第一一维卷积核函数运算的局部向量矩阵，为第一一维卷积核的尺寸， 表示所述输入向量，表示对所述输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述输入向量进行一维卷积编码以得到第二尺度负载特征向量量；其中，
所述第二卷积公式为：其中，为第二一维卷积核在方...

【专利技术属性】
技术研发人员：曹武中，许文才，
申请(专利权)人：珠海中瑞电力科技有限公司，
类型：发明
国别省市：