【技术实现步骤摘要】
本专利技术涉及故障诊断，尤其涉及充电电源模块开路故障的诊断方法和系统。
技术介绍
1、近年来，新能源电动汽车的市场需求逐年增长带动了充电桩的广泛部署，使得充电桩的数量逐年稳定增长。在充电桩中，充电电源模块是价值含量最高的关键部件。而在充电电源模块中是功率开关管是其关键部件。对功率开关管的故障辨识、定位和诊断有益于对充电电源模块状态在线检测、损坏后的维护维修，对充电运营服务行业具有重要的经济意义。
2、功率开关管的故障模式主要表现为开路故障和短路故障。在实际应用中，一旦检测到功率开关管发生短路故障，保护装置就通过断开等方式将短路故障转化为开路故障。开路故障虽然不会产生瞬时过流或欠压，使系统立即崩溃，但会降低系统性能，由于开路故障发生初期功率开关管的故障特征不明显，很难检测并启用保护机制，但如果不及时处理，会很快影响其他功率器件产生过流，导致轻微故障快速演变为重大故障，最终造成充电桩无法充电。因此，对充电电源模块开路故障的诊断显得十分重要。
3、目前，采用基于数据驱动的开路故障诊断方法对充电电源模块进行开路故障诊断，但基于数据驱动的诊断方法对数据的要求较高，需要大量的计算资源，故障诊断速度慢，且容易出现误差，导致诊断结果准确率低。
技术实现思路
1、本专利技术提供了一种充电电源模块开路故障的诊断方法和系统，解决了基于数据驱动的诊断方法对数据的要求较高，需要大量的计算资源，故障诊断速度慢，且容易出现误差，导致诊断结果准确率低的技术问题。
2、本专利技术
3、获取充电电源模块的运行数据，将所述运行数据进行变分模态分解，生成多个本征模态分量；
4、基于所述本征模态分量对应的相关系数进行特征提取，构建特征向量集；
5、采用特征选择算法对所述特征向量集中的特征向量进行特征选取，生成训练集和测试集；
6、基于粒子群优化算法采用所述训练集对初始极限学习机进行关键参数寻优，构建故障分类模型；
7、将所述测试集输入所述故障分类模型进行开路故障诊断，生成所述充电电源模块对应的故障诊断数据。
8、可选地，所述运行数据包括三相输入电压信号、三相输入电流信号和直流输出电压信号；所述将所述运行数据进行变分模态分解，生成多个本征模态分量的步骤，包括：
9、按照预设划分标准分别对所述三相输入电压信号、所述三相输入电流信号和所述直流输出电压信号进行样本划分，生成多个样本；
10、分别将所述样本进行变分模态分解，生成所述样本对应的多个模态分量；
11、以全部所述模态分量的估计带宽和最小，且全部所述模态分量的和值等于对应的样本为优化目标，构建初始约束模型；
12、采用预设拉格朗日扩展表达式对所述初始约束模型进行模型更新，生成目标约束模型；
13、通过所述目标约束模型采用交替方向乘子算法和预设收敛公式对所述模态分量进行迭代更新，生成多个本征模态分量。
14、可选地，所述基于所述本征模态分量对应的相关系数进行特征提取，构建特征向量集的步骤，包括：
15、分别将所述本征模态分量对应的样本和数据点数据代入预设相关系数公式，计算得到所述本征模态分量对应的相关系数；
16、所述预设相关系数公式为：
17、
18、式中，ρi为本征模态分量与原始信号的相关系数，其中，原始信号是指本征模态分量对应的样本；yq为原始信号的第q个数据点；y0为原始信号所有数据点的均值；xiq为第i个本征模态分量的第q个数据点；xi0为第i个本征模态分量的均值；q为原始信号包含的数据点数量；
19、将所述相关系数中的最大值对应的本征模态分量作为有效本征模态分量；
20、基于所述有效本征模态分量对应的数据点数据进行时域特征计算，构建特征向量集。
21、可选地，所述数据点数据包括数据点个数和多个数据点；所述基于所述有效本征模态分量对应的数据点数据进行时域特征计算，构建特征向量集的步骤，包括：
22、采用所述数据点个数和所述数据点进行均值计算，生成所述有效本征模态分量对应的均值；
23、采用所述均值、所述数据点个数和所述数据点进行方差计算，生成所述有效本征模态分量对应的方差；
24、采用所述数据点进行峰值计算，生成所述有效本征模态分量对应的峰值；
25、采用所述数据点个数和所述数据点进行峭度计算，生成所述有效本征模态分量对应的峭度；
26、采用所述数据点个数和所述数据点进行均方根计算，生成所述有效本征模态分量对应的均方根；
27、计算所述峰值与所述均方根的比值，生成所述有效本征模态分量对应的峰值因子；
28、计算所述峰值与所述均值的比值，生成所述有效本征模态分量对应的脉冲因子；
29、采用所述均方根和所述均值进行波形因子计算，生成所述有效本征模态分量对应的波形因子；
30、采用所述峰值、所述数据点个数和所述数据点进行裕度因子计算，生成所述有效本征模态分量对应的裕度因子；
31、采用所述均值、所述方差、所述峰值、所述峭度、所述均方根、所述峰值因子、所述脉冲因子、所述波形因子和所述裕度因子作为特征向量，构建特征向量集。
32、可选地，所述采用特征选择算法对所述特征向量集中的特征向量进行特征选取，生成训练集和测试集的步骤，包括：
33、采用特征选择算法对所述特征向量集中的特征向量进行重要性从大到小排序，生成特征向量序列；
34、按照预设特征数量对所述特征向量序列进行特征选取，生成初始特征集；
35、将所述初始特征集进行归一化处理，生成目标特征集；
36、按照预设划分比例对所述目标特征集进行数据划分，生成训练集和测试集。
37、可选地，所述基于粒子群优化算法采用所述训练集对初始极限学习机进行关键参数寻优，构建故障分类模型的步骤，包括：
38、将所述训练集对应的样本维度、样本个数和数据分类数据作为初始极限学习机的输入层数量、隐藏层数量和输出层神经元数量，生成中间极限学习机；
39、将所述中间极限学习机的输入层到隐藏层的连接权重和隐藏层偏置参数作为粒子进行初始化，生成初始粒子；
40、采用所述初始粒子对应的粒子位置和粒子速度对所述中间极限学习机进行更新，生成目标极限学习机；
41、将所述训练集输入所述目标极限学习机进行隐藏层与输出层之间的连接权值计算，生成所述初始粒子对应的输出连接权值；
42、将所述输出连接权值对应的输出概率最高分类作为所述目标极限学习机预测的分类结果；
43、将所述分类结果与对应的样本实际类别进行比较，生成分类样本错误率；
44、将所述分类样本错误率作为所述初始粒子对应的适应度并统计迭代次数；
45、根据所述适本文档来自技高网...
【技术保护点】
1.一种充电电源模块开路故障的诊断方法，其特征在于，包括：
2.根据权利要求1所述的充电电源模块开路故障的诊断方法，其特征在于，所述运行数据包括三相输入电压信号、三相输入电流信号和直流输出电压信号；所述将所述运行数据进行变分模态分解，生成多个本征模态分量的步骤，包括：
3.根据权利要求1所述的充电电源模块开路故障的诊断方法，其特征在于，所述基于所述本征模态分量对应的相关系数进行特征提取，构建特征向量集的步骤，包括：
4.根据权利要求3所述的充电电源模块开路故障的诊断方法，其特征在于，所述数据点数据包括数据点个数和多个数据点；所述基于所述有效本征模态分量对应的数据点数据进行时域特征计算，构建特征向量集的步骤，包括：
5.根据权利要求1所述的充电电源模块开路故障的诊断方法，其特征在于，所述采用特征选择算法对所述特征向量集中的特征向量进行特征选取，生成训练集和测试集的步骤，包括：
6.根据权利要求1所述的充电电源模块开路故障的诊断方法，其特征在于，所述基于粒子群优化算法采用所述训练集对初始极限学习机进行关键参数寻优，构建故障分
7.根据权利要求6所述的充电电源模块开路故障的诊断方法，其特征在于，所述将所述训练集输入所述目标极限学习机进行隐藏层与输出层之间的连接权值计算，生成输出连接权值的步骤，包括：
8.根据权利要求6所述的充电电源模块开路故障的诊断方法，其特征在于，所述根据所述适应度、所述迭代次数和预设最大迭代次数进行粒子更新，构建故障分类模型的步骤，包括：
9.一种充电电源模块开路故障的诊断系统，其特征在于，包括：
10.根据权利要求9所述的充电电源模块开路故障的诊断系统，其特征在于，所述运行数据包括三相输入电压信号、三相输入电流信号和直流输出电压信号；所述本征模态分量生成模块包括：
...【技术特征摘要】
1.一种充电电源模块开路故障的诊断方法，其特征在于，包括：
2.根据权利要求1所述的充电电源模块开路故障的诊断方法，其特征在于，所述运行数据包括三相输入电压信号、三相输入电流信号和直流输出电压信号；所述将所述运行数据进行变分模态分解，生成多个本征模态分量的步骤，包括：
3.根据权利要求1所述的充电电源模块开路故障的诊断方法，其特征在于，所述基于所述本征模态分量对应的相关系数进行特征提取，构建特征向量集的步骤，包括：
4.根据权利要求3所述的充电电源模块开路故障的诊断方法，其特征在于，所述数据点数据包括数据点个数和多个数据点；所述基于所述有效本征模态分量对应的数据点数据进行时域特征计算，构建特征向量集的步骤，包括：
5.根据权利要求1所述的充电电源模块开路故障的诊断方法，其特征在于，所述采用特征选择算法对所述特征向量集中的特征向量进行特征选取，生成训练集和测试集...
【专利技术属性】
技术研发人员：官权学，胡嘉蓓，胡雪，石伯栋，谭晓军，
申请(专利权)人：中山大学，
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。