[發明專利]逆變過流故障診斷方法、裝置及系統

在審

• 申請號: 202010010025.5
• 申請日: 2020-01-06
• 公開（公告）號: CN113075469A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 江平;李珊;劉勇;戴計生;詹彥豪;唐黎哲;張紅光;劉子牛
• 申請（專利權）人: 株洲中車時代電氣股份有限公司
• 主分類號: G01R31/00
• 分類號: G01R31/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 張東梅

1.一種逆變過流故障診斷方法，其特征在于，包括：

確定逆變電路數據集；其中所述逆變電路數據集包括多個時刻對應的多個逆變電路數據，且，所述多個時刻包括發生逆變過流故障的故障時刻；

對所述逆變電路數據集執行特征提取操作獲得特征向量；

輸入所述特征向量至深度信念網絡模型，獲得所述深度信念網絡模型計算后輸出的多個故障原因標簽對應的概率；

基于所述多個故障原因標簽對應的概率確定故障原因標簽；

其中所述深度信念網絡模型為：依據多個特征向量樣本以及對應的故障原因標簽進行有監督訓練后、得到的能夠識別特征向量對應故障原因標簽的網絡模型。

2.如權利要求1所述的方法，其特征在于，每個逆變電路數據包括多項電路信號的數據；則所述對所述逆變電路數據集執行特征提取操作獲得特征向量，包括：

從所述多個逆變電路數據提取同一項電路信號的數據，獲得該項電路信號的多個數據，對該項電路信號的多個數據執行小波分析操作獲得該項電路信號對應的小波特征向量；

將各項電路信號的小波特征向量進行組合操作，獲得所述特征向量。

3.如權利要求2所述的方法，其特征在于，所述小波特征向量包括：

多個分解層對應的小波能量，以及，小波熵值。

4.如權利要求1所述的方法，其特征在于，所述多個故障原因標簽包括電源故障標簽、負載異常標簽和控制異常標簽；則所述獲得所述深度信念網絡模型計算后輸出的多個故障原因標簽對應的概率，包括：

獲得所述深度信念網絡模型計算后輸出的電源故障標簽對應的第一概率、負載異常標簽對應的第二概率和控制異常標簽對應的第三概率。

5.如權利要求1或4所述的方法，其特征在于，所述基于所述多個故障原因標簽對應的概率確定故障原因標簽包括：

對所述多個故障原因標簽對應的概率進行排序；

按概率由高至低的順序，確定一個或多個故障原因標簽。

6.如若權利要求1所述的方法，其特征在于，所述確定逆變電路數據集包括：

按采樣周期不斷采集并存儲逆變電路數據；

在檢測到發生逆變過流故障的情況下，確定發生逆變過流故障的故障時刻；

將所述故障時刻之前的至少一個時刻、所述故障時刻之后的至少一個時刻以及故障時刻組成多個時刻；

獲取所述多個時刻一一對應的多個逆變電路數據，組成所述逆變電路數據集。

7.一種逆變過流故障診斷裝置，其特征在于，包括：

確定數據單元，用于確定逆變電路數據集；其中所述逆變電路數據集包括多個時刻對應的多個逆變電路數據，且，所述多個時刻包括發生逆變過流故障的故障時刻；

特征提取單元，用于對所述逆變電路數據集執行特征提取操作獲得特征向量；

模型計算單元，用于輸入所述特征向量至深度信念網絡模型，獲得所述深度信念網絡模型計算后輸出的多個故障原因標簽對應的概率；

確定標簽單元，用于基于所述多個故障原因標簽對應的概率確定故障原因標簽；

其中所述深度信念網絡模型為：依據多個特征向量樣本以及對應的故障原因標簽進行有監督訓練后、得到的能夠識別特征向量對應故障原因標簽的網絡模型。

8.一種車載處理設備，其特征在于，包括：

接收端口，用于接收不同時刻對應的逆變電路數據；

存儲器，用于存儲不同時刻對應的逆變電路數據；

處理器，用于基于所述存儲器中不同時刻對應的逆變電路數據，確定逆變電路數據集；其中所述逆變電路數據集包括多個時刻對應的多個逆變電路數據，且，所述多個時刻包括發生逆變過流故障的故障時刻；對所述逆變電路數據集執行特征提取操作獲得特征向量；輸入所述特征向量至深度信念網絡模型，獲得所述深度信念網絡模型計算后輸出的多個故障原因標簽對應的概率；基于所述多個故障原因標簽對應的概率確定故障原因標簽；其中所述深度信念網絡模型為：依據多個特征向量樣本以及對應的故障原因標簽進行有監督訓練后、得到的能夠識別特征向量對應故障原因標簽的網絡模型。