CN110542835A - 一种用于车辆电弧故障的检测方法、检测系统及试验系统 - Google Patents
一种用于车辆电弧故障的检测方法、检测系统及试验系统 Download PDFInfo
- Publication number
- CN110542835A CN110542835A CN201810530487.2A CN201810530487A CN110542835A CN 110542835 A CN110542835 A CN 110542835A CN 201810530487 A CN201810530487 A CN 201810530487A CN 110542835 A CN110542835 A CN 110542835A
- Authority
- CN
- China
- Prior art keywords
- current
- model
- arc fault
- characteristic values
- energy density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明提供了一种用于车辆电弧故障的检测方法、检测系统及试验系统,所述检测方法包括以下步骤:S101:按照一采样频率采样所述车辆内被检测电路的一组电流时序信号;S102:对所述电流时序信号做傅里叶变换,得到一组电流频谱特征值;S103:将所述电流频谱特征值转换为电流频谱能量密度特征值;S104:将所述电流频谱能量密度特征值输入至一电弧故障判断模型,得到检测结果。采用上述技术方案后,实现对车辆电弧故障的准确检测,提升车辆安全性。
Description
技术领域
本发明涉及车辆故障检测领域,尤其涉及一种用于车辆电弧故障的检测方法、检测系统及试验系统。
背景技术
对于车辆而言,安全问题是非常重要的,对于车辆故障的检测是减小安全事故隐患的重要方式。如今,电动汽车在车辆领域的占比越来越高,与传统汽车相比,电动汽车的电气故障引发的安全问题占据了相当大的比例。
现有技术对于电动汽车的车载电路已经做了一定的安全防护措施,能够检测如过流、过压、过热和短路等常见故障,然而,对于电弧故障的检测仍然是一个空白,特别是电动汽车的车载电路以直流电为主,并无合适的保护装置和检测算法能检测直流电弧故障。国内外直流故障电弧研究的主要应用是在光伏行业和高压直流输电系统中,目前在新能源汽车行业电弧检测的相关研究还相对较少且技术还不是很成熟。
因此,需要一种用于车辆电弧故障的检测技术手段,能够准确识别车辆的电弧故障,以便车辆或驾驶员及时采取措施避免事故发生。
发明内容
为了克服上述技术缺陷,本发明的目的在于提供一种用于车辆电弧故障的检测方法、检测系统及试验系统,通过对电弧电流的信号进行处理及通过机器学习对故障判断模型进行优化,实现对电弧故障的准确检测。
本发明公开了一种用于车辆电弧故障的检测方法,包括以下步骤:
S101:按照一采样频率采样所述车辆内被检测电路的一组电流时序信号;
S102:对所述电流时序信号做傅里叶变换,得到一组电流频谱特征值;
S103:将所述电流频谱特征值转换为电流频谱能量密度特征值;
S104:将所述电流频谱能量密度特征值输入至一电弧故障判断模型,得到检测结果。
优选地,步骤S102中,通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到一组电流频谱特征值;步骤S103中,对所述频谱能量密度特征值做标准化处理;步骤S104中,将标准化处理后的电流频谱能量密度特征值输入至一电弧故障判断模型。
优选地,步骤S101中,采样频率为250Khz。
优选地,所述步骤S104中,所述电弧故障判断模型为逻辑回归模型、支持向量机模型、逻辑回归与支持向量机的组合模型中的任一种;其中,逻辑回归与支持向量机的组合模型由以下步骤实现:
S104-1:分别统计逻辑回归模型及支持向量机模型单独运行时的正确率;
S104-2:将逻辑回归模型及支持向量机模型各自的正确率等比例缩放,使缩放后的两个正确率之和为1,缩放后的正确率即为逻辑回归模型及支持向量机模型的权重系数;
S104-3:将电流频谱能量密度特征值分别输入逻辑回归模型及支持向量机模型得到各自对应的检测结果;
S104-4:将逻辑回归模型及支持向量机模型对应的检测结果乘以各自的权重系数后求和,得到最终的检测结果。
优选地,所述步骤S104之后,所述检测方法还包括以下步骤:
S105:重复步骤S101至步骤S103,得到至少二种工况下的电流频谱能量密度特征值;
S106:将所有工况下的电流频谱能量密度特征值输入所述电弧故障判断模型进行机器学习,修正模型参数;
S107:将得到的模型作为电弧故障判断模型,用于电弧故障判断。
本发明还公开了一种用于车辆电弧故障的检测系统,包括:电流采样模块,设于所述车辆内,与所述车辆内被检测的电路连接,按照一采样频率采样被检测的电路的电流时序信号;运算分析模块,设于所述车辆内,与所述电流采样模块连接,内部设有数据处理单元及电弧故障判断模型;所述数据处理单元对所述电流时序信号做傅里叶变换,得到一组电流频谱特征值,再将所述电流频谱特征值转换为电流频谱能量密度特征值,而后将所述电流频谱能量密度特征值输入至所述电弧故障判断模型,得到检测结果。
优选地,所述数据处理单元通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到一组电流频谱特征值,并对所述频谱能量密度特征值做标准化处理。
优选地,所述电流采样模块的采样频率为250Khz。
本发明还公开了一种用于车辆电弧故障的试验系统,包括:负载,用于模拟车辆负载;直流电源,与所述负载串接,为所述负载供电;电弧发生器,与所述负载串接,用于产生电弧,所述电弧发生器、负载与直流电源形成试验回路;电流采样单元,与所述试验回路连接,按照一采样频率采样所述试验回路的电流时序信号;计算机,与所述电流采样单元连接,获取所述电流时序信号,对所述电流时序信号做傅里叶变换,得到一组电流频谱特征值,再将所述电流频谱特征值转换为电流频谱能量密度特征值,而后将所述电流频谱能量密度特征值输入至所述计算机内预设的电弧故障判断模型,得到检测结果。
优选地,所述计算机通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到一组电流频谱特征值,并对所述频谱能量密度特征值做标准化处理;所述电流采样单元的采样频率为250Khz;所述电弧故障判断模型为逻辑回归模型、支持向量机模型、逻辑回归与支持向量机的组合模型中的任一种;所述试验系统执行以下步骤对所述电弧故障模型进行训练:
S108:采样至少二种工况下的电流时序信号,通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到至少二组组电流频谱特征值,再将所述电流频谱特征值转换为电流频谱能量密度特征值,并对所述频谱能量密度特征值做标准化处理;
S109:将标准化处理后的频谱能量密度特征值输入至所述电弧故障模型进行机器学习,修正模型参数;
S110:将得到的模型作为电弧故障判断模型,用于电弧故障判断。
采用了上述技术方案后,与现有技术相比,具有以下有益效果:
1.实现对车辆电弧故障的准确检测,提升车辆安全性;
2.具备自学习能力,适应不同工况下的电弧故障检测。
附图说明
图1为符合本发明一实施例中用于车辆电弧故障的检测方法的流程示意图;
图2为图1中步骤S104中逻辑回归与支持向量机的组合模型的具体流程示意图;
图3为符合本发明一实施例中用于车辆电弧故障的检测系统的结构框图;
图4为符合本发明一实施例中用于车辆电弧故障的试验系统的结构框图。
附图标记:
10-检测系统、11-电流采样模块、12-运算分析模块、121-数据处理单元、122-电弧故障判断模型、20-试验系统、21-负载、22-直流电源、23-电弧发生器、24-电流采样单元、25-计算机。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
参阅图1为符合本发明一实施例中用于车辆电弧故障的检测方法的流程示意图,所述检测方法包括以下步骤:
S101:按照一采样频率采样所述车辆内被检测电路的一组电流时序信号。
若想对电弧故障进行检测,最基础的数据就是电流的变化,再从电流的变化中获取电弧故障的特征。本步骤对车辆内被检测电路的电流进行采样,得到一组电流时序信号。所述被检测电路可以是电动汽车的动力电路,即为电动机提供电流的电路,也可以是其他功能电路,如充电电路、控制电路等。所述电流时序信号是指一组按照一定时间间隔排列的电流值,反映了电流在时域上的变化。对电流的采样频率的选取也会对检测结果产生影响,根据采样定理,采样频率应当至少为被采样信号的频率的2倍,通过对电流中的电弧特征信号的频率的数据积累,发现其频率主要分布在0-100kHz,故所述采样频率最少为200kHz,优选为250kHz,采样频率的分辨率为244Hz。
S102:对所述电流时序信号做傅里叶变换,得到一组电流频谱特征值。
在信号分析领域,往往是将时域信号转换为频域信号,以便计算机进行分析处理。本步骤将步骤S101中得到的电流时序信号进行傅里叶变换,得到对应的一组电流频谱特征值,所述电流频谱特征值即电流在不同频率上的幅值。本步骤的转换过程为本领域的公知技术,不再详述。
S103:将所述电流频谱特征值转换为电流频谱能量密度特征值。
本步骤是一种数据处理的中间过程,由于在电动汽车电路中负载的变化非常剧烈,如刹车、急加速等情况,会使电流波动较大。为了降低电路中电流大小对电弧特征信号的影响,本步骤将所述电流频谱特征值转换为电流频谱能量密度特征值,公式如下:
上述公式采用了类似直接功率谱能量密度的计算方式,其中A(i)为步骤S102得到的电流频谱特征值,i∈(1,2,L,N),L为中间省略的数字,N为一组数据中最后一个电流频谱特征值,本实施例中N取512。上述公式的含义是对于每个电流频谱特征值,均除以该组数据中所有电流频谱特征值的和。这样以来,每一所述电流频谱能量密度特征值的大小不再受到电流本身波动的影响,即便在不同情况下采样到的电流,计算得到的电流频谱能量密度特征值也会在一稳定的范围内,使得对电弧故障的检测具有较好的泛化性能,提升电弧故障的判断正确率。
S104:将所述电流频谱能量密度特征值输入至一电弧故障判断模型,得到检测结果。
本步骤将步骤S103中得到的电流频谱能量密度特征值输入至一预设的电弧故障判断模型中,通过所述电弧故障判断模型计算得到检测结果,所述检测结果即发生电弧故障或未发生电弧故障。
S105:重复步骤S101至步骤S103,得到至少二种工况下的电流频谱能量密度特征值。
上述步骤S101至步骤S104已经可以实现对车辆电弧故障的检测,为了进一步优化所述电弧故障判断模型,还可继续执行本步骤及后续步骤,本步骤及后续步骤的运行,可以在车载装置中实现,也可以在实验室的模拟环境中实现。车辆在正常行驶、刹车、加速等状态下的电流是不同的,负载特性也是不同的,故需要对不同工况下发生的电弧故障进行准确检测,需要收集上述工况下的电流数据作为模型训练的基础。本步骤对不同工况下的电流数据进行统计,得到多组电流频谱能量密度特征值,作为电弧故障判断模型的优化基础,以使得训练后的电弧故障判断模型能够对不同工况下的电弧故障判断具有较好的鲁棒性。
S106:将所有工况下的电流频谱能量密度特征值输入所述电弧故障判断模型进行机器学习,修正模型参数。
本步骤执行对所述电弧故障判断模型的训练过程,也就是机器学习,将步骤S105中得到的所有工况下的电流频谱能量密度特征值输入所述电弧故障判断模型,在上述过程中,所述电弧故障判断模型会修正模型参数,以满足对不同工况下电流数据的判断能力。
S107:将得到的模型作为电弧故障判断模型,用于故障判断。
本步骤中,可以将训练后的电弧故障模型作为最终的电弧故障判断模型加以应用,例如用于判断新的电流数据中是否有电弧故障的特征信号。
具体地,所述电弧故障判断模型为逻辑回归模型、支持向量机模型、逻辑回归与支持向量机的组合模型中的任一种。
所述逻辑回归模型又被称为Logistic回归模型,为概率型线性回归模型,是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法,该模型中有Sigmoid函数及Logistic回归分类器,Logistic回归分类器对每一个电流频谱能量密度特征值都乘以一个回归系数,然后把所有结果都相加,再将这个总和代入Sigmoid函数中,从而得到一个范围在0-1之间的数值。任何大于0.5的数据被分为1,小于0.5的数据被分为0。
支持向量机模型(SVM)在机器学习领域,是一种有监督的学习模型,用作模式识别、分类以及回归分析。针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。基于结构风险最小化理论之上在特征空间中构建最优超平面,使得学习器得到全局最优化,并且在整个样本空间的期望以某个概率满足一定上界。支持向量机模型的核心是核函数,选择不同的核函数,可以生成不同的SVM,常用的核函数有以下4种:
⑴线性核函数K(x,y)=x·y;
⑵多项式核函数K(x,y)=[(x·y)+1]^d;
⑶径向基函数K(x,y)=exp(-|x-y|^2/d^2);
⑷二层神经网络核函数K(x,y)=tanh(a(x·y)+b)。
参阅图2,逻辑回归与支持向量机的组合模型由以下步骤实现:
S104-1:分别统计逻辑回归模型及支持向量机模型单独运行时的正确率。
本步骤是基于大量的数据积累实现,即先期要分别通过逻辑回归模型及支持向量机模型对电流频谱能量密度特征值进行判断,并输出判断结果,而后根据实际的状况(即实际是否发生电弧故障,可以在实验室环境下模拟实现验证过程)得到两个模型的正确率,可对各自的大批量正确率求均值,得到体现两个模型平均水平的各自的正确率。
S104-2:将逻辑回归模型及支持向量机模型各自的正确率等比例缩放,使缩放后的两个正确率之和为1,缩放后的正确率即为逻辑回归模型及支持向量机模型的权重系数。
本步骤对两个模型的正确率做数学处理,即等比例缩放,使两个模型的正确率之和为1,缩放后的正确率可以作为一权重系数参与后续的计算。
S104-3:将电流频谱能量密度特征值分别输入逻辑回归模型及支持向量机模型得到各自对应的检测结果。
S104-4:将逻辑回归模型及支持向量机模型对应的检测结果乘以各自的权重系数后求和,得到最终的检测结果。
举例来说,假定逻辑回归模型的正确率为70%,支持向量机模型的正确率为90%,那么缩放后的正确率分别为43.75%及56.25%,即逻辑回归模型的权重系数为43.75%,支持向量机的权重系数为56.25%,最后将两个模型各自的检测结果乘以各自的权重系数后再相加,即可得到最终的检测结果。
为了更好地提升检测结果的正确率,在优化所述电弧故障判断模型之外,还可通过优化数据处理过程来提升检测结果的正确率。所述步骤S102中,通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到一组电流频谱特征值,所述高斯窗函数如下:
采用高斯窗函数之后,可以避免直接对电流时序信号进行傅里叶变换容易出现的频谱泄露问题,缓解因电弧特征信号的随机性导致的频谱泄露。可通过实验验证选取广义高斯窗函数,并通过网格搜索法选取高斯窗参数。
所述步骤S103中,对所述频谱能量密度特征值做标准化处理,标准化处理采取标准差法,公式如下:
其中,σ为xi∈X的方差。采用标准化处理后,将数据按比例缩放,去除数据的量纲使其归一到大致相同的区间内,能够提高所述电弧故障判断模型的精度和收敛速度。最终,在所述步骤S104中,将标准化处理后的电流频谱能量密度特征值输入至一电弧故障判断模型进行计算,得到检测结果。
参阅图3,为符合本发明一实施例中用于车辆电弧故障的检测系统10的结构框图,所述检测系统10包括:
-电流采样模块11
所述电流采样模块11设于所述车辆内,与所述车辆内被检测的电路连接,按照一采样频率采样被检测的电路的电流时序信号。所述被检测电路可以是电动汽车的动力电路,即为电动机提供电流的电路,也可以是其他功能电路,如充电电路、控制电路等。所述采样频率最少为200kHz,优选为250kHz,采样频率的分辨率为244Hz。所述电流采样模块11可以包括电流互感器,将被检测电路的电流转换为可识别的量程区间;所述电流采样模块11还包括采样电路及时钟单元,所述采样电路可获取电流的模拟量数值,所述时钟单元按照所述采样频率产生时钟信号,使得所述采样电路按照所述采样频率依次获取电流的模拟量数值,从而形成一组电流时序信号。所述电流时序信号即以时间为横坐标,电流值为纵坐标的一组参数,表示电流在时域上的信息。
-运算分析模块12
所述运算分析模块12设于所述车辆内,与所述电流采样模块11连接,接收所述电流采样模块11发来的电流时序信号。所述运算分析模块12内部设有数据处理单元121及电弧故障判断模型122。所述运算分析模块12可以是车载微处理器,具备运算分析能力,并能够存储数据。所述数据处理单元121对所述电流时序信号做傅里叶变换,得到一组电流频谱特征值,所述电流频谱特征值为电流在频域上的表示,横坐标为频率,纵坐标为幅值。所述数据处理单元121再将所述电流频谱特征值转换为电流频谱能量密度特征值,具体的转换过程详见检测方法实施例中步骤S103的说明。而后所述数据处理单元121将所述电流频谱能量密度特征值输入至所述电弧故障判断模型122,得到检测结果。
进一步地,所述数据处理单元121还通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到一组电流频谱特征值,所述高斯窗函数如下:
采用高斯窗函数之后,可以避免直接对电流时序信号进行傅里叶变换容易出现的频谱泄露问题,缓解因电弧特征信号的随机性导致的频谱泄露。可通过实验验证选取广义高斯窗函数,并通过网格搜索法选取高斯窗参数。
所述数据处理单元121还对所述频谱能量密度特征值做标准化处理,标准化处理采取标准差法,公式如下:
其中,σ为xi∈X的方差。采用标准化处理后,将数据按比例缩放,去除数据的量纲使其归一到大致相同的区间内,能够提高所述电弧故障判断模型的精度和收敛速度。最终,所述数据处理单元121将标准化处理后的电流频谱能量密度特征值输入至所述电弧故障判断模型122进行计算,得到检测结果。所述电弧故障判断模型122为逻辑回归模型、支持向量机模型、逻辑回归与支持向量机的组合模型中的任一种。
参阅图4,为符合本发明一实施例中用于车辆电弧故障的试验系统20的结构框图,所述试验系统20是为了在实验室环境下模拟车辆的电路运行情况,并制造电弧故障以进行数据分析,对电弧故障模型进行训练优化。所述试验系统20包括:
-负载21
所述负载21用于模拟车辆负载,可以是电机负载、电阻负载、电容负载、电感负载中任一种或几种的组合,以实现对不同工况下的负载进行模拟。
-直流电源22
所述直流电源22与所述负载21串接,为所述负载21供电。所述直流电源22可以根据试验模拟场景的不同选择不同的类型,可以选择高压直流电源,用于大电压实验,其额定输入电压为AC380V±10%,频率50Hz±5%,额定输出电压为0~600V,额定输出电流为0~10A;也可以选择低压大电流电源,用于大电流实验,其额定输出电压为0~50V,额定输出电流为0~36A;还可选择电池包,用于电动汽车动力系统模拟实验,电芯材质为磷酸铁锂,电池包额定工作电压为72V,容量为20AH。
-电弧发生器23
所述电弧发生器23与所述负载21串接,用于产生电弧。所述电弧发生器23符合UL1699B标准,包括一对由实心铜材质的电极组成一个固定电极和移动电极的电极对,还可包括一个横向移动调节杆,移动电极可以通过调节该杆达到指定的间隙距离。所述电弧发生器23还可添加针对电动汽车接插件起弧的夹具,在试验中模拟电动汽车接插件起弧的情况。
所述电弧发生器23、负载21与直流电源22形成试验回路,模拟车辆上的被检测电路。
-电流采样单元24
所述电流采样单元24与所述试验回路连接,按照一采样频率采样所述试验回路的电流时序信号。所述电流采样单元24可以包括电流互感器、电流采样电路及时钟电路,按照所述采样频率采样所述试验回路的电流模拟量值。所述采样频率最少为200kHz,优选为250kHz,采样频率的分辨率为244Hz。
-计算机25
所述计算机25与所述电流采样单元24连接,获取所述电流时序信号,对所述电流时序信号做傅里叶变换,得到一组电流频谱特征值,再将所述电流频谱特征值转换为电流频谱能量密度特征值,公式如下:
上述公式采用了类似直接功率谱能量密度的计算方式,其中A(i)为电流频谱特征值,i∈(1,2,L,N),L为中间省略的数字,N为一组数据中最后一个电流频谱特征值,本实施例中N取512。而后所述计算机25将所述电流频谱能量密度特征值输入至所述计算机25内预设的电弧故障判断模型,得到检测结果。
进一步地,所述计算机25还通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到一组电流频谱特征值,所述高斯窗函数如下:
采用高斯窗函数之后,可以避免直接对电流时序信号进行傅里叶变换容易出现的频谱泄露问题,缓解因电弧特征信号的随机性导致的频谱泄露。可通过实验验证选取广义高斯窗函数,并通过网格搜索法选取高斯窗参数。
所述计算机25还对所述频谱能量密度特征值做标准化处理,标准化处理采取标准差法,公式如下:
其中,σ为xi∈X的方差。采用标准化处理后,将数据按比例缩放,去除数据的量纲使其归一到大致相同的区间内,能够提高所述电弧故障判断模型的精度和收敛速度。最终,所述计算机25将标准化处理后的电流频谱能量密度特征值输入至所述电弧故障判断模型进行计算,得到检测结果。
所述电弧故障判断模型为逻辑回归模型、支持向量机模型、逻辑回归与支持向量机的组合模型中的任一种。为了对所述电弧故障判断模型进行训练,所述试验系统20执行以下步骤:
S108:采样至少二种工况下的电流时序信号,通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到至少二组组电流频谱特征值,再将所述电流频谱特征值转换为电流频谱能量密度特征值,并对所述频谱能量密度特征值做标准化处理。本步骤完成对电流数据的处理,将时域信号转换为频域信号,并通过数值处理使之方便电弧故障模型进行计算。本步骤执行时,需要负载21、直流电源22、电弧发生器23相互配合,以产生不同工况下的电流及电弧故障,满足试验的数据积累要求。
S109:将标准化处理后的频谱能量密度特征值输入至所述电弧故障模型进行机器学习,修正模型参数。所述电弧故障模型初次运行时,会有初始参数,也就是初步的判断所述电流是否为电弧故障下的电流的判断特征值,待训练过程中进行修改优化。本步骤执行机器学习过程,通过输入所有工况下的标准化处理后的频谱能量密度特征值输入电弧故障判断模型进行训练,修改模型中的参数,即判断电弧故障的判断特征值。在训练过程中,可对所述电弧故障模型正则化,降低模型过拟合的风险。所述电弧故障判断模型具有自学习能力,能够针对不同的数据进行参数优化,实现最优解。
S110:将得到的模型作为电弧故障判断模型,用于电弧故障判断。步骤S109结束后,所述电弧故障判断模型内建立有最终的判断特征值,可用于电弧故障的检测,也可用于新的试验条件下电流数据的判断。
在实验室验证之后,还可对所述电弧故障判断模型进行实际验证,及在车载环境中进行测试验证,以使所述电弧故障判断模型具有较好的鲁棒性和准确度。
以下通过试验数据给出本发明的技术方案与现有技术相比具有更好的准确性及鲁棒性。首先给出现有技术中按照普通的傅里叶变换将电流时序信号转换为电流频谱特征值后直接代入不同模型参数进行检测判断的结果:
表1-1逻辑回归模型在不同数据集的正确率(%)
表1-2支持向量机线性核模型在不同数据集的正确率(%)
表1-3支持向量机高斯核模型在不同数据集的正确率(%)
上述三组正确率的平均正确率分别为62.5%,64.5%和76.3%。
以下是按照本发明的数据处理方式,对电流时序信号处理后的结果:
表2-1逻辑回归模型优化后在不同数据集的正确率(%)
表2-2支持向量机线性核模型优化后在不同数据集的正确率(%)
表2-3支持向量机高斯核模型优化后在不同数据集的正确率(%)
上述三组数据的平均正确率分别为82.9%,86.2%和83.8%,相对于现有技术正确率分别提升了20.4%,21.7%和7.5%,可见本发明的技术方案得到的电弧故障判断模型具有更好的鲁棒性。
应当注意的是,本发明的实施例有较佳的实施性,且并非对本发明作任何形式的限制,任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例,但凡未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种用于车辆电弧故障的检测方法,其特征在于,包括以下步骤:
S101:按照一采样频率采样所述车辆内被检测电路的一组电流时序信号;
S102:对所述电流时序信号做傅里叶变换,得到一组电流频谱特征值;
S103:将所述电流频谱特征值转换为电流频谱能量密度特征值;
S104:将所述电流频谱能量密度特征值输入至一电弧故障判断模型,得到检测结果。
2.如权利要求1所述的检测方法,其特征在于,
步骤S102中,通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到一组电流频谱特征值;
步骤S103中,对所述频谱能量密度特征值做标准化处理;
步骤S104中,将标准化处理后的电流频谱能量密度特征值输入至一电弧故障判断模型。
3.如权利要求2所述的检测方法,其特征在于,
步骤S101中,采样频率为250Khz。
4.如权利要求1-3任一项所述的检测方法,其特征在于,
所述步骤S104中,所述电弧故障判断模型为逻辑回归模型、支持向量机模型、逻辑回归与支持向量机的组合模型中的任一种;
其中,逻辑回归与支持向量机的组合模型由以下步骤实现:
S104-1:分别统计逻辑回归模型及支持向量机模型单独运行时的正确率;
S104-2:将逻辑回归模型及支持向量机模型各自的正确率等比例缩放,使缩放后的两个正确率之和为1,缩放后的正确率即为逻辑回归模型及支持向量机模型的权重系数;
S104-3:将电流频谱能量密度特征值分别输入逻辑回归模型及支持向量机模型得到各自对应的检测结果;
S104-4:将逻辑回归模型及支持向量机模型对应的检测结果乘以各自的权重系数后求和,得到最终的检测结果。
5.如权利要求4所述的检测方法,其特征在于,
所述步骤S104之后,所述检测方法还包括以下步骤:
S105:重复步骤S101至步骤S103,得到至少二种工况下的电流频谱能量密度特征值;
S106:将所有工况下的电流频谱能量密度特征值输入所述电弧故障判断模型进行机器学习,修正模型参数;
S107:将得到的模型作为电弧故障判断模型,用于电弧故障判断。
6.一种用于车辆电弧故障的检测系统,其特征在于,包括:
电流采样模块,设于所述车辆内,与所述车辆内被检测的电路连接,按照一采样频率采样被检测的电路的电流时序信号;
运算分析模块,设于所述车辆内,与所述电流采样模块连接,内部设有数据处理单元及电弧故障判断模型;
所述数据处理单元对所述电流时序信号做傅里叶变换,得到一组电流频谱特征值,再将所述电流频谱特征值转换为电流频谱能量密度特征值,而后将所述电流频谱能量密度特征值输入至所述电弧故障判断模型,得到检测结果。
7.如权利要求6所述的检测系统,其特征在于,
所述数据处理单元通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到一组电流频谱特征值,并对所述频谱能量密度特征值做标准化处理。
8.如权利要求7所述的检测系统,其特征在于,
所述电流采样模块的采样频率为250Khz。
9.一种用于车辆电弧故障的试验系统,其特征在于,包括:
负载,用于模拟车辆负载;
直流电源,与所述负载串接,为所述负载供电;
电弧发生器,与所述负载串接,用于产生电弧,所述电弧发生器、负载与直流电源形成试验回路;
电流采样单元,与所述试验回路连接,按照一采样频率采样所述试验回路的电流时序信号;
计算机,与所述电流采样单元连接,获取所述电流时序信号,对所述电流时序信号做傅里叶变换,得到一组电流频谱特征值,再将所述电流频谱特征值转换为电流频谱能量密度特征值,而后将所述电流频谱能量密度特征值输入至所述计算机内预设的电弧故障判断模型,得到检测结果。
10.如权利要求9所述的试验系统,其特征在于,
所述计算机通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到一组电流频谱特征值,并对所述频谱能量密度特征值做标准化处理;
所述电流采样单元的采样频率为250Khz;
所述电弧故障判断模型为逻辑回归模型、支持向量机模型、逻辑回归与支持向量机的组合模型中的任一种;
所述试验系统执行以下步骤对所述电弧故障模型进行训练:
S108:采样至少二种工况下的电流时序信号,通过一高斯窗函数对所述电流时序信号做加窗傅里叶变换,得到至少二组组电流频谱特征值,再将所述电流频谱特征值转换为电流频谱能量密度特征值,并对所述频谱能量密度特征值做标准化处理;
S109:将标准化处理后的频谱能量密度特征值输入至所述电弧故障模型进行机器学习,修正模型参数;
S110:将得到的模型作为电弧故障判断模型,用于电弧故障判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810530487.2A CN110542835B (zh) | 2018-05-29 | 2018-05-29 | 一种用于车辆电弧故障的检测方法、检测系统及试验系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810530487.2A CN110542835B (zh) | 2018-05-29 | 2018-05-29 | 一种用于车辆电弧故障的检测方法、检测系统及试验系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110542835A true CN110542835A (zh) | 2019-12-06 |
CN110542835B CN110542835B (zh) | 2021-11-02 |
Family
ID=68701104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810530487.2A Active CN110542835B (zh) | 2018-05-29 | 2018-05-29 | 一种用于车辆电弧故障的检测方法、检测系统及试验系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110542835B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021134737A1 (zh) * | 2020-01-02 | 2021-07-08 | 青岛鼎信通讯股份有限公司 | 一种基于矢量分析计算的电弧串扰信号识别方法 |
CN115808600A (zh) * | 2022-11-14 | 2023-03-17 | 正泰集团研发中心(上海)有限公司 | 基于数学形态学和模式识别的直流电弧检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW484257B (en) * | 2000-10-06 | 2002-04-21 | Macronix Int Co Ltd | Frequency mixer of communication system |
WO2008013614A2 (en) * | 2006-07-27 | 2008-01-31 | Siemens Energy & Automation, Inc. | Devices, systems, and methods for adaptive rf sensing in arc fault detection |
CN102868403A (zh) * | 2012-09-18 | 2013-01-09 | 上海航天测控通信研究所 | 一种测试模数转换器主要性能指标的测试系统 |
CN103325125A (zh) * | 2013-07-03 | 2013-09-25 | 北京工业大学 | 基于改进多示例学习算法的运动目标跟踪方法 |
CN103513125A (zh) * | 2012-06-29 | 2014-01-15 | 上海翔骋电气设备有限公司 | 一种220kv级以上变压器一体化智能诊断系统及其方法 |
CN206400055U (zh) * | 2016-12-29 | 2017-08-11 | 上海海拉电子有限公司 | 一种电弧检测系统及具有该电弧检测系统的车辆 |
CN107248030A (zh) * | 2017-05-26 | 2017-10-13 | 谢首鹏 | 一种基于机器学习算法的债券风险预测方法及系统 |
CN107256426A (zh) * | 2017-06-19 | 2017-10-17 | 湖北省食品药品监督检验研究院 | 一种基于智能算法的药品安全信心指数系统及构建方法 |
CN112183628A (zh) * | 2020-09-28 | 2021-01-05 | 浙江零壹智能电器研究院有限公司 | 基于多种线性时频变换的交流电弧故障检测方法及系统 |
-
2018
- 2018-05-29 CN CN201810530487.2A patent/CN110542835B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW484257B (en) * | 2000-10-06 | 2002-04-21 | Macronix Int Co Ltd | Frequency mixer of communication system |
WO2008013614A2 (en) * | 2006-07-27 | 2008-01-31 | Siemens Energy & Automation, Inc. | Devices, systems, and methods for adaptive rf sensing in arc fault detection |
CN103513125A (zh) * | 2012-06-29 | 2014-01-15 | 上海翔骋电气设备有限公司 | 一种220kv级以上变压器一体化智能诊断系统及其方法 |
CN102868403A (zh) * | 2012-09-18 | 2013-01-09 | 上海航天测控通信研究所 | 一种测试模数转换器主要性能指标的测试系统 |
CN103325125A (zh) * | 2013-07-03 | 2013-09-25 | 北京工业大学 | 基于改进多示例学习算法的运动目标跟踪方法 |
CN206400055U (zh) * | 2016-12-29 | 2017-08-11 | 上海海拉电子有限公司 | 一种电弧检测系统及具有该电弧检测系统的车辆 |
CN107248030A (zh) * | 2017-05-26 | 2017-10-13 | 谢首鹏 | 一种基于机器学习算法的债券风险预测方法及系统 |
CN107256426A (zh) * | 2017-06-19 | 2017-10-17 | 湖北省食品药品监督检验研究院 | 一种基于智能算法的药品安全信心指数系统及构建方法 |
CN112183628A (zh) * | 2020-09-28 | 2021-01-05 | 浙江零壹智能电器研究院有限公司 | 基于多种线性时频变换的交流电弧故障检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
楼嘉宇: "基于机器学习的电弧故障检测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
胡新军: "300MW发电机转子过电压保护回路的改进及分析", 《华中电力》 * |
韩旭 等: "基于遗传算法优化BP神经网络的故障电弧识别", 《测控技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021134737A1 (zh) * | 2020-01-02 | 2021-07-08 | 青岛鼎信通讯股份有限公司 | 一种基于矢量分析计算的电弧串扰信号识别方法 |
US11733286B2 (en) | 2020-01-02 | 2023-08-22 | Qingdao Topscomm Communication Co., Ltd | Vector analysis calculation-based arc crosstalk signal identification method |
CN115808600A (zh) * | 2022-11-14 | 2023-03-17 | 正泰集团研发中心(上海)有限公司 | 基于数学形态学和模式识别的直流电弧检测方法 |
CN115808600B (zh) * | 2022-11-14 | 2024-04-30 | 上海正泰电源系统有限公司 | 基于数学形态学和模式识别的直流电弧检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110542835B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rai et al. | Fault classification in power system distribution network integrated with distributed generators using CNN | |
WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
CN109948597B (zh) | 一种高压断路器机械故障诊断方法 | |
WO2018120077A1 (zh) | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
Dalai et al. | Rough-set-based feature selection and classification for power quality sensing device employing correlation techniques | |
CN102279358B (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
CN112200694B (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN110687393B (zh) | 一种基于vmd-svd-fcm的阀短路保护故障定位方法 | |
CN110542835B (zh) | 一种用于车辆电弧故障的检测方法、检测系统及试验系统 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
Júnior et al. | The design of multiple linear regression models using a genetic algorithm to diagnose initial short-circuit faults in 3-phase induction motors | |
Le et al. | Ensemble machine learning based adaptive arc fault detection for DC distribution systems | |
CN116432112A (zh) | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 | |
CN113094983B (zh) | 一种光伏系统直流故障电弧多维时变特性的在线模拟方法 | |
Bayrak et al. | Deep learning-based multi-model ensemble method for classification of PQDs in a hydrogen energy-based microgrid using modified weighted majority algorithm | |
CN113702767B (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
Li et al. | Motor’s early fault diagnosis based on support vector machine | |
Acácio et al. | Evaluation of the impact of different neural network structure and data input on fault detection | |
CN116882838A (zh) | 一种基于Stacking集成策略的短期电压稳定性评估方法 | |
CN109167395B (zh) | 基于adpss的光伏发电系统的暂态等值电势辨识方法 | |
Moreira et al. | Evaluation of pattern recognition algorithms for applications on power factor compensation | |
CN114814391A (zh) | 充电桩故障识别方法和存储介质 | |
CN115409335A (zh) | 基于深度学习考虑未知扰动类型的电力系统扰动识别方法 | |
CN114330854A (zh) | 一种潜供电弧燃弧时间预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |