CN117235653B - 一种电源连接器故障实时监测方法及系统 - Google Patents

Abstract

本发明涉及故障检测领域，公开了一种电源连接器故障实时监测方法及系统，用于提高电源连接器故障实时监测的准确率。方法包括：对目标电源连接器进行实时监测，得到目标电流信号、目标电压信号以及目标温度数据；进行可视化分布映射，得到电流时域波形图、电压信号差分图以及温度分布箱线图；生成电流异常特征分量，并生成电压异常特征分量，以及生成温度异常特征分量；通过极限学习机模型进行异常标签权重计算，得到电流异常标签权重、电压异常标签权重以及温度异常标签权重；进行加权融合，生成目标多维融合特征；将目标多维融合特征输入电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果。

Description

一种电源连接器故障实时监测方法及系统

技术领域

本发明涉及故障检测领域，尤其涉及一种电源连接器故障实时监测方法及系统。

背景技术

电源连接器是电力系统中不可或缺的组成部分，其稳定性直接关系到系统的正常运行。故障导致电流过载、电压不稳定等问题，影响整个电力系统的稳定性和可靠性。

传统的电源连接器监测手段通常依赖于离线检测或定期巡检，难以实现对连接器实时状态的监测，即现有方案的准确率低。

发明内容

本发明提供了一种电源连接器故障实时监测方法及系统，用于提高电源连接器故障实时监测的准确率。

本发明第一方面提供了一种电源连接器故障实时监测方法，所述电源连接器故障实时监测方法包括：

通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号、目标电压信号以及目标温度数据；

分别对所述目标电流信号、所述目标电压信号以及所述目标温度数据进行可视化分布映射，得到电流时域波形图、电压信号差分图以及温度分布箱线图；

对所述电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对所述电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对所述温度分布箱线图进行温度异常升高检测，生成温度异常特征分量；

通过预置的极限学习机模型分别对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行异常标签权重计算，得到电流异常标签权重、电压异常标签权重以及温度异常标签权重；

根据所述电流异常标签权重、所述电压异常标签权重以及所述温度异常标签权重对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行加权融合，生成目标多维融合特征；

将所述目标多维融合特征输入预置的电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果。

结合第一方面，在本发明第一方面的第一种实现方式中，所述通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号、目标电压信号以及目标温度数据，包括：

通过预置的传感器组分别对目标电源连接器进行实时信号采集，得到多个初始电流信号、多个初始电压信号以及初始温度数据；

通过预置的多个第一弱分类器分别对所述多个初始电流信号进行电流信号调制，得到每个第一弱分类器的调制电流信号，并对每个第一弱分类器的调制电流信号进行信号合成，得到目标电流信号，所述第一弱分类器包括卷积池化层、全连接层、长短时记忆单元、softmax函数以及输出层；

通过预置的多个第二弱分类器分别对所述多个初始电压信号进行电压信号调制，得到每个第二弱分类器的调制电压信号，并对每个第二弱分类器的调制电压信号进行信号合成，得到目标电压信号，所述第二弱分类器包括卷积池化层、全连接层、长短时记忆单元、softmax函数以及输出层；

对所述初始温度数据进行数据清洗以及数据去噪，得到目标温度数据。

结合第一方面，在本发明第一方面的第二种实现方式中，所述分别对所述目标电流信号、所述目标电压信号以及所述目标温度数据进行可视化分布映射，得到电流时域波形图、电压信号差分图以及温度分布箱线图，包括：

对所述目标电流信号进行时域分析，得到初始时域波形图，并对所述初始时域波形图进行波形平滑操作，得到电流时域波形图；

对所述目标电压信号进行电压信号映射，得到初始电压映射图，并对所述初始电压映射图进行电压差分分析，得到电压信号差分图；

对所述目标温度数据进行数据点分布处理，得到初始分布箱线图，并对所述初始分布箱线图进行校验处理，得到温度分布箱线图。

结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对所述电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对所述温度分布箱线图进行温度异常升高检测，生成温度异常特征分量，包括：

将所述电流时域波形图输入预置的第一特征提取神经网络，并通过所述第一特征提取神经网络对所述电流时域波形图进行异常电流波形提取，得到多个异常电流波形段，以及对所述多个异常电流波形段进行特征转换，生成电流异常特征分量，其中，所述第一特征提取神经网络包括两层卷积长短时网络；

将所述电压信号差分图输入预置的第二特征提取神经网络，并通过所述第二特征提取神经网络对所述电压信号差分图进行电压跳变识别，得到多个电压跳变区间，以及对所述多个电压跳变区间进行特征处理，生成电压异常特征分量，其中，所述第二特征提取神经网络包括双层图神经网络；

将所述温度分布箱线图输入预置的第三特征提取神经网络，并通过所述第三特征提取神经网络对所述温度分布箱线图进行温度异常升高检测，得到多个温度异常数据点，以及对所述多个温度异常数据点进行特征映射，生成温度异常特征分量，其中，所述第三特征提取神经网络包括双向长短时记忆网络。

结合第一方面，在本发明第一方面的第四种实现方式中，所述通过预置的极限学习机模型分别对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行异常标签权重计算，得到电流异常标签权重、电压异常标签权重以及温度异常标签权重，包括：

将所述电流异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述电流异常特征分量的电流异常标签权重，得到电流异常标签权重，其中，所述极限学习机模型包括：输入层、隐藏层以及输出层；

将所述电压异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述电压异常特征分量的电压异常标签权重，得到电压异常标签权重；

将所述温度异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述温度异常特征分量的温度异常标签权重，得到温度异常标签权重。

结合第一方面，在本发明第一方面的第五种实现方式中，所述根据所述电流异常标签权重、所述电压异常标签权重以及所述温度异常标签权重对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行加权融合，生成目标多维融合特征，包括：

根据所述电流异常标签权重，对所述电流异常特征分量进行特征加权处理，得到加权电流特征分量；

根据所述电压异常标签权重，对所述电压异常标签权重进行特征加权处理，得到加权电压特征分量；

根据所述温度异常标签权重，对所述温度异常特征分量进行特征加权处理，得到加权温度特征分量；

对所述加权电流特征分量、所述加权电压特征分量以及所述加权温度特征分量进行多维特征融合，生成目标多维融合特征。

结合第一方面，在本发明第一方面的第六种实现方式中，所述将所述目标多维融合特征输入预置的电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果，包括：

将所述目标多维融合特征输入预置的电源连接器故障分析模型，其中，所述电源连接器故障分析模型包括三层贝叶斯网络；

通过所述三层贝叶斯网络中的先验层，对所述目标多维融合特征进行先验概率分布匹配，得到多个初始故障分析结果；

通过所述三层贝叶斯网络中的隐含层，对所述多个初始故障分析结果进行结果权重分配，得到每个初始故障分析结果的权重占比数据；

通过所述三层贝叶斯网络中的后验层，并根据所述权重占比数据对所述多个初始故障分析结果进行电源连接器故障结果预测，得到电源连接器故障分析结果。

本发明第二方面提供了一种电源连接器故障实时监测系统，所述电源连接器故障实时监测系统包括：

监测模块，用于通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号、目标电压信号以及目标温度数据；

可视化模块，用于分别对所述目标电流信号、所述目标电压信号以及所述目标温度数据进行可视化分布映射，得到电流时域波形图、电压信号差分图以及温度分布箱线图；

特征提取模块，用于对所述电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对所述电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对所述温度分布箱线图进行温度异常升高检测，生成温度异常特征分量；

计算模块，用于通过预置的极限学习机模型分别对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行异常标签权重计算，得到电流异常标签权重、电压异常标签权重以及温度异常标签权重；

融合模块，用于根据所述电流异常标签权重、所述电压异常标签权重以及所述温度异常标签权重对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行加权融合，生成目标多维融合特征；

分析模块，用于将所述目标多维融合特征输入预置的电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果。

本发明第三方面提供了一种电源连接器故障实时监测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述电源连接器故障实时监测设备执行上述的电源连接器故障实时监测方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的电源连接器故障实时监测方法。

本发明提供的技术方案中，对目标电源连接器进行实时监测，得到目标电流信号、目标电压信号以及目标温度数据；进行可视化分布映射，得到电流时域波形图、电压信号差分图以及温度分布箱线图；生成电流异常特征分量，并生成电压异常特征分量，以及生成温度异常特征分量；通过极限学习机模型进行异常标签权重计算，得到电流异常标签权重、电压异常标签权重以及温度异常标签权重；进行加权融合，生成目标多维融合特征；将目标多维融合特征输入电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果，本发明通过预置的传感器组，实现对电源连接器的实时监测，高效获取目标电流信号、电压信号和温度数据，确保数据的实时性和全面性。通过可视化分布映射和特征提取，实现对电流时域波形、电压信号差分图和温度分布箱线图的多层次分析，有助于更全面地理解连接器的工作状态。运用神经网络进行深度特征提取，能够更准确地捕捉电源连接器中潜在的异常特征，提高了故障诊断的准确性和灵敏度。利用极限学习机模型对异常特征分量进行权重计算，提高了系统对异常信号的自动识别和处理能力，减少了误报和漏报。通过异常标签权重的加权融合，将不同特征的异常信息结合起来，形成更全面、综合的目标多维融合特征，提高了系统的整体性能。引入三层贝叶斯网络进行故障分析，结合先验知识和实时数据，提高了对电源连接器故障的预测准确性和鲁棒性。整个方法实现了对电源连接器的实时监测和故障预测，可以及时发现潜在问题，减少故障对系统正常运行的影响，提高了系统的可靠性和稳定性。通过神经网络和极限学习机的应用，系统具有一定的自适应性和泛化能力，能够适应不同工况和环境下的电源连接器状态变化，进而提高了电源连接器故障实时监测的准确率。

附图说明

图1为本发明实施例中电源连接器故障实时监测方法的一个实施例示意图；

图2为本发明实施例中可视化分布映射的流程图；

图3为本发明实施例中特征提取的流程图；

图4为本发明实施例中异常标签权重计算的流程图；

图5为本发明实施例中电源连接器故障实时监测系统的一个实施例示意图；

图6为本发明实施例中电源连接器故障实时监测设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种电源连接器故障实时监测方法及系统，用于提高电源连接器故障实时监测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中电源连接器故障实时监测方法的一个实施例包括：

S101、通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号、目标电压信号以及目标温度数据；

可以理解的是，本发明的执行主体可以为电源连接器故障实时监测系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，通过预置的传感器组对目标电源连接器进行实时监测。这一步骤涉及到多个传感器，用于获取目标电流信号、目标电压信号以及目标温度数据。这些传感器应当安装在电源连接器附近，以准确捕获与连接器性能相关的数据。对这些初始数据进行处理，以得到目标电流信号、目标电压信号和目标温度数据。在这个过程中，系统使用多个第一弱分类器，每个分类器负责处理其中一个信号类型。对于电流信号，第一弱分类器可以包括卷积池化层、全连接层、长短时记忆单元、softmax函数以及输出层，以进行电流信号的调制。同样，对于电压信号，系统使用多个第二弱分类器，其中包括相似的网络架构，对初始电压信号进行调制。例如，对于电流信号，卷积池化层可以帮助提取信号的特征，全连接层用于进一步处理数据，长短时记忆单元可以捕获信号的时序信息，softmax函数用于分类，输出层生成调制后的电流信号。通过这个流程，每个第一弱分类器生成一个调制后的电流信号。接着，将每个第一弱分类器生成的调制电流信号进行信号合成，以得到目标电流信号。类似地，对于电压信号，多个第二弱分类器生成的调制电压信号也会进行信号合成，以得到目标电压信号。在获取初始温度数据后，需要进行数据清洗和去噪操作，以获得准确的目标温度数据。这有助于确保温度数据的可靠性，以在后续分析中发挥作用。

S102、分别对目标电流信号、目标电压信号以及目标温度数据进行可视化分布映射，得到电流时域波形图、电压信号差分图以及温度分布箱线图；

具体的，系统将目标电流信号进行时域分析，这有助于理解电流的波动和变化情况。时域分析通常包括对信号的振幅、频率和相位等方面的研究。时域分析可以通过傅里叶变换等方法来实现。得到初始时域波形图后，可以对其进行波形平滑操作，以减少噪声和不必要的波动，从而生成电流时域波形图。例如，初始时域波形图会显示许多波动和噪声，使得难以分辨信号的重要特征。通过应用平滑操作，可以去除这些噪声，使得波形更加清晰和稳定。对目标电压信号进行电压信号映射，这有助于可视化电压信号的分布情况。电压信号映射包括将电压值映射到颜色或灰度等视觉表示方式，以便观察信号的变化。得到初始电压映射图后，可以进行电压差分分析，以检测信号之间的变化和差异，最终生成电压信号差分图。例如，考虑一台电子设备的电源连接器，其电压信号在不同时间会发生变化。通过电压信号映射，可以以图形的方式呈现电压信号的分布，显示出不同区域的电压强度。电压信号差分图可以帮助检测电压的跳变或异常情况，因为这些变化表明电源连接器的故障或问题。对目标温度数据进行处理，以获得温度分布箱线图。数据点分布处理包括对温度数据进行统计分析，以了解温度值的分布情况。然后，对初始分布箱线图进行校验处理，以确保数据的准确性和一致性，并最终生成温度分布箱线图。例如，假设系统监测一台服务器的电源连接器。服务器在运行时产生热量，温度是一个关键参数。温度数据点分布处理可以展示不同部分的温度分布情况，而校验处理可以确保数据的可信度。温度分布箱线图将帮助系统监测是否有不寻常的温度升高，这表明连接器存在问题。

S103、对电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对温度分布箱线图进行温度异常升高检测，生成温度异常特征分量；

需要说明的是，系统将电流时域波形图输入到预置的第一特征提取神经网络中。该神经网络的目标是从电流时域波形图中提取异常电流波形。通常，这个神经网络可以包括两层卷积长短时网络（Convolutional Long Short-Term Memory，ConvLSTM），用于处理时序数据。这些网络层能够捕获电流信号的时序特征。例如，电流时域波形图显示电流的变化情况，包括正常运行和的故障模式。第一特征提取神经网络将学会从这些波形图中提取异常电流波形，这些异常代表着故障。神经网络的输出将是多个异常电流波形段，这些段表示不同时间和情境下的异常电流。这些异常电流波形段需要进一步进行特征转换，以生成电流异常特征分量。这些特征转换操作可以包括特征提取、降维、或其他数据处理步骤。最终，得到的电流异常特征分量将用于后续的故障诊断和分析。对于电压信号，系统将电压信号差分图输入到预置的第二特征提取神经网络中。这个神经网络通常包括双层图神经网络（Graph Neural Network），用于处理信号之间的复杂关系。神经网络的目标是检测电压信号中的电压跳变，这是电源连接器故障的指示。电压跳变区间是电压信号中发生剧烈变化的时间段。例如，电压信号差分图显示了电压信号的波动情况。第二特征提取神经网络将学会识别电压跳变区间，这些区间表明连接器的故障。通过特征处理和转换，将生成电压异常特征分量，用于进一步的分析和诊断。针对温度异常的检测，将温度分布箱线图输入到预置的第三特征提取神经网络中。这个神经网络通常包括双向长短时记忆网络（BidirectionalLong Short-Term Memory，BiLSTM），用于处理时序数据。神经网络的任务是检测温度异常升高，即异常数据点。例如，假设连接器附近的温度数据以箱线图的形式呈现。第三特征提取神经网络将学会检测箱线图中的异常数据点，这些数据点表示设备温度升高的问题。通过特征映射和处理，将生成温度异常特征分量，用于后续的分析和诊断。

S104、通过预置的极限学习机模型分别对电流异常特征分量、电压异常特征分量以及温度异常特征分量进行异常标签权重计算，得到电流异常标签权重、电压异常标签权重以及温度异常标签权重；

具体的，将电流异常特征分量输入预置的极限学习机模型。极限学习机是一种前馈神经网络，它通常由输入层、隐藏层和输出层组成。在这个步骤中，输入层将接受电流异常特征分量作为输入。隐藏层和输出层的神经元将根据输入数据自动设置权重，并生成电流异常标签权重。这些权重反映了电流异常特征分量对于电源连接器故障检测的相对贡献。例如，假设有一个电源连接器的电流异常特征分量，包括一组数字值，描述了不同时间段的异常电流波形段。通过极限学习机模型，可以计算出每个异常电流波形段对于故障检测的重要性，生成电流异常标签权重。这将有助于识别哪些波形段对于连接器状态的监测和故障检测最为关键。将电压异常特征分量输入到预置的极限学习机模型中。同样，模型的隐藏层和输出层将根据输入数据自动设置权重，并生成电压异常标签权重。这些权重反映了电压异常特征分量对于电源连接器故障检测的相对贡献。例如，假设电压异常特征分量包括一组数字值，描述了电压信号的特征，特别是与电压跳变相关的信息。通过极限学习机模型，可以计算出每个特征的权重，以确定哪些特征对于连接器故障的检测最为重要。将温度异常特征分量输入到极限学习机模型中。通过模型，将计算出温度异常标签权重，这些权重反映了温度异常特征分量对于连接器故障检测的相对重要性。例如，假设温度异常特征分量包括一组数字值，描述了不同时间点的温度异常数据点。极限学习机模型将计算出每个数据点的权重，以确定哪些数据点对于连接器状态的监测和故障检测最为重要。这些计算出的异常标签权重将有助于综合不同特征分量的信息，以确定连接器的状态和的故障情况。例如，如果电流异常特征分量的权重较高，那么连接器的电流波形对于故障检测更为重要。综合这些权重可以帮助识别的连接器故障，提高实时监测和故障检测的准确性和可靠性。

S105、根据电流异常标签权重、电压异常标签权重以及温度异常标签权重对电流异常特征分量、电压异常特征分量以及温度异常特征分量进行加权融合，生成目标多维融合特征；

具体的，根据电流异常标签权重，对电流异常特征分量进行特征加权处理。对每个异常电流波形段的特征进行加权，以反映其在故障检测中的相对重要性。这些加权特征将被称为"加权电流特征分量"。例如，假设电流异常标签权重表明某个异常电流波形段对于故障检测非常重要，而其他波形段相对不那么重要。在这种情况下，该波形段的特征将获得更高的权重，以反映其对连接器状态的贡献。接着，根据电压异常标签权重，对电压异常特征分量进行特征加权处理，以得到"加权电压特征分量"。例如，电压异常标签权重表明某些电压特征对于故障检测非常重要，而其他特征相对不那么重要。通过特征加权，可以将这些重要特征更好地纳入多维融合特征。根据温度异常标签权重，对温度异常特征分量进行特征加权处理，以生成"加权温度特征分量"。例如，温度异常标签权重指出某些温度数据点对于连接器故障检测非常重要，而其他数据点相对不那么重要。通过特征加权，可以将这些关键数据点更好地考虑到多维融合特征中。最终，将加权电流特征分量、加权电压特征分量和加权温度特征分量进行多维特征融合。这可以采用各种方法，如特征拼接、特征相加或其他组合方法。结果将是"目标多维融合特征"，它将包含了电流、电压和温度数据的综合信息，考虑了它们的相对重要性。例如，如果电流异常特征分量、电压异常特征分量和温度异常特征分量都已经通过加权处理，那么可以将它们组合成一个多维特征向量，其中每个分量都受到了相应标签权重的影响。这个多维特征将帮助进行更全面的连接器状态监测和故障检测。

S106、将目标多维融合特征输入预置的电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果。

具体的，将目标多维融合特征输入到预置的电源连接器故障分析模型中。这个模型通常包括三个关键层次：先验层、隐含层和后验层。系统将目标多维融合特征传递到模型的先验层。例如，假设目标多维融合特征是一个多维向量，其中包含了电流、电压和温度等多个特征分量。这些特征将被传递到先验层，用于概率分布匹配和初始故障分析结果的生成。通过先验层，模型会进行概率分布匹配，以基于输入的特征分量生成多个初始故障分析结果。每个结果代表了不同故障情景的概率分布。例如，如果模型的先验层发现目标多维融合特征中的某些特征分量与电源连接器的过载故障相关，那么初始故障分析结果会指向过载故障的概率分布。通过三层贝叶斯网络的隐含层，对多个初始故障分析结果进行结果权重分配。模型将考虑不同故障分析结果的相对可信度，并计算它们的权重占比数据。例如，如果模型在隐含层中发现某个初始故障分析结果与过载故障的可信度更高，那么该结果的权重会更大。这个权重占比数据反映了每个初始故障分析结果在最终故障分析中的重要性。通过三层贝叶斯网络的后验层，根据权重占比数据对多个初始故障分析结果进行电源连接器故障结果预测。模型将综合不同结果，考虑它们的权重，并生成最终的电源连接器故障分析结果。例如，如果某个初始故障分析结果指向了过载故障的性，并且在权重占比数据中获得了更高的权重，那么电源连接器故障分析结果会指出过载故障的性更大。

本发明实施例中，通过预置的传感器组，实现对电源连接器的实时监测，高效获取目标电流信号、电压信号和温度数据，确保数据的实时性和全面性。通过可视化分布映射和特征提取，实现对电流时域波形、电压信号差分图和温度分布箱线图的多层次分析，有助于更全面地理解连接器的工作状态。运用神经网络进行深度特征提取，能够更准确地捕捉电源连接器中潜在的异常特征，提高了故障诊断的准确性和灵敏度。利用极限学习机模型对异常特征分量进行权重计算，提高了系统对异常信号的自动识别和处理能力，减少了误报和漏报。通过异常标签权重的加权融合，将不同特征的异常信息结合起来，形成更全面、综合的目标多维融合特征，提高了系统的整体性能。引入三层贝叶斯网络进行故障分析，结合先验知识和实时数据，提高了对电源连接器故障的预测准确性和鲁棒性。整个方法实现了对电源连接器的实时监测和故障预测，可以及时发现潜在问题，减少故障对系统正常运行的影响，提高了系统的可靠性和稳定性。通过神经网络和极限学习机的应用，系统具有一定的自适应性和泛化能力，能够适应不同工况和环境下的电源连接器状态变化，进而提高了电源连接器故障实时监测的准确率。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）通过预置的传感器组分别对目标电源连接器进行实时信号采集，得到多个初始电流信号、多个初始电压信号以及初始温度数据；

（2）通过预置的多个第一弱分类器分别对多个初始电流信号进行电流信号调制，得到每个第一弱分类器的调制电流信号，并对每个第一弱分类器的调制电流信号进行信号合成，得到目标电流信号，第一弱分类器包括卷积池化层、全连接层、长短时记忆单元、softmax函数以及输出层；

（3）通过预置的多个第二弱分类器分别对多个初始电压信号进行电压信号调制，得到每个第二弱分类器的调制电压信号，并对每个第二弱分类器的调制电压信号进行信号合成，得到目标电压信号，第二弱分类器包括卷积池化层、全连接层、长短时记忆单元、softmax函数以及输出层；

（4）对初始温度数据进行数据清洗以及数据去噪，得到目标温度数据。

具体的，通过预置的传感器组，对目标电源连接器进行实时信号采集。传感器将连续地检测电源连接器的电流、电压和温度，以获取实时的信号数据。例如，可以安装电流传感器和电压传感器以监测电源连接器的电流和电压。同时，温度传感器可以用于测量连接器的温度。这些传感器会不断输出电流、电压和温度数据，这些数据将被用于后续的处理步骤。利用预置的多个第一弱分类器对多个初始电流信号进行电流信号调制。每个第一弱分类器通常包括卷积池化层、全连接层、长短时记忆单元（LSTM）、softmax函数以及输出层。这些层用于对电流信号进行特征提取和分类。例如，对于每个初始电流信号，卷积池化层可以提取时间域和频域的特征，全连接层用于进一步处理这些特征，LSTM层可以捕捉信号的时序信息，softmax函数用于分类，并最终的输出层生成调制电流信号。这些调制后的信号包含了关于电源连接器状态的信息。同样的过程也适用于电压信号。多个第二弱分类器用于电压信号调制，包括卷积池化层、全连接层、LSTM、softmax函数和输出层，以生成目标电压信号。初始温度数据需要进行数据清洗和去噪，以获取目标温度数据。这包括处理异常值、消除噪声和平滑数据，以确保温度数据的准确性和稳定性。例如，如果温度传感器受到干扰或存在故障，会产生异常的温度数据点。通过数据清洗和去噪，可以识别并纠正这些异常值，以获得可靠的目标温度数据。

在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：

S201、对目标电流信号进行时域分析，得到初始时域波形图，并对初始时域波形图进行波形平滑操作，得到电流时域波形图；

S202、对目标电压信号进行电压信号映射，得到初始电压映射图，并对初始电压映射图进行电压差分分析，得到电压信号差分图；

S203、对目标温度数据进行数据点分布处理，得到初始分布箱线图，并对初始分布箱线图进行校验处理，得到温度分布箱线图。

具体的，对目标电流信号进行时域分析，以获取初始时域波形图。时域分析是一种用于检查信号在时间上的变化的方法，它可以揭示信号中的波形、周期性和趋势。例如，如果目标电流信号代表电源连接器的电流波动，时域分析可以帮助识别波形的形状、频率和振幅。这可以通过应用傅立叶变换等数学方法来实现。对初始时域波形图进行波形平滑操作，以得到电流时域波形图。波形平滑通常涉及应用滤波技术，以减少噪声并平滑信号的波动。例如，如果电流信号包含高频噪声，平滑操作可以通过滑动窗口平均或低通滤波器来减少这些噪声。结果将是一个更平稳的电流时域波形图，有助于后续的分析。对于电压信号，对其进行电压信号映射，以获得初始电压映射图。电压信号映射可以将原始信号转化为更容易处理的形式，通常是在频域进行的。例如，可以使用傅立叶变换将电压信号转化为频谱图，这可以揭示不同频率成分的特性。这个频谱信息将用于后续的差分分析。接着，对初始电压映射图进行电压差分分析，以得到电压信号差分图。差分分析涉及计算信号的变化率，以揭示不同时间点之间的差异。例如，如果电压信号映射图显示出时间上的不连续或跳变，差分分析可以帮助检测这些跳变，并提供关于电压信号变化的信息。这有助于故障检测，特别是对于连接器中的电压异常。对目标温度数据进行数据点分布处理，以得到初始分布箱线图。数据点分布处理涉及对温度数据的统计分析，以了解温度分布的情况。例如，对于一组温度数据，数据点分布处理可以生成箱线图，显示了数据的分布范围、中位数、四分位数等统计信息。这有助于识别异常温度值或温度分布的变化。同时，对初始分布箱线图进行校验处理，以得到温度分布箱线图。校验处理通常包括对箱线图中的异常值进行处理，以提高其准确性和稳定性。例如，如果温度传感器在某个时间点记录到异常高的温度值，校验处理可以检测并修正这个异常值，以确保温度数据的可靠性。

在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：

S301、将电流时域波形图输入预置的第一特征提取神经网络，并通过第一特征提取神经网络对电流时域波形图进行异常电流波形提取，得到多个异常电流波形段，以及对多个异常电流波形段进行特征转换，生成电流异常特征分量，其中，第一特征提取神经网络包括两层卷积长短时网络；

S302、将电压信号差分图输入预置的第二特征提取神经网络，并通过第二特征提取神经网络对电压信号差分图进行电压跳变识别，得到多个电压跳变区间，以及对多个电压跳变区间进行特征处理，生成电压异常特征分量，其中，第二特征提取神经网络包括双层图神经网络；

S303、将温度分布箱线图输入预置的第三特征提取神经网络，并通过第三特征提取神经网络对温度分布箱线图进行温度异常升高检测，得到多个温度异常数据点，以及对多个温度异常数据点进行特征映射，生成温度异常特征分量，其中，第三特征提取神经网络包括双向长短时记忆网络。

具体的，将电流时域波形图输入预置的第一特征提取神经网络，该网络通常包括两层卷积长短时网络。卷积长短时网络（Convolutional Long Short-Term Network，ConvLSTM）结合了卷积神经网络（CNN）和长短时记忆网络（LSTM），能够处理时间序列数据。这个神经网络将电流时域波形图作为输入，通过卷积层捕获信号中的空间特征，然后通过LSTM层捕获时序信息，从而识别异常电流波形段。这些异常电流波形段对应于电源连接器中的故障或异常情况。例如，假设电流时域波形图显示了一个明显的电流跳变，这是连接器内部故障的迹象。第一特征提取神经网络可以检测到这种异常波形段并标识其位置。对多个异常电流波形段进行特征转换，生成电流异常特征分量。这涉及提取每个异常波形段的统计特征、频谱特征或其他相关特征，以表示异常的性质和程度。例如，对于每个异常波形段，可以计算其平均值、方差、最大值、最小值和频谱特征，这些统计特征将构成电流异常特征分量。同样的流程也适用于电压信号。电压信号差分图将被输入到预置的第二特征提取神经网络中，该网络通常包括双层图神经网络。这个网络将检测电压跳变区间，这些区间表示电源连接器中的问题。例如，如果电压信号差分图显示了多个急剧变化的区间，这暗示着电源连接器的电压异常。第二特征提取神经网络将检测并标识这些异常区间，并生成电压异常特征分量。温度分布箱线图将输入到第三特征提取神经网络中，通常包括双向长短时记忆网络（Bi-directional LSTM）。这个网络将检测温度异常升高的情况。例如，如果温度分布箱线图显示了某些数据点明显高于正常范围，第三特征提取神经网络将检测到这些异常数据点，进行特征映射，以生成温度异常特征分量。这些电流异常特征、电压异常特征和温度异常特征将用于后续的异常标签权重计算和电源连接器故障分析，以识别和分析连接器的故障情况。

在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：

S401、将电流异常特征分量输入预置的极限学习机模型，并通过极限学习机模型计算电流异常特征分量的电流异常标签权重，得到电流异常标签权重，其中，极限学习机模型包括：输入层、隐藏层以及输出层；

S402、将电压异常特征分量输入预置的极限学习机模型，并通过极限学习机模型计算电压异常特征分量的电压异常标签权重，得到电压异常标签权重；

S403、将温度异常特征分量输入预置的极限学习机模型，并通过极限学习机模型计算温度异常特征分量的温度异常标签权重，得到温度异常标签权重。

具体的，将电流异常特征分量输入预置的极限学习机模型。极限学习机是一种神经网络模型，通常包括输入层、隐藏层和输出层。在这一步中，输入层将接收电流异常特征分量作为输入，而隐藏层和输出层将执行权重计算和异常标签生成。隐藏层中的神经元将学习如何将输入特征映射到输出，然后输出层将生成电流异常标签权重。这些权重表示了每个特征分量对于检测电流异常的重要性。例如，如果电流异常特征分量包括统计特征如均值、方差和峰度，极限学习机模型将学会如何将这些特征组合在一起以识别异常。生成的电流异常标签权重将告诉系统哪些特征对于检测电流异常更有帮助。将电压异常特征分量输入到另一个预置的极限学习机模型中，该模型与前一个类似，包括输入层、隐藏层和输出层。隐藏层中的神经元将学会将电压异常特征分量映射到电压异常标签权重。例如，如果电压异常特征分量包括频谱特征和幅度信息，极限学习机模型将学会如何结合这些特征以识别电压异常。生成的电压异常标签权重将反映出哪些特征对于检测电压异常具有关键性。将温度异常特征分量输入到另一个极限学习机模型中，也包括输入层、隐藏层和输出层。这个模型将学会将温度异常特征分量映射到温度异常标签权重。例如，如果温度异常特征分量包括异常点数量和温度分布的形状特征，极限学习机模型将学会如何利用这些特征来检测温度异常。生成的温度异常标签权重将反映哪些特征对于检测温度异常非常重要。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）根据电流异常标签权重，对电流异常特征分量进行特征加权处理，得到加权电流特征分量；

（2）根据电压异常标签权重，对电压异常标签权重进行特征加权处理，得到加权电压特征分量；

（3）根据温度异常标签权重，对温度异常特征分量进行特征加权处理，得到加权温度特征分量；

（4）对加权电流特征分量、加权电压特征分量以及加权温度特征分量进行多维特征融合，生成目标多维融合特征。

具体的，根据电流异常标签权重对电流异常特征分量进行特征加权处理。对每个电流异常特征分量乘以相应的电流异常标签权重，以强调或减弱每个特征分量的贡献。这将产生加权电流特征分量，其中每个分量反映了其在检测电流异常中的相对重要性。例如，如果某电流异常特征分量的权重值很高，说明它对于检测电流异常非常重要。相反，如果某电流异常特征分量的权重接近零，说明它对于检测电流异常的贡献较小。根据电压异常标签权重对电压异常特征分量进行类似的特征加权处理。这将生成加权电压特征分量，其中每个分量反映了其在检测电压异常中的相对重要性。例如，如果某电压异常特征分量的权重值较高，说明它对于检测电压异常非常重要。相反，如果某电压异常特征分量的权重接近零，说明它对于检测电压异常的贡献较小。接着，根据温度异常标签权重对温度异常特征分量进行特征加权处理。这将生成加权温度特征分量，其中每个分量反映了其在检测温度异常中的相对重要性。例如，如果某温度异常特征分量的权重值较高，说明它对于检测温度异常非常重要。相反，如果某温度异常特征分量的权重接近零，说明它对于检测温度异常的贡献较小。将这些加权分量合并在一起，以进行多维特征融合，生成目标多维融合特征。多维特征融合可以采用多种方法，如简单的加权平均、主成分分析（PCA）或其他数据降维和融合技术，以获得综合的连接器状态表示。例如，如果电流异常标签权重指示电流异常特征的重要性较高，而电压异常标签权重和温度异常标签权重较低，那么在多维融合过程中，电流异常特征将在最终特征中占主导地位，反映了其在电源连接器状态监测中的重要性。

在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：

（1）将目标多维融合特征输入预置的电源连接器故障分析模型，其中，电源连接器故障分析模型包括三层贝叶斯网络；

（2）通过三层贝叶斯网络中的先验层，对目标多维融合特征进行先验概率分布匹配，得到多个初始故障分析结果；

（3）通过三层贝叶斯网络中的隐含层，对多个初始故障分析结果进行结果权重分配，得到每个初始故障分析结果的权重占比数据；

（4）通过三层贝叶斯网络中的后验层，并根据权重占比数据对多个初始故障分析结果进行电源连接器故障结果预测，得到电源连接器故障分析结果。

具体的，将目标多维融合特征输入到预置的电源连接器故障分析模型中，该模型包括三层贝叶斯网络。这个模型将用于根据多维融合特征来进行电源连接器故障分析。通过三层贝叶斯网络中的先验层，对目标多维融合特征进行先验概率分布匹配，得到多个初始故障分析结果。在这一层，模型会考虑先验信息，例如正常连接器和已知故障情况的特征分布。这有助于建立每个特征在正常和故障情况下的期望分布。例如，如果先验信息表明在正常情况下，电流特征和电压特征的分布应该接近于正态分布，而在故障情况下，它们会呈现更大的波动，那么先验层将根据这些信息对多维融合特征进行概率分布匹配。通过三层贝叶斯网络中的隐含层，对多个初始故障分析结果进行结果权重分配，得到每个初始故障分析结果的权重占比数据。这一层将考虑不同故障分析结果的贡献，为每个结果分配一个权重占比。例如，假设模型经过分析后得到了三个初始故障分析结果：连接器状态正常的概率为0.6，连接器存在电流异常的概率为0.3，连接器存在温度异常的概率为0.1。在这种情况下，隐含层将分配更高的权重给正常状态，因为它的概率更高，而分配较低的权重给存在电流异常和温度异常的结果。通过三层贝叶斯网络中的后验层，并根据权重占比数据对多个初始故障分析结果进行电源连接器故障结果预测，得到电源连接器故障分析结果。这一层将结合来自隐含层的权重信息，以确定最终的电源连接器故障分析结果。例如，如果连接器状态正常的权重占比最高，后验层将预测连接器处于正常状态。如果存在多个故障结果权重相对较高，那么模型会报告多个的故障状态，以便进一步的检查和决策。

上面对本发明实施例中电源连接器故障实时监测方法进行了描述，下面对本发明实施例中电源连接器故障实时监测系统进行描述，请参阅图5，本发明实施例中电源连接器故障实时监测系统一个实施例包括：

监测模块501，用于通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号、目标电压信号以及目标温度数据；

可视化模块502，用于分别对所述目标电流信号、所述目标电压信号以及所述目标温度数据进行可视化分布映射，得到电流时域波形图、电压信号差分图以及温度分布箱线图；

特征提取模块503，用于对所述电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对所述电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对所述温度分布箱线图进行温度异常升高检测，生成温度异常特征分量；

计算模块504，用于通过预置的极限学习机模型分别对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行异常标签权重计算，得到电流异常标签权重、电压异常标签权重以及温度异常标签权重；

融合模块505，用于根据所述电流异常标签权重、所述电压异常标签权重以及所述温度异常标签权重对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行加权融合，生成目标多维融合特征；

分析模块506，用于将所述目标多维融合特征输入预置的电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果。

通过上述各个组成部分的协同合作，通过预置的传感器组，实现对电源连接器的实时监测，高效获取目标电流信号、电压信号和温度数据，确保数据的实时性和全面性。通过可视化分布映射和特征提取，实现对电流时域波形、电压信号差分图和温度分布箱线图的多层次分析，有助于更全面地理解连接器的工作状态。运用神经网络进行深度特征提取，能够更准确地捕捉电源连接器中潜在的异常特征，提高了故障诊断的准确性和灵敏度。利用极限学习机模型对异常特征分量进行权重计算，提高了系统对异常信号的自动识别和处理能力，减少了误报和漏报。通过异常标签权重的加权融合，将不同特征的异常信息结合起来，形成更全面、综合的目标多维融合特征，提高了系统的整体性能。引入三层贝叶斯网络进行故障分析，结合先验知识和实时数据，提高了对电源连接器故障的预测准确性和鲁棒性。整个方法实现了对电源连接器的实时监测和故障预测，可以及时发现潜在问题，减少故障对系统正常运行的影响，提高了系统的可靠性和稳定性。通过神经网络和极限学习机的应用，系统具有一定的自适应性和泛化能力，能够适应不同工况和环境下的电源连接器状态变化，进而提高了电源连接器故障实时监测的准确率。

上面图5从模块化功能实体的角度对本发明实施例中的电源连接器故障实时监测系统进行详细描述，下面从硬件处理的角度对本发明实施例中电源连接器故障实时监测设备进行详细描述。

图6是本发明实施例提供的一种电源连接器故障实时监测设备的结构示意图，该电源连接器故障实时监测设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对电源连接器故障实时监测设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在电源连接器故障实时监测设备600上执行存储介质630中的一系列指令操作。

电源连接器故障实时监测设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的电源连接器故障实时监测设备结构并不构成对电源连接器故障实时监测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种电源连接器故障实时监测设备，所述电源连接器故障实时监测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述电源连接器故障实时监测方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述电源连接器故障实时监测方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种电源连接器故障实时监测方法，其特征在于，所述电源连接器故障实时监测方法包括：

通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号、目标电压信号以及目标温度数据；具体包括：通过预置的传感器组分别对目标电源连接器进行实时信号采集，得到多个初始电流信号、多个初始电压信号以及初始温度数据；通过预置的多个第一弱分类器分别对所述多个初始电流信号进行电流信号调制，得到每个第一弱分类器的调制电流信号，并对每个第一弱分类器的调制电流信号进行信号合成，得到目标电流信号，所述第一弱分类器包括卷积池化层、全连接层、长短时记忆单元、softmax函数以及输出层；通过预置的多个第二弱分类器分别对所述多个初始电压信号进行电压信号调制，得到每个第二弱分类器的调制电压信号，并对每个第二弱分类器的调制电压信号进行信号合成，得到目标电压信号，所述第二弱分类器包括卷积池化层、全连接层、长短时记忆单元、softmax函数以及输出层；对所述初始温度数据进行数据清洗以及数据去噪，得到目标温度数据；

分别对所述目标电流信号、所述目标电压信号以及所述目标温度数据进行可视化分布映射，得到电流时域波形图、电压信号差分图以及温度分布箱线图；具体包括：对所述目标电流信号进行时域分析，得到初始时域波形图，并对所述初始时域波形图进行波形平滑操作，得到电流时域波形图；对所述目标电压信号进行电压信号映射，得到初始电压映射图，并对所述初始电压映射图进行电压差分分析，得到电压信号差分图；对所述目标温度数据进行数据点分布处理，得到初始分布箱线图，并对所述初始分布箱线图进行校验处理，得到温度分布箱线图；

对所述电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对所述电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对所述温度分布箱线图进行温度异常升高检测，生成温度异常特征分量；具体包括：将所述电流时域波形图输入预置的第一特征提取神经网络，并通过所述第一特征提取神经网络对所述电流时域波形图进行异常电流波形提取，得到多个异常电流波形段，以及对所述多个异常电流波形段进行特征转换，生成电流异常特征分量，其中，所述第一特征提取神经网络包括两层卷积长短时网络；将所述电压信号差分图输入预置的第二特征提取神经网络，并通过所述第二特征提取神经网络对所述电压信号差分图进行电压跳变识别，得到多个电压跳变区间，以及对所述多个电压跳变区间进行特征处理，生成电压异常特征分量，其中，所述第二特征提取神经网络包括双层图神经网络；将所述温度分布箱线图输入预置的第三特征提取神经网络，并通过所述第三特征提取神经网络对所述温度分布箱线图进行温度异常升高检测，得到多个温度异常数据点，以及对所述多个温度异常数据点进行特征映射，生成温度异常特征分量，其中，所述第三特征提取神经网络包括双向长短时记忆网络；

通过预置的极限学习机模型分别对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行异常标签权重计算，得到电流异常标签权重、电压异常标签权重以及温度异常标签权重；具体包括：将所述电流异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述电流异常特征分量的电流异常标签权重，得到电流异常标签权重，其中，所述极限学习机模型包括：输入层、隐藏层以及输出层；将所述电压异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述电压异常特征分量的电压异常标签权重，得到电压异常标签权重；将所述温度异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述温度异常特征分量的温度异常标签权重，得到温度异常标签权重；

根据所述电流异常标签权重、所述电压异常标签权重以及所述温度异常标签权重对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行加权融合，生成目标多维融合特征；具体包括：根据所述电流异常标签权重，对所述电流异常特征分量进行特征加权处理，得到加权电流特征分量；根据所述电压异常标签权重，对所述电压异常标签权重进行特征加权处理，得到加权电压特征分量；根据所述温度异常标签权重，对所述温度异常特征分量进行特征加权处理，得到加权温度特征分量；对所述加权电流特征分量、所述加权电压特征分量以及所述加权温度特征分量进行多维特征融合，生成目标多维融合特征；

将所述目标多维融合特征输入预置的电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果；具体包括：将所述目标多维融合特征输入预置的电源连接器故障分析模型，其中，所述电源连接器故障分析模型包括三层贝叶斯网络；通过所述三层贝叶斯网络中的先验层，对所述目标多维融合特征进行先验概率分布匹配，得到多个初始故障分析结果；通过所述三层贝叶斯网络中的隐含层，对所述多个初始故障分析结果进行结果权重分配，得到每个初始故障分析结果的权重占比数据；通过所述三层贝叶斯网络中的后验层，并根据所述权重占比数据对所述多个初始故障分析结果进行电源连接器故障结果预测，得到电源连接器故障分析结果。

2.一种电源连接器故障实时监测系统，其特征在于，所述电源连接器故障实时监测系统包括：

监测模块，用于通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号、目标电压信号以及目标温度数据；具体包括：通过预置的传感器组分别对目标电源连接器进行实时信号采集，得到多个初始电流信号、多个初始电压信号以及初始温度数据；通过预置的多个第一弱分类器分别对所述多个初始电流信号进行电流信号调制，得到每个第一弱分类器的调制电流信号，并对每个第一弱分类器的调制电流信号进行信号合成，得到目标电流信号，所述第一弱分类器包括卷积池化层、全连接层、长短时记忆单元、softmax函数以及输出层；通过预置的多个第二弱分类器分别对所述多个初始电压信号进行电压信号调制，得到每个第二弱分类器的调制电压信号，并对每个第二弱分类器的调制电压信号进行信号合成，得到目标电压信号，所述第二弱分类器包括卷积池化层、全连接层、长短时记忆单元、softmax函数以及输出层；对所述初始温度数据进行数据清洗以及数据去噪，得到目标温度数据；

可视化模块，用于分别对所述目标电流信号、所述目标电压信号以及所述目标温度数据进行可视化分布映射，得到电流时域波形图、电压信号差分图以及温度分布箱线图；具体包括：对所述目标电流信号进行时域分析，得到初始时域波形图，并对所述初始时域波形图进行波形平滑操作，得到电流时域波形图；对所述目标电压信号进行电压信号映射，得到初始电压映射图，并对所述初始电压映射图进行电压差分分析，得到电压信号差分图；对所述目标温度数据进行数据点分布处理，得到初始分布箱线图，并对所述初始分布箱线图进行校验处理，得到温度分布箱线图；

特征提取模块，用于对所述电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对所述电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对所述温度分布箱线图进行温度异常升高检测，生成温度异常特征分量；具体包括：将所述电流时域波形图输入预置的第一特征提取神经网络，并通过所述第一特征提取神经网络对所述电流时域波形图进行异常电流波形提取，得到多个异常电流波形段，以及对所述多个异常电流波形段进行特征转换，生成电流异常特征分量，其中，所述第一特征提取神经网络包括两层卷积长短时网络；将所述电压信号差分图输入预置的第二特征提取神经网络，并通过所述第二特征提取神经网络对所述电压信号差分图进行电压跳变识别，得到多个电压跳变区间，以及对所述多个电压跳变区间进行特征处理，生成电压异常特征分量，其中，所述第二特征提取神经网络包括双层图神经网络；将所述温度分布箱线图输入预置的第三特征提取神经网络，并通过所述第三特征提取神经网络对所述温度分布箱线图进行温度异常升高检测，得到多个温度异常数据点，以及对所述多个温度异常数据点进行特征映射，生成温度异常特征分量，其中，所述第三特征提取神经网络包括双向长短时记忆网络；

计算模块，用于通过预置的极限学习机模型分别对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行异常标签权重计算，得到电流异常标签权重、电压异常标签权重以及温度异常标签权重；具体包括：将所述电流异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述电流异常特征分量的电流异常标签权重，得到电流异常标签权重，其中，所述极限学习机模型包括：输入层、隐藏层以及输出层；将所述电压异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述电压异常特征分量的电压异常标签权重，得到电压异常标签权重；将所述温度异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述温度异常特征分量的温度异常标签权重，得到温度异常标签权重；

融合模块，用于根据所述电流异常标签权重、所述电压异常标签权重以及所述温度异常标签权重对所述电流异常特征分量、所述电压异常特征分量以及所述温度异常特征分量进行加权融合，生成目标多维融合特征；具体包括：根据所述电流异常标签权重，对所述电流异常特征分量进行特征加权处理，得到加权电流特征分量；根据所述电压异常标签权重，对所述电压异常标签权重进行特征加权处理，得到加权电压特征分量；根据所述温度异常标签权重，对所述温度异常特征分量进行特征加权处理，得到加权温度特征分量；对所述加权电流特征分量、所述加权电压特征分量以及所述加权温度特征分量进行多维特征融合，生成目标多维融合特征；

分析模块，用于将所述目标多维融合特征输入预置的电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果；具体包括：将所述目标多维融合特征输入预置的电源连接器故障分析模型，其中，所述电源连接器故障分析模型包括三层贝叶斯网络；通过所述三层贝叶斯网络中的先验层，对所述目标多维融合特征进行先验概率分布匹配，得到多个初始故障分析结果；通过所述三层贝叶斯网络中的隐含层，对所述多个初始故障分析结果进行结果权重分配，得到每个初始故障分析结果的权重占比数据；通过所述三层贝叶斯网络中的后验层，并根据所述权重占比数据对所述多个初始故障分析结果进行电源连接器故障结果预测，得到电源连接器故障分析结果。

3.一种电源连接器故障实时监测设备，其特征在于，所述电源连接器故障实时监测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述电源连接器故障实时监测设备执行如权利要求1所述的电源连接器故障实时监测方法。

4.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1所述的电源连接器故障实时监测方法。