基于深度神经网络的智能化充电桩故障诊断研究
时间：2023-03-27 08:35:05 来源：千叶帆 本文已影响人
王 娟，饶晶晶
（广东机电职业技术学院，广州 510515）
近年来，随着工业技术的发展和经济全球化脚步的推进，温室效应、大气污染等生态问题愈发严重。基于汽车行业对空气污染带来的一系列问题，世界各国汽车行业普遍意识到汽车行业节能减排在未来发展过程中的重要性。电动汽车产业在一些发达国家已取得一定发展成果。相比于传统能源车辆，电动汽车具有自身独特优势，例如高能量效率、低温室气体排放，以及可以利用可再生能源（例如风能和太阳能）等，不论是短途通勤还是长途旅程，电动汽车越来越受欢迎。虽然电动汽车实现了绿色环保的出行方式，但是与传统能源车辆相比，电动汽车电池组的电力容量有限，因此电动汽车需要频繁充电，使得电动汽车在行驶过程中，经常需要寻找充电桩进行再次充电[1]。
随着石油、煤炭等传统能源储备的快速消耗和大气环境的恶化，以及各国政府在交通网络中寻求减碳的趋势，人们对能源和环境问题越来越重视。传统交通系统中的汽车尾气排放法规已变得越来越严格。因此，电动汽车（EVS）应运而生。电动汽车已经被广泛研究和开发，用于更环保的现代交通系统。在现代交通系统中，电动汽车发挥着极其重要的作用，因为它符合低能耗、更环保、更可持续的绿色减碳原则。作为新一代的交通工具，电动汽车在节能减排、减少人类对传统化石能源的依赖方面有着无可比拟的优势。作为电动汽车的衍生形式，越来越多的电动出租车也已投入运营，它们通过携带电池来维持行驶，并依靠充电桩进行耐久的充电。关于智能充电桩电源设备故障诊断的研究相对较少。
人工神经网络（Artificial Neural Networks）是在当今时代下一种重要的信息处理技术，该技术运行基础为动物神经网络的行为，进而形成算法数学模型，对信息进行分布式并行处理。该网络中存在复杂、大量相互关联的节点（即神经元），处理信息过程中能够运用网络的复杂性这一特征达到信息处理的目的，相关专业学者统一将其定义为神经化统计模型，该模型具有下述功能特性。
（1）模型运行基础为已设置可调权值，同时也反映神经网络的连接强度特性；
（2）能够对所获输入数据进行非线性函数关系分析。
人工神经网络在信息处理过程中体现的优势为：无需对特定单元进行指定任务描述，同时对所输入信息能够进行复杂的、集中的并行处理，因此效率极高。随着科技的发展与进步，现代神经网络软件已经超越了最初生物学启发设计起点，现代神经网络技术在实际运用中更多地是基于信号处理和统计学。在很多相关软件中神经网络已经成为重要组成部分，非自适应性元素和自适应性元素在系统中已经做到功能性和自身机能的充分融合（图1）。
图1 深度神经网络的基本结构单元
20世纪80年代后期，神经网络模型最早运用于实际生产进程中，这一重要转变也是低符号化机器学习逐步取代高度符号化人工智能的重要节点。
（1）激励函数（Activation Rule）：该函数的特点是各组成神经元与相应的激励值相对应，而该值的改变则由其他神经元决定，该改变是由一种动力学规则来定义的，人工神经网络模型内在运行机制多遵循短时限的动力学规则。
（2）学习规则（Learning Rule）：人工神经网络就其本质，遵循原则为长时限动力学规则，该规则能够调整各神经元的功能结构并且随着时间推进调整权重。
为了对智能化车充电桩的故障诊断进行测试与预测，采用深度卷积神经网络对系统进行全方位的深度架构，将STN（SPATIO-TEMPORAL NETWORK）最后的输出部分改为3D-ConvNet，使得该网络能同时输出多个时间步数的时空动态故障矩阵。
深度神经网络结构展示了高纬度的全连接神经网络的架构，在深度网络架构中，全连接层网络架构包括输入、隐藏以及输出层，在深度神经架构中的神经元中，输入以及输出的层级一般只含有一个，主要目的就是用于信息的输入以及输出，其中的隐藏层主要在输入与输出之间，它相当于神经网络的黑匣子，其中含有多个高纬度高层次的链接神经元，其中的神经元是通过层级之间不同层的架构进行连接的，下一层的神经系统连接到上一层的神经系统，进行网络的构建（图2）。
图2 深度神经网络架构系统图
深度神经网络（DNN）与常规神经网络相比，特点是其隐藏层相对较多，与之对应的是浅层网络，就表达力而言，深层神经网络更强，如一个神经网络含有一个隐藏层，但有很多神经元，则能够拟合任意函数。相邻层间前一级如定义为输入则下一级即可定义为输出。
在预测充电桩故障时，输入模块、绝缘检测模块、并联接触器检测模块、漏电检测模块、急停按钮检测模块、识别模块、定位模块、输出电压检测模块、温度检测模块充电时间控制检测模块和监控模块将检测到的数据传输到数据采集模块进行数据处理，并与存储模块中的正确数据配对。如果符合要求，说明是正常的。如果在数据配对过程中出现差异，数据处理模块会通过无线传输模块将错误信息远程报告给控制室的无线接收模块。通过传输模块传输给维修模块，促使维修人员快速维修。同时，集成控制模块通过驱动模块向语音模块、显示模块和报警模块发出警报，警告相应的充电桩出现故障，需要维修。临时存储模块临时存储故障信息并重新启动充电桩，在初始化其内部数据后，将临时存储模块中存储的信息传输到存储模块中，实现自动修正。
计算机的计算能力日益增强，神经网络的计算能力相比之前也有了极大的进步，所以越来越多的领域已经开始使用神经网络进行建模、循环神经网络具有非常广阔的应用空间，已在自然语言处理、推荐系统、语音识别、图像识别等方面展开运用。传统神经网络模型的特点是，不同层之间的存在状态为全连接节点，因此在进行信息处理时存在一定劣势，而循环神经网络则是在传统神经网络基础上发展起来的，则性能更优，即在进行信息处理过程中，下层决策可根据上层信息做辅助分析，也就是说循环神经网络可以同时使用神经元对历史的信息进行记忆，并用于当前层的计算中。循环神经网络在进行信息处理时，当前信息的处理是基于之前信息记忆完成的，换言之，隐藏层节点存在状态为连接状态。
候选门、输出门、输入门、遗忘门共同构成了长短期记忆网络。输入同时包括外部输入，来源于上一时间片的隐藏状态，以及上一时间片的记忆单元状态向量，利用门控，进而对信息的遗忘、记忆进行控制。我国近年来大力发展新能源汽车，电动汽车成为当下主流产品，电动汽车不像往常的汽油车，其能源为电力，需要在专门的充电桩上进行充电，充电站不需要专门配备操作人员，一般都是顾客自己手动操作完成，因此电动车充电站通常为无人看守状态。为了便于对电动汽车充电，通常需要在使用地设置多个充电站，对于大批量的充电桩来说，充电桩发生故障是不可避免的，因此需要对其进行定期故障排查。现有的故障排查方式是运维人员定期对充电桩进行排查，排查周期长，排查不及时，当充电桩发生故障时，存在不能够对其进行及时的故障排查预测的问题。
在文章中所提出的深度神经网络架构系统设计流程中，是对智能化充电桩的输入数据进行设计，将其中的数据分为训练集以及测试集合，其中不同的集合之间采用7 ∶3的概率进行数据的分配，其中的长短时交错的神经网络作为分位数的模型回归系统，将输入的数据送入到神经网络的自回归分位数模型中进行决策，其中不同的分为点的预测值结合高斯密度函数曲线进行密度谱函数的估计，同时，设置一个给定的阈值函数，对分位数回归模型的数值进行阈值的判断，判断阈值是否等于1，条件不符合的再返回送到测试集中进行测试，进入这样一个深度卷积神经网络循环的系统中，进行模式的判定，对于测试和训练的部分采用不同的架构进行搭建，同时，这种模型对于高纬度特征函数的预测系统具有较好的鲁棒性和可行性，对于不同的充电桩故障的输入数据具有不同的系统维持效果。
文章提供的基于深度神经网络的电动汽车充电桩故障预测方法，通过在充电桩体上设置有集成控制模块，集成控制模块内的数据采集模块对其故障数据进行实时检测，若是发生故障数据，数据处理模块将错误报告以及充电桩体所在位置信息通过无线传输模块传输给远程的无线接收模块上，中转模块经过报修模块驱使维修人员对其进行维修提示，且集成控制模块通过驱动模块分别使语音模块、显示模块和警报模块发出警报，警示使用人员充电桩体发生故障，具有较好的故障及时排查能力。
多层神经网络包含多个计算层，该计算层由前馈网络构成，信号输入至输出进程中，在前馈方向上相互衔接的层存在形式为相互馈入。在此过程中存在一个假定前提条件，即相邻层间节点完全连接。针对所研究神经网络进行其组成架构的确定，首先需对各层的构成节点进行类型以及数量的确定，并确定层数。与单层网络的情况一样，偏置神经元在功能上能够作为输出层，同时也能作为隐藏层。输入层的功能是数据传输，该层并不参与计算执行。
深度神经网络构建模块：用于构建深度神经网络，在基于深度神经网络下的智能化充电桩系统神经网络的激活函数一般采用Sigmoid 函数，其中的输入层包括3个神经元，分别对应训练样本中不同的故障电源设备、不同电池放电率下的电池端电压波动以及充电桩智能侧的输出电压。
卷积神经网络具有较广的应用范围，尤其在图像处理领域，它是在权值共享的基础上，利用卷积计算进行前向推理，极大简化了计算过程，是深度学习中学习能力较强的一种前馈神经网络，如果在多维矩阵的输入情况下，优势则更为明显。卷积神经网络在其构成上由不同结构层组成，通过组合不同的层，可以构建出不同的卷积神经网络。给出了一个在某些时候充电故障矩阵的直观例子。颜色越深，说明这里的故障越大。将矩阵归一化，然后使用dmstn 模型进行训练和预测。以过去1000h 的故障矩阵为训练集，提前预测未来智能化充电桩的故障矩阵。
为了找出模型的最佳单元堆积数，体现模型的优势，将不同单元堆积的情况与STN 预测模型进行比较。表1显示了两个模型在不同单元层下预测实验的平均结果评价，包括MAPE、MSE 和R2。
表1 网络模型算法的比较
深度神经网络训练模块：用于利用训练样本集对深度神经网络进行训练，其中采用反向传播算法修改所述Sigmoid 函数的权重值和阈值，使神经网络模型的损失函数达到一个较小的值，从而获取训练好的深度神经网络。
文章提出了一种基于深度神经网络的智能充电桩故障诊断方法，基于多层次的深度神经网络的方法模型是根据智能充电桩的性能，在不同算法与控制策略以及不同状态下的输出电压波形的各种特征进行人工智能的无监督学习，采用多层的高纬度特征信息进行研究和判断，进而实现智能化充电桩故障状态的自动诊断。结果表明，基于深度神经网络的故障诊断方法能够根据智能化充电桩的电压波形，进行特征的提取并且识别正常运行、器件故障和控制元件故障等各种不同状态，具有较高的精度特征。
猜你喜欢 电动汽车神经元架构 基于FPGA的RNN硬件加速架构成都信息工程大学学报(2022年4期)2022-11-18功能架构在电子电气架构开发中的应用和实践汽车工程(2021年12期)2021-03-08纯电动汽车学习入门(二)——纯电动汽车概述(下)汽车维修与保养(2021年8期)2021-02-16基于云服务的图书馆IT架构时代人物(2019年27期)2019-10-23电动汽车动漫星空(兴趣百科)(2019年3期)2019-03-07跃动的神经元——波兰Brain Embassy联合办公现代装饰(2018年5期)2018-05-26WebGIS架构下的地理信息系统构建研究计算机测量与控制(2017年6期)2017-07-01现在可以入手的电动汽车海外星云(2016年17期)2016-12-01ERK1/2介导姜黄素抑制STS诱导神经元毒性损伤的作用中国生化药物杂志(2015年4期)2015-07-07毫米波导引头预定回路改进单神经元控制弹箭与制导学报(2015年1期)2015-03-11 相关热词搜索：神经网络，智能化，故障诊断，
