CN116520182B - 一种dcs装置电源模块异常早期诊断方法 - Google Patents
一种dcs装置电源模块异常早期诊断方法 Download PDFInfo
- Publication number
- CN116520182B CN116520182B CN202310526754.XA CN202310526754A CN116520182B CN 116520182 B CN116520182 B CN 116520182B CN 202310526754 A CN202310526754 A CN 202310526754A CN 116520182 B CN116520182 B CN 116520182B
- Authority
- CN
- China
- Prior art keywords
- feature
- classification
- vector
- waveform
- matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013399 early diagnosis Methods 0.000 title claims abstract description 55
- 230000005856 abnormality Effects 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 258
- 239000011159 matrix material Substances 0.000 claims description 138
- 238000005070 sampling Methods 0.000 claims description 61
- 238000000605 extraction Methods 0.000 claims description 45
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 230000004043 responsiveness Effects 0.000 claims description 36
- 230000004044 response Effects 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000011068 loading method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 21
- 239000003990 capacitor Substances 0.000 description 20
- 230000008859 change Effects 0.000 description 19
- 238000013461 design Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 7
- 230000007774 longterm Effects 0.000 description 7
- 230000032683 aging Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 5
- 229910052782 aluminium Inorganic materials 0.000 description 5
- 239000003792 electrolyte Substances 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000035882 stress Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 229910052715 tantalum Inorganic materials 0.000 description 1
- GUVRBAGPIYLISA-UHFFFAOYSA-N tantalum atom Chemical compound [Ta] GUVRBAGPIYLISA-UHFFFAOYSA-N 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
一种DCS装置电源模块异常早期诊断方法，其获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；采用基于深度学习的人工智能技术，利用深度学习技术，从开关电源的输出波纹信号和负载值中提取特征，并利用分类处理来实现被监测电源模块的故障诊断。这样，可以对开关电源进行有效的监测，及时发现电源的异常状态，提高了电源的可靠性和安全性。
Description
技术领域
本申请涉及智能化诊断技术领域，并且更具体地，涉及一种DCS装置电源模块异常早期诊断方法。
背景技术
DCS装置是分布式控制系统（Distributed Control System）的简称，它是一个集合了计算机，通讯，显示和控制的由过程控制级和过程监控级组成的多级计算机系统。DCS装置可以实现对生产过程的监视、控制和管理，具有高可靠性、开放性、灵活性等特点。
DCS装置电源模块是DCS装置中负责提供电源供应的部分，即开关电源。开关电源是功率电路，长期工作在高电压、大电流、高温状态下，如果其中某些关键器件存在质量缺陷，或由于热设计不合理，在长期的电应力作用下，可能会导致器件性能劣化，如果不能及时发现这种性能变化并进行维修更换，最终会造成电源失效，装置无法正常运行。现有技术一般只对输出电流或输出电压进行检测，并不能很好的了解开关电源中关键器件是否存在质量缺陷或热设计是否不合理等。因此需要设计相应的电源监测电路，对开关电源的工作状态进行监测，并判断电源的健康状态。必要时发出告警信号提醒运维人员检修或更换。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种DCS装置电源模块异常早期诊断方法，其获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；采用基于深度学习的人工智能技术，利用深度学习技术，从开关电源的输出波纹信号和负载值中提取特征，并利用分类处理来实现被监测电源模块的故障诊断。这样，可以对开关电源进行有效的监测，及时发现电源的异常状态，提高了电源的可靠性和安全性。
第一方面，提供了一种DCS装置电源模块异常早期诊断方法，其包括：获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；对所述输出波纹信号进行基于采样窗的滑窗采样以得到多个波纹信号采样窗；将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量；将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量；将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量；计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵；对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障。
在上述DCS装置电源模块异常早期诊断方法中，将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个波形信号局部波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个波纹信号采样窗。
在上述DCS装置电源模块异常早期诊断方法中，将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量，包括：使用所述基于转换器的上下文编码器对所述多个波形信号局部波形特征向量进行基于全局的上下文语义编码以得到多个波形信号特征向量；以及，将所述多个波形信号特征向量进行级联以得到所述波纹信号全局波形特征向量。
在上述DCS装置电源模块异常早期诊断方法中，多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述DCS装置电源模块异常早期诊断方法中，将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述输入向量进行一维卷积编码以得到第一尺度负载特征向量；其中，所述第一卷积公式为：其中，/>为第一一维卷积核在/>方向上的宽度、/> 为第一一维卷积核参数向量、 />为与第一一维卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/> 表示所述输入向量，/>表示对所述输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述输入向量进行一维卷积编码以得到第二尺度负载特征向量量；其中，所述第二卷积公式为：其中，/>为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、/> 为与第二一维卷积核函数运算的局部向量矩阵，/>为第二一维卷积核的尺寸，/>表示所述输入向量，/>表示对所述输入向量进行一维卷积编码；以及使用所述多尺度邻域特征提取模块的融合层对所述第一尺度负载特征向量和所述第二尺度负载特征向量进行级联以得到所述负载时序特征向量。
在上述DCS装置电源模块异常早期诊断方法中，计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵，包括：以如下第一高斯公式构造所述波纹信号全局波形特征向量的波纹高斯密度图；其中，所述第一高斯公式为：其中，/>表示所述波纹信号全局波形特征向量，且/>的每个位置的值表示所述波纹信号全局波形特征向量中相应两个位置的特征值之间的方差；以如下第二高斯公式构造所述负载时序特征向量的负载高斯密度图；其中，所述第二高斯公式为：其中，/> 表示所述负载时序特征向量，且/>的每个位置的值表示所述负载时序特征向量中相应两个位置的特征值之间的方差；以如下响应性公式计算所述波纹高斯密度图相对于所述负载高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述响应性公式为：/>其中，/>表示所述响应性高斯密度图的均值向量，/>表示所述响应性高斯密度图的协方差矩阵，/>表示向量点乘，/>表示对向量的每个位置的值取倒数，且/>表示矩阵乘法；对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述响应性高斯密度图中各个位置的高斯分布降维为一维的特征向量；以及，将所述各个位置的一维的特征向量进行二维排列以得到所述分类特征矩阵。
在上述DCS装置电源模块异常早期诊断方法中，对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵，包括：计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，基于所述多个位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权以得到所述优化分类特征矩阵。
在上述DCS装置电源模块异常早期诊断方法中，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数，包括：以如下优化公式计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；其中，所述优化公式为：其中，/>代表将二维实数映射为一维实数的函数，/>和/>分别是所述分类特征矩阵的宽度和高度，/>为所述分类特征矩阵的各个特征值/>的坐标，/>是所述分类特征矩阵的各个位置的特征值，且/>是所述分类特征矩阵的所有特征值的全局均值，/>表示以2为底的对数函数。
在上述DCS装置电源模块异常早期诊断方法中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的DCS装置电源模块异常早期诊断方法，其获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；采用基于深度学习的人工智能技术，利用深度学习技术，从开关电源的输出波纹信号和负载值中提取特征，并利用分类处理来实现被监测电源模块的故障诊断。这样，可以对开关电源进行有效的监测，及时发现电源的异常状态，提高了电源的可靠性和安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的DCS仪表系统示意图。
图2为根据本申请实施例的开关电源原理框图。
图3为根据本申请实施例的监测回路框图。
图4为根据本申请实施例的DCS装置电源模块异常早期诊断方法的场景示意图。
图5为根据本申请实施例的DCS装置电源模块异常早期诊断方法的流程图。
图6为根据本申请实施例的DCS装置电源模块异常早期诊断方法的架构示意图。
图7为根据本申请实施例的DCS装置电源模块异常早期诊断方法中步骤140的子步骤的流程图。
图8为根据本申请实施例的DCS装置电源模块异常早期诊断方法中步骤170的子步骤的流程图。
图9为根据本申请实施例的DCS装置电源模块异常早期诊断方法中步骤180的子步骤的流程图。
图10为根据本申请实施例的DCS装置电源模块异常早期诊断系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
随着自动化水平的提高，自动化仪表在各行各业得到了广泛的应用，特别是智能仪表与DCS系统工程的配套应用具有无可比拟的优势。如图1所示，DCS仪表系统的应用不仅减轻了人们繁重的体力劳动，而且使安全生产得到了更好的保证，同时提高了产品品质。因此，如何保证DCS及现场仪表工作的稳定可靠非常重要。生产装置的控制与DCS 系统的可靠性设计涉及到DCS内部设备的可靠性；为了使DCS系统更加完善，目前已能做到无故障平均时间超过125万小时；但要保证DCS及现场仪表稳定可靠，在重视其自身设置可靠性的同时，也须重视其供电电源系统的可靠性设计。 DCS电源系统包括外部电源系统和自身内部电源系统，一般为外部220 V或380 V交流电经UPS提供给开关电源转换成稳定的直流输出，再分别供DCS卡件和现场仪表使用。
开关电源是功率电路，长期工作在高电压、大电流、高温状态下，如果其中某些关键器件存在质量缺陷，或由于热设计不合理，在长期的电应力作用下，可能会导致器件性能劣化，如果不能及时发现这种性能变化并进行维修更换，最终会造成电源失效，装置无法正常运行。现有技术一般只对输出电流或输出电压进行检测，并不能很好的了解开关电源中关键器件是否存在质量缺陷或热设计是否不合理等。因此需要设计相应的电源监测电路，对开关电源的工作状态进行监测，根据输入电压电流、输出电压电流幅值、纹波，以及主要功率器件的温度等参数，判断电源的健康状态。必要时发出告警信号提醒运维人员检修或更换。
DCS（分布式控制系统）中常用的装置电源均采用高频开关电源供电。其工作状态的稳定与否，直接关系到二次设备能否正常运行。因此，对装置内部电源的状态监测以及早期诊断，能够有效提高设备的稳定可靠性。本申请提出一种对装置电源状态监测的方法，通过专用硬件回路，实时在线分析电源的工作状态，对电源回路中易于出现故障的重要部件能够及时发现其潜在失效风险，并及时预警，避免出现电源异常等严重问题，能够解决上述问题。
一般的二次设备电源，如图2所示,属单管反激电路，是小功率开关电源中常见的设计方式之一。开关电源是功率电路，长期工作在高电压、大电流、高温状态下，如果其中某些关键器件存在质量缺陷，或由于电路设计、热设计不合理，在长期的电应力作用下，可能会导致器件性能劣化，如果不能及时发现这种性能变化并进行维修更换，最终会造成电源失效，装置无法正常运行。
在开关电源中，比较容易出现问题的器件主要有功率开关管，滤波电解电容等。其中功率开关管往往由于开关损耗发热，以及开关过程中的di/dt、du/dt产生电过应力问题，产生性能下降或短路击穿等问题。电解电容主要因发热、电解液干涸等原因，产生容量降低，等效内阻（ESR）升高等问题。因此，如果能对上述两中元器件的失效做出监测和预警，就能使开关电源的可靠性得到很大提高。
为了监视电源开关管的工作状态，需要实时测量开关管瞬间导通与关断情况，通过计算瞬时输入功率与输出功率的变化，得到开关管本身承受的瞬时功率，可以有效识别出对半导体器件会造成不可逆损伤的各种工况，分析出对器件寿命的影响。
图3是监测回路的硬件回路。为实现本申请提出的功能，需要对开关电源的输出电流、输出电压、环境温度、PWM开断脉宽，以及开关管电流值。
上述硬件回路中，输出纹波电压检测回路以及开关管电流测量回路对整个系统的功能实现有重要的影响。由于一般电源回路开关频率都在100~200KHz以上，因此需要采样回路的速度较高，才能够有效识别出被检测分量的变化。纹波电压检测还需要对高频交流信号进行适当放大，便于AD采样回路对mV级的小信号进行测量。
整个监测系统通过SMBUS串行总线与CPU进行通讯，将采集到的电流、电压、温度等信息传送到状态评估系统，由评估系统根据历史数据，变化趋势等作出判断，最后形成分析预判结果。
进一步地，在本申请的一个实施例中，MOSFET的失效同大部分半导体器件一样,一般是由于不良的电路设计导致一个或多个器件的工作条件(电压电流等)超过允许的上限。尤其在感性电路进行开关动作时,过压或者电压的快速上升(比如在二极管恢复时过大的dV/t)都可能导致MOSFET损毁,由于使用不当导致失效的常见原因有:1、栅极短路,一般由于栅极过压或者静电荷放电引起；2、安全工作区失效,由于器件瞬态发热严重或比较差的散热设计引起；3、雪崩失效,未钳位的感性开关动作时产生的过大的雪崩电流；4、引脚熔断,过大的瞬态过载电流引起。
即使正常工作,但是长时间工作于贴近器件极限条件会导致以下几种形式的失效。1、栅极失效,栅极漏电流不断提高,最终使晶体管不能关断一直工作于导通状态,导致电路灾难性损坏；2、漏源极漏电流提高,晶体管发热严重,出现热失控；3、连接失效,不同材料间热膨胀系数不匹配导致在长期热循环冲击作用下引起其焊接材料的疲劳与老化,最终使器件的芯片引线断裂,或热阻升高。
以上失效背后隐藏的物理机理主要包括电气过应力,静电荷放电,门锁效应和触发晶体管,电荷效应和外部辐射等。
铝电解电容失效机理：偶然失效期：在这个时期失效出现概率保持较低,而且与它们的寿命期限无关,即存在于设计寿命到期之前,这段时间就是器件的使用寿命,是制造商和用户最关心阶段。这时候的失效往往因为异常使用或环境应力等条件超出了规定的使用条件,如静电放电损伤,跌落碰撞导致的损伤。相对半导体器件和固体钽电容,铝电解电容在这个时期内很少出现灾难性损毁导致的短路或开路情况。
老化失效：失效率在这个时期随着工作时间的变长而升高。对于铝电解电容,自从出厂,灌注的电解液就开始随着时间逐渐蒸发,并从电容的橡胶密封圈扩散到空气中,这将导致电容量的减少和ES变大,当它们的值超过可允许范围后,就被定义为老化失效。老化失效期到来的时间就决定了使用寿命的长短,所以了解铝电解电容的老化机理预测老化失效期到来的时间非常重要。
进一步地，开关电源输出纹波主要由于开关器件的硬开通和硬关断，产生尖脉冲造成的开关噪声。实际电路中通过并联小电容来实现高频滤波。通过提高开关频率，来减小输出电容电流的变化率。另外，闭环调节控制也会引起的纹波噪声，在进行反馈调节时，更改新的占空比会引起输出电压跳动，造成新的纹波。
为了能够有效监测电源开关管与电解电容的状态，需要对于上述器件有关的物理特征进行测量。分析开关电源的电路原理，当不考虑负载电流的影响时，电源输出纹波的计算公式如下：式中：Vro 为输出纹波电压值；/>为变压器付边的纹波电流值；ESR为输出电解电容的等效内阻；fs为电源的开关频率；C为输出电解电容的等效容值；从上式可以看出，当负载状态稳定时，主要影响输出电压纹波的因素是滤波电解电容的容量C以及等效内阻ESR的变化。事实上，这两点也是体现电解电容性能变化的最主要两个技术指标。对于一般电解电容来说，在长期的纹波电流冲击下，过高的温升会使壳体内部压力升高，电解液挥发干涸，电解液在铝箔上形成的电容值减小。同时，电解液挥发也造成电容介质损耗增加，从而进一步加剧电容发热。
因此，如果对开关电源输出电压回路中的纹波分量进行监视，就能间接了解到电解电容的工作状态，从而起到早期诊断的作用。
实际运行过程中，电源的负载变化也会对纹波产生影响，当电源轻载时，等效负载内阻变大，由于负载产生的Δi变小，表现在输出电压的纹波也会变小；反之则会增大。另外，环境温度变化对电解电容性能的影响也很大。当环境温度降低时，电解电容容量减小，最多可达-40%左右。因此，在判据中要增加对负载电流，环境温度等其他条件，对理论模型中的系数做适当补偿。
在本申请中，关键技术为：1、波形异常特征提取技术。电源输出噪声与负载大小，电源本体温度，器件参数变化以及输入噪声等均有关联。如何在变化的噪声频谱特征中识别出器件参数变化，尤其是劣化参数对纹波的影响是该项目的关键技术。需要对不同拓扑结构的电源做大量试验，积累纹波变化的数据库，并通过横向对比标定，确定关键特征。2、电源寿命曲线拟合技术。在前述异常状态判据的基础上，根据电源各部件在整体寿命周期的权重，以及各电路的失效模式，判断异常情况并给出不同级别的告警提示，引导用户进行检修或更换。
进一步地，本申请可以实时在线式电源输出监测系统，改变了以往电源系统失效后提示告警的传统模式，可以使用户对电源运行状态以及内部元器件应力情况实时监测，实现部件级状态检修。而且，以电源拓扑结构为基础，分析各关键器件功能、作用以及失效模式失效机理，确定关键器件失效权重以及波及范围，定量的对电源失效特征进行分析。
针对上述技术问题，本申请的技术构思是利用深度学习技术，从开关电源的输出波纹信号和负载值中提取特征，并利用分类处理来实现被监测电源模块的故障诊断。
具体地，在本申请的技术方案中，首先，获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值。其中，输出波纹信号是开关电源的重要指标之一，它反映了开关电源的输出稳定性和质量。输出波纹信号的大小和形状与开关电源中的关键器件，如开关管、变压器、滤波电容等有密切关系。如果这些器件存在质量缺陷或热设计不合理，会导致输出波纹信号的变化，从而影响开关电源的性能和寿命。此外，负载值反映了开关电源的输出能力和负载适应性。负载值的变化会影响开关电源的工作模式和效率，从而影响输出波纹信号。
接着，对所述输出波纹信号进行基于采样窗的滑窗采样以得到多个波纹信号采样窗。这里，滑窗采样是指将波纹信号分割成多个小的时间段，每个时间段对应一个采样窗。也就是，将采样窗沿着时间轴进行滑动，每次滑动一定的步长，以实现对波纹信号的连续采样。滑动步长可以根据波纹信号的变化速度和采样频率进行调整，以保证每个采样窗之间有一定的重叠度。这样，通过基于采样窗的滑窗采样，可以得到多个波纹信号采样窗，每个采样窗内包含了波纹信号在一个小的时间段内的局部信息，这些局部信息可以反映出波纹信号在不同时间点的状态变化。
然后，将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量。这里，卷积神经网络模型是一种深度学习模型，它可以从图像中提取特征。卷积神经网络模型的基本单元是卷积层，它可以通过滑动窗口的方式，对输入图像和卷积核（也叫滤波器）进行卷积操作，得到图像的局部特征。具体而言，利用卷积神经网络模型可以从波纹信号中提取出有用的特征，例如峰值、谷值、频率、幅度等，这些特征可以反映出开关电源中关键器件的工作状态和质量状况。
进一步地，将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量。其中，基于转换器的上下文编码器可以有效地捕捉波形信号局部波形特征向量之间的长距离依赖关系，从而提高波纹信号全局波形特征向量的表达能力。也就是，基于转换器的上下文编码器可以通过自注意力机制实现对波形信号局部波形特征向量的全局语义理解，从而提取出全局的上下文语义信息。
进而，将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量。这里，将所述多个预定时间点的负载值按照时间维度排列为输入向量可以保持负载值之间的时序关系。其中，多尺度邻域特征提取模块是一种基于卷积神经网络的特征提取模块，它可以在不同的尺度上对输入向量进行卷积操作，从而捕捉到不同时间尺度下的邻域信息。通过这种方法得到的所述负载时序特征向量可以反映被监测电源模块在不同时间跨度下的负载变化情况的特征向量，它可以用于描述电源模块的工作状态和负载波动。
如前所述，所述波纹信号全局波形特征向量是对被监测电源模块输出波纹信号的整体特征的描述，它反映了电源模块的输出稳定性和质量；所述负载时序特征向量是对被监测电源模块的负载变化的描述，它反映了电源模块的工作环境和负载状态。在本申请的技术方案中，计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵。这里，所述分类特征矩阵可以表征电源模块的输出波纹信号与负载变化之间的关系。
随后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障。这里，所述分类器可以根据输入数据的特征，判断数据属于哪个类别。具体而言，所述分类器的输入是所述分类特征矩阵，它包含了波纹信号全局波形特征向量和负载时序特征向量的响应性估计特征信息，从而得到所述分类结果。这样，就可以利用分类器对开关电源进行故障诊断，提高电源的可靠性和安全性。
在本申请的技术方案中，在基于高斯密度图计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计时，所述高斯密度图的响应性估计方差矩阵是基于所述波纹信号全局波形特征向量和所述负载时序特征向量的自方差矩阵得到的，因此所述响应性估计方差矩阵的各个位置的方差值具有相应的位置属性信息，由此，在进一步进行高斯离散化得到所述分类特征矩阵时，所述分类特征矩阵的各个位置的特征值也具有相应的位置属性。但是，在将所述分类特征矩阵通过分类器进行分类回归时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此，为了提升所述分类特征矩阵的各个特征值在排列变换时的位置信息表达效果，本申请的申请人首先计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为： 代表将二维实数映射为一维实数的函数，例如，实现为非线性激活函数激活加权和加偏置的表示，/>和/>分别是所述分类特征矩阵的宽度和高度，/>为所述分类特征矩阵的各个特征值/>的坐标，例如，可以特征矩阵的任意顶点作为坐标原点，且/>是所述分类特征矩阵的所有特征值的全局均值。
这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性（permutation invariance）性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵展开后得到的特征向量的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。
本申请具有如下几点技术效果：1、提供了一种智能化的DCS装置电源模块异常诊断方案。2、该方案能够对开关电源进行有效的监测，及时发现电源的异常状态，提高了电源的可靠性和安全性。
图4为根据本申请实施例的DCS装置电源模块异常早期诊断方法的场景示意图。如图4所示，在该应用场景中，首先，获取由被监测电源模块（例如，如图4中所示意的M）产生的预定时间段的输出波纹信号（例如，如图4中所示意的C1），以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值（例如，如图4中所示意的C2）；然后，将获取的输出波纹信号和负载值输入至部署有DCS装置电源模块异常早期诊断算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于DCS装置电源模块异常早期诊断算法对所述输出波纹信号和所述负载值进行处理，以生成用于表示被监测电源模块是否存在故障的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图5为根据本申请实施例的DCS装置电源模块异常早期诊断方法的流程图。如图5所示，根据本申请实施例的DCS装置电源模块异常早期诊断方法100，包括：110，获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；120，对所述输出波纹信号进行基于采样窗的滑窗采样以得到多个波纹信号采样窗；130，将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量；140，将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量；150，将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量；160，计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵；170，对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵；以及，180，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障。
图6为根据本申请实施例的DCS装置电源模块异常早期诊断方法的架构示意图。如图6所示，在该网络架构中，首先，获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；然后，对所述输出波纹信号进行基于采样窗的滑窗采样以得到多个波纹信号采样窗；接着，将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量；然后，将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量；接着，将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量；然后，计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵；接着，对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵；以及，最后，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障。
具体地，在步骤110中，获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值。针对上述技术问题，本申请的技术构思是利用深度学习技术，从开关电源的输出波纹信号和负载值中提取特征，并利用分类处理来实现被监测电源模块的故障诊断。
具体地，在本申请的技术方案中，首先，获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值。其中，输出波纹信号是开关电源的重要指标之一，它反映了开关电源的输出稳定性和质量。输出波纹信号的大小和形状与开关电源中的关键器件，如开关管、变压器、滤波电容等有密切关系。如果这些器件存在质量缺陷或热设计不合理，会导致输出波纹信号的变化，从而影响开关电源的性能和寿命。此外，负载值反映了开关电源的输出能力和负载适应性。负载值的变化会影响开关电源的工作模式和效率，从而影响输出波纹信号。
具体地，在步骤120中，对所述输出波纹信号进行基于采样窗的滑窗采样以得到多个波纹信号采样窗。接着，对所述输出波纹信号进行基于采样窗的滑窗采样以得到多个波纹信号采样窗。这里，滑窗采样是指将波纹信号分割成多个小的时间段，每个时间段对应一个采样窗。
也就是，将采样窗沿着时间轴进行滑动，每次滑动一定的步长，以实现对波纹信号的连续采样。滑动步长可以根据波纹信号的变化速度和采样频率进行调整，以保证每个采样窗之间有一定的重叠度。这样，通过基于采样窗的滑窗采样，可以得到多个波纹信号采样窗，每个采样窗内包含了波纹信号在一个小的时间段内的局部信息，这些局部信息可以反映出波纹信号在不同时间点的状态变化。
具体地，在步骤130中，将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量。然后，将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量。这里，卷积神经网络模型是一种深度学习模型，它可以从图像中提取特征。卷积神经网络模型的基本单元是卷积层，它可以通过滑动窗口的方式，对输入图像和卷积核（也叫滤波器）进行卷积操作，得到图像的局部特征。具体而言，利用卷积神经网络模型可以从波纹信号中提取出有用的特征，例如峰值、谷值、频率、幅度等，这些特征可以反映出开关电源中关键器件的工作状态和质量状况。
其中，将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个波形信号局部波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个波纹信号采样窗。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在步骤140中，将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量。进一步地，将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量。其中，基于转换器的上下文编码器可以有效地捕捉波形信号局部波形特征向量之间的长距离依赖关系，从而提高波纹信号全局波形特征向量的表达能力。也就是，基于转换器的上下文编码器可以通过自注意力机制实现对波形信号局部波形特征向量的全局语义理解，从而提取出全局的上下文语义信息。
图7为根据本申请实施例的DCS装置电源模块异常早期诊断方法中步骤140的子步骤的流程图，如图7所示，将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量，包括：141，使用所述基于转换器的上下文编码器对所述多个波形信号局部波形特征向量进行基于全局的上下文语义编码以得到多个波形信号特征向量；以及，142，将所述多个波形信号特征向量进行级联以得到所述波纹信号全局波形特征向量。
上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short- Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用 较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在步骤150中，将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量。进而，将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量。这里，将所述多个预定时间点的负载值按照时间维度排列为输入向量可以保持负载值之间的时序关系。其中，多尺度邻域特征提取模块是一种基于卷积神经网络的特征提取模块，它可以在不同的尺度上对输入向量进行卷积操作，从而捕捉到不同时间尺度下的邻域信息。通过这种方法得到的所述负载时序特征向量可以反映被监测电源模块在不同时间跨度下的负载变化情况的特征向量，它可以用于描述电源模块的工作状态和负载波动。
其中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述输入向量进行一维卷积编码以得到第一尺度负载特征向量；其中，所述第一卷积公式为：其中，/>为第一一维卷积核在/>方向上的宽度、/> 为第一一维卷积核参数向量、 />为与第一一维卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/> 表示所述输入向量，表示对所述输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述输入向量进行一维卷积编码以得到第二尺度负载特征向量量；其中，所述第二卷积公式为：/>其中，/>为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、/> 为与第二一维卷积核函数运算的局部向量矩阵，/>为第二一维卷积核的尺寸，/>表示所述输入向量，表示对所述输入向量进行一维卷积编码；以及使用所述多尺度邻域特征提取模块的融合层对所述第一尺度负载特征向量和所述第二尺度负载特征向量进行级联以得到所述负载时序特征向量。
值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地，在步骤160中，计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵。如前所述，所述波纹信号全局波形特征向量是对被监测电源模块输出波纹信号的整体特征的描述，它反映了电源模块的输出稳定性和质量；所述负载时序特征向量是对被监测电源模块的负载变化的描述，它反映了电源模块的工作环境和负载状态。在本申请的技术方案中，计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵。这里，所述分类特征矩阵可以表征电源模块的输出波纹信号与负载变化之间的关系。
其中，计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵，包括：以如下第一高斯公式构造所述波纹信号全局波形特征向量的波纹高斯密度图；其中，所述第一高斯公式为：其中，/>表示所述波纹信号全局波形特征向量，且/>的每个位置的值表示所述波纹信号全局波形特征向量中相应两个位置的特征值之间的方差；以如下第二高斯公式构造所述负载时序特征向量的负载高斯密度图；其中，所述第二高斯公式为：/>其中，/> 表示所述负载时序特征向量，且/>的每个位置的值表示所述负载时序特征向量中相应两个位置的特征值之间的方差；以如下响应性公式计算所述波纹高斯密度图相对于所述负载高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述响应性公式为：/>其中，/>表示所述响应性高斯密度图的均值向量，/>表示所述响应性高斯密度图的协方差矩阵，/>表示向量点乘，/>表示对向量的每个位置的值取倒数，且/>表示矩阵乘法；对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述响应性高斯密度图中各个位置的高斯分布降维为一维的特征向量；以及将所述各个位置的一维的特征向量进行二维排列以得到所述分类特征矩阵。
应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。
具体地，在步骤170中，对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵。图8为根据本申请实施例的DCS装置电源模块异常早期诊断方法中步骤170的子步骤的流程图，如图8所示，对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵，包括：171，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，172，基于所述多个位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权以得到所述优化分类特征矩阵。
在本申请的技术方案中，在基于高斯密度图计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计时，所述高斯密度图的响应性估计方差矩阵是基于所述波纹信号全局波形特征向量和所述负载时序特征向量的自方差矩阵得到的，因此所述响应性估计方差矩阵的各个位置的方差值具有相应的位置属性信息，由此，在进一步进行高斯离散化得到所述分类特征矩阵时，所述分类特征矩阵的各个位置的特征值也具有相应的位置属性。
但是，在将所述分类特征矩阵通过分类器进行分类回归时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此，为了提升所述分类特征矩阵的各个特征值在排列变换时的位置信息表达效果，本申请的申请人首先计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为：以如下优化公式计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；其中，所述优化公式为：其中，/>代表将二维实数映射为一维实数的函数，/>和/>分别是所述分类特征矩阵的宽度和高度，/>为所述分类特征矩阵的各个特征值/>的坐标，/>是所述分类特征矩阵的各个位置的特征值，且/>是所述分类特征矩阵的所有特征值的全局均值，/>表示以2为底的对数函数。
这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性（permutation invariance）性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵展开后得到的特征向量的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。
具体地，在步骤180中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障。随后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障。这里，所述分类器可以根据输入数据的特征，判断数据属于哪个类别。具体而言，所述分类器的输入是所述分类特征矩阵，它包含了波纹信号全局波形特征向量和负载时序特征向量的响应性估计特征信息，从而得到所述分类结果。这样，就可以利用分类器对开关电源进行故障诊断，提高电源的可靠性和安全性。
图9为根据本申请实施例的DCS装置电源模块异常早期诊断方法中步骤180的子步骤的流程图，如图9所示，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障，包括：181，将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；182，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，183，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的DCS装置电源模块异常早期诊断方法100被阐明，其获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；采用基于深度学习的人工智能技术，利用深度学习技术，从开关电源的输出波纹信号和负载值中提取特征，并利用分类处理来实现被监测电源模块的故障诊断。这样，可以对开关电源进行有效的监测，及时发现电源的异常状态，提高了电源的可靠性和安全性。
在本申请的一个实施例中，图10为根据本申请实施例的DCS装置电源模块异常早期诊断系统的框图。如图10所示，根据本申请实施例的DCS装置电源模块异常早期诊断系统200，包括：数据获取模块210，用于获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；滑窗采样模块220，用于对所述输出波纹信号进行基于采样窗的滑窗采样以得到多个波纹信号采样窗；特征提取模块230，用于将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量；上下文编码模块240，用于将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量；多尺度特征提取模块250，用于将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量；响应性估计计算模块260，用于计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵；优化模块270，用于对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵；以及，监测结果生成模块280，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障。
在一个具体示例中，在上述DCS装置电源模块异常早期诊断系统中，所述特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个波形信号局部波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个波纹信号采样窗。
在一个具体示例中，在上述DCS装置电源模块异常早期诊断系统中，所述上下文编码模块，包括：编码单元，用于使用所述基于转换器的上下文编码器对所述多个波形信号局部波形特征向量进行基于全局的上下文语义编码以得到多个波形信号特征向量；以及，级联单元，用于将所述多个波形信号特征向量进行级联以得到所述波纹信号全局波形特征向量。
在一个具体示例中，在上述DCS装置电源模块异常早期诊断系统中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个具体示例中，在上述DCS装置电源模块异常早期诊断系统中，所述多尺度特征提取模块，包括：第一尺度单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述输入向量进行一维卷积编码以得到第一尺度负载特征向量；其中，所述第一卷积公式为：其中，/>为第一一维卷积核在/>方向上的宽度、/> 为第一一维卷积核参数向量、 />为与第一一维卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/> 表示所述输入向量，/>表示对所述输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述输入向量进行一维卷积编码以得到第二尺度负载特征向量量；其中，所述第二卷积公式为：/>其中，/>为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、/> 为与第二一维卷积核函数运算的局部向量矩阵，/>为第二一维卷积核的尺寸，/>表示所述输入向量，/>表示对所述输入向量进行一维卷积编码；以及使用所述多尺度邻域特征提取模块的融合层对所述第一尺度负载特征向量和所述第二尺度负载特征向量进行级联以得到所述负载时序特征向量。
在一个具体示例中，在上述DCS装置电源模块异常早期诊断系统中，所述响应性估计计算模块，包括：第一高斯单元，用于以如下第一高斯公式构造所述波纹信号全局波形特征向量的波纹高斯密度图；其中，所述第一高斯公式为：其中，/>表示所述波纹信号全局波形特征向量，且/>的每个位置的值表示所述波纹信号全局波形特征向量中相应两个位置的特征值之间的方差；以如下第二高斯公式构造所述负载时序特征向量的负载高斯密度图；其中，所述第二高斯公式为：/>其中，/> 表示所述负载时序特征向量，且/>的每个位置的值表示所述负载时序特征向量中相应两个位置的特征值之间的方差；以如下响应性公式计算所述波纹高斯密度图相对于所述负载高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述响应性公式为：/>其中，/>表示所述响应性高斯密度图的均值向量，/>表示所述响应性高斯密度图的协方差矩阵，/>表示向量点乘，/>表示对向量的每个位置的值取倒数，且/>表示矩阵乘法；对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述响应性高斯密度图中各个位置的高斯分布降维为一维的特征向量；以及将所述各个位置的一维的特征向量进行二维排列以得到所述分类特征矩阵。
在一个具体示例中，在上述DCS装置电源模块异常早期诊断系统中，所述优化模块，包括：响应因数计算单元，用于计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，加权单元，用于基于所述多个位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权以得到所述优化分类特征矩阵。
在一个具体示例中，在上述DCS装置电源模块异常早期诊断系统中，所述响应因数计算单元，用于：以如下优化公式计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；其中，所述优化公式为：其中，/>代表将二维实数映射为一维实数的函数，/>和/>分别是所述分类特征矩阵的宽度和高度，/>为所述分类特征矩阵的各个特征值/>的坐标，/>是所述分类特征矩阵的各个位置的特征值，且/>是所述分类特征矩阵的所有特征值的全局均值，/>表示以2为底的对数函数。
在一个具体示例中，在上述DCS装置电源模块异常早期诊断系统中，所述监测结果生成模块，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述DCS装置电源模块异常早期诊断系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图9的DCS装置电源模块异常早期诊断方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的DCS装置电源模块异常早期诊断系统200可以实现在各种终端设备中，例如用于DCS装置电源模块异常早期诊断的服务器等。在一个示例中，根据本申请实施例的DCS装置电源模块异常早期诊断系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该DCS装置电源模块异常早期诊断系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该DCS装置电源模块异常早期诊断系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该DCS装置电源模块异常早期诊断系统200与该终端设备也可以是分立的设备，并且DCS装置电源模块异常早期诊断系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还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存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (3)
1.一种DCS装置电源模块异常早期诊断方法，其特征在于，包括：
获取由被监测电源模块产生的预定时间段的输出波纹信号，以及，所述被监测电源模块在预定时间段内多个预定时间点的负载值；
对所述输出波纹信号进行基于采样窗的滑窗采样以得到多个波纹信号采样窗；
将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量；
将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量；
将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量；
计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵；
对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵；以及
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障；
其中，将所述多个波纹信号采样窗通过作为过滤器的卷积神经网络模型以得到多个波形信号局部波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个波形信号局部波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个波纹信号采样窗；
其中，多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核；
其中，将所述多个预定时间点的负载值按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到负载时序特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述输入向量进行一维卷积编码以得到第一尺度负载特征向量；
其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述输入向量，Cov(X)表示对所述输入向量进行一维卷积编码；
使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述输入向量进行一维卷积编码以得到第二尺度负载特征向量量；
其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述输入向量，Cov(X)表示对所述输入向量进行一维卷积编码；以及
使用所述多尺度邻域特征提取模块的融合层对所述第一尺度负载特征向量和所述第二尺度负载特征向量进行级联以得到所述负载时序特征向量；
其中，计算所述波纹信号全局波形特征向量相对于所述负载时序特征向量的响应性估计以得到分类特征矩阵，包括：
以如下第一高斯公式构造所述波纹信号全局波形特征向量的波纹高斯密度图；
其中，所述第一高斯公式为：
其中，μ1表示所述波纹信号全局波形特征向量，且σ1的每个位置的值表示所述波纹信号全局波形特征向量中相应两个位置的特征值之间的方差；
以如下第二高斯公式构造所述负载时序特征向量的负载高斯密度图；
其中，所述第二高斯公式为：
其中，μ2表示所述负载时序特征向量，且σ2的每个位置的值表示所述负载时序特征向量中相应两个位置的特征值之间的方差；
以如下响应性公式计算所述波纹高斯密度图相对于所述负载高斯密度图的响应性估计以得到响应性高斯密度图；
其中，所述响应性公式为：
其中，μ3表示所述响应性高斯密度图的均值向量，σ3表示所述响应性高斯密度图的协方差矩阵，⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且表示矩阵乘法；
对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述响应性高斯密度图中各个位置的高斯分布降维为一维的特征向量；以及
将所述各个位置的一维的特征向量进行二维排列以得到所述分类特征矩阵；
其中，对所述分类特征矩阵进行位置信息表达效果优化以得到优化分类特征矩阵，包括：
计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及
基于所述多个位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权以得到所述优化分类特征矩阵；
其中，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数，包括：
以如下优化公式计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；
其中，所述优化公式为：
其中，代表将二维实数映射为一维实数的函数，W和H分别是所述分类特征矩阵的宽度和高度，(xi,yi)为所述分类特征矩阵的各个特征值mi的坐标，mi是所述分类特征矩阵的各个位置的特征值，且/>是所述分类特征矩阵的所有特征值的全局均值，log表示以2为底的对数函数。
2.根据权利要求1所述的DCS装置电源模块异常早期诊断方法，其特征在于，将所述多个波形信号局部波形特征向量通过基于转换器的上下文编码器以得到波纹信号全局波形特征向量，包括：
使用所述基于转换器的上下文编码器对所述多个波形信号局部波形特征向量进行基于全局的上下文语义编码以得到多个波形信号特征向量；以及
将所述多个波形信号特征向量进行级联以得到所述波纹信号全局波形特征向量。
3.根据权利要求2所述的DCS装置电源模块异常早期诊断方法，其特征在于，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被监测电源模块是否存在故障，包括：
将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310526754.XA CN116520182B (zh) | 2023-05-11 | 2023-05-11 | 一种dcs装置电源模块异常早期诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310526754.XA CN116520182B (zh) | 2023-05-11 | 2023-05-11 | 一种dcs装置电源模块异常早期诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116520182A CN116520182A (zh) | 2023-08-01 |
| CN116520182B true CN116520182B (zh) | 2023-11-14 |
Family
ID=87393916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310526754.XA Active CN116520182B (zh) | 2023-05-11 | 2023-05-11 | 一种dcs装置电源模块异常早期诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116520182B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116832385A (zh) * | 2023-08-04 | 2023-10-03 | 贝滨（广东）科技有限公司 | 一种基于物联网的消防栓用水监控系统 |
| CN116975728B (zh) * | 2023-08-07 | 2024-01-26 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的安全管理方法及其系统 |
| CN116699297B (zh) * | 2023-08-08 | 2023-10-27 | 江西驴充充充电技术有限公司 | 充电桩检测系统及其方法 |
| CN117375237B (zh) * | 2023-10-20 | 2024-05-24 | 浙江日新电气有限公司 | 基于数字孪生技术变电站运维方法及系统 |
| CN117826583B (zh) * | 2023-11-23 | 2024-08-16 | 神州技测(深圳)科技有限公司 | 回馈式可编程交流电源 |
| CN117638799B (zh) * | 2023-12-14 | 2024-05-28 | 温岭市恒亚机电有限公司 | 具有漏电保护功能的远程变频控制器及方法 |
| CN118091478B (zh) * | 2024-04-28 | 2024-08-20 | 青岛元通电子有限公司 | 一种基于数据分析的多路组合电源寿命监测预警系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101806869A (zh) * | 2010-03-22 | 2010-08-18 | 株洲南车时代电气股份有限公司 | 一种机车开关电源通用自动测试系统及其方法 |
| CN107015167A (zh) * | 2016-12-30 | 2017-08-04 | 国网天津市电力公司 | 一种基于检波技术的开关电源纹波电压检测方法 |
| KR20210093802A (ko) * | 2021-07-08 | 2021-07-28 | 서정철 | 펄스파를 이용한 직류 접지회선 추적 방법과 접지 전류의 위상분석을 통한 접지 극성 판단 장치 |
| CN113759271A (zh) * | 2021-11-10 | 2021-12-07 | 电子科技大学 | 基于频谱和lstm网络的冗余电源均流状态识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11018573B2 (en) * | 2017-12-12 | 2021-05-25 | Johnson Controls Fire Protection LP | Power supply ripple detector |
-
2023
- 2023-05-11 CN CN202310526754.XA patent/CN116520182B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101806869A (zh) * | 2010-03-22 | 2010-08-18 | 株洲南车时代电气股份有限公司 | 一种机车开关电源通用自动测试系统及其方法 |
| CN107015167A (zh) * | 2016-12-30 | 2017-08-04 | 国网天津市电力公司 | 一种基于检波技术的开关电源纹波电压检测方法 |
| KR20210093802A (ko) * | 2021-07-08 | 2021-07-28 | 서정철 | 펄스파를 이용한 직류 접지회선 추적 방법과 접지 전류의 위상분석을 통한 접지 극성 판단 장치 |
| CN113759271A (zh) * | 2021-11-10 | 2021-12-07 | 电子科技大学 | 基于频谱和lstm网络的冗余电源均流状态识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《开关电源输出纹波噪声分析与控制》;刘喜;《2022年中国家用电器技术大会论文集 》;1-6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116520182A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116520182B (zh) | 一种dcs装置电源模块异常早期诊断方法 | |
| US8527223B2 (en) | Methods and systems for energy prognosis | |
| CN110221200B (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
| Sun et al. | A novel fault diagnostic approach for DC-DC converters based on CSA-DBN | |
| Chen et al. | Digital twin for degradation parameters identification of dc-dc converters based on bayesian optimization | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN105170333A (zh) | 静电除尘用电源的模糊预测控制系统及方法 | |
| CN105093059A (zh) | 一种基于归一化奇异谱熵的变压器绕组工作状态检测方法 | |
| CN112327200A (zh) | Dc-ac逆变器电路的健康表征及健康基线构建方法 | |
| CN112241605A (zh) | 声振信号构造cnn特征矩阵的断路器储能过程状态辨识方法 | |
| Jia et al. | Validity evaluation of transformer DGA online monitoring data in grid edge systems | |
| Jia et al. | Real-time response-based fault analysis and prognostics techniques of nonisolated dc–dc converters | |
| CN106021838A (zh) | 一种复杂电子系统剩余寿命预测方法 | |
| Chokr et al. | Feature extraction-reduction and machine learning for fault diagnosis in PV panels | |
| Miao et al. | A novel soft fault detection and diagnosis method for a DC/DC buck converter based on contrastive learning | |
| CN118278624B (zh) | 一种基于互感器的电力监测数据智能化分析系统 | |
| CN116819382A (zh) | 一种基于数字孪生的dc-dc变换器状态监测方法 | |
| CN116738376B (zh) | 一种基于振动或磁场唤醒的信号采集识别方法及系统 | |
| CN117856442A (zh) | 一种基于大数据的电力设备远程监测系统及方法 | |
| Han et al. | Incipient Fault Diagnosis for DC–DC Converter Based on Multi-Dimensional Feature Fusion | |
| Shang et al. | Effinformer: A deep-learning-based data-driven modeling of DC–DC bidirectional converters | |
| Wan et al. | A review of power electronic parametric fault diagnosis methods | |
| CN115616437B (zh) | 一种epc特种电源的智能调测控制方法及系统 | |
| CN118535986B (zh) | 基于vmd分解和机器学习的直流配电网线路故障选极方法 | |
| Premalatha et al. | Transformer Fault Identification and Classification of Using Machine Learning |
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 |