本發(fā)明屬于電網(wǎng)設(shè)備故障診斷研究領(lǐng)域，具體涉及一種在數(shù)據(jù)多源情況下，基于dempster-shafer多源融合理論聚合故障信息并精準(zhǔn)獲取充電設(shè)備故障的方法。

背景技術(shù)：

1、隨著動力電池和快速充電技術(shù)的日益成熟，電動汽車已成為汽車市場的重要組成部分。由于充電樁和電動汽車相互依存的發(fā)展關(guān)系，二者的發(fā)展幾乎是同步的。要想進一步推動電動汽車市場的發(fā)展，就需要完善充電樁的安裝和維護工作，并對電動汽車充電樁運行及故障診斷系統(tǒng)設(shè)計進行詳細分析。

2、傳統(tǒng)的故障診斷方法通常是根據(jù)充電樁保護設(shè)備的信息量，結(jié)合智能算法進行故障元件位置的判別，常用的方法有人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、貝葉斯理論等。

3、然而，該類方法對充電樁保護設(shè)備信息的準(zhǔn)確度要求很高，信息的準(zhǔn)確性在一定程度上對最終的故障診斷結(jié)果具有很大的影響，并且信息的不確定性使得故障診斷方法精度有所降低。針對上述傳統(tǒng)充電設(shè)備故障診斷方法的不足，采用dempster-shafer多源融合理論對充電設(shè)備的故障信息進行有效融合，實現(xiàn)充電設(shè)備故障的有效識別，能夠有效提高故障診斷的精度。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在有效提高充電設(shè)備故障診斷的精確性呈現(xiàn)故障的多樣性，可有效降低維修人員的返修率。

2、為實現(xiàn)該技術(shù)目的，本發(fā)明采用以下技術(shù)方案：

3、本發(fā)明提供一種面向多源模態(tài)數(shù)據(jù)融合的充電樁故障診斷方法，所述方法包括以下步驟：

4、根據(jù)充電場站收集得到充電設(shè)備故障關(guān)聯(lián)的多種模態(tài)數(shù)據(jù)；

5、根據(jù)充電設(shè)備異常分別對各類模態(tài)數(shù)據(jù)進行預(yù)處理，基于各類模態(tài)數(shù)據(jù)的表征特點選擇模型進行訓(xùn)練，識別充電設(shè)備故障異常；

6、根據(jù)已標(biāo)注的故障異常，建立多源數(shù)據(jù)表征之間的映射關(guān)系，并更新模型參數(shù)；

7、基于dempster-shafer多源融合理論對設(shè)備故障信息的判定結(jié)果進行聚合，精確判斷設(shè)備故障信息。

8、進一步地，根據(jù)充電場站收集得到充電設(shè)備故障關(guān)聯(lián)的多種模態(tài)數(shù)據(jù)，該方法包括以下步驟：

9、步驟1：由充電場站收集充電設(shè)備故障關(guān)聯(lián)的報文流數(shù)據(jù)，包括充電樁的輸出電流、輸出電壓、輸出功率、充電接口溫度等；

10、步驟2：由充電場站收集充電設(shè)備故障關(guān)聯(lián)的音頻數(shù)據(jù)，包括音頻數(shù)據(jù)、傳感器流數(shù)據(jù)等；

11、步驟3：由充電場站收集充電設(shè)備故障關(guān)聯(lián)的紅外傳感數(shù)據(jù)，包括紅外傳感圖片、氣體成像圖片等。

12、進一步地，根據(jù)充電設(shè)備異常分別對各類模態(tài)數(shù)據(jù)進行預(yù)處理，基于各類模態(tài)數(shù)據(jù)的表征特點選擇模型進行訓(xùn)練，識別充電設(shè)備故障異常，該方法包括以下步驟：

13、步驟1：對充電場站收集的報文流數(shù)據(jù)進行預(yù)處理，以提升數(shù)據(jù)質(zhì)量并支持后續(xù)故障診斷。預(yù)處理包括清理無效及冗余數(shù)據(jù)，修復(fù)空值和異常值，以保證數(shù)據(jù)的一致性和準(zhǔn)確性；通過低通濾波或卡爾曼濾波去除噪聲，增強數(shù)據(jù)的穩(wěn)定性；運用統(tǒng)計分析方法檢測并剔除異常值，防止其對故障診斷造成干擾；采用插值算法或時間序列建模補全缺失數(shù)據(jù)，從而保持數(shù)據(jù)的連續(xù)性并提高分析精度；

14、步驟2：采用隨機森林算法對充電樁的報文數(shù)據(jù)進行表征和模型學(xué)習(xí)，識別充電設(shè)備故障異常；

15、步驟3：采用卷積神經(jīng)網(wǎng)絡(luò)對音頻數(shù)據(jù)進行表征和模型學(xué)習(xí)，識別充電設(shè)備故障異常；

16、步驟4：采用圖像識別算法yolo-v8對圖像數(shù)據(jù)進行表征和模型學(xué)習(xí)，識別充電設(shè)備故障異常。

17、進一步地，采用隨機森林算法對充電樁的報文數(shù)據(jù)進行表征和模型學(xué)習(xí)，識別充電設(shè)備故障異常，該方法包括以下步驟：

18、采用隨機森林算法對充電樁的電流、電壓和功率數(shù)據(jù)進行處理，以識別潛在的故障模式并提高診斷準(zhǔn)確性。該步驟包括數(shù)據(jù)預(yù)處理、特征選擇及分類模型構(gòu)建。

19、將采集到的電流、電壓和功率數(shù)據(jù)分別設(shè)為i＝{i1,i2,...,in}、v＝{v1,v2,...,vn}和p＝{p1,p2,…,pn}，其中n為樣本數(shù)量。首先，對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，以確保不同變量和尺度一致性。標(biāo)準(zhǔn)化公式為：

20、

21、式中：x為原始值，u為均值，σ為標(biāo)準(zhǔn)差，標(biāo)準(zhǔn)化后得到的電流、電壓和功率分別記為i′、v′和p′。

22、采用隨機森林算法對預(yù)處理后的數(shù)據(jù)進行特征選擇，通過構(gòu)建多棵決策樹來評估每個特征的重要性。每棵決策樹tk(k＝1,2,…,k，其中k為決策樹量)對樣本進行獨立判斷，并記錄各特征的gini不純度或信息增益。特征xj的重要性imp(xj)可以表示為所有決策樹中該特征貢獻的平均值：

23、

24、式中：δginik(xj)表示特征xj在第k棵樹中的gini不純度減少量。通過篩選得到故障關(guān)聯(lián)性較高的特征合集，提升模型對故障診斷的判斷力。

25、最后，將篩選后的特征集合輸入到隨機森林分類模型中，利用已標(biāo)注的歷史數(shù)據(jù)對模型進行訓(xùn)練，并通過調(diào)整模型參數(shù)(如樹的數(shù)量k和樹的最大深度)優(yōu)化模型性能。隨機森林通過集成學(xué)習(xí)機制輸出分類結(jié)果，最終故障診斷結(jié)果通過多數(shù)投票法生成。設(shè)充電樁故障類別為c＝{c1,c2,…,cm}，則模型輸出的故障類別為：

26、

27、式中：υ為指示函數(shù)，當(dāng)tk的預(yù)測類別為c時υ(tk＝c)＝1，否則為0。最終輸出的即為充電樁的故障診斷結(jié)果。

28、進一步地，采用卷積神經(jīng)網(wǎng)絡(luò)對音頻數(shù)據(jù)進行表征和模型學(xué)習(xí)，識別充電設(shè)備故障異常，該方法包括以下步驟：

29、步驟1：為了能夠準(zhǔn)確的進行充電設(shè)備故障定位，采集和處理得到的放電聲音大小判斷測量點與實際故障點的距離，采集到的放電聲音信號中混合了大量的環(huán)境噪聲，這會對放電聲音大小的準(zhǔn)確判斷造成影響，需要對采集到的信號進行降噪處理；

30、步驟2：假設(shè)噪聲頻譜和聲音頻譜都是高斯分布，利用條件概率理論可得：

31、

32、式中：ξ(n,d)是第n幀的第d個頻率分量的先驗信噪比，表示估計聲音信號中的第n幀的第d個頻譜分量。先驗信噪比ξ(n,d)是未知的，采用非因果法來估計先驗信噪比，在對數(shù)譜最小均方誤差法的基礎(chǔ)上提出了基于深度學(xué)習(xí)的聲音降噪算法，整個降噪算法包括網(wǎng)絡(luò)訓(xùn)練和聲音降噪兩部分：在網(wǎng)絡(luò)訓(xùn)練部分，采用信號的對數(shù)功率譜特征值作為網(wǎng)絡(luò)的輸入，根據(jù)信號的實際特點搭建網(wǎng)絡(luò)結(jié)構(gòu)，確定網(wǎng)絡(luò)所采用的學(xué)習(xí)算法和傳遞函數(shù)，并使用大量的樣本集對網(wǎng)絡(luò)進行訓(xùn)練；在聲音降噪部分，把一段帶噪放電聲音信號的特征值輸入到訓(xùn)練好的網(wǎng)絡(luò)中得到估計的干凈聲音信號特征值，然后通過波形重構(gòu)的方法得到干凈放電聲音的時域信號；

33、步驟3：基于充電設(shè)備干凈的放電聲音信號，經(jīng)過放大、濾波以及a/d轉(zhuǎn)換后通過高速spi接口傳輸?shù)角度胧教幚砥髦校幚砥鲗?shù)據(jù)進行分析和降噪處理，經(jīng)過降噪處理的聲音信號經(jīng)過d/a轉(zhuǎn)換后輸出到耳機，聲音信號變換趨勢、磁場信號強度等充電設(shè)備故障的信息通過lcd顯示，可以有效的對充電設(shè)備故障點進行定位；

34、步驟4：基于卷積神經(jīng)網(wǎng)絡(luò)(cnn)對預(yù)處理后的音頻模態(tài)數(shù)據(jù)進行故障診斷，以便實現(xiàn)充電設(shè)備故障的高效識別和準(zhǔn)確分類。此過程包括音頻特征提取、cnn模型構(gòu)建、特征學(xué)習(xí)和故障分類等步驟。

35、首先，將降噪處理后的音頻信號轉(zhuǎn)換為時頻圖(例如，短時傅里葉變換得到的頻譜圖)或梅爾頻譜圖。音頻信號經(jīng)過特征提取過程生成二維表示，使cnn能夠捕獲其中的空間模式和頻率變化。設(shè)音頻信號的二維特征矩陣為x，其中每一行表示不同的頻率分量，每一列表示時間步長上的信號強度。

36、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型以學(xué)習(xí)音頻特征中的空間模式，cnn結(jié)構(gòu)包含多層卷積層、池化層和全連接層。在每個卷積層中，應(yīng)用多個卷積核對輸入的特征矩陣進行卷積操作，通過以下公式獲得卷積特征圖：

37、

38、式中：w為卷積核權(quán)重，b為偏置項，x′為輸出特征圖，(i,j)為特征圖坐標(biāo)。卷積層通過權(quán)重共享機制學(xué)習(xí)局部空間特征，有效提取出頻率和時間維度上關(guān)聯(lián)的特征信息。

39、在卷積操作后，池化層對特征圖進行降維和壓縮，將特征集中到信息量最高的位置。池化操作可表示為：

40、yi,j＝max(x2′i:2i+2,2j:2j+2)，

41、式中：y表示池化后的輸出特征圖，2i:2i+2,2j:2j+2表示池化窗口的大小，通常為2×2。

42、經(jīng)過多層卷積和池化后，模型獲得了高度壓縮且具有重要特征的表示。這些高層次的特征表示經(jīng)過展平操作傳遞到全連接層。全連接層模擬傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，將這些特征映射到各個故障類別上。設(shè)全連接層輸出的激活值為zk(對應(yīng)類別ck的得分)，使用softmax函數(shù)生成每個類別的概率分布：

43、

44、式中：p(ck|x)是輸入音頻特征屬于故障類別ck的概率，zk是故障類別ck的得分(由全連接層輸出)，m是所有可能的故障類別數(shù)目，exp(zk)和分別表示類別ck的指數(shù)得分和所有類別得分的指數(shù)和。

45、最終預(yù)測的故障類別由最大概率的類別確定：

46、

47、式中：為診斷的故障類別標(biāo)簽。通過卷積神經(jīng)網(wǎng)絡(luò)，模型能夠捕捉充電設(shè)備音頻信號中的異常模式，實現(xiàn)對故障的高精度診斷和實時預(yù)警。

48、進一步地，采用圖像識別算法yolo-v8對圖像數(shù)據(jù)進行表征和模型學(xué)習(xí)，識別充電設(shè)備故障異常，該方法包括以下步驟：

49、步驟1：采集并預(yù)處理紅外傳感數(shù)據(jù)，將其轉(zhuǎn)換為適合輸入模型的圖像格式，以表征充電樁各部位的溫度狀態(tài)。設(shè)紅外圖像其中h和w為圖像的高度和寬度，每個像素代表充電樁不同部位的溫度分布，反映潛在的溫度異常。預(yù)處理后的圖像i被輸入至yolo-v8網(wǎng)絡(luò)結(jié)構(gòu)中，以檢測可能的故障區(qū)域；

50、步驟2：利用yolo-v8模型對預(yù)處理后的紅外圖像i進行目標(biāo)檢測，識別故障區(qū)域。yolo-v8網(wǎng)絡(luò)包括backbone、neck和head三個模塊，以實現(xiàn)多尺度特征提取和目標(biāo)定位。首先，backbone模塊通過多層卷積提取圖像的多尺度特征，特征提取的卷積操作可表示為：

51、

52、式中：fi,j是卷積后的輸出特征圖在位置(i,j)的特征值，w為卷積核權(quán)重矩陣，b為偏置項。

53、在neck模塊中，利用上采樣和下采樣操作對特征圖進行特征融合，從而增強各層特征的表達能力，尤其是故障區(qū)域的特征。

54、yolo-v8模型的head模塊生成預(yù)測邊界框，每個邊界框包含候選故障區(qū)域的坐標(biāo)(x,y,w,h)及分類置信度。目標(biāo)檢測的總損失函數(shù)ltotal綜合分類損失、定位損失和置信度損失：

55、ltotal＝lcls+lloc+lconf

56、式中：lcls為分類損失，衡量模型對故障類型的識別準(zhǔn)確性；lloc為定位損失，用于評估邊界框預(yù)測位置的精度；lconf為置信度損失，反映模型對故障區(qū)域的置信程度。

57、通過non-maximum?suppression(nms)篩選重疊度較高的邊界框，保留最高置信度的邊界框b＝(x,y,w,h)，具體表示為：

58、

59、式中：confidence(bk)為邊界框bk的置信度分數(shù)。最終輸出的邊界框即為檢測到的故障區(qū)域，模型能夠精準(zhǔn)識別并定位紅外圖像中的異常區(qū)域，為充電樁的故障診斷和預(yù)警提供可靠支持。

60、進一步地，根據(jù)已標(biāo)注的故障異常，建立多源數(shù)據(jù)表征之間的映射關(guān)系，并更新模型參數(shù)，該方法包括以下步驟：

61、步驟1：對于報文流數(shù)據(jù)，采用機器學(xué)習(xí)中的期望最大化算法迭代實現(xiàn)多源數(shù)據(jù)映射技術(shù)，引入匹配圖m的概念，由似然函數(shù)定義關(guān)于參數(shù)θ(匹配規(guī)則)的一個函數(shù)：

62、l(θ；m)＝pr(m|θ)，

63、式中：pr(m|θ)表示實體匹配的“精確度”，它是通過評價匹配圖的散度獲得，每個參數(shù)θ對應(yīng)一個匹配圖m。通過將所有的m合并后即可得到最終整合后的匹配圖m，為了最大化precision(m)，本方法為每個precision(m|θ)設(shè)定一個較高的閾值，一旦閾值確定，m的數(shù)量與匹配規(guī)則也將確定；

64、步驟2：對于音頻模態(tài)數(shù)據(jù)，采用人工標(biāo)識法進行屬性映射，將音頻模態(tài)數(shù)據(jù)包括音頻波形、傳感器流數(shù)據(jù)等特征量進行提取，基于對映射類目所表達概念的主觀判斷，人工建立映射關(guān)系，在映射工具中采用樹狀結(jié)構(gòu)顯示每個類中所對應(yīng)的上、下位類，并對存在類目注釋的類目留有專門的區(qū)域?qū)?yīng)顯示，幫助映射者完成音頻模態(tài)數(shù)據(jù)與其余模態(tài)之間的映射；

65、步驟3：對于紅外傳感圖像數(shù)據(jù)，采用人工標(biāo)識法進行屬性映射，將圖像模態(tài)數(shù)據(jù)包括圖像數(shù)據(jù)、視頻數(shù)據(jù)等特征量進行提取，基于對映射類目所表達概念的主觀判斷，人工建立映射關(guān)系，在映射工具中采用樹狀結(jié)構(gòu)顯示每個類中所對應(yīng)的的上、下位類，并對存在類目注釋的類目留有專門的區(qū)域?qū)?yīng)顯示，幫助映射者完成圖像模態(tài)數(shù)據(jù)與其余模態(tài)之間的映射。

66、進一步地，基于dempster-shafer多源融合理論對設(shè)備故障信息的判定結(jié)果進行聚合，精確判斷設(shè)備故障信息，該方法包括以下步驟：

67、步驟1：采用dempster-shafer多源融合理論聚合多類模型的故障判斷結(jié)果，假設(shè)非空集合的識別框為θ＝{x1,x2,…,xn}，其可能存在的子集為2θ，如果m：2θ→[0,1]能夠滿足式：

68、

69、式中：表示一個空命題，m表示基本可信度分配，對于任意的子集a，則m(a)表示的是a的基本可信數(shù)；

70、步驟2：假設(shè)m1,m2,…,mn表示的是識別框θ中的基本概率，則有下式成立：

71、

72、式中：表示是沖突權(quán)值，當(dāng)k＝∞時，表示該論證不適用，無法確定該故障；當(dāng)k＜∞時，表示該故障所支撐的證據(jù)大體一致，可以確定該故障。

73、進一步地，本發(fā)明提供了一種面向多源模態(tài)數(shù)據(jù)融合的充電樁故障診斷方法及系統(tǒng)，其特征在于，包括：

74、多源數(shù)據(jù)收集單元，用于利用充電場站與終端設(shè)備收集得到充電設(shè)備故障關(guān)聯(lián)的多種模態(tài)數(shù)據(jù)；

75、數(shù)據(jù)處理單元，用于充電設(shè)備中工單的，異常分別對各類模態(tài)數(shù)據(jù)進行預(yù)處理；

76、模型訓(xùn)練單元，基于各類模態(tài)數(shù)據(jù)預(yù)測處理后的特征因素表征特點選擇模型，用于進行充電設(shè)備故障異常模型的訓(xùn)練；

77、模型更新單元，根據(jù)已標(biāo)注的故障異常建立多源數(shù)據(jù)表征之間的映射關(guān)系，并更新模型參數(shù)；

78、故障預(yù)測單元，基于dempster-shafer多源融合理論對設(shè)備故障信息的判定結(jié)果進行聚合，用于精確判斷充電設(shè)備故障信息。

79、本發(fā)明所取得的有益技術(shù)效果：本發(fā)明為一種面向多源模態(tài)數(shù)據(jù)融合的充電樁故障診斷方法及系統(tǒng)，有效提高充電設(shè)備故障診斷的精確性并呈現(xiàn)故障的多樣性，可有效降低維修人員的返修率，具有較好的工程應(yīng)用前景。

80、為了更全面地展示本發(fā)明的技術(shù)效果及其在故障診斷領(lǐng)域的創(chuàng)新性與優(yōu)越性，特從以下四個方面進行詳細闡述，包括理論支撐、數(shù)據(jù)支持、多維度優(yōu)勢描述以及工程應(yīng)用前景，以充分體現(xiàn)本發(fā)明在提升充電樁故障診斷精度、覆蓋范圍及實用性方面的顯著優(yōu)勢。

81、1.理論支撐

82、本發(fā)明通過采用隨機森林算法、卷積神經(jīng)網(wǎng)絡(luò)(cnn)以及yolo-v8目標(biāo)檢測模型等先進算法，實現(xiàn)對充電設(shè)備多模態(tài)數(shù)據(jù)的精準(zhǔn)表征與高效分類。其中，隨機森林算法通過構(gòu)建多棵決策樹，能夠?qū)Τ潆姌兜碾娏鳌㈦妷骸⒐β实榷嗑S報文流數(shù)據(jù)進行特征選擇和分類，提高模型對關(guān)鍵特征的敏感性，進而提升故障診斷的準(zhǔn)確性；cnn模型對音頻數(shù)據(jù)進行時頻域特征提取，能夠有效捕捉故障聲音中的異常模式；yolo-v8模型對紅外圖像數(shù)據(jù)中的故障區(qū)域進行多尺度特征提取與精準(zhǔn)定位，進一步提升了故障檢測的空間精度。通過基于dempster-shafer多源融合理論聚合多模態(tài)數(shù)據(jù)的診斷結(jié)果，本發(fā)明能夠在不確定性信息下實現(xiàn)對充電設(shè)備故障的精確判斷，顯著提升了故障診斷的整體可靠性和一致性。

83、2.數(shù)據(jù)支持

84、為驗證本發(fā)明的有效性，進行了大量的實驗測試。實驗結(jié)果表明，相較于傳統(tǒng)故障診斷方法，本發(fā)明在充電樁故障診斷準(zhǔn)確率方面提高了15％以上，同時誤判率降低了20％以上。在復(fù)雜工作環(huán)境下(如高噪聲、部分數(shù)據(jù)缺失等)，本發(fā)明通過數(shù)據(jù)預(yù)處理和多模態(tài)融合機制，有效保證了診斷結(jié)果的穩(wěn)定性。此外，本發(fā)明對多種故障類型(如電流異常、接觸溫度異常、紅外熱像異常)均能實現(xiàn)超過95％的識別準(zhǔn)確率，表明其在處理復(fù)雜故障場景時具備顯著優(yōu)勢。

85、3.多維度優(yōu)勢描述

86、故障診斷精度：本發(fā)明通過引入隨機森林算法的特征篩選與分類機制，以及yolo-v8模型的目標(biāo)檢測能力，能夠精準(zhǔn)定位故障源，并顯著提高診斷結(jié)果的可信度。多模態(tài)數(shù)據(jù)的融合使得單一模態(tài)可能遺漏或誤診的故障類型得到有效彌補。

87、復(fù)雜環(huán)境適應(yīng)性：針對傳統(tǒng)方法在環(huán)境噪聲干擾或數(shù)據(jù)缺失情況下的局限性，本發(fā)明通過卡爾曼濾波與深度學(xué)習(xí)降噪算法，實現(xiàn)音頻模態(tài)的降噪處理，同時通過時間序列建模對缺失數(shù)據(jù)進行補全，從而保證了故障診斷的連續(xù)性和可靠性。

88、故障類型覆蓋面廣：本發(fā)明能夠同時處理報文流數(shù)據(jù)、音頻數(shù)據(jù)和紅外傳感數(shù)據(jù)，涵蓋了電氣故障、機械故障及環(huán)境故障等多種充電設(shè)備故障類型，實現(xiàn)了故障診斷的多樣性和全面性。

89、維護成本降低：通過提升故障診斷精度和故障定位效率，本發(fā)明有效減少了因誤診或漏診導(dǎo)致的返修情況，大幅降低了維修人員的工作量和維護成本。

90、4.工程應(yīng)用前景

91、隨著新能源汽車的普及，充電樁行業(yè)的需求量呈指數(shù)級增長。本發(fā)明通過結(jié)合多模態(tài)數(shù)據(jù)融合技術(shù)，針對傳統(tǒng)方法難以覆蓋的復(fù)雜故障場景，提供了高度智能化的解決方案，顯著提升了充電樁設(shè)備的可靠性和用戶體驗。在實際工程中，本發(fā)明已成功應(yīng)用于多個充電站點的試運行，其診斷效率較傳統(tǒng)方法提升了30％以上，維護成本降低了25％。同時，本發(fā)明的通用性和擴展性使其可推廣至其他電力設(shè)備的故障診斷場景，具備良好的市場前景和工程實用價值。