[发明专利]一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法

说明书

本发明涉及一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法，属于医疗电子设备故障诊断领域。该方法利用多通道数据采集卡采集医疗电子设备开关电源不同故障状态下多个关键测试点的电信号数据，然后利用一维卷积神经网络和双向长短时记忆网络分别提取空间维度和时间维度的不同特征，并通过等比例特征图相加方式将不同维度特征进行融合，建立多维度特征融合故障诊断模型，最后利用Adam算法对模型参数进行优化，实现医疗电子设备开关电源无图纸芯片级故障智能诊断。本发明有效克服单一特征给故障诊断结果带来的片面性，能够准确识别开关电源多种常见故障类型，准确率优于基于单一特征的故障诊断方法。

技术领域

本发明属于医疗电子设备故障诊断领域，涉及一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法。

背景技术

医疗电子设备能否发挥其最大效能，除了与本身的技术性能有直接关系外，还和供电电源的质量有着极其重要的关系。由于开关电源长时间承受高电压、强电流的冲击，导致其故障频发，同时生产厂家为了获取维修利润也不再提供详尽的电路图等信息，导致开关电源维修难、维修贵。目前基于机器学习方法已在故障诊断领域取得了广泛的应用，但仍存在一定的缺陷：1)对电信号特征的提取大多是根据人工经验来完成，具有一定主观性；2)对数据的表达能力有限，难以学习复杂的非线性关系。

相比于浅层机器学习来说，深度学习是以数据的原始形态作为算法的输入，利用各种数据挖掘技术获取其中隐含的有用信息，表征系统运行模式，进而达到检测与诊断的目的，这期间不夹杂任何人为操作，模型更具有客观性，成为目前较为实用的诊断技术。深度学习中最为典型两种模型是卷积神经网络和长短时记忆网络，特别适用于图像信息处理和时序信息处理，其应用在故障诊断领域也取得一定的成就。

对于开关电源电信号而言，卷积神经网络是针对电信号的波形进行空间形态特征提取，无法提取不同时刻电信号之间的关系，而长短时记忆网络则是通过对不同时刻的电信号进行有选择的记忆和遗忘，实现长期记忆，从而提取开关电源电信号时间维度特征。若仅根据开关电源电信号的单一维度特征进行故障诊断，其诊断结果并不可靠。因此将多维度特征信息进行融合，降低或抑制随机干扰等不确定因素的影响，提高医疗电子设备开关电源故障诊断的准确性、可靠性和有效性。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的医疗电子设备开关电源无图纸故障诊断方法，无需人工提取开关电源电信号特征，自动完成端到端的芯片级故障诊断，有效解决医疗电子设备开关电源因故障频发且缺少图纸等信息而导致其维修难、维修贵的问题。

为达到上述目的，本发明提供如下技术方案：

一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法，利用多通道数据采集卡采集医疗设备开关电源不同故障状态下多个关键测试点的电信号数据，然后利用深度学习中的一维卷积神经网络和双向长短时记忆网络分别提取空间维度和时间维度的不同特征，并通过等比例特征图相加方式将不同维度特征进行融合，建立多维度特征融合故障诊断模型，克服单一维度特征给诊断结果带来的片面性，最后利用Adam算法对模型参数进行优化，实现医疗设备开关电源无图纸芯片级故障智能诊断。该故障诊断方法的具体步骤为：

S1：根据常见故障类型以及核心芯片功能对医疗电子设备开关电源进行功能模块划分，并选取关键测试点；

S2：基于LabVIEW和数据采集卡完成开关电源正常状态和不同故障状态下多通道电信号数据采集及预处理；

S3：基于双向长短时记忆网络提取开关电源多通道电信号时间维度特征；

S4：基于一维卷积神经网络提取开关电源多通道电信号空间维度特征；

S5：根据提取的不同维度特征，建立基于多维度特征融合的开关电源故障诊断模型；

S6：训练Softmax分类器对医疗电子设备开关电源状态进行分类和识别；