[发明专利]一种基于CWT与ResNet的DC-DC变换器故障诊断方法及装置

说明书

本发明涉及一种基于CWT与ResNet的DC‑DC变换器故障诊断方法及装置，该方法通过连续小波变换将DC‑DC变换器所在电路的预处理电路信号转换为CWT时频图；将CWT时频图输入残差神经网络故障诊断模型，获得DC‑DC变换器故障诊断结果，诊断结果包括故障类型以及对应的故障概率；残差神经网络故障诊断模型为ResNet型神经网络结构；残差神经网络故障诊断模型包括输出层，输出层包括依次包括平均池化层、全连接层和SoftMax分类器。通过连续小波变换和残差神经网络故障诊断模型相结合来实现对DC‑DC变换器故障，能够有效提高对DC‑DC变换器故障的诊断精度。

技术领域

本发明涉及DC-DC变换器故障诊断技术领域，特别是涉及一种基于CWT与ResNet的DC-DC变换器故障诊断方法及装置。

背景技术

DC-DC变换器是集成电路中的重要器件，已广泛应用于光伏发电系统、新能源电池电控系统、航空航天充电设备以及5G通讯技术等领域。DC-DC变换器在各类电子设备中承担着不同电压之间的转换功能，有着不可替代的作用。DC-DC变换器相应电源电路的正常工作是整个电子设备稳定运行的前提，其可靠性直接影响着电子设备运行的可靠性，因此对DC-DC变换器进行状态检测与故障诊断极为重要。

现有技术中，对DC-DC变换器的故障诊断方法主要通过信号获取、特征提取、分类与拟合来实现硬故障识别与参数退化识别，最后根据故障情况，来对系统进行保护决策与剩余寿命预测。

然而，当前DC-DC变换器的使用环境通常为具有随机动态负载的大规模集成系统，大规模集成系统的传感器数量随系统集成度呈指数型增加，对于集成度较高的集成系统，现有的DC-DC变换器故障诊断方法精确度低，泛化能力弱，且在随机动态负载情况下，采集的电压电流数据不稳定，会进一步降低DC-DC变换器故障诊断精度。

发明内容

基于此，有必要针对上述技术问题，提供一种具有较高的诊断精度的基于CWT与ResNet的DC-DC变换器故障诊断方法及装置。

第一方面，本发明提供了一种基于CWT与ResNet的DC-DC变换器故障诊断方法。所述方法包括：

通过连续小波变换将DC-DC变换器所在电路的预处理电路信号转换为CWT时频图；

将所述CWT时频图输入残差神经网络故障诊断模型，获得DC-DC变换器故障诊断结果，所述诊断结果包括故障类型以及对应的故障概率；

所述残差神经网络故障诊断模型为ResNet型神经网络结构；

所述残差神经网络故障诊断模型包括输出层，所述输出层包括依次包括平均池化层、全连接层和SoftMax分类器。

在其中一个实施例中，所述方法还包括：

利用T_SNE对所述残差神经网络故障诊断模型的故障诊断效果进行可视化。

在其中一个实施例中，所述连续小波变换采用db3小波对所述预处理电路信号进行分解，提取预处理电路信号对应的CWT时频图。

在其中一个实施例中，所述残差神经网络故障诊断模型还包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层；

所述第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和输出层依次排列；

所述第一卷积层的卷积核大小为7×7，卷积核的数量为64，步长为2，最大池化层大小为3×3，最大池化层的步长为2，所述第一卷积层的输出尺寸为112×112；

所述第二卷积层的输出矩阵为输出尺寸为56×56；

所述第三卷积层的输出矩阵为输出尺寸为28×28；

所述第四卷积层的输出矩阵为输出尺寸为14×14；