(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111435836.0 (22)申请日 2021.11.29 (71)申请人 青岛科技大 学 地址 266000 山东省青岛市崂山区松岭路 99号 (72)发明人 高德欣　林西浩　杨清　张世玉　 杜玉蓉　 (74)专利代理 机构 青岛中天汇智知识产权代理 有限公司 37241 代理人 孟琦 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/06(2020.01) G06F 119/10(2020.01) (54)发明名称 基于Tri-Training和深度学习的电动汽车 大功率直流充电设备故障诊断方法 (57)摘要 本发明公开了一种基于Tri ‑Training和深 度学习的电动汽车大功率直流充电设备故障诊 断方法， 包括： 1、 选取电动汽车大功率直流充电 设备的历史运行状态数据， 构建数据集； 2、 将数 据集划分为训练集、 测试集， 并对其进行预处理； 3、 使用Tri ‑Training方法对大量的无标签数据 进行分类， 获得具有高置信度的伪标签数据； 4、 使用训练集数据和伪标签数据构建并训练充电 设备故障诊断模型， 并使用测试集评估模型性 能； 5、 将目标检测数据输入到充电设备 故障诊断 模型， 得到诊断结果， 实现所述充电设备的故障 诊断。 本发 明对所述充电设备的大量无标签数据 进行了充分的利用， 降低了对标签数据的依赖， 实现了充电设备故障的准确诊断。 权利要求书2页 说明书6页 附图5页 CN 114091183 A 2022.02.25 CN 114091183 A 1.基于Tri ‑Training和深度学习的电动汽车大功率直流充电设备故障诊断方法， 其特 征在于， 包括以下步骤： 步骤S1： 选取电动汽车 大功率直流充电设备的历史运行状态数据， 构建数据集； 步骤S2： 将数据集划分为训练集、 测试集， 并对其进行 预处理； 步骤S3： 使用Tri ‑Training方法对大量的无标签数据进行分类， 获得具有高置信度的 伪标签数据； 步骤S4： 使用训练集数据和伪标签数据构建并训练充电设备故障诊断模型， 并使用测 试集评估 模型性能； 步骤S5： 将目标检测数据输入到充电设备故障诊断模型， 得到诊断结果， 实现所述充电 设备的故障诊断。 2.根据权利1要求的基于Tri ‑Training和深度学习的电动汽车大功率直流充电设备故 障诊断方法， 其特征在于， 所述步骤S1中选取 的充电设备运行状态包括正常运行状态和故 障状态， 故障状态 为充电设备的各种常见故障， 包括直流母线输出过电压故障、 直流母线输 出过电流 故障、 直流母线输出接触器故障、 电动汽 车BMS通信故障、 充电设备绝缘检测故障、 充电模块过温故障、 充电模块输入缺相故障等。 3.根据权利1要求的基于Tri ‑Training和深度学习的电动汽车大功率直流充电设备故 障诊断方法， 其特征在于， 所述步骤S1中选取 的充电设备运行状态数据包括但不局限于充 电设备输入电压、 充电设备输入电流、 充电设备输出电压、 充电设备输出电流、 充电设备输 出功率、 车辆充电需求电压、 车辆充电需求电流、 充电设备直流母线电压、 直流断路器状态、 电池温度、 电池设定温度、 散热风扇状态、 辅助单元输出电压、 充电时长、 绝缘检测模块状态 等信息。 4.根据权利1要求的基于Tri ‑Training和深度学习的电动汽车大功率直流充电设备故 障诊断方法， 其特 征在于， 所述 步骤S2中对数据集进行 预处理， 具体包括以下操作： 步骤S21： 缺失值的处理， 根据数据的重要性程度， 采用删除变量或者统计量填充 的方 法进行处 理； 步骤S22： 异常值的处 理， 对于数据集中的异常数据， 执 行删除操作； 步骤S23： 数据的归一化， 通过极差标准化的方法将数据的范围转化到0 ‑1之间， 其中， 为原始数据x归一化的结果， xmax， xmin为数据的最大值与 最小值。 5.根据权利1要求的基于Tri ‑Training和深度学习的电动汽车大功率直流充电设备故 障诊断方法， 其特征在于， 所述步骤S3中Tr i‑Training方法是一种基于分 歧的分类方法， 不 需要多个充分冗余的视图， 通过单个视图训练三个独立的分类器， 可以实现充电设备无标 签样本的类别预测。 在标签预测过程中， 使用 来判断标记的数据是否满足 要求， 其中， L为原始标记数据集， |Lt|表示第t次迭代基分类器hj和hk为hi(j,k≠i)新标记 的训练集的数量， 表示第t次迭代hj和hk错误率的上限。 6.根据权利1要求的基于Tri ‑Training和深度学习的电动汽车大功率直流充电设备故 障诊断方法， 其特征在于， 所述步骤S4中的充电设备故障诊断模型包括输入层、 特征提取层权　利　要　求　书 1/2 页 2 CN 114091183 A 2和分类层。 其中， 输入层用于输入充电设备经过预 处理后的监测数据； 特征提取层 对预处理 的数据进 行深层次的特征挖掘， 通过深度置信网络(DBN)实现隐藏数据特征的学习； 分类层 实现充电设备运行状态的诊断。 7.根据权利1要求的基于Tri ‑Training和深度学习的电动汽车大功率直流充电设备故 障诊断方法， 其特征在于， 所述步骤S4的深度置信网络采用麻雀搜索算法(SSA)对DBN的各 权重参数进 行优化。 所述SSA有三种类型的麻雀组成； 发现者、 加入者以及捕食者， 其中发现 者通过比较预警值R2与安全值ST的大小进行自身位置的调整； 加入者跟随发现者 并进行监 视以争夺食物； 侦察者通 过判断自身的适应度值fi与当前的最佳适应度值fg， 判断是否处于 危险状态。权　利　要　求　书 2/2 页 3 CN 114091183 A 3