元の名称記録: 重庆渝电质量检测有限公司

本发明公开了直流充电桩故障诊断方法及系统，方法如下：对获取的直流充电桩故障信号进行采样，形成多源故障数据集；利用皮尔逊相关系数对经VMD‑LMD分解得到的多尺度融合特征进行筛选，得到与原始数据关联性较强的特征，利用堆叠稀疏自编码器降低数据维度；将训练集输入进CNN‑ISSA‑BiLSTM模型进行训练，利用交叉熵损失函数计算模型的损失值；向SSA中引入得到ISSA，利用ISSA对在训练过程中的CNN‑BiLSTM模型进行迭代寻优，直至寻优终止，得到最佳故障诊断模型；将测试集输入已训练好的模型进行未知故障的分类，计算模型的分类准确率、精确率和F1‑score，实现直流充电桩故障诊断。本发明能有效解决现有发明的抗噪性较低问题，提升模型的故障诊断精度。

本发明公开了基于CGAN‑BiLSTM的直流充电桩整流器开路故障诊断方法，包括以下步骤：采集整流器典型开路故障信号；提取故障信号的时域量纲特征，利用SSAE对其进行编码。获得关键稀疏特征，并将其作为CGAN的条件输入信息；训练CGAN的生成器和判别器，根据判别器得到的判别结果，分别对生成器和判别器进行更新，当模型达到纳什平衡时，获得的新生成样本与之前的归一化数据融合，形成质量扩充数据样本；将划分好的训练集输入进CGAN‑BiLSTM模型中进行训练，利用交叉熵损失函数计算模型的损失值，通过反向传播算法更新模型参数，直到模型收敛。本发明能有效解决因充电桩故障样本少引起的训练样本不平衡而导致的模型诊断精度较低问题。

本发明公开了直流充电桩整流器开路故障诊断方法，包括以下步骤：采集整流器IGBT开路故障信号；利用小波变换获得故障信号的时频域图像；利用变分模态分解提取故障信号的IMF分量，计算各IMF分量的时域量纲特征，并进行皮尔逊相关系数筛选，将筛选出的特征进行重构后得到新的特征信号；将分别经MSCNN和BiGRU提取到的特征进行融合并引入SHAP，构成具有可解释性的双通道深度学习模型；将划分好的训练集输入进双通道深度学习模型中进行训练，直至模型收敛；将测试集输入训练后的双通道深度学习模型中进行未知故障分类，完成直流充电桩整流器开路故障诊断。本发明能有效解决因单一通道模型的诊断稳定性差所导致的模型诊断准确率较低问题。