一种基于人工智能的无线充电设备故障检测方法及系统与流程

本发明属于无线充电，具体是指一种基于人工智能的无线充电设备故障检测方法及系统。

背景技术：

1、无线充电设备故障检测可以及时发现设备故障，缩短故障排除的时间，降低了维修成本，提高了设备的可靠性和安全性，有助于推动无线充电技术的发展。但在现有的无线充电设备故障检测过程中，存在无线充电设备的故障机制复杂多样，故障信号包含难以捕捉的非线性特征，影响故障检测的性能和效果的技术问题；存在缺少一种适应不同设备型号的故障检测模型，进而影响了用于无线充电设备故障检测的系统的实用性的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的无线充电设备故障检测方法及系统，针对在无线充电设备故障检测过程中，存在无线充电设备的故障机制复杂多样，故障信号包含难以捕捉的非线性特征，影响故障检测的性能和效果的技术问题，本方案采用核主成分分析进行特征提取，将数据映射到高维特征空间，可以充分挖掘数据的非线性结构，能够更有效地捕捉关键特征，有助于提高故障检测的性能和效果；针对在无线充电设备故障检测过程中，存在缺少一种适应不同设备型号的故障检测模型，进而影响了用于无线充电设备故障检测的系统的实用性的技术问题，本方案采用基于最小二乘支持向量机的模型构建，能够充分利用已有的少量故障样本进行模型构建，具有更强的泛化能力，更好地应对实际应用中出现的新样本和未知故障情况。

2、本发明采取的技术方案如下：本发明提供的一种基于人工智能的无线充电设备故障检测方法，该方法包括以下步骤：

3、步骤s1：数据采集，具体为获取无线充电设备数据和状态标签；

4、步骤s2：数据预处理；

5、步骤s3：特征提取，具体为采用rbf核函数将标准数据映射到高维特征空间，通过对标准数据进行核主成分分析，计算得到特征向量；

6、步骤s4：故障检测模型构建，具体为基于最小二乘支持向量机进行模型构建，采用贝叶斯优化算法进行超参数优化，计算得到优化后的拉格朗日乘子和线性回归偏置项，依据优化后的拉格朗日乘子和线性回归偏置项，结合特征向量和目标向量进行模型训练，得到无线充电设备故障检测模型；

7、步骤s5：故障检测报告生成。

8、进一步地，在步骤s1中，所述无线充电设备数据包括电压数据和温度数据，所述状态标签包括0和1，0表示正常运行，1表示存在故障。

9、进一步地，在步骤s2中，所述数据预处理，包括以下步骤：

10、步骤s21：去除噪声，具体为基于小波变换去除无线充电设备数据中的噪声，得到去噪小波系数，通过对去噪小波系数进行小波重构，得到去噪数据；

11、步骤s22：删除异常值，具体为计算每行去噪数据的变化率，将变化率超出均值3个标准差的数据删除，并采用z分数标准化方法进行标准化，得到标准数据。

12、进一步地，在步骤s3中，所述特征提取，具体为采用核主成分分析进行特征提取，包括以下步骤：

13、步骤s31：采用rbf核函数将标准数据映射到高维特征空间，计算协方差矩阵，计算公式为：

14、；

15、式中，dx是协方差矩阵，m是标准数据的样本数量，β（）是rbf核函数，t是转置操作，a是标准数据；

16、步骤s32：通过核矩阵均值中心化处理，计算得到均值中心化核矩阵，计算公式为：

17、；

18、式中，dcer是均值中心化核矩阵，d是核矩阵，1m是m维的全1矩阵；

19、步骤s33：特征值分解并计算系数向量，具体为通过对协方差矩阵进行特征值分解，得到特征值和特征向量，依据特征值和特征向量计算每个特征向量对应的系数向量，计算公式为：

20、；

21、式中，j是特征分量索引，所述特征分量索引是特征向量、特征值和系数向量的共同索引，yj是第j个特征向量，γj是第j个特征值，bj是第j个系数向量；

22、步骤s34：依据系数向量，计算核分量，用于表示标准数据的特征，计算公式为：

23、；

24、式中，pj（z）是第z个标准数据样本在第j个特征向量上的核分量，z是标准数据样本索引，a(z)是第z个标准数据样本，是核向量，所述核向量用于表示第z个标准数据样本与所有标准数据样本之间的核相似度；

25、步骤s35：通过对标准数据进行核主成分分析，计算得到特征向量。

26、进一步地，在步骤s4中，所述故障检测模型构建，具体为基于最小二乘支持向量机进行模型构建，包括以下步骤：

27、步骤s41：构建线性回归函数，具体为接收特征向量作为模型的输入向量，依据状态标签创建目标向量，依据输入向量和目标向量构建线性回归函数，计算公式为：

28、；

29、式中，i是输入向量索引，xi是第i个输入向量对应的目标向量，w是线性回归权重，μ（）是映射核函数，si是第i个输入向量，r是线性回归偏置项；

30、步骤s42：依据结构风险最小化准则构建最小化目标函数和约束条件，计算公式为：

31、；

32、式中，α是误差因子，是最小化目标函数，所述最小化目标函数用于求解使目标函数最小化的变量，所述变量包括线性回归权重w、线性回归偏置项r和误差因子α，f（w，αi）是目标函数，是正则化项，所述正则化项用于平衡模型的复杂性和拟合误差，是误差项，δ是正则化参数，v是输入向量维度，表示约束条件，所述约束条件用于限制目标向量与实际目标值之间的误差；

33、步骤s43：构建拉格朗日函数引入拉格朗日乘子，所述拉格朗日函数的计算公式为：

34、；

35、式中，g（w，α，h，r）是拉格朗日函数，hi是第i个输入向量对应的拉格朗日乘子；

36、步骤s44：依据kkt优化条件和拉格朗日函数，构建模型优化问题的矩阵形式，采用贝叶斯优化算法进行超参数优化，计算得到优化后的拉格朗日乘子和线性回归偏置项，所述模型优化问题的矩阵形式的计算公式为：

37、；

38、式中，u是索引矩阵，所述索引矩阵用于表示输入向量索引，q是核函数矩阵，i是v阶单位矩阵，x是目标向量；

39、步骤s45：依据优化后的拉格朗日乘子和线性回归偏置项，结合特征向量和目标向量进行模型训练，得到无线充电设备故障检测模型；

40、步骤s46：依据无线充电设备故障检测模型计算模型输出，计算公式为：

41、。

42、进一步地，在步骤s5中，所述故障检测报告生成，具体为采用无线充电设备故障检测模型进行故障检测，得到故障检测数据并生成故障检测报告。

43、本发明提供的一种基于人工智能的无线充电设备故障检测系统，包括：数据采集模块、数据预处理模块、特征提取模块、故障检测模型构建模块和故障检测报告生成模块；

44、所述数据采集模块，用于数据采集，具体为收集无线充电设备故障检测相关数据，通过采集得到无线充电设备数据和状态标签，并将所述无线充电设备数据发送至数据预处理模块，将所述状态标签发送至故障检测模型构建模块；

45、所述数据预处理模块，用于数据预处理，具体为通过对所述无线充电设备数据进行预处理，得到标准数据，并将所述标准数据发送至特征提取模块；

46、所述特征提取模块，用于特征提取，具体为采用核主成分分析对所述标准数据进行特征提取，得到特征向量，并将所述特征向量发送至故障检测模型构建模块；

47、所述故障检测模型构建模块，用于故障检测模型构建，具体为基于最小二乘支持向量机进行模型构建，得到无线充电设备故障检测模型，并将所述无线充电设备故障检测模型发送至故障检测报告生成模块；

48、所述故障检测报告生成模块，具体为采用无线充电设备故障检测模型进行故障检测，得到故障检测数据并生成故障检测报告。

49、采用上述方案本发明取得的有益效果如下：

50、（1）针对在无线充电设备故障检测过程中，存在无线充电设备的故障机制复杂多样，故障信号包含难以捕捉的非线性特征，影响故障检测的性能和效果的技术问题，本方案采用核主成分分析进行特征提取，将数据映射到高维特征空间，可以充分挖掘数据的非线性结构，能够更有效地捕捉关键特征，有助于提高故障检测的性能和效果。

51、（2）针对在无线充电设备故障检测过程中，存在缺少一种适应不同设备型号的故障检测模型，进而影响了用于无线充电设备故障检测的系统的实用性的技术问题，本方案采用基于最小二乘支持向量机的模型构建，能够充分利用已有的少量故障样本进行模型构建，具有更强的泛化能力，更好地应对实际应用中出现的新样本和未知故障情况。