王 娟，饒晶晶

（廣東機(jī)電職業(yè)技術(shù)學(xué)院，廣州 510515）

近年來，隨著工業(yè)技術(shù)的發(fā)展和經(jīng)濟(jì)全球化腳步的推進(jìn)，溫室效應(yīng)、大氣污染等生態(tài)問題愈發(fā)嚴(yán)重?；谄囆袠I(yè)對(duì)空氣污染帶來的一系列問題，世界各國(guó)汽車行業(yè)普遍意識(shí)到汽車行業(yè)節(jié)能減排在未來發(fā)展過程中的重要性。電動(dòng)汽車產(chǎn)業(yè)在一些發(fā)達(dá)國(guó)家已取得一定發(fā)展成果。相比于傳統(tǒng)能源車輛，電動(dòng)汽車具有自身獨(dú)特優(yōu)勢(shì)，例如高能量效率、低溫室氣體排放，以及可以利用可再生能源（例如風(fēng)能和太陽(yáng)能）等，不論是短途通勤還是長(zhǎng)途旅程，電動(dòng)汽車越來越受歡迎。雖然電動(dòng)汽車實(shí)現(xiàn)了綠色環(huán)保的出行方式，但是與傳統(tǒng)能源車輛相比，電動(dòng)汽車電池組的電力容量有限，因此電動(dòng)汽車需要頻繁充電，使得電動(dòng)汽車在行駛過程中，經(jīng)常需要尋找充電樁進(jìn)行再次充電[1]。

隨著石油、煤炭等傳統(tǒng)能源儲(chǔ)備的快速消耗和大氣環(huán)境的惡化，以及各國(guó)政府在交通網(wǎng)絡(luò)中尋求減碳的趨勢(shì)，人們對(duì)能源和環(huán)境問題越來越重視。傳統(tǒng)交通系統(tǒng)中的汽車尾氣排放法規(guī)已變得越來越嚴(yán)格。因此，電動(dòng)汽車（EVS）應(yīng)運(yùn)而生。電動(dòng)汽車已經(jīng)被廣泛研究和開發(fā)，用于更環(huán)保的現(xiàn)代交通系統(tǒng)。在現(xiàn)代交通系統(tǒng)中，電動(dòng)汽車發(fā)揮著極其重要的作用，因?yàn)樗系湍芎摹⒏h(huán)保、更可持續(xù)的綠色減碳原則。作為新一代的交通工具，電動(dòng)汽車在節(jié)能減排、減少人類對(duì)傳統(tǒng)化石能源的依賴方面有著無可比擬的優(yōu)勢(shì)。作為電動(dòng)汽車的衍生形式，越來越多的電動(dòng)出租車也已投入運(yùn)營(yíng)，它們通過攜帶電池來維持行駛，并依靠充電樁進(jìn)行耐久的充電。關(guān)于智能充電樁電源設(shè)備故障診斷的研究相對(duì)較少。

1 深度神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的搭建

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks）是在當(dāng)今時(shí)代下一種重要的信息處理技術(shù)，該技術(shù)運(yùn)行基礎(chǔ)為動(dòng)物神經(jīng)網(wǎng)絡(luò)的行為，進(jìn)而形成算法數(shù)學(xué)模型，對(duì)信息進(jìn)行分布式并行處理。該網(wǎng)絡(luò)中存在復(fù)雜、大量相互關(guān)聯(lián)的節(jié)點(diǎn)（即神經(jīng)元），處理信息過程中能夠運(yùn)用網(wǎng)絡(luò)的復(fù)雜性這一特征達(dá)到信息處理的目的，相關(guān)專業(yè)學(xué)者統(tǒng)一將其定義為神經(jīng)化統(tǒng)計(jì)模型，該模型具有下述功能特性。

（1）模型運(yùn)行基礎(chǔ)為已設(shè)置可調(diào)權(quán)值，同時(shí)也反映神經(jīng)網(wǎng)絡(luò)的連接強(qiáng)度特性；

（2）能夠?qū)λ@輸入數(shù)據(jù)進(jìn)行非線性函數(shù)關(guān)系分析。

人工神經(jīng)網(wǎng)絡(luò)在信息處理過程中體現(xiàn)的優(yōu)勢(shì)為：無需對(duì)特定單元進(jìn)行指定任務(wù)描述，同時(shí)對(duì)所輸入信息能夠進(jìn)行復(fù)雜的、集中的并行處理，因此效率極高。隨著科技的發(fā)展與進(jìn)步，現(xiàn)代神經(jīng)網(wǎng)絡(luò)軟件已經(jīng)超越了最初生物學(xué)啟發(fā)設(shè)計(jì)起點(diǎn)，現(xiàn)代神經(jīng)網(wǎng)絡(luò)技術(shù)在實(shí)際運(yùn)用中更多地是基于信號(hào)處理和統(tǒng)計(jì)學(xué)。在很多相關(guān)軟件中神經(jīng)網(wǎng)絡(luò)已經(jīng)成為重要組成部分，非自適應(yīng)性元素和自適應(yīng)性元素在系統(tǒng)中已經(jīng)做到功能性和自身機(jī)能的充分融合（圖1）。

圖1 深度神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)單元

20世紀(jì)80年代后期，神經(jīng)網(wǎng)絡(luò)模型最早運(yùn)用于實(shí)際生產(chǎn)進(jìn)程中，這一重要轉(zhuǎn)變也是低符號(hào)化機(jī)器學(xué)習(xí)逐步取代高度符號(hào)化人工智能的重要節(jié)點(diǎn)。

（1）激勵(lì)函數(shù)（Activation Rule）：該函數(shù)的特點(diǎn)是各組成神經(jīng)元與相應(yīng)的激勵(lì)值相對(duì)應(yīng)，而該值的改變則由其他神經(jīng)元決定，該改變是由一種動(dòng)力學(xué)規(guī)則來定義的，人工神經(jīng)網(wǎng)絡(luò)模型內(nèi)在運(yùn)行機(jī)制多遵循短時(shí)限的動(dòng)力學(xué)規(guī)則。

（2）學(xué)習(xí)規(guī)則（Learning Rule）：人工神經(jīng)網(wǎng)絡(luò)就其本質(zhì)，遵循原則為長(zhǎng)時(shí)限動(dòng)力學(xué)規(guī)則，該規(guī)則能夠調(diào)整各神經(jīng)元的功能結(jié)構(gòu)并且隨著時(shí)間推進(jìn)調(diào)整權(quán)重。

為了對(duì)智能化車充電樁的故障診斷進(jìn)行測(cè)試與預(yù)測(cè)，采用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)進(jìn)行全方位的深度架構(gòu)，將STN（SPATIO-TEMPORAL NETWORK）最后的輸出部分改為3D-ConvNet，使得該網(wǎng)絡(luò)能同時(shí)輸出多個(gè)時(shí)間步數(shù)的時(shí)空動(dòng)態(tài)故障矩陣。

深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)展示了高緯度的全連接神經(jīng)網(wǎng)絡(luò)的架構(gòu)，在深度網(wǎng)絡(luò)架構(gòu)中，全連接層網(wǎng)絡(luò)架構(gòu)包括輸入、隱藏以及輸出層，在深度神經(jīng)架構(gòu)中的神經(jīng)元中，輸入以及輸出的層級(jí)一般只含有一個(gè)，主要目的就是用于信息的輸入以及輸出，其中的隱藏層主要在輸入與輸出之間，它相當(dāng)于神經(jīng)網(wǎng)絡(luò)的黑匣子，其中含有多個(gè)高緯度高層次的鏈接神經(jīng)元，其中的神經(jīng)元是通過層級(jí)之間不同層的架構(gòu)進(jìn)行連接的，下一層的神經(jīng)系統(tǒng)連接到上一層的神經(jīng)系統(tǒng)，進(jìn)行網(wǎng)絡(luò)的構(gòu)建（圖2）。

圖2 深度神經(jīng)網(wǎng)絡(luò)架構(gòu)系統(tǒng)圖

深度神經(jīng)網(wǎng)絡(luò)（DNN）與常規(guī)神經(jīng)網(wǎng)絡(luò)相比，特點(diǎn)是其隱藏層相對(duì)較多，與之對(duì)應(yīng)的是淺層網(wǎng)絡(luò)，就表達(dá)力而言，深層神經(jīng)網(wǎng)絡(luò)更強(qiáng)，如一個(gè)神經(jīng)網(wǎng)絡(luò)含有一個(gè)隱藏層，但有很多神經(jīng)元，則能夠擬合任意函數(shù)。相鄰層間前一級(jí)如定義為輸入則下一級(jí)即可定義為輸出。

在預(yù)測(cè)充電樁故障時(shí)，輸入模塊、絕緣檢測(cè)模塊、并聯(lián)接觸器檢測(cè)模塊、漏電檢測(cè)模塊、急停按鈕檢測(cè)模塊、識(shí)別模塊、定位模塊、輸出電壓檢測(cè)模塊、溫度檢測(cè)模塊充電時(shí)間控制檢測(cè)模塊和監(jiān)控模塊將檢測(cè)到的數(shù)據(jù)傳輸?shù)綌?shù)據(jù)采集模塊進(jìn)行數(shù)據(jù)處理，并與存儲(chǔ)模塊中的正確數(shù)據(jù)配對(duì)。如果符合要求，說明是正常的。如果在數(shù)據(jù)配對(duì)過程中出現(xiàn)差異，數(shù)據(jù)處理模塊會(huì)通過無線傳輸模塊將錯(cuò)誤信息遠(yuǎn)程報(bào)告給控制室的無線接收模塊。通過傳輸模塊傳輸給維修模塊，促使維修人員快速維修。同時(shí)，集成控制模塊通過驅(qū)動(dòng)模塊向語(yǔ)音模塊、顯示模塊和報(bào)警模塊發(fā)出警報(bào)，警告相應(yīng)的充電樁出現(xiàn)故障，需要維修。臨時(shí)存儲(chǔ)模塊臨時(shí)存儲(chǔ)故障信息并重新啟動(dòng)充電樁，在初始化其內(nèi)部數(shù)據(jù)后，將臨時(shí)存儲(chǔ)模塊中存儲(chǔ)的信息傳輸?shù)酱鎯?chǔ)模塊中，實(shí)現(xiàn)自動(dòng)修正。

計(jì)算機(jī)的計(jì)算能力日益增強(qiáng)，神經(jīng)網(wǎng)絡(luò)的計(jì)算能力相比之前也有了極大的進(jìn)步，所以越來越多的領(lǐng)域已經(jīng)開始使用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模、循環(huán)神經(jīng)網(wǎng)絡(luò)具有非常廣闊的應(yīng)用空間，已在自然語(yǔ)言處理、推薦系統(tǒng)、語(yǔ)音識(shí)別、圖像識(shí)別等方面展開運(yùn)用。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)是，不同層之間的存在狀態(tài)為全連接節(jié)點(diǎn)，因此在進(jìn)行信息處理時(shí)存在一定劣勢(shì)，而循環(huán)神經(jīng)網(wǎng)絡(luò)則是在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展起來的，則性能更優(yōu)，即在進(jìn)行信息處理過程中，下層決策可根據(jù)上層信息做輔助分析，也就是說循環(huán)神經(jīng)網(wǎng)絡(luò)可以同時(shí)使用神經(jīng)元對(duì)歷史的信息進(jìn)行記憶，并用于當(dāng)前層的計(jì)算中。循環(huán)神經(jīng)網(wǎng)絡(luò)在進(jìn)行信息處理時(shí)，當(dāng)前信息的處理是基于之前信息記憶完成的，換言之，隱藏層節(jié)點(diǎn)存在狀態(tài)為連接狀態(tài)。

候選門、輸出門、輸入門、遺忘門共同構(gòu)成了長(zhǎng)短期記憶網(wǎng)絡(luò)。輸入同時(shí)包括外部輸入，來源于上一時(shí)間片的隱藏狀態(tài)，以及上一時(shí)間片的記憶單元狀態(tài)向量，利用門控，進(jìn)而對(duì)信息的遺忘、記憶進(jìn)行控制。我國(guó)近年來大力發(fā)展新能源汽車，電動(dòng)汽車成為當(dāng)下主流產(chǎn)品，電動(dòng)汽車不像往常的汽油車，其能源為電力，需要在專門的充電樁上進(jìn)行充電，充電站不需要專門配備操作人員，一般都是顧客自己手動(dòng)操作完成，因此電動(dòng)車充電站通常為無人看守狀態(tài)。為了便于對(duì)電動(dòng)汽車充電，通常需要在使用地設(shè)置多個(gè)充電站，對(duì)于大批量的充電樁來說，充電樁發(fā)生故障是不可避免的，因此需要對(duì)其進(jìn)行定期故障排查?，F(xiàn)有的故障排查方式是運(yùn)維人員定期對(duì)充電樁進(jìn)行排查，排查周期長(zhǎng)，排查不及時(shí)，當(dāng)充電樁發(fā)生故障時(shí)，存在不能夠?qū)ζ溥M(jìn)行及時(shí)的故障排查預(yù)測(cè)的問題。

在文章中所提出的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)系統(tǒng)設(shè)計(jì)流程中，是對(duì)智能化充電樁的輸入數(shù)據(jù)進(jìn)行設(shè)計(jì)，將其中的數(shù)據(jù)分為訓(xùn)練集以及測(cè)試集合，其中不同的集合之間采用7 ∶3的概率進(jìn)行數(shù)據(jù)的分配，其中的長(zhǎng)短時(shí)交錯(cuò)的神經(jīng)網(wǎng)絡(luò)作為分位數(shù)的模型回歸系統(tǒng)，將輸入的數(shù)據(jù)送入到神經(jīng)網(wǎng)絡(luò)的自回歸分位數(shù)模型中進(jìn)行決策，其中不同的分為點(diǎn)的預(yù)測(cè)值結(jié)合高斯密度函數(shù)曲線進(jìn)行密度譜函數(shù)的估計(jì)，同時(shí)，設(shè)置一個(gè)給定的閾值函數(shù)，對(duì)分位數(shù)回歸模型的數(shù)值進(jìn)行閾值的判斷，判斷閾值是否等于1，條件不符合的再返回送到測(cè)試集中進(jìn)行測(cè)試，進(jìn)入這樣一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)循環(huán)的系統(tǒng)中，進(jìn)行模式的判定，對(duì)于測(cè)試和訓(xùn)練的部分采用不同的架構(gòu)進(jìn)行搭建，同時(shí)，這種模型對(duì)于高緯度特征函數(shù)的預(yù)測(cè)系統(tǒng)具有較好的魯棒性和可行性，對(duì)于不同的充電樁故障的輸入數(shù)據(jù)具有不同的系統(tǒng)維持效果。

文章提供的基于深度神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車充電樁故障預(yù)測(cè)方法，通過在充電樁體上設(shè)置有集成控制模塊，集成控制模塊內(nèi)的數(shù)據(jù)采集模塊對(duì)其故障數(shù)據(jù)進(jìn)行實(shí)時(shí)檢測(cè)，若是發(fā)生故障數(shù)據(jù)，數(shù)據(jù)處理模塊將錯(cuò)誤報(bào)告以及充電樁體所在位置信息通過無線傳輸模塊傳輸給遠(yuǎn)程的無線接收模塊上，中轉(zhuǎn)模塊經(jīng)過報(bào)修模塊驅(qū)使維修人員對(duì)其進(jìn)行維修提示，且集成控制模塊通過驅(qū)動(dòng)模塊分別使語(yǔ)音模塊、顯示模塊和警報(bào)模塊發(fā)出警報(bào)，警示使用人員充電樁體發(fā)生故障，具有較好的故障及時(shí)排查能力。

2 智能化充電樁故障檢測(cè)實(shí)驗(yàn)

多層神經(jīng)網(wǎng)絡(luò)包含多個(gè)計(jì)算層，該計(jì)算層由前饋網(wǎng)絡(luò)構(gòu)成，信號(hào)輸入至輸出進(jìn)程中，在前饋方向上相互銜接的層存在形式為相互饋入。在此過程中存在一個(gè)假定前提條件，即相鄰層間節(jié)點(diǎn)完全連接。針對(duì)所研究神經(jīng)網(wǎng)絡(luò)進(jìn)行其組成架構(gòu)的確定，首先需對(duì)各層的構(gòu)成節(jié)點(diǎn)進(jìn)行類型以及數(shù)量的確定，并確定層數(shù)。與單層網(wǎng)絡(luò)的情況一樣，偏置神經(jīng)元在功能上能夠作為輸出層，同時(shí)也能作為隱藏層。輸入層的功能是數(shù)據(jù)傳輸，該層并不參與計(jì)算執(zhí)行。

深度神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊：用于構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，在基于深度神經(jīng)網(wǎng)絡(luò)下的智能化充電樁系統(tǒng)神經(jīng)網(wǎng)絡(luò)的激活函數(shù)一般采用Sigmoid 函數(shù)，其中的輸入層包括3個(gè)神經(jīng)元，分別對(duì)應(yīng)訓(xùn)練樣本中不同的故障電源設(shè)備、不同電池放電率下的電池端電壓波動(dòng)以及充電樁智能側(cè)的輸出電壓。

卷積神經(jīng)網(wǎng)絡(luò)具有較廣的應(yīng)用范圍，尤其在圖像處理領(lǐng)域，它是在權(quán)值共享的基礎(chǔ)上，利用卷積計(jì)算進(jìn)行前向推理，極大簡(jiǎn)化了計(jì)算過程，是深度學(xué)習(xí)中學(xué)習(xí)能力較強(qiáng)的一種前饋神經(jīng)網(wǎng)絡(luò)，如果在多維矩陣的輸入情況下，優(yōu)勢(shì)則更為明顯。卷積神經(jīng)網(wǎng)絡(luò)在其構(gòu)成上由不同結(jié)構(gòu)層組成，通過組合不同的層，可以構(gòu)建出不同的卷積神經(jīng)網(wǎng)絡(luò)。給出了一個(gè)在某些時(shí)候充電故障矩陣的直觀例子。顏色越深，說明這里的故障越大。將矩陣歸一化，然后使用dmstn 模型進(jìn)行訓(xùn)練和預(yù)測(cè)。以過去1000h 的故障矩陣為訓(xùn)練集，提前預(yù)測(cè)未來智能化充電樁的故障矩陣。

為了找出模型的最佳單元堆積數(shù)，體現(xiàn)模型的優(yōu)勢(shì)，將不同單元堆積的情況與STN 預(yù)測(cè)模型進(jìn)行比較。表1顯示了兩個(gè)模型在不同單元層下預(yù)測(cè)實(shí)驗(yàn)的平均結(jié)果評(píng)價(jià)，包括MAPE、MSE 和R2。

表1 網(wǎng)絡(luò)模型算法的比較

深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊：用于利用訓(xùn)練樣本集對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中采用反向傳播算法修改所述Sigmoid 函數(shù)的權(quán)重值和閾值，使神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)達(dá)到一個(gè)較小的值，從而獲取訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)。

3 結(jié)論

文章提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的智能充電樁故障診斷方法，基于多層次的深度神經(jīng)網(wǎng)絡(luò)的方法模型是根據(jù)智能充電樁的性能，在不同算法與控制策略以及不同狀態(tài)下的輸出電壓波形的各種特征進(jìn)行人工智能的無監(jiān)督學(xué)習(xí)，采用多層的高緯度特征信息進(jìn)行研究和判斷，進(jìn)而實(shí)現(xiàn)智能化充電樁故障狀態(tài)的自動(dòng)診斷。結(jié)果表明，基于深度神經(jīng)網(wǎng)絡(luò)的故障診斷方法能夠根據(jù)智能化充電樁的電壓波形，進(jìn)行特征的提取并且識(shí)別正常運(yùn)行、器件故障和控制元件故障等各種不同狀態(tài)，具有較高的精度特征。