CN119475108A 充电桩故障诊断方法、装置、设备及存储介质 （深圳市安德普电源科技有限公司）

道楼村社区硕泰路161号世峰科技园D质本发明涉及一种充电桩故障诊断方法、装障特征数据对所述目标充电桩的部件进行故障并通过预设的分类算法分析所述故障源头的故2获取目标充电桩各部件故障状态数据，并对所述故障状态数据从数据库获取目标充电桩的部件图谱，并基于所述部件图谱对所述潜基于所述潜在故障部件关联图谱分析各潜在故障部件之间的影响通过预设的贝叶斯网络模型，基于所述故障传播路径计算所述潜在故将最大的所述故障概率对应潜在故障部件作为故障源头，并通过预通过设置在目标充电桩内部的多传感器对所述目标充电桩内各部件进行故障参数采获取历史充电桩故障特征数据，并对所述历史充电桩故障特通过预设的初始故障识别算法向所述历史故障特征子空间进行故障基于所述故障识别算法对所述故障特征数据进行时频故障识别基于所述时频故障特征数据对所述目标充电桩的部件进行故障识基于所述部件拓扑关系矩阵对所述目标充电桩的部件之间进行交3基于所述部件之间的交互模式方式对所述潜在故障部件进行影响关系建通过预设的图注意力网络，基于所述潜在故障部件的故障关系，基于所述故障部件权重系数对对应的潜在故障部件进行连接，得到基于所述潜在故障部件关联图谱对各潜在故障部件进行节点中心性计算基于所述中心性指标分析各潜在故障部件之间的影基于所述各潜在故障部件之间的影响关系对所述故障部件关联图谱内的所述潜在故通过预设的因果推理模型对所述动态社区结构中的潜在故障部件进行因果关系分析，通过预设的贝叶斯网络模型对所述故障传播路径进行结构建模基于所述贝叶斯网络结构对所述故障传播路径中的各潜在故障部件进行故障参数估基于所述条件概率分布对所述潜在故障部件进行因果效应基于所述因果效应分析结果对潜在故障部件进行时间维度上的故基于所述动态故障传播概率对潜在故障部件进行稳健性计算，得对所述最大的所述故障概率对应故障源头进行多维度特征提取，得到多模态故障特基于所述故障类型报告对所述目标充电桩的维修策略进行初步设计4对所述模拟验证结果进行评估，得到模拟验证评估值，若所述获取模块，用于获取目标充电桩各部件故障状态数据，并识别模块，用于基于所述故障特征数据对所述目标充电桩的部件进行构建模块，用于从数据库获取目标充电桩的部件图谱分析模块，用于基于所述潜在故障部件关联图谱分析各潜在故障部件之间的影响关计算模块，用于通过预设的贝叶斯网络模型，基于所述制定模块，用于将最大的所述故障概率对应被处理器执行时实现权利要求1至7中任一项所述的56通过设置在目标充电桩内部的多传感器对所述目标充电桩内各部件进行故障参[0008]进一步的，所述基于所述故障特征数据对所述目标充电获取历史充电桩故障特征数据，并对所述历史充电桩故障特征数据进行张量分所述历史故障特征子空间包括历史充电桩各部件的典型对所述目标充电桩的部件图谱进行结构分析，得到部件之间的结构关系分析结7基于所述中心性指标分析各潜在故障部件之间的影基于所述各潜在故障部件之间的影响关系对所述故障部件关联图谱内的所述潜通过预设的因果推理模型对所述动态社区结构中的潜在故障部件进行因果关系基于所述贝叶斯网络结构对所述故障传播路径中的各潜在故障部件进行故障参8识别模块，用于基于所述故障特征数据对所述目标充电桩的部件进行故障识别，9[0026]步骤S4，基于所述潜在故障部件关联图谱分析各潜在故[0027]具体的，基于所述潜在故障部件关联图谱分析各潜在故通过设置在目标充电桩内部的多传感器对所述目标充电桩内各部件进行故障参获取历史充电桩故障特征数据，并对所述历史充电桩故障特征数据进行张量分所述历史故障特征子空间包括历史充电桩各部件的典型心张量及因子矩阵；对所述核心张量及因子矩阵进行非负矩阵分解，得到历史故障特征子设的初始故障识别算法向所述历史故障特征子空间进行故障识别学习，得到故障识别算法；基于所述故障识别算法对所述故障特征数据进行时频故障识别，得到时频故障特征数据；基于所述时频故障特征数据对所述目标充电桩的部件进行故障识别，得到潜在故障部件。这一过程是充电桩故障诊断方法中的核心环节，通过结合历史数据和现代数据分析技得大量的故障特征数据，这些数据将用于后续的故障模式分析和故障识别模型的训练。接一种高级的数据分析技术，可以将多维数据分解为多个低秩的组成部分。在充电桩故障诊张量特征矩阵降维为核心张量和因子矩阵。核心张量保留了历史故障数据的主要结构信可以将一个大型的三维张量特征矩阵降维为一个较小的核心张量和几个低秩的因子矩阵，个非负基向量和权重矩阵，这些基向量和权重矩阵共同构成了历史故障特征子故障特征子空间包含了充电桩各部件的典型故障模式信息，这些信息可以用于识别算法向所述历史故障特征子空间进行故障识别学习，得到故障识别算法。这一过程通常涉及机器学习或深度学习技术，通过训练一个分类器或回归模型，使其能够Forest）或神经网络等算法作为初始故障识别算法。通过将历史故障特征子空间中的数据输入到这些算法中进行训练，可以得到一个能够准确识别故障模式的故障识别算法对所述目标充电桩的部件图谱进行结构分析，得到部件之间的结构关系分析结系矩阵对所述目标充电桩的部件之间进行交互模式捕捉，得到部件之间的交互模式方式；间的交互模式方式对所述潜在故障部件进行影响关系建模，得到潜在故障部件的故障关可以得到每个潜在故障部件的权重系数，这些系数反映了各部件在故障传播中的重要性。基于所述中心性指标分析各潜在故障部件之间的影基于所述各潜在故障部件之间的影响关系对所述故障部件关联图谱内的所述潜通过预设的因果推理模型对所述动态社区结构中的潜在故障部件进行因果关系所述各潜在故障部件之间的影响关系对所述故障部件关联图谱内的所述潜在故障部件进基于所述贝叶斯网络结构对所述故障传播路径中的各潜在故障部件进行故障参故障部件的故障概率，包括通过预设的贝叶斯网络模型对所述故障传播路径进行结构建统效能下降以及主控板温度升高等潜在故障部件，并且明确了它们之间的故障传播路径。定每个节点在给定其父节点状态下的条件概率分布。这些参数可以通过历史数据学习得识别模块22，用于基于所述故障特征数据对所述目标充电桩的部件进行故障识