基于深度學習算法的船用高頻電路工作狀態檢測研究

何一芥，王 波

(武漢晴川學院 北斗學院，湖北 武漢 430204)

0 引 言

隔離式高頻開關電源具有重量輕、效率高、小型化和節能環保的優勢，廣泛應用于船舶供電系統中。供電系統是船舶航行的基礎，電源是供電系統中的重要元件[1]。高頻開關型電源具有較高的集成可靠性，保護性能高。高頻開關電源采用軟件控制，具有高精度、高可靠性、高經濟性以及高效的特點[2]，維持在可靠穩定的工作狀態。半導體功率器件和磁性元件的不斷發展，決定了開關電源的高頻使用性能。高頻電源變換電路，是高頻開關電源的核心[3]。高頻電路為交流電源產生多路、具有較高穩定性的直流電壓提供基礎。

深度學習算法是近年來廣泛應用于狀態檢測中的重要算法。狀態檢測過程中的特征提取性能，對于狀態檢測精度影響較高[4]。

目前已有眾多學者研究船用高頻電路工作狀態檢測。吳健等[5]針對供電系統中鋰離子電池的高頻部分引入分數階理論，構建了鋰離子電池的等效電路模型。所構建的高頻等效電路模型，作為船用高頻電路工作狀態檢測的基礎，提升高頻電路工作狀態檢測性能。岳改麗等[6]為了降低高頻諧振驅動電路損耗，將高頻電路的耗能元件利用儲能元件代替，分析高頻電路的工作模態，依據電感取值原則降低高頻電路的電壓振蕩以及驅動電路損耗。以上方法雖然可以檢測高頻電路工作狀態，但是存在檢測過程過于復雜，檢測實時性較差的缺陷。本文研究基于深度學習算法的船用高頻電路工作狀態檢測方法，利用深度學習算法檢測船用高頻電路工作狀態。

1 船用高頻電路工作狀態檢測

1.1 船用隔離式高頻開關的高頻電路分析

船用隔離式高頻開關電源的結構圖如圖1 所示。由圖1 可知，船用隔離式高頻開關電源中設置了濾波器，利用濾波器整流濾波高頻開關電源中的高頻開關元件。通過高頻變壓器，輸出整流濾波PWM 控制邏輯輔助電路。交流電壓通過濾波電路和整流電路處理后，轉化為包含脈動電壓成分的直流電壓，并轉換高頻開關電源的高頻變換部分。設置高頻功率開關組件作為高頻變換部分的核心，調節輸出電壓，保障輸入電流與輸出負載調節時，仍然存在穩定的輸出電壓。選取脈沖寬度調制器電路，采樣輸出電壓[7]。將采樣結果傳送至控制電路中，控制電路對比基準電壓以及電壓采樣結果，調整高頻開關組件的占空比，通過調整輸出電壓實現開關控制的功能。

圖1 船用隔離式高頻開關電源結構圖Fig. 1 Structure diagram of marine isolated high frequency switching power supply

1.2 深度受限玻爾茲曼機的特征提取

深度受限玻爾茲曼機是深度學習算法中的高效算法，是一種對稱鏈接的無自反饋的隨機神經網絡。用m與n分別表示受限玻爾茲曼機可見層以及隱含層的單元數量，H與V分別表示可見層單元以及隱含層單元的狀態向量。對于船用高頻電路工作狀態向量(v,h)，受限玻爾茲曼機能量表達式為：

依據能量函數公式，獲取船用高頻電路工作狀態向量(v,h)的聯合概率分布表達式如下：

式中，Z為θ的歸一化因子。

隱含層單元j的激活概率表達式如下：

式中，σ(x)為Sigmoid 激活函數，表達式如下：

受限玻爾茲曼機訓練過程中，通過不斷迭代更新，獲取參數θ的值。依據訓練結果，確定受限玻爾茲曼機迭代的終止條件[8]。

設船用高頻電路工作狀態樣本數量為T，參數μ的最大似然函數表達式如下：

選取隨機梯度下降法求解l(μ)，獲取最優參數μ。利用最優參數將可見層數據映射至隱含層，該映射過程，即算法的自學習過程。通過以上過程，完成深度受限玻爾茲曼機的訓練，確定受限玻爾茲曼機的參數。

對采集的原始船用高頻電路工作狀態樣本數據進行標準化處理，標準化處理后的樣本數據用V= (v1,v2, ···,vn)表示，將處理后的數據輸入受限玻爾茲曼機后，隱含層輸出的表達式如下：

Sigmoid 函數屬于非線性表達式，即輸入的船用高頻電路工作狀態樣本數據，經過Sigmoid 函數映射后，轉換為隱含層數據H=(h1,h2,···,hn)。將原始樣本數據通過非線性映射，轉化為另一種狀態，受限玻爾茲曼機可以挖掘船用高頻電路工作狀態樣本數據的隱藏特征。將隱含層輸出數據H=(h1,h2,···,hn)作為另一個受限玻爾茲曼機的輸入，合并完成訓練后的兩個網絡，通過逐層訓練方法，構建船用高頻電路工作狀態特征提取的深層數據的非線性表達。

深度受限波爾茲曼機由兩層受限玻爾茲曼機組成，利用第1 層受限玻爾茲曼機進行首次非線性映射，利用第2 層受限玻爾茲曼機進行第2 次非線性映射，組合2 層受限玻爾茲曼機，實現逐層訓練。利用所構建的深度學習網絡，將原始船用高頻電路工作狀態數據，映射為深層數據，發現船用高頻電路工作狀態數據中的非線性特征。

1.3 支持向量數據描述的工作狀態檢測方法

支持向量數據描述方法是常用的狀態檢測方法，該方法利用非線性映射?將所提取的船用高頻電路工作狀態特征樣本xi，映射至高維內積空間中。在通過映射獲取的高維內積空間中，搜尋包含被映射至特征空間的訓練樣本，以及具有最小體積的超球體內積空間。輸入船用高頻電路工作狀態測試樣本，利用非線性映射?將樣本映射至內積空間內的點存在于最優超球體內時，該樣本為船用高頻電路正常工作狀態，否則為船用高頻電路異常工作狀態。

設存在船用高頻電路狀態特征訓練樣本x，利用支持向量數據描述方法，求取高維內積空間的球心位置o以及半徑R，目標函數表達式如下：

式中，ξi與C分別為松弛變量以及調節參數。

引入拉格朗日乘子αi與γi，構造拉格朗日函數表達式如下：

令式(10)的偏導為0，確定式(8)的約束條件如下：

將式(11)代入式(10)，構建船用高頻電路工作狀態檢測的對偶問題表達式為：

通過求解式(12)的最優化問題，獲取αi值、球心o以及滿足0＜ai ＜C條件的支持向量xi的距離，即球體半徑R。

對于船用高頻電路工作狀態特征測試樣本z，計算該樣本至球心o的距離，船用高頻電路工作狀態判定公式如下：

2 實例分析

為了測試船用高頻電路工作狀態檢測有效性，將本文方法應用于某船舶供電系統的高頻開關直流電源中。該船舶高頻開關電源的電路參數設置如表1 所示。利用LC 濾波和全波整流方法，對高頻信號進行濾波處理，獲取高頻開關電源的期望直流電壓以及直流電流。設置一個大小為0.002 5 的阻抗，模擬船用高頻電路工作狀態檢測中的船用高頻開關電源負載。

表1 船舶高頻開關電源電路參數設置Tab. 1 Circuit parameters of ship's high-frequency switching power supply

采用本文方法采集船用高頻電路狀態信號，如圖2所示。將所采集的船用高頻電路信號作為深度學習算法的輸入，檢測船用高頻電路的工作狀態。

圖2 船用高頻電路狀態信號Fig. 2 Marine high frequency circuit status signal

船用高頻電路工作狀態檢測結果如表2 所示。可知，船用高頻電路工作狀態檢測結果與實際工作狀態相同，驗證本文方法檢測高頻電路工作狀態具有較高的精度。

表2 船用高頻電路工作狀態檢測結果Tab. 2 Test results of working state of marine high frequency circuit

為了進一步驗證本文方法的船用高頻電路工作狀態檢測精度，選取表2 檢測船用高頻電路工作狀態結果為異常的298 號樣本作為分析對象，該樣本的幅頻特性曲線如圖3 所示。由圖3 可知，采用本文方法檢測船用高頻電路工作狀態的測試樣本，存在明顯的短路情況，驗證該船用高頻電路工作狀態樣本處于異常情況。

圖3 測試樣本的幅頻特性曲線Fig. 3 Amplitude-frequency characteristic curve of test samples

3 結 語

高頻開關電源具有體積小、重量輕、安全可靠的優勢，在船舶中應用較為廣泛。對高頻開關電源的高頻電路進行分析，將深度學習算法應用于高頻電路工作狀態檢測中。深度學習算法具有不易受噪聲干擾的優勢，提升高頻電路工作狀態檢測性能。該方法可以精準檢測船用高頻電路工作狀態。明確船用高頻電路的實時工作狀態，保障船用高頻開關電源的可靠運行，對于船舶的航行安全性具有重要意義。