基于序列二分类技术的电动汽车逆变器多类瞬态故障检测方法研究

电动汽车逆变器的短时故障会严重影响系统稳定性和乘客安全，但现有研究对这类瞬态故障的检测方法存在局限。为此，研究者提出了一种序列二分类框架，结合Shannon、Rényi和Tsallis熵特征及机器学习模型（LR/k-NN/SVM/RF等），通过"健康-故障"初筛和"故障内分类"二级检测策略，显著提升了Misfire和Firethrough短时故障的识别精度。该研究为电动汽车逆变器的实时故障诊断提供了高效计算方案，发表于《Engineering Applications of Artificial Intelligence》。

　　

随着电动汽车(EV)的普及，其核心部件逆变器的可靠性成为保障行车安全的关键。然而，逆变器中短暂出现的Misfire（误触发）和Firethrough（贯穿击穿）故障犹如"电子系统的隐形杀手"，虽持续时间短却可能引发连锁反应，导致系统过热甚至严重损坏。当前故障检测技术多针对持续性故障设计，对这类转瞬即逝的异常束手无策。更棘手的是，实际运行中噪声干扰和故障随机性进一步增加了检测难度。为此，来自未知机构的研究团队在《Engineering Applications of Artificial Intelligence》发表创新研究，开发出基于序列二分类的智能检测框架，为这一技术难题提供突破性解决方案。

研究团队采用三大关键技术：首先构建含高斯噪声的仿真数据集模拟真实工况，随机注入故障脉冲；其次提取标准偏差、偏度等统计特征与三种熵（Shannon/Rényi/Tsallis）特征，通过最大均值差异(MMD)的序列特征选择筛选关键指标；最后采用贝叶斯优化的传统机器学习（如SVM、RF、CatBoost）和Optuna优化的TabNet深度学习模型，建立两级分类系统。

Electric vehicle power electronic components
研究首先剖析了EV动力总成结构，指出逆变器作为DC-AC转换核心，不仅控制电机转矩转速，还实现再生制动能量回收，其故障将直接影响车辆性能和能源效率。

Entropy algorithms in fault detection
提出熵算法能有效量化信号不确定性，Shannon熵反映信息混乱度，Rényi熵增强对突变敏感度，Tsallis熵通过非广延参数q调节检测灵敏度，三者结合可捕捉瞬态故障的微弱特征。

Proposed methodology analysis
创新性地将多分类任务拆解为两级：第一级LR/k-NN等模型区分健康/故障状态（准确率>98%），第二级专门识别Misfire/Firethrough，相比直接多分类平均提升12%准确率。特征选择发现Tsallis熵(q=0.5时)对Firethrough检测最具鉴别力。

Sequential binary classification result presentation
实验显示序列法中RF表现最优，F1-score达0.987，较单阶段方法提升19%。MLPC在第二级分类中Recall达0.992，证明神经网络处理特征非线性关系的优势。

Comparison with single multi classification
与传统多分类对比，序列法在噪声环境下优势更显著，CatBoost的AUC提高0.15，且计算耗时减少37%，验证了方法的高效性。

Implementation of TabNet deep neural network
深度模型TabNet通过注意力机制自适应选择特征，在少量数据时表现优于传统方法，验证了深度学习在故障诊断中的潜力。

Conclusion
该研究开创性地将序列二分类策略应用于逆变器瞬态故障检测，通过熵特征工程与机器学习协同优化，实现Misfire/Firethrough故障98.7%的识别准确率。方法论突破在于：① 两级检测架构显著降低类别混淆；② MMD特征选择提升模型抗噪性；③ 首次系统评估熵算法在短时故障中的效用。这项技术可直接集成至现有车载诊断系统，为EV安全运行提供实时保障，同时为其他电力电子设备的故障诊断提供新范式。研究团队特别指出，未来可结合边缘计算实现车载实时处理，并扩展至更多故障类型检测。