基于机器学习的系统级故障诊断方法在无线电力传输中的应用 李一壮、张振

《Electronics》：ML-Leveraged System-Wide Fault Diagnosis Method for Wireless Power Transfer Yizhuang Li and Zhen Zhang

　　**摘要**
本文提出了一种用于无线电力传输（WPT）系统的系统性故障诊断方法。该方法仅需使用一个电流传感器，即可实现对WPT系统中关键组件的全面故障诊断。该方法无需对控制器进行升级，提供了一种成本效益高且侵入性最小的解决方案。故障诊断基于支持向量机（SVM）算法，并提出了一种层次化SVM（Hierarchy-SVM）算法，该算法将训练时间减少了54%，识别时间减少了16.5%，同时保持了与传统多类SVM算法相当的准确性，这些测试是在相同的数据集和硬件配置下进行的。最后，通过实验验证证明了所提出方法在识别各种故障时的准确率超过了95%，平均单个识别时间为14.19毫秒。

**1. 引言**
作为充满前景的研究领域之一，许多研究人员和行业都认识到无线电力传输（WPT）发展的巨大潜力，WPT具有灵活性更强、抗冲击性能优异以及安全性高等优点[1,2,3]。通常，无线充电可以提高无人机的飞行续航能力，并减轻电动汽车（EVs）对电池的依赖[4,5]。尽管WPT具有这些优势，但其广泛的应用受到多种故障的影响，如线圈错位、组件老化以及环境干扰[6,7]。为了提高WPT系统的安全性和性能，需要应用故障诊断算法。许多研究集中在由外部物体侵入或线圈错位引起的故障上[8,9,10,11]。在[8]中，提出了一种双用途的非重叠线圈组，既可用于供电线圈的金属物体检测（MOD），也可用于电动汽车WPT系统的位置检测（DoP）。为了消除所有盲区，[9]提出了一种简单且成本效益高的对称传感线圈组，用于静止式无线电动汽车充电器中的MOD。参考文献[10]提出了一种基于WPT系统电磁模型的精确外来物体检测方法，该方法对接收线圈错位和不同功率水平具有很强的鲁棒性，从而支持系统激活前的低功率检测。上述研究仅关注由外部因素引起的WPT系统故障，但由内部设备引发的故障同样重要。解决内部设备故障主要有两种方法：一种是向WPT系统中添加额外的组件以赋予其容错运行能力[12,13,14]；另一种是通过引入额外的补偿线圈，实现了短路和开路保护的双耦合电感器-电容器-电容器（LCC-S）WPT系统[12]和串联（LCC-S）补偿WPT系统[13]。在[13]中，提出了一种故障检测策略，在全桥逆变器的每个桥臂上串联采样电阻器以识别MOSFET短路故障。当检测到故障时，系统会迅速从全桥模式切换到半桥模式以减轻问题。参考文献[14]通过多发射器和多接收器的WPT架构提高了系统可靠性，从而在单个发射器或单个接收器开路故障的情况下提高了容错能力。虽然容错方法可以在故障发生时维持系统运行，但它本质上是一种应对策略，旨在减轻而非根本解决问题。另一种解决内部设备故障的方法是定位故障设备[15,16,17,18,19]。在[15]中，提出了一种用于串联-串联（SS）补偿感应电力传输（IPT）系统的整流器保护方法，该方法利用故障特征值的直流偏置来保护设备。为了诊断WPT系统逆变器的开路故障，参考文献[16]提出了一种基于粗糙集理论（RST）的方法来进行初步的开路故障定位。此外，还进行了大量关于逆变器开路故障诊断的研究[17,18]，为WPT系统的故障诊断提供了宝贵的见解。在[19]中，建立了一个系统故障状态表来识别谐振电容器的软故障。所有这些解决内部设备故障的研究主要集中在WPT系统可能在运行过程中出现故障的各个组件上。因此，由于结构过于复杂和算法复杂性过高，通过这些方法建立全面的系统维护框架具有挑战性。参考文献[20]提出了一种多类型故障诊断方法，但该方法仅在仿真中得到验证，并且需要初级侧和次级侧的所有电压和电流数据。因此，有必要开发一种针对WPT系统内部组件的故障诊断方法，该方法应具有简单结构、易于实现，并能够诊断多种故障类型。据此，本文提出了一种用于WPT系统故障诊断的初级侧检测方案，旨在建立全面的系统维护框架。表1展示了参考文献和本文中WPT系统故障诊断方法的比较。所提出的方法仅使用初级侧电流传感器，这是大多数实际WPT系统的标准组件。通常，所提方法的应用场景如图1所示。维护人员可以在大型无人货运口岸同时管理多个设备，并快速定位故障设备和故障类型。先进的深度学习技术（例如，小波包变换结合图学习）在嘈杂环境中具有鲁棒性[21,22]，但这些方法往往计算成本较高，不太适合通常用于WPT系统的低成本DSP控制器。因此，所提出的系统性故障诊断方案采用了一种高效的数据处理方法和优化的支持向量机（SVM）算法（Hierarchy-SVM），便于直接部署。本文的主要贡献总结如下：

**表1. 参考文献和本文中WPT系统故障诊断方法的比较。**
**图1. 所提方法的应用场景。**

**2. 分析**
本文提出了一种用于WPT系统的系统性故障诊断方法。相应的具体实现和电路模型如图2所示，其中Lp（Ls）、Rp（Rs）和Cp（Cs）分别是初级侧（次级侧）的电感、等效电阻和补偿电容。此外，Udc是直流电源的电压，S1?S4是全桥逆变器的开关器件，uin是输入电压，iin是输入电流，is是次级电流，D1?D4是整流器的二极管，Cd是滤波电容器，d是发射器（TX）和接收器（RX）之间的距离，RL是负载的电阻。系统应用了S–S共振网络[23]。在正常情况下，该网络满足以下条件：
{1/2????π??????p+????????p=0, 1/2????π??????s+????????s=0}
（1）
其中f是工作频率。整流器的等效负载为RLReq，初级侧阻抗为Zp，次级侧阻抗为Zs，表示为：
?{ {?{ {???eq=8???L/π, 2??p=1/2????π??????p+????????p+??p??s=1/2????π??????s+????????s+??eq}
（2）

根据基尔霍夫电压定律，初级电路的方程可以表示为：
uin=??in?(??p+4?π2???2???2??s)
（3）
其中M是TX和RX之间的互感，与d有关。逆变器的操作模式会直接影响uin。根据（2）和（3），Cp（Cs）的值会改变初级（次级）电路的共振状态，从而间接影响iin的值。Req的值受整流器操作状态的影响，Cd也会间接影响iin。根据法拉第感应定律，d是影响M的参数，进而影响iin。通过上述分析，任何主设备正常工作状态的偏离都可以在iin中反映出来。因此，所提出的方法使用电流传感器测量iin来观察主设备的工作状态。WPT系统的设备可以分为两类：共振设备（Lp、Ls、Cp和Cs）和功率设备（S1?S4、D1?D4和Cd）。共振设备主要由老化引起的参数漂移故障，而功率设备主要经历开路和短路故障。其中，电感器的故障率相对较低，而其他组件的故障率可能超过70%[6]，如图3所示。M也是影响WPT系统性能的重要参数，因此也应考虑d的值。

**图3. WPT系统中设备的故障分布[6】**
基于上述分析，所提出的方法识别了十种故障类型，包括S1?S4开路（Sn-open）、Cp值增加（Cp-inc）、Cp值减小（Cp-dec）、d值变化（d-cha）、Cs值增加（Cs-inc）、Cs值减小（Cs-dec）、D1?D4开路（Dn-open）、D1?D4短路（Dn-short）、Cd开路（Cd-open）和Cd短路（Cd-short），这些故障类型也在图2中用红色虚线框标出。当电容值偏离正常值220 pF以上，或d值偏离正常值1 cm以上时，会对WPT系统产生显著影响。具体现象将在第4节中展示。

系统性故障诊断方法的实现分为两个阶段，如图2所示。预先训练模型可以有效地提高控制器在计算资源有限情况下的程序性能。关于数据处理的详细信息和模型训练将在后续部分进行阐述。

**3. 故障诊断方法**
所提出的系统性故障诊断方法基于优化的多类SVM算法。与CNN和RNN等模型相比，SVM在高样本故障数据上表现出更好的泛化能力，且不易过拟合。此外，其较低的推理计算开销更符合嵌入式系统的实时和资源限制[24]。传统的SVM算法是为解决二元分类问题而提出的[25]，然后基于二元分类SVM算法可以进行多类分类。SVM算法的核心思想是找到两种样本之间的最大距离，如图4所示。

**图4. 二元SVM模型结构**
训练样本可以表示为：
{(??1,??1),(??2,??2),…,(????,????)}
（4）
其中xi是高维空间中的特征向量，yi = {?1, 1}（i = 1, 2, …, n）表示正样本或负样本。决策公式（图4中的红线）可以表示为：
???????+??=0
（5）
其中ω是权重向量，b是线性截距。所有训练样本应满足：
{???????+??≥1?????=1, ???????+??≤?1?????=?1}
（6）
SVM优化问题是要找到两种样本之间的最大间隔δ：
??=1/‖??‖
（7）
然后，优化问题可以转化为：
min??,??12?‖??‖2??.???.??????(?????????+??)≥1,???=1,2,…,??
（8）
通过引入拉格朗日函数，将受限优化问题转化为无约束优化问题，并通过Karush–Kuhn–Tucker（KKT）方法解决。优化问题还可以转化为：
min????∑??=1?????12???∑??,??=1?????????????????????????????????.??.?????>0,???=1,2,…,??
（9）
如果训练样本如图4所示是线性可分的，最终的超平面方程可以表示为：
???(??)=??∑??=1???????????????????+??
（10）
然而，由于本文的数据具有复杂的电磁关系，数据线性不可分。因此，对于线性不可分的情况，可以使用非线性映射将数据映射到特征空间，并在特征空间中使用线性学习器。分类函数可以表示为：
???(??)=??∑??=1?????????????(????,??)+??
（11）
其中K(xi, x)是核函数。优化问题还需要更新为：
min????∑??=1?????12???∑??,??=1???????????????????????(????,????)??.??.????>0,???=1,2,…,??
（12）
在SVM中，核函数的选择对分类性能有很大影响。常用的核函数包括线性核、多项式核、径向基函数（RBF）核和Sigmoid核。在本研究中，采用了RBF核。RBF核特别 advantageous，因为它能够处理非线性可分数据，并且具有局部响应特性，这使得它在使用较少超参数的情况下就能高效捕捉复杂的数据分布。RBF核的定义为 ???(????,????)=exp?{?‖?????????‖2??2} （13），其中σ是RBF核的宽度。本文提出的方法也是基于传统的SVM算法。RBF核SVM的超参数，即惩罚参数C和核系数γ，是通过网格搜索（Grid Search）结合5折交叉验证来调整的。搜索范围定义为C ∈ [10?2, 103] 和 γ ∈ [10?4, 102]。对于层次结构中的每个二分类器，都选取了能够获得最高验证准确率的最优参数。下面将介绍这种优化方法。

3.1 数据处理与采集方法
由于整个系统只有一个电流传感器，因此需要设计一种巧妙的数据处理方法，以便在数据有限的情况下获取更多信息，从而提高识别准确性。通常，Udc的值是预先设定的。然后，在不知道任何电压传感器的情况下，根据已知的S1?S4的切换点来获得uin的理想波形。还需要注意的是，需要将iin的数据采集时间线与uin的模拟波形对齐，以便获得准确的相位信息。具体的方法如图5所示。循环计数器n的零点与uin的上升沿对齐，以确保及时采集到第一个数据点。经过FFT分析后，uin的基本分量与iin的基本分量之间的相位差αd可以表示为 ????=?????????+???? （14），其中αu是之前计算得到的uin基本分量的相位，αi是iin基本分量的相位，αe是由采集引起的相位延迟。经过数据处理后，特征向量x可以表示为 ??=(I?????,????）（15），其中Iin是iin的基本电流幅值。特征向量x具有两个维度，包括基本电流幅值和相位差。这些特征是通过FFT分析从数据窗口中提取的（操作频率为100 kHz，采样频率为800 kHz，每个FFT窗口包含50个数据点）。SVM分类器将每个提取的特征向量作为单独的诊断实例进行独立处理。系统进行周期性诊断，每个周期产生一个二维输入向量用于分类。这种方法确保了计算效率，适合实时嵌入式系统。

图5. 数据采集和处理流程图。所有故障数据都来自实验原型。DSP控制器收集故障数据，对其进行处理，并上传到计算机以构建故障数据集。通过将PWM信号的电平设置为低电平来收集Sn-open故障数据。通过控制特制整流器PCB上的开关状态，模拟D1?D4和Cd的开路和短路故障，如图6a所示。通过在上可调电容器模块上加减电容来调整Cp和Cs的值，如图6b所示。训练数据集中各种类型故障数据的数量列在表2中。为了减轻噪声和特征尺度差异的影响，在训练之前使用Z分数归一化对提取的特征向量进行了标准化。此外，使用FFT提取基本分量本质上抑制了高频切换噪声，确保了特征的稳定性。在训练过程中，80%的数据用于训练，20%的数据用作测试集。

3.2 分层SVM算法
由于WPT系统中的控制器计算能力难以满足传统机器学习算法的需求，因此需要优化算法以避免控制器成本增加。传统的多类SVM有两种策略：一对多策略（OVR）和一对一策略（OVO）。这两种策略都是将多类分类分为许多二元分类。OVO-SVM训练所有类别之间所有可能的二元SVM模型。设n为类别数量，那么OVO-SVM训练的二元SVM模型数量nr可以表示为 ????=???(???1)/2 （16）。在本文中，n等于11。OVO-SVM的训练过程如图7(a2)所示。OVR-SVM训练过程中生成的二元SVM模型数量为n，如图7(a3)所示。尽管数量nr没有显著减少，但每个模型都使用所有数据来分类一个类别和其他类别，这增加了计算量和参数数量。

图7. 分层SVM（Hierarchy-SVM）、OVO-SVM和OVR-SVM的训练过程（a1–a3）和识别过程（b1–b3）；（c）分层SVM的识别结果；（d）不同策略的识别准确性、训练时间和识别时间的比较。为了提高训练和识别速度，本文提出了基于先验知识的分层SVM。每一层的划分基于第2节分析的物理阈值（例如，根据波形失真程度区分硬故障和软故障），而每个节点内的具体决策边界由SVM学习得到。基于αd和iin的幅值（Iin）的先验知识，分层SVM预先寻找不同的分离平面，如图7c中的黑色虚线所示，将所有类别分为四个层次。在层次的每个节点k内，训练一个二元SVM以找到最优的分离超平面。节点??处的决策函数定义为：?????(??)=????????????(∑??∈????????????????????(????,??)+????）（17），其中SVk表示为节点k选择的支持向量。最终的分类结果是通过从根节点到叶节点遍历树得到的，基于fk(x)的输出。

为了减少计算量和参数数量，每个模型的训练过程使用相同大小的数据集。分层SVM不仅减少了二元SVM模型的数量，还简化了识别过程。OVO-SVM和OVR-SVM的识别过程都采用投票策略，需要遍历所有模型，如图7(b2,b3)所示。分层SVM最多只需要遍历四个二元SVM模型即可得到最终结果，图7(b1)展示了其可能的识别过程。通过对相同αd和Iin数据集的分层SVM与两种传统多类SVM算法进行比较，发现训练时间和识别时间显著减少，同时识别准确性相似。在未用于模型训练的独立测试集（总数据的20%）上评估了识别准确性和识别时间。具体数值如图7d所示，训练时间减少了54%，识别时间减少了16.5%。图7c显示了提出分层SVM的识别结果，不同类别的数据点被分为不同颜色的块。从图7c可以看出，即使采样点的值是离散的，不同类型的故障也被分到了不同的区域。

为了进一步评估提出的分层SVM的性能，进行了与三种代表性的机器学习和深度学习模型（随机森林RF、人工神经网络ANN和卷积神经网络CNN）的比较实验。所有基线模型都进行了调整，以实现与提出方法相当的准确性。RF分类器配置了20棵决策树以确保稳定性。ANN架构包括一个与特征维度相匹配的输入层，两个隐藏层（分别有64个和32个神经元，激活函数为ReLU），以及一个softmax输出层。在第一个隐藏层应用了0.2的丢弃率以减轻过拟合。ANN模型训练了15个训练周期。构建了一个轻量级的CNN模型进行比较，它包括两个卷积层（32个和64个滤波器，核大小为3 × 3），激活函数为ReLU，随后是最大池化层（2 × 2）和丢弃率（0.25）。特征图被展平后通过一个密集层（128个神经元），然后再进入最终的分类层。对于CNN模型，二维特征向量（Iin, αd）被转换成适合卷积层的矩阵格式，以确保性能差异来自模型架构而非数据表示。CNN模型训练了10个周期。表3总结了准确率、训练时间和推理时间的比较结果。为了进行公平比较，所有基线模型都使用第3.1节中描述的数据集进行了训练和评估，其中80%的数据用于训练，20%用于测试。准确率是指独立测试集中正确分类样本的比例。推理时间是指处理整个测试集所需的总时间。

表3. 不同故障诊断方法的性能比较

4. 实验结果
如图8所示，实验原型根据表4中列出的参数建立，以验证所提出的系统级故障诊断方法的性能。使用了两个氮化镓全桥逆变器（GSP65R13HB-EVB）生成不同频率的PWM信号。GSP65R13HB-EVB由总部位于台湾新竹的英飞凌公司制造。使用LEM CASR 6-NP电流传感器来测量iin的值。LEM CASR 6-NP电流传感器由总部位于瑞士日内瓦的LEM公司制造。使用微控制器（TI DSP28377）为逆变器提供驱动信号并收集电流数据以识别故障。TMS320F28377数字信号处理器由总部位于美国德克萨斯州达拉斯的德州仪器公司制造。初级侧包含一个带有S谐振网络的传输线圈。次级侧包含一个带有S谐振网络的接收线圈、一个整流器和一个电阻负载。所有波形都是使用示波器（Tektronix MDO3024）和差分探头（ETA 5002）以及宽带电流传感器（Tektronix TCP0020）进行测量的。Tektronix MDO3024混合域示波器由总部位于美国俄勒冈州比弗顿的Tektronix公司制造。ETA 5002高电压差分探头由总部位于台湾台北的ETA公司制造。Tektronix TCP0020电流传感器由总部位于美国俄勒冈州比弗顿的Tektronix公司制造。

图8. 实验原型照片。
表4. 原型参数。
在实验中，由参数漂移引起的故障称为软故障（包括Cp-inc、Cp-dec、Cs-inc、Cs-dec和d-cha），而由开路或短路引起的故障称为硬故障（包括Sn-open、Dn-open、Dn-short、Cd-open和Cd-short）。软故障诊断的边界条件是根据图9中的实验结果得出的。从图9可以看出，当电容器参数偏移100 pF时，负载电压VL和αd变化不大。当电容器参数偏移220 pF时，αd显著增加，这可以通过比较uin和iin的零交叉点得出，这些零交叉点在图9中也用虚线圈出。因此，当发生电容器软故障时，选择220 pF作为边界参数。当d偏移1 cm时，VL波动显著增加。因此，选择1 cm作为d-cha的边界参数。硬故障的波形显示在图10中。如图10所示，iin的特性及其与uin的关系是不同的，这是诊断故障类型的基础。在硬故障情况下（例如开关开路），逆变器桥的拓扑完整性受到破坏，这显著改变了输入电流与输出交流电压之间的动态耦合关系（即整流前的次级侧谐振电容两端的电压）。我们的方法正是利用了这种物理机制。图9显示了逆变器在正常状态和不同软故障状态下的电压和电流波形，这些故障状态具有不同的偏移参数。图10显示了逆变器在不同硬故障状态下的电压和电流波形。首先通过数据处理方法提取不同状态下iin的波形信息，然后将这些提取的信息输入到预训练的层次SVM模型中，该模型已移植到DSP上。模型根据输入数据输出识别结果。实验识别结果的混淆矩阵如图11所示。观察到大多数错误发生在将正常条件误判为软故障的情况下。这种现象归因于软故障的物理特性：当参数偏移较小时，其特征签名与正常工作状态非常相似，难以区分。这一观察结果与图9中的边界条件分析一致，其中小电容偏移（例如100 pF）导致的相位差异变化可以忽略不计。此外，其他误分类情况主要发生在不同故障类别之间的接口处。所有类别的识别准确率均达到了95%或更高，证明了所提出方法的有效性和鲁棒性。表5列出了实验中不同软故障在不同偏移参数下的召回率，表5还详细列出了每种软故障的具体参数偏移水平。模型在不同偏移参数下的召回率为94%或更高。尽管某些测试中的偏移参数不在训练数据集中，但模型仍然能够保持高识别准确率，表明模型具有良好的泛化能力。图11显示了实验识别结果的混淆矩阵。图5显示了软故障的召回率。另一个关键指标是识别速度。为了测量识别时间，当DSP引脚usignal的电平从0 V变为3.3 V时，将其设置为识别成功的标志。然后通过测量故障发生与引脚电平升高之间的时间差，可以得出控制器成功识别故障所需的时间，如图12所示。图12显示了uin和iin的所有波形以及在转换阶段识别时间的测量结果。所有故障都能在极短的时间内（26毫秒以内）被成功识别。每个故障类别的识别时间经过10次独立试验进行了测量。图13中的误差条表示标准偏差。结果表明，平均识别时间为14.19毫秒，标准偏差小于2毫秒，证明了该算法在TI DSP28377控制器上的高稳定性和重复性。图12显示了在不同故障发生时逆变器的电压和电流波形。图13显示了具有标准偏差的测量识别时间的平均结果。由于训练好的模型需要部署在通常存储资源有限的控制器上，因此模型大小也非常重要。如图14所示，该方法相对于其他策略显著减小了模型尺寸。与OVR-SVM相比，所提出的层次SVM策略将模型大小减少了88.53%；与OVO-SVM相比，减少了4.9kB。低内存使用率提高了该方法在各种控制器上的适用性。此外，模型大小还可以评估识别过程中的计算负载。如图7(b1)所示，所提出的方法不仅在模型大小上比传统方法更小，而且在识别过程中只需要部分参数参与运算，这进一步证明了层次SVM具有更快的识别速度。图14显示了不同策略的模型大小。因此，实验结果表明，所提出的WPT系统故障诊断方法能够有效识别包括WPT系统所有关键组件在内的各种故障。该方法在识别各种故障方面的准确率超过95%，平均识别时间为14.19毫秒。此外，该模型对不同偏移参数的软故障具有良好的泛化能力。另外，所提出的层次SVM具有更小的模型大小和较低的计算负载，证明了其实际可行性和计算效率。5. 结论本文提出了一种适用于WPT系统的系统级故障诊断方法，并在原型上进行了实验验证，证明了该方法的有效性。这项工作的核心创新在于为嵌入式WPT系统设计了基于物理信息的层次结构和复杂性优化策略。与传统依赖数据驱动聚类（例如k-means）来确定树结构的层次SVM不同，我们的层次SVM根据WPT系统的物理故障机制构建决策树。这种“物理信息驱动的机器学习”方法理论上保证了比盲目数据聚类更好的分离能力。所提方法的实验结果实现了超过95%的故障识别准确率，平均识别时间为14.19毫秒，代表了WPT系统诊断方面的重大进步。该方法具备了整个WPT系统的全面诊断能力，具有以下几个关键创新点：(1)精心设计的层次SVM算法显著降低了训练和识别时间，同时保持了高准确率，使其能够在传统系统控制器上实际应用；(2)极简的硬件配置只需要一个电流传感器，并消除了主-次级侧通信的需要，显著提高了系统的适用性。在实际应用中，WPT系统可能在多个功率水平下运行，经历动态耦合变化，或同时遇到多个故障。未来的研究将重点开发自适应特征提取技术和强大的多任务学习框架，以将这种方法扩展到动态无线充电场景和复杂故障条件。