基于特征融合的开关电源故障诊断方法研究

张诗慧，郎朗，种银保

陆军军医大学第二附属医院 医学工程科，重庆 400037

引言

医疗装备能否发挥其最大效能，与供电电源的质量密切相关。开关电源作为医疗装备的“心脏”，由于长时间承受高电压、强电流的冲击，导致其故障频发，据统计，电源的故障占机器故障的60%以上[1-2]。此外，医疗装备开关电源价格昂贵、差异大、互换性差，同时很多生产厂家为了获取维修利润不再提供详尽的电路图等信息，导致开关电源故障定位困难。因此探究医疗装备开关电源无图纸故障诊断方法，对保障医疗装备安全有效运行具有重要意义。

目前对于开关电源的故障诊断方法主要有两种，即基于原理驱动的故障诊断方法和基于数据驱动的故障诊断方法[3-5]。随着电路板集成度越来越高和图纸的缺少，基于原理的故障诊断方法难以解决实际问题，而基于数据驱动的故障诊断方法逐渐凸显优势。该方法通过采集各测试点电信号数据，利用深度方法提取信号特征，并学习特征与故障状态之间的映射关系，建立非线性、非透明的故障诊断模型，从而实现大数据化和智能化的故障诊断，为解决医学装备开关电源无图纸故障诊断问题提供了有效的解决方案。

近年来，深度学习中最典型的两种框架（卷积神经网络和长短时记忆网络）在故障诊断领域取得了一定的成就[6-8]。值得注意的是，开关电源信号既具有形态特征又具有时序特征，若仅根据单一维度特征进行故障诊断，诊断结果并不可靠。基于此，本研究利用深度学习中的卷积神经网络和长短时记忆网络分别提取开关电源不同维度特征，并将两者进行自适应融合，建立多维度特征融合故障诊断模型，克服单一维度特征对诊断结果造成的片面性。

1 开关电源数据采集

1.1 开关电源简介及常见故障

尽管医疗装备开关电源结构复杂，种类繁多，但是其工作原理相通，核心结构差异不大[9]。具体来说，220 V交流电经整流滤波后成为不稳定的直流电，并加到由开关管和变压器等组成的高频变压电路上，在以PWM芯片为核心产生的脉冲控制信号作用下周期性通断开关管，同时通过反馈电路来调整脉冲信号的占空比，对输出电压进行调整使其得以稳定，再经整流滤波，即可获得稳定的直流电压。从文献调研和临床工程师提供的相关统计数据研究中发现，开关电源中有3种元器件故障率较高，分别是开关管、PWM芯片以及电源管理芯片[9-10]。因此，本文通过更换真实的故障芯片来还原开关电源3种常见故障状态并对其进行识别研究。医疗装备开关电源典型故障及相关现象如表1所示。

表1 医疗装备开关电源典型故障及相关现象

1.2 测试点选取及数据采集

测试点的选取是故障诊断的一个重要步骤，只有测试点选择合理、准确，采集到的数据才能有效表征开关电源状态，进而为故障诊断模型的构建提供支持[11]。本研究对医疗装备开关电源故障类型以及核心芯片功能进行模块划分，并依次选取核心芯片的输入端、输出端、控制端和电源端等16个测试点，其中医疗装备开关电源功能模块信号传递模型及测试点分布如图1所示。

图1 功能模块信号传递模型及测试点分布

随着计算机和总线的发展，越来越多的工程技术人员采用基于LabVIEW的数据采集系统[12-13]。该系统是指在计算机基础上通过增加配备必要的传感器、数据采集卡等硬件模块和LabVIEW软件平台，使其成为具有可视化界面的仪器。本研究在医疗装备整机运行条件下，利用NI USB-6216采集卡和LabVIEW软件进行16通道电压信号同步采集，以保证开关电源的激励和负载不会对采集的数据产生影响，尽可能地还原真实工作中开关电源所产生的故障信号。此外，对不符合采集卡采集范围的电信号进行分压处理，以保证采集卡正常运行，同时保证分压电阻不会对电路板的负载产生较大的影响，以便还原开关电源真实的运行状态。

2 多维度特征提取与融合

2.1 多维度特征提取

长短时记忆循环神经网络（Long Short-Term Memory，LSTM）作为一种时间递归神经网络[14]，不仅能够获取电信号序列之间的关联信息，还能有效捕获开关电源各测试点电压信号时序信息依赖关系，有效解决循环神经网络梯度消失的问题[15]。此外，该方法还可提取开关电源各测试点电信号的时间维度特征，挖掘信号内部时序关系。

开关电源电信号除了具备时序信息以外，其波形的形态特征对故障判断也十分重要，经验丰富的临床工程专家仅凭关键测试点信号的波形就可大致判断出故障范围。受视觉系统的神经机制启发而出现的卷积神经网络（Convolution Neural Network，CNN）是一种模拟人脑进行分析学习的新型多层神经网络[16]。它能够直接对原始输入信号进行处理分析，自动提取信号的本质特征，避免了人工筛选产生的主观性。鉴于电信号自身一维性的特点，本文利用一维卷积神经网络（One-Dimensional Convolution Neural Network，1DCNN）提取多通道电信号的形态特征。与2DCNN相比，1DCNN对电信号具有更好的特征提取能力[17]，首先，输入数据的维度不同，1DCNN可直接输入开关电源原始时间序列信号，保证输入的真实性；其次，卷积核遍历数据的方式不同，1DCNN的卷积核仅在某一维度上遍历进行卷积运算，且大小是一维的，模型结构简单，参数较少，节省了计算资源和时间。

2.2 多维度特征融合

对于开关电源电信号而言，1DCNN是利用卷积核对某个时间段内电信号的波形进行形态特征提取，但无法提取不同时刻电信号之间的关系。LSTM则是通过对不同时刻的电信号有选择的记忆和遗忘，实现对电信号的长期记忆，从而提取开关电源电信号时间维度特征。将多维度特征融合有利于提高故障诊断准确率。特征融合一般分为特征通道叠加和特征图求和两种方式，对于不同维度特征融合来说，其计算方式如公式（1）～（2）所示。

式中，Xi和Yi分别表示不同维度待融合特征，Ki表示卷积核。

特征通道叠加只是单纯增加特征通道，将不同维度特征同时映射到相同的类别空间中，不同维度特征之间并无关联；特征图求和的融合方式要求不同维度特征的通道数相同，将不同维度特征包含的特征图逐个相加，特征之间存在一定的融合性。

在利用CNN和LSTM进行特征融合的研究方向上，大多数文献[18-19]都是在CNN已经提取的形态特征上，利用LSTM循环层结构作为网络输出层的一部分，处理已提取形态特征的时间持续关系，两者结合虽具有一定的优势，但随着CNN层数加深，所提取的深层次局部形态特征并不能包含原始数据的时序信息。因此本研究通过设计使得开关电源电信号提取的时序特征和形态特征展平后特征大小相同，并按照等比例特征图求和方式来构造融合特征向量。为了避免故障诊断模型陷入过拟合，引入Dropout技术来减弱神经元节点间的联合适应性，一定程度上达到正则化的效果，增强模型的泛化能力[20]。本研究构建的基于多维度特征融合的故障诊断模型示意图如图2所示。

图2 多维度特征融合网络结构

3 基于Adam优化的多维度特征融合故障诊断模型

针对单一特征对诊断造成的片面性，将基于深度学习提取的多维度特征融合为多维特征向量后，通过Softmax分类器[21]对开关电源状态进行分类和识别，建立一种基于多维度特征融合的故障诊断模型，提高分类精度，其表达式如公式（3）所示。

式中，K表示全连接层输出向量的维度，也是识别的类别数；xj表示K维向量中第j神经元的输出值，且。

故障诊断模型中包含大量权重和偏置等参数，这些参数需要通过大量样本对模型进行训练来最终确定。目标函数作为模型训练的“指挥棒”，通过衡量全连接层的预测样本类别概率与真实样本类别之间的误差，来指导模型参数的训练和学习。本文采用交叉熵损失函数，其中m样本交叉熵损失函数表达式如公式（5）～（10）所示。

式中，mt和vt分别为一阶动量项和二阶动量项；β1和β2为动力值，通常分别取0.9和0.999；和分别为各自的修正值；Wt为迭代第t次时模型的参数；η为学习率；ε是一个取值很小的数（一般为e-8），避免分母为0。

4 实验验证

4.1 数据采集及预处理

据2018年3月25日中国医疗设备行业发布的监护类医疗设备市场占有率数据[22]，迈瑞公司的监护类医疗设备市场占有率为64.8%。因此，本研究选取市场占有率高、维修价格昂贵的迈瑞BeneView T8型监护仪的开关电源作为研究对象。通过已建立的基于LabVIEW的多通道数据采集系统对监护仪开关电源的四种状态进行数据采集和归一化处理，以提高数据的稳定性，同时对表1中的4种状态进行one-hot编码，其中采样率为50 kHz，采样数为500 k。

深度学习能够拥有强大的特征提取能力，得益于海量数据来驱动模型进行训练。而实际应用中，海量训练数据并不容易得到，因此有效的数据扩充成为模型训练的必要步骤。本研究对归一化后的多通道电信号进行有重叠的样本分割扩充，如图3所示，分别截取4000个长度为500的样本，其中样本之间的重叠比为80%，其目的是增加样本数量及其多样性，开关电源每种状态的多通道数据都看作是4000个样本数据的组合，共16000个样本，打乱顺序后，随机选取4000个样本作为训练集，其余12000样本作为测试集，监护仪开关电源各状态的训练样本个数及标签编码如表2所示。

图3 样本扩充示意图

表2 训练样本个数及标签编码

4.2 模型训练及结果

本文在Windows 10操作系统，Intel(R) Core(TM) i5-8265U CPU @ 1.60GHz的环境下，利用Python 3.0的深度学习库Keras搭建基于Adam优化的多维度特征融合故障诊断模型，并将训练集输入已经搭建好的开关电源故障诊断模型中训练模型参数，其中故障诊断模型的结构如图4所示。数据经过预处理后分别进入不同维度特征提取网络中，双向长短时记忆网络层提取的时序特征大小为50，由两个1D卷积层和1D最大池化层提取的形态特征大小为50。其中由于输入是电信号数据，为了保留边缘信息，卷积层进行了补零并且采用ReLU方法激活特征图，以增强网络非线性。两种维度特征分别利用Flatten层展平为包含800个元素的一维特征向量，同时按照1∶1比例相加得到融合后特征向量，为避免过拟合，以0.6的概率随机舍弃部分神经元，最后利用Softmax层对融合特征进行分类识别。

图4 基于多维度特征融合的故障诊断模型结构与参数

故障诊断在训练过程中，每次从包含4000个样本的训练集中随机无放回地抽取40个样本进行训练，模型共迭代100次，再用包含12000个样本的测试集对模型进行测试，实验结果如表3所示。从表3可以看出，TYPE1、TYPE2和TYPE4均被正确分类，TYPE3中有25个样本被错误识别为TYPE2类别，18个样本被错误识别为TYPE3类别，因此基于Adam优化的多维度开关电源故障诊断模型的准确率为99.98%。

表3 监护仪开关电源故障诊断结果

4.3 特征可视化

为了进一步表明多维度特征融合方法对监护仪开关电源故障分类能力，引入一种非线性降维算法t-SNE，主要对输入层多通道电信号数据的形态特征、时序特征以及两者融合后的融合特征等高维数据降维并可视化，实验结果如图5所示。图5a为输入的原始样本分布结果，由于对原始数据进行分割扩充处理，导致多通路信号存在冗余性，难以区分不同的故障类型。若仅对基于1DCNN提取的形态特征进行降维分析，如图5b所示，凭借该特征维度可以较好地区分TYPE1和TYPE4，而TYPE2和TYPE3的形态特征互相有一定的掺杂，且TYPE2的形态特征没有完全聚拢。若仅对基于LSTM提取时序特征进行可视化，如图5c所示，TYPE2和TYPE3的时序特征均没有完全聚拢，且彼此掺杂性较强，TYPE1和TYPE4提取的时序特征聚拢性较好。由图5d所示，本文提出的多维度特征融合模型所提取的融合特征均聚拢在相应的区域，各类别的融合特征并无相互掺杂。

图5 不同特征可视化

将基于多维度特征融合故障诊断模型提取的形态特征进行可视化，如图6所示，基于1DCNN提取的形态特征中，同一类别不同通道提取的特征以及各类别之间差异性较大。图6b的通道2提取的形态特征与图6a的通道15和图6c的通道12所提取的形态特征比较相近，这也很好地解释了TYPE2类型的部分样本被误诊断为TYPE1和TYPE3类型。此外PWM芯片损坏后，无法根据取样信号来调整占空比，导致电源无输出，因此会在图6c的第2通道提取平稳的直线形态特征。电源管理芯片主要管理开关电源的闭合状态，故障后无法保证电源闭环稳定运行，采集信号的信噪比减小，如图6d的通道1、通道7和通道8提取的形态特征。

图6 开关电源各状态形态特征和时序特征

5 讨论

为了凸显特征融合对诊断结果的影响，将本研究提出的基于多维度特征融合诊断方法分别与基于单一形态特征诊断方法和基于单一时序特征诊断方法进行对比分析，利用相同的训练集和测试集对3种方法进行训练和测试，其中训练集准确率和损失函数曲线对照结果如图7所示。从图中可以看出，无论是准确率还是模型的收敛程度，基于多维度特征融合诊断方法都优于其他2种基于单一特征的诊断方法。此外在优化算法方面，将本研究所采用的Adam算法[23]与其他常用的3种优化算法（AdaGrad、RMSprop和SGD）进行对比分析，其结果如图8所示。基于Adam优化的多维度特征融合故障诊断方法不仅准确率高，模型收敛效果好，而且从训练曲线看出，该优化算法较其他3种优化算法更加稳定。

图7 训练集准确率和损失函数曲线

图8 不同优化方法准确率和损失函数曲线

多分类模型评估指标除准确率（Accuracy）以外，还包括精准率（Precision）、灵敏度（Sensitivity）、F1。为了避免偶然性，依据不同特征进行故障方法分别进行10次实验，每次实验都按照之前的比例划分样本，使模型诊断的准确率更具客观性。取10次实验的平均结果作为最终实验结果，如图9所示，基于单一时序特征诊断方法的4种评估指标均值最小且误差最大，模型鲁棒性较差；其次是基于单一形态特征诊断方法，而本研究提出的基于多维度特征融合模型较利用单一维度特征进行故障诊断都有较好的表现，4种评估指标的均值高于其他2种方法且误差波动范围最小，模型鲁棒性强，其中准确率、精准率、灵敏度以及F1分别为99.56%、99.50%、99.50%和99.49%。此外，本研究过程中所需训练集样本和测试集样本个数比例为1∶3，训练样本量小于测试集样本量的情况下，能够取得比较好的成绩，说明模型有效，证明了模型的有效性。

图9 评估指标比对结果

为进一步验证本文所提方法的有效性，笔者前期利用2DCNN对医学装备开关电源的4种常见故障状态进行故障诊断研究[24]，诊断结果表明，针对医疗装备开关电源故障诊断，文本所提出的基于特征融合方法的准确率99.98%，较基于传统二维卷积神经网络方法的故障诊断准确率（99.79%）有所提升。

6 结论

本研究针对医疗装备中开关电源无图纸故障定位困难的问题，提出一种基于特征融合的开关电源故障诊断方法。该方法首先基于深度学习中的1DCNN和LSTM分别提取开关电源多个电信号的形态特征和时序特征，并将两种特征按照等比例特征图求和方式进行特征融合；其次利用Softmax分类器对融合特征分类识别，建立基于多维度特征融合故障诊断模型；最后利用Adam优化算法对模型参数进行自适应优化。通过对迈瑞T8监护仪开关电源故障诊断结果表明，相对于基于单一时序特征的故障诊断方法和基于单一形态特征的故障诊断方法，该方法能有效区分多种故障模式，说明该方法具一定的理论意义和实际应用前景。