基于双有源桥的同时电池充电系统中开路故障定位的多标签分类方法

为何智能充电需要智能故障检测

随着电动汽车日益普及，充电站必须在不浪费能量或损坏昂贵硬件的前提下，同时为多块电池提供安全充电。该研究表明，利用现代模式识别技术，仅凭电压信号和训练好的计算模型，就能在此类快速、紧凑的充电器中发现微妙的电气故障，从而在其演变为严重故障之前予以识别。

一种变换器如何同时为两块电池充电

现代高功率充电器通常依赖一种称为双有源桥（dual active bridge）的装置，在直流电源与多块电池之间传输能量。在本文研究的三端口设计中，变换器的一侧通过共享的高频变压器向两个独立的电池端口供能。电子开关组以精确时序打开和关闭，使两块电池能够从同一链路充电，同时在电气上保持隔离以保证安全。

为何开路开关故障难以捕捉

这些电子开关可能以不同方式失效。当开关保持开路时，变换器往往仍在运行，但电流和电压会失衡，可能会给其他部件造成应力，直到出现更具破坏性的二次故障。由于三个端口在磁上耦合，一个桥臂的问题可能会传递到其他桥臂。传统的故障检测方法要么依赖非常精确的电路模型，要么在负载变化或控制延迟扭曲波形时表现欠佳。它们通常还假设一次仅有一个故障，而在多端口硬件中同时发生的复合故障却很常见。

将电压纹波变为神经网络可读的图像

为了解决这一挑战，作者在每个开关支路的中点测量电压，共六个点，这些点对每对开关的行为特别敏感。他们使用类似音乐频谱图的数学工具，将这些快速电压波形转换为时频图像。每幅图像显示不同频率成分在短时间窗内强度的变化。将来自六个传感器的六幅图像像照片的颜色通道一样堆叠，生成一幅丰富的图像，编码了特定故障模式如何在整个系统中扭曲变换器行为的信息。

训练模型同时识别多重故障

研究团队改造了已知的图像识别网络 ResNet‑18，使其不再只选择单一故障类别，而是可以同时标记十二个开关中的任意组合为故障状态。他们构建了大规模的仿真数据集，覆盖了所有单开路和双开路情况、不同的电池荷电状态，以及故障在开关周期内出现的多种时刻。在未见过的工况上进行训练和测试表明，该模型以超过99％的 F1 分数正确检测并定位故障，甚至对未见过的三开关故障组合也能达到约85％的准确率。与更传统的单标签分类器相比，多标签设计更可靠地捕捉同时发生的故障，并在所有开关间表现出更好的平衡性。

在噪声、延迟和传感器减少情况下的鲁棒性

真实系统很少完全符合理想仿真，因此作者还测试了该方法在条件不完美时的表现。他们在开关控制信号之间加入现实的延迟、在电压测量中添加电气噪声，随后又移除部分传感器。模型在这些测试中保持了较高的精度：即使在相对较低信噪比下，F1 分数也保持在93％以上；仅使用两个传感器时也能保持92％以上。计时分析表明，以当前的软件实现，完成从数据采集到决策的全套诊断约需0.14秒，足以用于充电系统的在线健康监测。

这对未来充电系统意味着什么

简而言之，这项工作表明，将原始电压纹波转为图像并输入精心设计的神经网络后，多端口电池充电器不仅能检测到异常，还能快速识别受影响的开关，甚至在多个开关同时失效时依然有效。该方法在噪声、延迟和测量减少的情况下仍具可靠性，且运行速度足以满足实际应用，表明这是通向更安全、更具韧性的充电站的有希望路径，以应对不断增长的电动车队需求。

引用: El-Naeem, K.S.A., Nayel, M.A., Abdelrahem, M. et al. Open circuit fault localization in dual active bridge based simultaneous battery charging systems using multi label classification. Sci Rep 16, 15354 (2026). https://doi.org/10.1038/s41598-026-52101-w

关键词: 双有源桥, 电池充电, 故障诊断, 深度学习, 功率变换器