本發(fā)明涉及故障檢測(cè)，尤其涉及一種具有故障檢測(cè)功能的驅(qū)動(dòng)控制電路。

背景技術(shù)：

1、現(xiàn)有技術(shù)缺乏對(duì)驅(qū)動(dòng)控制電路多域特征的綜合分析能力，通常只關(guān)注時(shí)域或頻域特征，忽視了不同域之間的相互關(guān)聯(lián)性，導(dǎo)致特征提取不全面，難以準(zhǔn)確反映系統(tǒng)的整體狀態(tài)；

2、現(xiàn)有的故障診斷模型普遍采用單一的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，難以有效處理驅(qū)動(dòng)控制電路中存在的多尺度、多模態(tài)數(shù)據(jù)，限制了模型對(duì)復(fù)雜故障模式的識(shí)別能力，特別是在面對(duì)新型或復(fù)合故障時(shí)，診斷準(zhǔn)確率較低；

3、傳統(tǒng)方法在故障預(yù)警方面存在滯后性，缺乏對(duì)故障發(fā)展趨勢(shì)的預(yù)測(cè)和多維度風(fēng)險(xiǎn)評(píng)估能力，導(dǎo)致無(wú)法及時(shí)發(fā)現(xiàn)潛在故障風(fēng)險(xiǎn)，也難以為設(shè)備維護(hù)和故障預(yù)防提供有效的決策支持；

4、因此，亟需一種方案解決現(xiàn)有技術(shù)中存在的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種具有故障檢測(cè)功能的驅(qū)動(dòng)控制電路，至少能解決現(xiàn)有技術(shù)中存在的部分問(wèn)題。

2、本發(fā)明實(shí)施例提供一種具有故障檢測(cè)的驅(qū)動(dòng)控制電路，包括：

3、獲取驅(qū)動(dòng)控制電路在歷史工作過(guò)程中的狀態(tài)參數(shù)，基于所述狀態(tài)參數(shù)的變化趨勢(shì)，標(biāo)定驅(qū)動(dòng)控制電路的健康度指標(biāo)并通過(guò)小波變換進(jìn)行時(shí)頻域分析，提取不同頻段上的特征參數(shù)，得到多域特征向量，基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和深度置信網(wǎng)絡(luò)構(gòu)建多層級(jí)聯(lián)的異構(gòu)神經(jīng)網(wǎng)絡(luò)，將所述驅(qū)動(dòng)控制電路的歷史狀態(tài)參數(shù)對(duì)應(yīng)的多域特征向量添加至所述異構(gòu)神經(jīng)網(wǎng)絡(luò)中，判斷是否發(fā)生故障和電路故障對(duì)應(yīng)的故障模式并與事件標(biāo)簽關(guān)聯(lián)，重復(fù)判斷并迭代所述異構(gòu)神經(jīng)網(wǎng)絡(luò)的參數(shù)，基于訓(xùn)練得到的模型參數(shù)構(gòu)建電路故障檢測(cè)模型；

4、在所述驅(qū)動(dòng)控制電路的檢測(cè)節(jié)點(diǎn)布置傳感器，實(shí)時(shí)采集所述驅(qū)動(dòng)控制電路的運(yùn)行參數(shù)，對(duì)所述運(yùn)行參數(shù)進(jìn)行多域特征提取，得到實(shí)時(shí)特征向量并添加至所述電路故障檢測(cè)模型中，診斷所述驅(qū)動(dòng)控制電路是否存在故障風(fēng)險(xiǎn)以及所述故障風(fēng)險(xiǎn)對(duì)應(yīng)的故障類型，將所述實(shí)時(shí)特征向量與預(yù)設(shè)的故障特征進(jìn)行相似度計(jì)算，基于動(dòng)態(tài)時(shí)間規(guī)整算法計(jì)算特征序列之間的距離，結(jié)合模糊邏輯推理確定故障類型的隸屬度，通過(guò)遞歸貝葉斯估計(jì)更新故障概率分布，構(gòu)建多維故障特征空間，在所述多維故障特征空間中，基于核主成分分析方法提取關(guān)鍵特征維度，采用改進(jìn)的深度自編碼器進(jìn)行特征降維和重構(gòu)，結(jié)合自適應(yīng)k均值聚類算法對(duì)故障模式進(jìn)行動(dòng)態(tài)分類；

5、構(gòu)建多層注意力機(jī)制的時(shí)序預(yù)測(cè)網(wǎng)絡(luò)，將所述多維故障特征空間中的歷史數(shù)據(jù)序列輸入至所述時(shí)序預(yù)測(cè)網(wǎng)絡(luò)，通過(guò)自注意力層捕獲特征之間的長(zhǎng)程依賴關(guān)系，結(jié)合門(mén)控循環(huán)單元提取所述歷史數(shù)據(jù)序列對(duì)應(yīng)的動(dòng)態(tài)變化規(guī)律，基于變分推斷方法估計(jì)故障狀態(tài)轉(zhuǎn)移概率，得到故障發(fā)展趨勢(shì)預(yù)測(cè)結(jié)果，將所述故障發(fā)展趨勢(shì)預(yù)測(cè)結(jié)果輸入至基于隨機(jī)森林和梯度提升樹(shù)的集成學(xué)習(xí)模型中，輸出多維預(yù)警指標(biāo)，基于所述多維預(yù)警指標(biāo)設(shè)計(jì)自適應(yīng)預(yù)警閾值，結(jié)合專家知識(shí)庫(kù)構(gòu)建分級(jí)預(yù)警規(guī)則，生成分級(jí)預(yù)警信息，將所述分級(jí)預(yù)警信息通過(guò)加密通道推送至預(yù)設(shè)終端，并將預(yù)警過(guò)程數(shù)據(jù)存儲(chǔ)至分布式數(shù)據(jù)庫(kù)中。

6、在一種可選的實(shí)施方式中，

7、獲取驅(qū)動(dòng)控制電路在歷史工作過(guò)程中的狀態(tài)參數(shù)，基于所述狀態(tài)參數(shù)的變化趨勢(shì)，標(biāo)定驅(qū)動(dòng)控制電路的健康度指標(biāo)并通過(guò)小波變換進(jìn)行時(shí)頻域分析，提取不同頻段上的特征參數(shù)，得到多域特征向量，基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和深度置信網(wǎng)絡(luò)構(gòu)建多層級(jí)聯(lián)的異構(gòu)神經(jīng)網(wǎng)絡(luò)，將所述驅(qū)動(dòng)控制電路的歷史狀態(tài)參數(shù)對(duì)應(yīng)的多域特征向量添加至所述異構(gòu)神經(jīng)網(wǎng)絡(luò)中，判斷是否發(fā)生故障和電路故障對(duì)應(yīng)的故障模式并與事件標(biāo)簽關(guān)聯(lián)，重復(fù)判斷并迭代所述異構(gòu)神經(jīng)網(wǎng)絡(luò)的參數(shù)，基于訓(xùn)練得到的模型參數(shù)構(gòu)建電路故障檢測(cè)模型包括：

8、獲取驅(qū)動(dòng)控制電路在歷史工作過(guò)程中的狀態(tài)參數(shù)，所述狀態(tài)參數(shù)包括電壓參數(shù)、電流參數(shù)、溫度參數(shù)、功率參數(shù)和性能參數(shù)；

9、基于所述狀態(tài)參數(shù)的變化趨勢(shì)，采用多層健康度評(píng)估體系標(biāo)定驅(qū)動(dòng)控制電路的健康度指標(biāo)，所述多層健康度評(píng)估體系包括單項(xiàng)指標(biāo)評(píng)估層、組合指標(biāo)評(píng)估層和綜合健康度評(píng)估層；

10、利用改進(jìn)的小波包變換算法對(duì)所述狀態(tài)參數(shù)進(jìn)行時(shí)頻域分析，采用最優(yōu)基選擇算法和sym6小波基函數(shù)進(jìn)行八尺度分解，通過(guò)自適應(yīng)閾值方法抑制噪聲，從分解得到的每個(gè)子頻帶中提取特征參數(shù)，將提取得到的均值、標(biāo)準(zhǔn)差作為時(shí)域特征，頻帶能量、重心頻率作為頻域特征，小波能量熵和奇異值分布作為時(shí)頻聯(lián)合特征，構(gòu)建多域特征向量；

11、構(gòu)建包括特征提取層、特征融合層和決策層的多層級(jí)聯(lián)異構(gòu)神經(jīng)網(wǎng)絡(luò)，所述特征提取層包括由三層雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)構(gòu)成的第一分支、由具有通道注意力機(jī)制和空間注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成的第二分支和由引入對(duì)比發(fā)散算法的深度置信網(wǎng)絡(luò)構(gòu)成的第三分支；

12、將所述多域特征向量輸入所述異構(gòu)神經(jīng)網(wǎng)絡(luò)，通過(guò)所述第一分支、所述第二分支和所述第三分支分別提取特征，在所述特征融合層采用注意力機(jī)制對(duì)三個(gè)分支提取的特征進(jìn)行加權(quán)，利用特征選擇算法去除冗余特征，通過(guò)多頭自注意力機(jī)制進(jìn)行特征深度融合，在所述決策層中將融合特征輸入支持向量機(jī)分類器、隨機(jī)森林分類器和xgboost分類器，采用集成學(xué)習(xí)方法對(duì)三個(gè)分類器的輸出結(jié)果進(jìn)行動(dòng)態(tài)加權(quán)融合，判斷是否發(fā)生故障和電路故障對(duì)應(yīng)的故障模式，并將所述故障模式與事件標(biāo)簽關(guān)聯(lián)；

13、通過(guò)循環(huán)學(xué)習(xí)率調(diào)整機(jī)制控制學(xué)習(xí)率周期性變化，結(jié)合交叉熵?fù)p失和焦點(diǎn)損失構(gòu)建混合損失函數(shù)，根據(jù)訓(xùn)練損失值變化自適應(yīng)調(diào)整批次大小，通過(guò)增量學(xué)習(xí)機(jī)制持續(xù)迭代優(yōu)化所述異構(gòu)神經(jīng)網(wǎng)絡(luò)的參數(shù)，基于訓(xùn)練得到的模型參數(shù)構(gòu)建電路故障檢測(cè)模型。

14、在一種可選的實(shí)施方式中，

15、結(jié)合交叉熵?fù)p失和焦點(diǎn)損失構(gòu)建混合損失函數(shù)如下公式所示：

16、；

17、其中， l mix表示混合損失值， n表示樣本總數(shù)， yi表示第 i個(gè)樣本的真實(shí)標(biāo)簽，表示第 i個(gè)樣本的預(yù)測(cè)概率， α表示貢獻(xiàn)權(quán)重系數(shù)， γ表示聚焦參數(shù)。

18、在一種可選的實(shí)施方式中，

19、在所述驅(qū)動(dòng)控制電路的檢測(cè)節(jié)點(diǎn)布置傳感器，實(shí)時(shí)采集所述驅(qū)動(dòng)控制電路的運(yùn)行參數(shù)，對(duì)所述運(yùn)行參數(shù)進(jìn)行多域特征提取，得到實(shí)時(shí)特征向量并添加至所述電路故障檢測(cè)模型中包括：

20、在所述驅(qū)動(dòng)控制電路的不同檢測(cè)節(jié)點(diǎn)布置多種類型的傳感器，包括電壓傳感器、電流傳感器、溫度傳感器和振動(dòng)傳感器，通過(guò)并聯(lián)在直流側(cè)母線的電壓傳感器測(cè)量母線電壓，通過(guò)霍爾電流傳感器確定電流信號(hào)，通過(guò)熱電偶溫度傳感器測(cè)量電路溫度，通過(guò)加速度傳感器測(cè)量振動(dòng)信號(hào)，將采集得到的信息作為所述驅(qū)動(dòng)控制電路的多源異構(gòu)的運(yùn)行參數(shù)；

21、對(duì)于所述運(yùn)行參數(shù)中的電壓數(shù)據(jù)和電流數(shù)據(jù)，通過(guò)多層小波包分解為多個(gè)子帶，提取每個(gè)子帶對(duì)應(yīng)的能量、均值和均方根作為非平穩(wěn)特征向量，對(duì)于溫度參數(shù)，通過(guò)主成分分析算法進(jìn)行中心化和歸一化處理，同時(shí)計(jì)算協(xié)方差矩陣和所述協(xié)方差矩陣的特征值，根據(jù)累計(jì)貢獻(xiàn)率進(jìn)行特征選擇，得到主成分特征并構(gòu)建主成分矩陣，最終得到緩變特征矩陣，對(duì)于所述振動(dòng)信號(hào)，通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解將原始振動(dòng)信號(hào)分解為本征模態(tài)函數(shù)和殘差，對(duì)每個(gè)本征模態(tài)函數(shù)做希爾伯特變換，得到瞬時(shí)相位和瞬時(shí)幅值，提取瞬時(shí)頻率標(biāo)準(zhǔn)差和瞬時(shí)幅值均值作為振動(dòng)特征，組合所述振動(dòng)特征、所述非平穩(wěn)特征向量和所述緩變特征矩陣，得到實(shí)時(shí)特征向量并將所述實(shí)時(shí)特征向量添加至預(yù)先設(shè)置的電路故障檢測(cè)模型中；

22、對(duì)所述驅(qū)動(dòng)控制電路施加常見(jiàn)故障，其中，所述常見(jiàn)故障包括開(kāi)路、擊穿、電容短路和缺相，使用示波器記錄每個(gè)故障對(duì)應(yīng)的電壓和電流作為故障波形特征，使用紅外相機(jī)記錄器件表面溫度分布，通過(guò)熱成像圖確定器件損傷程度對(duì)應(yīng)的故障等級(jí)，基于所述故障等級(jí)、所述故障波形特征和所述器件表面溫度分布確定故障標(biāo)簽。

23、在一種可選的實(shí)施方式中，

24、診斷所述驅(qū)動(dòng)控制電路是否存在故障風(fēng)險(xiǎn)以及所述故障風(fēng)險(xiǎn)對(duì)應(yīng)的故障類型，將所述實(shí)時(shí)特征向量與預(yù)設(shè)的故障特征進(jìn)行相似度計(jì)算，基于動(dòng)態(tài)時(shí)間規(guī)整算法計(jì)算特征序列之間的距離，結(jié)合模糊邏輯推理確定故障類型的隸屬度，通過(guò)遞歸貝葉斯估計(jì)更新故障概率分布，構(gòu)建多維故障特征空間，在所述多維故障特征空間中，基于核主成分分析方法提取關(guān)鍵特征維度，采用改進(jìn)的深度自編碼器進(jìn)行特征降維和重構(gòu)，結(jié)合自適應(yīng)k均值聚類算法對(duì)故障模式進(jìn)行動(dòng)態(tài)分類包括：

25、所述電路故障檢測(cè)模型包括一維卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，基于所述實(shí)時(shí)特征向量，通過(guò)一維卷積層進(jìn)行局部空間特征提取，結(jié)合激活函數(shù)和最大池化降采樣，級(jí)聯(lián)兩個(gè)長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)所實(shí)時(shí)特征向量中的長(zhǎng)期依賴關(guān)系，得到所述實(shí)時(shí)特征向量在十種故障狀態(tài)的概率分布，將所述概率分布作為所述驅(qū)動(dòng)控制電路對(duì)應(yīng)的故障風(fēng)險(xiǎn)以及對(duì)應(yīng)的故障類型；

26、對(duì)于每個(gè)故障類型，結(jié)合預(yù)先獲取的故障標(biāo)簽，計(jì)算所述實(shí)時(shí)特征向量與預(yù)先設(shè)置歷史故障庫(kù)中的故障特征之間的相似度，通過(guò)動(dòng)態(tài)規(guī)整算法計(jì)算所述實(shí)時(shí)特征向量與所述歷史故障庫(kù)中特征序列之間的距離，生成最優(yōu)匹配路徑并作為相似度，定義模糊集，基于所述相似度制定推理規(guī)則并進(jìn)行推理，得到當(dāng)前故障類型對(duì)應(yīng)的隸屬度函數(shù)，基于所述隸屬度函數(shù)，通過(guò)遞歸貝葉斯估計(jì)算法更新故障風(fēng)險(xiǎn)的動(dòng)態(tài)概率分布以及所述隸屬度函數(shù)，重復(fù)更新并構(gòu)建所述多維故障特征空間；

27、在所述多維故障特征空間中，通過(guò)核主成分分析算法提取每個(gè)故障類型和所述實(shí)時(shí)特征向量對(duì)應(yīng)的關(guān)鍵特征維度，結(jié)合改進(jìn)的深度自編碼器進(jìn)行特征降維和重構(gòu)，生成深層故障特征，對(duì)于所述深層故障特征，通過(guò)自適應(yīng)k均值聚類算法，結(jié)合聚類有效性指標(biāo)，在所述多維故障特征空間中進(jìn)行聚類，得到動(dòng)態(tài)故障分類結(jié)果。

28、在一種可選的實(shí)施方式中，

29、構(gòu)建多層注意力機(jī)制的時(shí)序預(yù)測(cè)網(wǎng)絡(luò)，將所述多維故障特征空間中的歷史數(shù)據(jù)序列輸入至所述時(shí)序預(yù)測(cè)網(wǎng)絡(luò)，通過(guò)自注意力層捕獲特征之間的長(zhǎng)程依賴關(guān)系，結(jié)合門(mén)控循環(huán)單元提取不同故障特征動(dòng)態(tài)變化規(guī)律，基于變分推斷方法估計(jì)故障狀態(tài)轉(zhuǎn)移概率，得到故障發(fā)展趨勢(shì)預(yù)測(cè)結(jié)果，將所述故障發(fā)展趨勢(shì)預(yù)測(cè)結(jié)果輸入至基于隨機(jī)森林和梯度提升樹(shù)的集成學(xué)習(xí)模型中，輸出多維預(yù)警指標(biāo)，基于所述多維預(yù)警指標(biāo)設(shè)計(jì)自適應(yīng)預(yù)警閾值，結(jié)合專家知識(shí)庫(kù)構(gòu)建分級(jí)預(yù)警規(guī)則，生成分級(jí)預(yù)警信息，將所述分級(jí)預(yù)警信息通過(guò)加密通道推送至預(yù)設(shè)終端，并將預(yù)警過(guò)程數(shù)據(jù)存儲(chǔ)至分布式數(shù)據(jù)庫(kù)中包括：

30、構(gòu)建包含多層注意力機(jī)制的時(shí)序預(yù)測(cè)網(wǎng)絡(luò)，將所述多維故障特征空間中的歷史數(shù)據(jù)序列添加至所述時(shí)序預(yù)測(cè)網(wǎng)絡(luò)，結(jié)合預(yù)先獲取的動(dòng)態(tài)故障分類結(jié)果，通過(guò)自注意力層確定不同故障特征之間的長(zhǎng)程依賴關(guān)系，基于所述長(zhǎng)程依賴關(guān)系，結(jié)合門(mén)控循環(huán)單元確定當(dāng)前時(shí)間步的隱藏狀態(tài)并進(jìn)行狀態(tài)更新，重復(fù)更新和循環(huán)編碼直至達(dá)到最后一個(gè)時(shí)間步，得到最后一個(gè)時(shí)間步的隱藏狀態(tài)對(duì)應(yīng)的特征編碼和所述歷史數(shù)據(jù)序列對(duì)應(yīng)的動(dòng)態(tài)變化規(guī)律；

31、基于所述特征編碼，通過(guò)變分推斷方法定義隱變量，結(jié)合變分分布逼近后驗(yàn)分布，以最大化觀測(cè)數(shù)據(jù)的對(duì)數(shù)邊際似然為目標(biāo)，最大化變分下界，結(jié)合滿足正態(tài)分布的所述隱變量的先驗(yàn)分布，通過(guò)神經(jīng)網(wǎng)絡(luò)參數(shù)化所述變分分布，得到隱變量的采樣值，通過(guò)生成網(wǎng)絡(luò)重構(gòu)觀測(cè)數(shù)據(jù)并通過(guò)引入隨機(jī)噪聲變量對(duì)所述隱變量進(jìn)行采樣，結(jié)合損失函數(shù)得到單位時(shí)間間隔內(nèi)的狀態(tài)轉(zhuǎn)移概率，結(jié)合后驗(yàn)分布采樣得到隱變量編碼并遞歸應(yīng)用狀態(tài)轉(zhuǎn)移函數(shù)，得到隱狀態(tài)序列并進(jìn)行解碼，得到所述故障發(fā)展趨勢(shì)預(yù)測(cè)結(jié)果；

32、將所述故障發(fā)展趨勢(shì)預(yù)測(cè)結(jié)果添加至基于隨機(jī)森林和梯度提升樹(shù)的集成學(xué)習(xí)模型中，通過(guò)綜合隨機(jī)森林模塊和梯度提升樹(shù)模塊的預(yù)測(cè)結(jié)果，得到多維預(yù)警指標(biāo)，對(duì)于所述多維預(yù)警指標(biāo)的每個(gè)維度，根據(jù)所述歷史數(shù)據(jù)序列在不同區(qū)間的分布頻率確定相對(duì)偏離度，基于所述相對(duì)偏離度設(shè)置對(duì)應(yīng)的自適應(yīng)預(yù)警閾值，結(jié)合預(yù)先獲取的專家知識(shí)庫(kù)構(gòu)建分級(jí)預(yù)警規(guī)則，對(duì)于當(dāng)前運(yùn)行參數(shù)，生成對(duì)應(yīng)的分級(jí)預(yù)警信息并通過(guò)加密通道推送至預(yù)先設(shè)置的預(yù)警終端，并將預(yù)警過(guò)程數(shù)據(jù)儲(chǔ)存至預(yù)先設(shè)置的分布式數(shù)據(jù)庫(kù)中。

33、在一種可選的實(shí)施方式中，

34、所述變分下界對(duì)應(yīng)的計(jì)算公式如下：

35、；

36、其中，elbo( θ， φ)表示變分下界的值， θ表示解碼器參數(shù)， φ表示編碼器參數(shù)，為變分后驗(yàn)分布，表示在給定觀察數(shù)據(jù) x后，隱變量 z的分布，為生成模型，表示給定隱變量 z后，模型生成觀察數(shù)據(jù) x的概率， d kl表示kl散度，用于度量變分后驗(yàn)分布與先驗(yàn)分布 p( z)之間的差異， p( z)表示隱變量的先驗(yàn)分布，表示在后驗(yàn)分布下生成觀察數(shù)據(jù) x的對(duì)數(shù)似然。

37、本發(fā)明中，通過(guò)對(duì)驅(qū)動(dòng)控制電路的狀態(tài)參數(shù)進(jìn)行小波變換，實(shí)現(xiàn)時(shí)頻域特征提取，得到多域特征向量，可以更全面地刻畫(huà)電路的健康狀態(tài)，為后續(xù)的故障診斷提供豐富的信息，通過(guò)在檢測(cè)節(jié)點(diǎn)布置傳感器實(shí)時(shí)采集運(yùn)行參數(shù)，并使用訓(xùn)練好的故障檢測(cè)模型進(jìn)行診斷，可以準(zhǔn)確判斷電路是否存在故障風(fēng)險(xiǎn)以及對(duì)應(yīng)的故障類型，結(jié)合相似度計(jì)算、動(dòng)態(tài)時(shí)間規(guī)整、模糊邏輯推理等方法，可以動(dòng)態(tài)更新故障概率分布，實(shí)現(xiàn)故障模式的自適應(yīng)分類，引入多層注意力機(jī)制的時(shí)序預(yù)測(cè)網(wǎng)絡(luò)，通過(guò)自注意力層捕獲特征間的長(zhǎng)程依賴，結(jié)合門(mén)控循環(huán)單元提取歷史數(shù)據(jù)的動(dòng)態(tài)變化規(guī)律，并使用變分推斷方法估計(jì)故障狀態(tài)轉(zhuǎn)移概率，從而預(yù)測(cè)故障的發(fā)展趨勢(shì)，可以在故障發(fā)生前及時(shí)采取措施，避免嚴(yán)重事故，綜上，本發(fā)明實(shí)現(xiàn)了驅(qū)動(dòng)控制電路從故障診斷、預(yù)測(cè)到預(yù)警的全流程智能化，可顯著提高系統(tǒng)可靠性和安全性，減少意外停機(jī)時(shí)間和維護(hù)成本，具有重要的應(yīng)用價(jià)值。