CN106055418A - 电子系统和用于评估并且预测该电子系统的失效的方法 - Google Patents
电子系统和用于评估并且预测该电子系统的失效的方法 Download PDFInfo
- Publication number
- CN106055418A CN106055418A CN201610216876.9A CN201610216876A CN106055418A CN 106055418 A CN106055418 A CN 106055418A CN 201610216876 A CN201610216876 A CN 201610216876A CN 106055418 A CN106055418 A CN 106055418A
- Authority
- CN
- China
- Prior art keywords
- electronic system
- reliability
- computing unit
- data
- parts
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Power Sources (AREA)
Abstract
电子系统和用于评估并且预测该电子系统的失效的方法。本公开涉及包括多个元件的电子系统且多个元件包括限制电子系统的可靠性的部件,且涉及用于评估并且预测该电子系统的失效的方法。本发明的任务在于实现一种系统,该系统能够通过测量并监测与其连接的至少一个部件的至少一个可靠性限制参数的监测系统,监测影响例如电源的电子系统的可靠性的参数(诸如温度)、以及能够预测电源失效的参数(诸如大容量电容器ESR)。通过包括以下步骤的方法使用具有监测系统的电子系统:通过传感器测量影响或者关联部件的可靠性的参数,通过通信单元收集所测量的传感器数据和/或其它数据,将数据传输到计算设备以用于处理并预测所述部件的失效并对失效进行警告。
Description
技术领域
本公开涉及一种包括多个元件的电子系统,并且所述多个元件包括限制电子系统的可靠性的部件(device)。
本公开还涉及一种用于评估并且预测该电子系统的失效(failure)的方法。
背景技术
期望多个电子系统连续地操作并且容忍子系统和部件的失效。例如,大型计算机系统中的部件失效率是指每几个小时预期某些类型的故障(fault),然而该系统必须保持可操作。包括预防性维护和冗余的多个因素有助于系统的可靠性。
在电源中,最常见的失效点是大容量电容器,大容量电容器具有约为数千小时的寿命并且一直是因为可靠性问题而导致很多高配置最终产品召回的原因。然而,尽管存在由不可靠电源电容器导致的问题,但是与可靠设计技术相关的成本仍然是它们在除了高端系统以外的任何事物中被采用的障碍。
电源通常包括由AC-DC转换、功率因数校正、总线转换和负载调节点组成的电力链,如图1所示。
通常,系统设计者通过使用诸如冗余、降低额定值(derating)、使用更可靠组件、热管理等的技术来确保可靠性。然而,与这些技术相关联的成本意味着电源可靠性是昂贵的。
冗余涉及复制电力系统的多个方面,使得附加单元可以接管失效部件或单元的功能。除了提供冗余单元的较高成本以外,该方法还要求在警告用户之前发生失效。
降低额定值涉及使用远低于它们的额定规格的级别的组件或部件,这通常涉及比所必须的更昂贵且更大的组件或部件。因为组件或部件的寿命在操作温度每降低10度时通常加倍,所以降低额定值通常涉及昂贵的附加冷却。
电源遥测数据通常通过使用普及的PMBUS标准(电力管理总线标准)可用。虽然电源遥测数据已经被用于监测和控制,但是它在电源可靠性方面具有有限作用并且不起必要命令或者协议的作用以与远程计算机系统通信。
在电源中,最常见的失效点是大容量电容器。电解质电容器可靠性尤其在高温时显著地受液体电解质的劣化影响。钽电容器是另选的,但是它们要求电压降低额定值多达50%以防止潜在火灾隐患。聚合物电容器更加昂贵,但是解决了与电解质和钽类型的可靠性相关联的许多问题。然而,仅2000小时的保证寿命是典型的并且在高脉动电流处的明显劣化可能影响电源的性能和可靠性。
因此,需要一种能够监测影响电源可靠性的参数(诸如,温度)、以及能够预测电源失效的参数(诸如,大容量电容器ESR(等效串联电阻))的系统。
发明内容
所公开的发明描述了一种电子系统,其中,至少一个部件连接到测量并且监测至少一个可靠性限制参数的监测系统。该电子系统包括多个元件,并且该多个元件包括限制所述电子系统的可靠性的部件,因此,至少最多地限制所述电子系统的可靠性的部件的功能性通过监测系统来监测。
在所公开的发明中,所述电子系统可以是电源,所述电源包括如AC-DC转换器、功率因数校正、总线转换器和负载调节点的元件,并且将被监测的部件至少是这些元件中的一个元件的部件。
监测系统包括功能单元,诸如,用于测量部件参数的传感器、与所述传感器通信的通信单元、连接到所述通信单元的计算单元、以及与所述计算单元相关联的存储装置。该系统能够监测影响电源可靠性的参数(诸如,温度)、以及能够预测电源失效的参数(诸如,大容量电容器ESR)。因此,不同传感器被用于测量相关参数。这些参数被报告给与计算单元连接的通信单元,然而计算单元可以被集成到计算机系统中。通信单元可以可选地预处理所述参数以将它们转换为更合适形式,或者可以执行其它合适处理。计算单元运行机器学习程序以预测电源的部件的失效和寿命。这样的系统通过警告维护者即将发生的失效具有预防性维护的优点。识别更易于失效的故障产品批次是另一个可能的优点。通过运行机器学习算法,该系统能够基于所测量的数据来更新其失效概率和模型,并且依次利用所学习的可靠性数据和参数来更新电源。
可选地,所述通信单元通过本地通信总线连接到本地嵌入式主机,然而所述嵌入式主机位于所述监测系统所在的设施内。因此,通信状态包括可靠性,并且所述状态被传输到例如可以配置电源的微控制器。
此外,所述计算单元及其相关存储装置位于将被测量的部件所在的(意味着对于电源来说是本地的)设施内,这是因为所述部件是电子系统(即,电源)的元件的一部分。或者在另一个实施方式中,所述计算单元及其相关存储装置位于将被测量的部件所在的设施外,即,在诸如远程数据中心的不同设施中。因此特别有利于在基于云计算的实施方式中使用计算单元。还有利的是,所述监测系统通过云计算装置与其它电源连接,并且这些其它电源的传感器建立参数的数据库。这样的基于云的实施方式允许机器学习系统与很多电源通信,具有从多个传感器和电源学习的益处。另外,这样的实施方式具有对抗数据中心失效或数据丢失的冗余益处。
所述计算单元是ASIC或者FPGA,以使监测系统的性能单独地适于当前环境。从ASIC或者FPGA输出信号以警告用户即将发生的失效或者提供到失效的时间的指示等。
计算单元可以被配置为将即将来临的失效传输到电源以警告用户。可选的本地微控制器可以执行警告功能。为了信号化计算单元已经计算或者将预测电源的即将发生的失效和有限寿命,计算单元连接到诸如发光二极管或者状态寄存器的指示器功能装置。
有利地,所述监测系统被结合到数字电力控制IC或者电力管理集成电路(PMIC)中,该数字电力控制IC或者电力管理集成电路(PMIC)包括电力控制器、传感器、估计器、观测器以及通信和处理逻辑中的全部。
在IC技术允许的情况下,监测系统可以被集成在芯片上。芯片上系统(SoC)是可行的,其中,传感器、处理和学习算法被结合到集成电路中。适当地,可以集成电力控制器、驱动器、以及开关模式电力转换器的开关。
所公开的发明还描述了一种用于评估并且预测电子系统的可靠性限制失效的方法,所述方法包括以下步骤:通过传感器测量影响或者关联部件的可靠性的参数,通过通信单元收集所测量的传感器数据和/或其它数据,将所述数据传输到计算单元以用于处理并且预测所述部件的失效并且对所述失效进行警告。合适传感器测量已知受影响的参数,或者可以与电源的可靠性相关联。这样的参数可以包括大容量电容器的输出电压、平均电流、温度、ESR(等效串联电阻)和电容。可以采用系统识别或评估来推断未测量的参数或信号。这些所测量的传感器数据和/或其它数据通过通信单元来收集,通信单元能够预处理所述参数以将它们转换为更合适形式或者可以执行其它合适处理,或者通信单元可以将数据直接传输到计算单元以用于处理和预测所述部件的失效并且对所述失效进行警告。
有利地,所述计算单元运行机器学习程序以用于评估、学习并且预测所述部件的失效。所述部件不仅可以是电源的大容量电容器,而且可以是其可靠性能够被有效地监测并且预测的电力转换器的部件,电力转换器包括诸如AC-DC转换器、功率因数校正、DC-DC转换器、隔离和非隔离转换器类型的元件。此外,本发明还可以预测除了失效和可靠性以外的事项。利用类似数据的类似技术可以被用于通过监测所述系统上的电力效率和计算需求来预测省电模式应该何时被开启。
所述机器学习程序处理所收集并且传输的传感器数据和/或其它数据。因此,它使用诸如异常检测、神经网络、K-最近邻、线性回归、马尔可夫链蒙特卡尔、隐马尔科夫模型、朴素贝叶斯或者决策树的算法。本领域普通技术人员将清楚的是,其它机器学习算法也是有益的。
计算单元可以向用户提供关于所监测的电源的操作和可靠性的有效统计和详细性能数据。在基于云的实施方式中,这可以经由适当设计的网页界面来实现。使用利用机器学习程序的监测系统的优点在于,该系统能够从很多远程电源聚集数据,根据所述数据建立参数的数据库并且学习失效概率。这样的系统能够利用云计算特征通过很多卖主从很多电源收集足够数据。
附图说明
将对附图作出参考,其中:
图1示出典型电子电力系统(现有技术的状态);
图2示出本发明系统的概述;
图3示出监督分类算法;
图4示出使用本发明的分类示例。
具体实施方式
为了示出本发明的优点,考虑其参数由传感器5测量的电源13,如图2所示。合适传感器5测量已知受影响的参数,或者可以与电源13的可靠性相关联。这样的参数可以包括大容量电容器的输出电压、平均电流、温度、ESR(等效串联电阻)和电容。可以采用系统识别或评估来推断未测量参数或者信号。
通信单元6将参数传输9到计算单元8并且可以可选地预处理所述参数以将它们转换成更合适形式,或者可以执行其它合适处理。可选地,本地通信总线12可以与通信块6相关联,通信状态包括本地嵌入式主机(诸如还可以配置电源13的微控制器)的可靠性。
计算单元8及其相关存储装置10和程序代码11可以位于将被测量的部件所在的(例如,对于电源13来说是本地的)设施内,或者在将被测量的部件所在的设施外,即,在不同设施中。例如,在基于云计算的实施方式中,计算单元8将适当地位于远程数据中心中。这样的基于云的实施方式允许监测和机器学习系统与很多电源通信,具有从多个传感器和电源学习的益处。此外,这样的实施方式具有对抗数据中心失效或数据丢失的冗余益处。
计算单元8可以运行机器学习程序11,其目的在于通过处理所传输的传感器数据7和/或可用的其它数据(诸如,用户输入数据)评估并且预测电源13的失效。计算单元8可以被配置为向电源13传输即将来临的失效以警告用户。可选的本地微控制器可以执行警告功能。
计算单元8可以向用户提供关于所监测的电源13的操作和可靠性的有效统计和详细性能数据。在基于云的实施方式中,这可以经由适当设计的网页界面来实现。
在另一个实施方式中,机器学习算法11可以在ASIC或者FPGA上执行,由此从ASIC或者FPGA输出信号,以警告用户即将发生的失效或者提供到失效的时间的指示等。
监测和机器学习系统1可以执行诸如异常检测、神经网络或者K-最近邻的算法11,以基于所接收的数据预测电源失效的概率。本领域普通技术人员将清楚的是,诸如线性回归、马尔可夫链蒙特卡尔、隐马尔科夫模型、朴素贝叶斯、决策树等的其它机器学习算法也是有益的。
考虑贝叶斯推理算法从一个或多个电源接收数据的实施方式。假设数据D和多种模型M1、M2结合参数并且表示多种情形,诸如,1)电源接近失效,以及2)电源13远离失效,电源13的即将发生的失效可以通过根据贝叶斯规则执行算法11来确定,以选择针对所述数据(接近失效或者远离失效)的最合适模型:
其中,i选择所述模型,P(Mi|D)是指示数据应用至模型i的概率的后验,p(D|Mi)是假设所述模型的数据的可能性并且是先验概率。该算法可以被连续地更新以向新数据学习,在每次迭代时先验通过后验播种(seed)。可以根据它们的后验的比率来评估竞争模型,以确定哪一种情形更可能。将清楚的是,通过计算联合概率经由该算法容易地供应多个附加参数和模型,以建立失效的概率。
考虑采用诸如K-最近邻(KNN)的监督分类类型的算法的实施方式。图3示出由表示为θ1和θ2的参数(诸如,温度、ESR、操作小时等)构成的参数空间(为了清楚起见,简化为两个参数)。对于已知离失效大于1000小时的部件,通过星形表示训练数据,并且对于已知离失效小于1000小时的部件,通过圆圈表示训练数据。在训练期间,诸如KNN的机器学习算法的要求是根据在观测中存在噪声和不确定性时的最可能分类和潜在变量,将参数空间最佳地划分为多个区域,如由虚线指示的。一旦被训练,就要求KNN算法对呈现给它的未知分类的数据进行分类,如由正方形符号指示的。因为数据的正确分类随着时间通过观测变为已知,所以KNN能够连续地学习。
已经学习了电源13的可靠性,监测系统1可以基于该学习采取动作。例如,诸如LED或者状态寄存器的指示器功能可以警告用户或者监督系统采取合适动作。在数据中心中,监督单元可以移动处理任务以远离被预测为经受即将发生的失效的服务器。在另一个示例中,可以警告组织具有异常早失效的产品批次并且该组织可以发布产品召回。在另一个示例中,已经警告了即将来临的失效,供应商可以重新配置受影响的产品以避免即将来临的失效或者最小化所导致的损害。
将本发明的教导结合到数字电力控制IC或者电力管理集成电路(PMIC)中是有益的,由此电力控制器、传感器、估计器、观测器以及通信和处理逻辑中的一些或全部的集成是节约的。为了配置并且监测包括可靠性状态的电力控制器的目的,这样的部件将有效地结合本地通信总线。在与电力控制器的集成可能不是节约的或兼容的的情况下,能够设想根据本发明的教导的IC或者子系统。
在IC技术允许的情况下,芯片上系统(SoC)是可行的,其中,传感器、处理和学习算法被结合到集成电路中。适当地,可以集成电力控制器、驱动器、以及开关模式电力转换器的开关。
可以设想,本发明的教导不受限制并且适于其可靠性能够被有效地监测并且预测的所有电力转换器,包括AC-DC转换器、功率因数校正、DC-DC转换器、隔离和非隔离转换器类型。
诸如服务器、数据中心、网络交换机和基础设施的终端设备都可以受益于本发明的教导。
本发明还提出了一种根据所公开的教导来学习并且评估部件和系统可靠性的方法。
此外,本发明可以预测除了失效和可靠性以外的事项。利用类似数据的类似技术可以用于通过监测所述系统上的电力效率和计算需求预测节电模式应该何时被开启。
参考标记:
1 监测系统
2AC-DC 转换器
3 总线转换器
4 负载调节点
5 传感器
6 通信单元
7 传感器与通信单元之间的连接
8 计算单元
9 通信单元与计算单元之间的连接
10 存储装置
11 机器学习程序
12 通信总线
13 电源
Claims (15)
1.一种电子系统,所述电子系统包括多个元件并且所述多个元件包括限制所述电子系统的可靠性的多个部件,其特征在于,至少一个所述部件连接到测量并且监测至少一个可靠性限制参数的监测系统(1)。
2.根据权利要求1所述的电子系统,其特征在于,所述电子系统是电源(13),所述电源(13)包括诸如AC-DC转换器(2)、功率因数校正、总线转换器(3)和负载调节点(4)的元件,并且将被监测的部件至少是这些元件中的一个元件的部件。
3.根据权利要求1或2所述的电子系统,其特征在于,所述监测系统(1)包括用于测量部件参数的传感器(5)、与所述传感器(5)通信的通信单元(6)、连接到所述通信单元(6)的计算单元(8)、以及与所述计算单元(8)相关联的存储装置(10)。
4.根据权利要求1所述的电子系统,其特征在于,所述通信单元(6)通过本地通信总线(12)连接到本地嵌入式主机,而所述嵌入式主机位于所述监测系统所在的设施内。
5.根据权利要求1所述的电子系统,其特征在于,所述计算单元(8)及其相关存储装置(10)位于将被测量的部件所在的设施内。
6.根据权利要求1所述的电子系统,其特征在于,所述计算单元(8)及其相关存储装置(10)位于将被测量的部件所在的设施外,即,在诸如远程数据中心的不同设施中。
7.根据前述权利要求中的一项所述的电子系统,其特征在于,所述监测系统(1)通过云计算装置与其它电源连接,并且这些其它电源的传感器建立参数的数据库。
8.根据权利要求3所述的电子系统(1),其特征在于,所述计算单元(8)是ASIC或者FPGA。
9.根据权利要求3所述的电子系统,其特征在于,所述计算单元(8)连接到诸如发光二极管或者状态寄存器的指示器功能装置。
10.根据前述权利要求中的一项所述的电子系统,其特征在于,所述监测系统(1)被结合到数字电力控制IC或者电力管理集成电路PMIC中,该数字电力控制IC或者电力管理集成电路PMIC包括电力控制器、传感器、估计器、观测器以及通信和处理逻辑中的全部。
11.一种用于评估并且预测电子系统的可靠性限制失效的方法,所述方法包括以下步骤:通过传感器(5)测量影响或者关联部件的可靠性的参数,通过通信单元(6)收集所测量的传感器数据和/或其它数据,将所述数据传输到计算单元(8)以用于处理并且预测所述部件的失效并且对所述失效进行警告。
12.根据权利要求11所述的用于评估并且预测电子系统的可靠性限制失效的方法,其特征在于,所述计算单元(8)运行机器学习程序(11)以用于评估、学习并且预测所述部件的失效。
13.根据权利要求12所述的用于评估并且预测电子系统的可靠性限制失效的方法,其特征在于,所述机器学习程序(11)处理所收集并且传输的传感器(5)数据和/或其它数据。
14.根据权利要求11至13中的任一项所述的用于评估并且预测电子系统的可靠性限制失效的方法,其特征在于,所述机器学习程序(11)使用诸如异常检测、神经网络、K最近邻、线性回归、马尔可夫链蒙特卡尔、隐马尔科夫模型、朴素贝叶斯或者决策树的算法。
15.根据权利要求11所述的用于评估并且预测电子系统的可靠性限制失效的方法,其特征在于,经由网页界面来配置在基于云的环境中使用的所述计算单元(8)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102015105396.9 | 2015-04-09 | ||
DE102015105396 | 2015-04-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106055418A true CN106055418A (zh) | 2016-10-26 |
Family
ID=55860682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610216876.9A Pending CN106055418A (zh) | 2015-04-09 | 2016-04-08 | 电子系统和用于评估并且预测该电子系统的失效的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20160300148A1 (zh) |
EP (1) | EP3079062A1 (zh) |
KR (1) | KR20160121446A (zh) |
CN (1) | CN106055418A (zh) |
TW (1) | TW201702872A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101100A (zh) * | 2018-08-06 | 2018-12-28 | 清华大学 | 数据位宽预测方法、系统及其适用的电子设备 |
CN109144214A (zh) * | 2018-08-06 | 2019-01-04 | 清华大学 | 能量管理系统、方法、电子设备、装置及非易失处理器 |
CN109254895A (zh) * | 2018-08-21 | 2019-01-22 | 山东超越数控电子股份有限公司 | 一种基于bmc的高性能服务器故障分析预测方法 |
CN110084454A (zh) * | 2018-01-26 | 2019-08-02 | 罗伯特·博世有限公司 | 在线评估部件使用情况的系统和方法 |
CN111813587A (zh) * | 2020-05-28 | 2020-10-23 | 国网山东省电力公司 | 一种软件接口评估及故障预警方法及系统 |
CN112673265A (zh) * | 2018-09-10 | 2021-04-16 | 3M创新有限公司 | 基于机器学习监测电力电缆附件的健康状态的方法和系统 |
CN113127240A (zh) * | 2019-12-31 | 2021-07-16 | 瑞昱半导体股份有限公司 | 芯片及其异常处理方法 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10599201B1 (en) * | 2016-12-19 | 2020-03-24 | Harmonic, Inc. | Detecting imminent failure in a power supply |
EP3631776A4 (en) | 2017-05-30 | 2021-02-24 | Hubbell Incorporated | POWER CONNECTOR WITH INTEGRATED STATUS MONITORING |
JP6933097B2 (ja) * | 2017-11-13 | 2021-09-08 | オムロン株式会社 | 電源システム、電源装置の動作状態表示法、およびプログラム |
TWI663510B (zh) * | 2017-11-21 | 2019-06-21 | 財團法人資訊工業策進會 | 設備保養預測系統及其操作方法 |
US10963330B2 (en) * | 2017-11-24 | 2021-03-30 | Microsoft Technology Licensing, Llc | Correlating failures with performance in application telemetry data |
US11681344B2 (en) * | 2017-12-19 | 2023-06-20 | Harmonic, Inc. | Detecting imminent failure in a power supply |
US11520395B2 (en) | 2017-12-19 | 2022-12-06 | Intel Corporation | Integrated circuit power systems with machine learning capabilities |
WO2019175874A1 (en) * | 2018-03-13 | 2019-09-19 | Ham-Let (Israel - Canada ) Ltd. | System for monitoring, controlling and predicting required maintenance a fluid system and method of implementing the same |
JP6865189B2 (ja) * | 2018-03-16 | 2021-04-28 | 株式会社日立製作所 | 故障確率評価システム及び方法 |
JP7159610B2 (ja) * | 2018-05-16 | 2022-10-25 | 富士通株式会社 | 故障予測プログラム、故障予測装置、及び故障予測方法 |
US10289464B1 (en) * | 2018-07-18 | 2019-05-14 | Progressive Casualty Insurance Company | Robust event prediction |
KR20210014992A (ko) * | 2019-07-31 | 2021-02-10 | 삼성전자주식회사 | 불량을 예측하는 전자 장치 및 그 전자 장치의 제어 방법 |
US20210288493A1 (en) * | 2020-03-12 | 2021-09-16 | ComAp a.s. | Optimization of power generation from power sources using fault prediction based on intelligently tuned machine learning power management |
US11556815B1 (en) | 2020-03-19 | 2023-01-17 | Wells Fargo Bank, N.A. | Systems and methods for using machine learning for managing application incidents |
KR102260477B1 (ko) | 2020-07-09 | 2021-06-03 | 주식회사 엠이티 | 열화상을 이용한 회로기판의 고장 예지 시스템 |
TWI763169B (zh) * | 2020-12-10 | 2022-05-01 | 中華電信股份有限公司 | 雲端資料中心的事件種類的預測系統和預測方法 |
CN116882303B (zh) * | 2023-09-06 | 2023-12-22 | 深圳市联明电源有限公司 | 一种激光电源的寿命预测方法、系统及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7003409B2 (en) * | 2003-08-19 | 2006-02-21 | International Business Machines Corporation | Predictive failure analysis and failure isolation using current sensing |
JP4349408B2 (ja) * | 2005-12-28 | 2009-10-21 | 日本電気株式会社 | 寿命予測監視装置、寿命予測監視方法及び寿命予測監視プログラム |
US7822578B2 (en) * | 2008-06-17 | 2010-10-26 | General Electric Company | Systems and methods for predicting maintenance of intelligent electronic devices |
-
2016
- 2016-04-05 EP EP16163888.7A patent/EP3079062A1/en not_active Withdrawn
- 2016-04-06 TW TW105110735A patent/TW201702872A/zh unknown
- 2016-04-07 US US15/093,225 patent/US20160300148A1/en not_active Abandoned
- 2016-04-08 KR KR1020160043659A patent/KR20160121446A/ko unknown
- 2016-04-08 CN CN201610216876.9A patent/CN106055418A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084454A (zh) * | 2018-01-26 | 2019-08-02 | 罗伯特·博世有限公司 | 在线评估部件使用情况的系统和方法 |
CN109101100A (zh) * | 2018-08-06 | 2018-12-28 | 清华大学 | 数据位宽预测方法、系统及其适用的电子设备 |
CN109144214A (zh) * | 2018-08-06 | 2019-01-04 | 清华大学 | 能量管理系统、方法、电子设备、装置及非易失处理器 |
WO2020029789A1 (zh) * | 2018-08-06 | 2020-02-13 | 交叉信息核心技术研究院(西安)有限公司 | 能量管理系统、方法、电子设备、装置及非易失处理器 |
CN109101100B (zh) * | 2018-08-06 | 2021-10-01 | 清华大学 | 数据位宽预测方法、系统及其适用的电子设备 |
US11422818B2 (en) | 2018-08-06 | 2022-08-23 | Institute for Interdisciplinary Information Core Technology (Xi'an) Co., Ltd. | Energy management system and method, electronic device, electronic apparatus, and nonvolatile processor |
CN109254895A (zh) * | 2018-08-21 | 2019-01-22 | 山东超越数控电子股份有限公司 | 一种基于bmc的高性能服务器故障分析预测方法 |
CN112673265A (zh) * | 2018-09-10 | 2021-04-16 | 3M创新有限公司 | 基于机器学习监测电力电缆附件的健康状态的方法和系统 |
CN113127240A (zh) * | 2019-12-31 | 2021-07-16 | 瑞昱半导体股份有限公司 | 芯片及其异常处理方法 |
CN111813587A (zh) * | 2020-05-28 | 2020-10-23 | 国网山东省电力公司 | 一种软件接口评估及故障预警方法及系统 |
CN111813587B (zh) * | 2020-05-28 | 2024-04-26 | 国网山东省电力公司 | 一种软件接口评估及故障预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
KR20160121446A (ko) | 2016-10-19 |
US20160300148A1 (en) | 2016-10-13 |
EP3079062A1 (en) | 2016-10-12 |
TW201702872A (zh) | 2017-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106055418A (zh) | 电子系统和用于评估并且预测该电子系统的失效的方法 | |
WO2019181727A1 (ja) | 異常要因判定装置、劣化判定装置、コンピュータプログラム、劣化判定方法及び異常要因判定方法 | |
US20180276913A1 (en) | Remote vehicle network monitoring and failure prediction system | |
CN105891794B (zh) | 基于模糊准则的雷达健康管理方法及系统 | |
CN103675637A (zh) | 功率mosfet健康状态评估与剩余寿命预测方法 | |
JP2016063590A (ja) | 配電網の故障予兆診断システムおよびその方法 | |
WO2011073613A1 (en) | A method, apparatus and computer program for diagnosing a mode of operation of a machine | |
KR101532163B1 (ko) | 태양광발전 상태진단 평가시스템 | |
JP7188399B2 (ja) | 判定装置、太陽光発電システム、判定方法および判定プログラム | |
KR20190069213A (ko) | 원격 모니터링 기반 태양광 발전소 운영 관리 방법 및 장치 | |
CN117277958A (zh) | 一种基于大数据的光伏电站的智能运维管理方法及系统 | |
CN109842372A (zh) | 一种光伏组件故障检测方法和系统 | |
CN110880055A (zh) | 楼宇智能电表系统 | |
CN117354171B (zh) | 基于物联网平台的平台健康状况预警方法及系统 | |
JP4310409B2 (ja) | 生活異変検知方法、装置及びプログラム | |
KR20170126623A (ko) | 멀티변수를 기반으로 한 태양광 발전설비의 효율성 진단시스템 | |
WO2014185921A1 (en) | Systems and methods for meter placement in power grid networks | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
JPWO2019035279A1 (ja) | 人工知能アルゴリズム | |
KR20180129399A (ko) | 태양광 발전 시스템 | |
KR20180093543A (ko) | 태양 전지 모듈의 고장 진단 시스템 | |
KR20180126233A (ko) | 태양전지 패널 관리 시스템 | |
Zhang et al. | A distributed algorithm for sensor fault detection | |
Duan et al. | Effective sensor placement based on a VIKOR method considering common cause failure in the presence of epistemic uncertainty | |
Lin et al. | Novel cell screening and prognosing based on neurocomputing-based multiday-ahead time-series forecasting for predictive maintenance of battery modules in frequency regulation-energy storage systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161026 |