CN109033532A - 一种零电压开关移相全桥电源健康状态评估方法 - Google Patents
一种零电压开关移相全桥电源健康状态评估方法 Download PDFInfo
- Publication number
- CN109033532A CN109033532A CN201810693975.5A CN201810693975A CN109033532A CN 109033532 A CN109033532 A CN 109033532A CN 201810693975 A CN201810693975 A CN 201810693975A CN 109033532 A CN109033532 A CN 109033532A
- Authority
- CN
- China
- Prior art keywords
- power supply
- voltage switch
- zero voltage
- shifting full
- switch phase
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明提供一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,首先建立电源仿真模型,分析关键应力因素,确定零电压开关移相全桥电源的关键元器件,确定监测参数;再设计加速退化试验,监测特征参数,采集退化数据;然后用正常状态的数据训练深度自编码网络,将获取的状态监测特征数据作为人工神经网络的数据输入向量,计算最小量化误差;最后将最小量化误差值进行归一化处理,转换为表示健康的值,通过对健康值设定多个阈值,将系统的划分为四个健康状态;该方法克服了传统健康评估方法适应性差的缺点,解决了仿真建模不准确、评估结果可信性差等问题。
Description
技术领域:
本发明提供一种零电压开关移相全桥电源健康状态评估方法,它涉及一种基于深度自编码网络的零电压开关移相全桥电源健康状态评估方法,属于软开关电源的健康状态评估技术领域。
背景技术:
电源需要连续运行,还要承受高、低温及高湿、冲击等考验,运行中往往不允许检修或者只能进行简单的维护。随着现代科技工业的迅速发展,对电子设备电源的可靠性、效率等提出了更高的要求。先进的健康管理技术通过预知系统状态,根据状态进行智能维护有望解决电源的安全性与可靠性问题,受到国内外的高度重视。而健康管理技术的实现,首先需要准确获得电源的健康状态。
零电压开关移相全桥电源健康状态表现形式多样。现有方法主要是针对零电压开关移相全桥电源系统中的关键元器件的退化程度,采用仿真建模的方法,仿真退化过程,获取退化数据,来评估零电压开关移相全桥电源的整体健康状态。此类方法存在建模困难、建模不准确、参数仿真范围不连续等缺陷,甚至仿真结果偏离了电源实际退化情况,使零电压开关移相全桥电源健康评估结果可信性差。
发明内容:
本发明为了解决现有零电压开关移相全桥电源健康评估方法中存在仿真建模困难、仿真不准确及评估结果可信性差的问题,提出一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法。
本发明提供一种零电压开关移相全桥电源健康状态评估方法,即一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,该方法具体步骤如下:
步骤一:建立零电压开关移相全桥电源仿真模型,并根据零电压开关移相全桥电源仿真模型及该电源预期所处环境条件及使用状况,确定影响零电压开关移相全桥电源输出特性的关键应力因素,及关键应力因素的波动范围;
步骤二:根据影响零电压开关移相全桥电源输出特性的关键应力因素,确定零电压开关移相全桥电源的关键元器件,并建立各关键元器件的退化模型,并根据退化模型确定监测参数;
步骤三:设计加速退化试验,通过提高电源工作时的环境温度,加速性能劣化速度,布置多个监测点,监测特征参数,采集退化数据;
步骤四:利用深度自编码网络方法,对采集到的退化特征参数进行融合;用正常状态的数据训练深度自编码网络,将获取的状态监测特征数据作为人工神经网络的数据输入向量,计算所得到的最小量化误差(MQE);
步骤五:将MQE值进行归一化处理,转换为表示健康的值,用CV表示;通过对CV设定多个阈值,将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段;
所述零电压开关移相全桥电源为大功率功放电源。
通过以上步骤,基于数据驱动数据的思想,结合深度自编码网络的非监督特性与丰富的表达能力,避免了对零电压开关移相全桥内部进行复杂物理建模。通过加速试验获取退化数据,训练深度自编码网络,克服了传统健康评估方法适应性差的缺点,解决了仿真建模不准确、评估结果可信性差等问题。
其中,在步骤一中所述的“建立零电压开关移相全桥电源仿真模型,并根据零电压开关移相全桥电源仿真模型及该电源预期所处环境条件及使用状况,确定影响零电压开关移相全桥电源输出特性的关键应力因素,及关键应力因素的波动范围”,其做法如下:根据大功率功放零电压开关移相全桥电源工作原理建立Pspice仿真模型,确定环境温度、输入电压及负载为关键应力因素,环境温度波动范围为20℃至75℃,输入电压波动范围为380士20V,负载波动范围为135Ω-150Ω。
其中,在步骤二中所述的“根据影响零电压开关移相全桥电源输出特性的关键应力因素,确定零电压开关移相全桥电源的关键元器件,并建立各关键元器件的退化模型,并根据退化模型确定监测参数”,其做法如下:确定铝电解电容C1、金属氧化物半导体场效应管VT1、VT2、VT3、VT4,二极管VD1、VD2、VD3、VD4为关键元器件,并确定各关键元器件的退化模型,通过退化模型,得出表征元器件退化的参数;各元器件的退化模型以及表征其退化的可监测参数如表1所示:
表1
表1中,t为时间
其中,在步骤三中所述的“设计加速退化试验,通过提高电源工作时的环境温度,加速性能劣化速度,布置多个监测点,监测特征参数,采集退化数据”,其做法如下:开展加速退化试验,设置两组,将一块电源板置于70℃应力水平下,让电源连续工作时间为600h(h为小时);将一块电源板置于77℃应力水平下,让电源连续工作时间为600h;布置多个监测点,监测对对象和监测特征量为:输出电压、纹波、电流、金属氧化物半导体场效应管VT1-VT4的阈值电压、二极管VD1-VD4电流;试验中,每隔20分钟测量监测对象的特征量并进行记录。
其中,在步骤四中所述的“利用深度自编码网络方法,对采集到的退化特征参数进行融合;用正常状态的数据训练深度自编码网络,将获取的状态监测特征数据作为人工神经网络的数据输入向量,计算所得到的最小量化误差(MQE)”,其做法如下:利用深度自编码网络方法,对采集到的输出电压、纹波、电流、金属氧化物半导体场效应管VT1-VT4的阈值电压、二极管VD1-VD4电流进行融合;用正常状态的数据训练深度自编码网络,将获取的状态监测特征数据作为深度自编码网络的数据输入向量,计算所得到的最小量化误差(MQE);其中深度自编码网络层数为5层;深度自编码网络分为编码网络和解码网络;编码网络属于降维部分,作用是将高维原始数据降到具有一定维数的低维嵌套结构上;解码网络属于重构部分,可视为编码网络的逆过程,作用是将低维嵌套上的点还原成高维数据;编码网络与解码网络之间还存在一个交叉部分,称之为“码字层”;编码网络的输出层为“码字层”;深度自编码网络各层神经元分别为11、5、1、5、11,核函数采用ReLU函数。
其中,在步骤五中所述的“将MQE值进行归一化处理,转换为表示健康的值,用CV表示;通过对CV设定多个阈值,将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段”,其做法如下:将MQE值进行归一化处理,转换为表示健康的值,用CV表示;其中0表示失效状态,1表示健康状态,用0-1之间的一个数表示系统当前的状态;MQE值的归一化方法如下所示:
式中a,c都是尺度参数,由正常状态下的MQE和正常基准CV值(设定正常值为0.9)确定,可以自适应的调节CV值表示;根据CV值划定四个状态,S1、S2、S3、S4对于的健康状态分别为:正常状态、初始退化阶段、严重退化阶段、严重退化阶段,如表2所示;
表2
阶段 | 类型 | 判定标准 |
S1 | 正常状态 | 0.8<CV<1 |
S2 | 初始退化阶段 | 0.65<CV<0.8 |
S3 | 严重退化阶段 | 0.6<CV<0.65 |
S4 | 失效状态 | CV<0.6 |
本发明提供一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,本发明具有如下优点与积极效果:
本发明首先建立零电压开关移相全桥电源仿真模型,并确定影响零电压开关移相全桥电源输出特性的关键应力因素;然后确定关键元器件并建立其仿真退化模型;再对零电压开关移相全桥电源开展加速退化试验,获取退化数据;最后深度自编码网络,采集到退化输出特征参数进行融合,构建输出深度自编码健康评估模型,计算MQE,获得零电压开关移相全桥电源的建立状态。它从整体角度对零电压开关移相全桥电源的健康状态进行评估,其基于深度自编码的评估方法,充分利用了深度自编码无监督的特性,基于数据驱动数据的思想,避免了对电源内部进行复杂物理建模。以输出特征参数作为监测参数,利用实际的退化数据,对深度自编码网络进行训练,解决了现在方法仿真建模不准确、评估结果可信性差等问题。
附图说明:
图1为本发明所述方法的基本流程图。
图2为零电压开关移相全桥电源核心电路零电压开关变换器电路图。
图3为深度自编码网络的结构图。
图中序号、符号、代号说明如下:
图1中,MQE表示最小量化误差;
图2中,VT1-VT4表示金属氧化物半导体场效应管,VD1-VD7表示二级管,C1-C4表示电容,R0表示负载电阻,Ud表示输入电压,T1表示变压器,L1K、Lo表示电感,IP表示流过L1K的电流。
具体实施方式:
本发明提出一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,下面结合附图说明本实施方式;
本发明所述的一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,见附图1所示,其具体实施步骤如下:
步骤一:建立大功率功放零电压开关移相全桥电源仿真模型,零电压开关移相全桥电源核心电路零电压开关变换器电路图如附图2所示。根据零电压开关移相全桥电源仿真模型及该电源预期所处环境条件及使用状况,确定温度为影响零电压开关移相全桥电源输出特性的关键应力,境温度波动范围为20℃至75℃,输入电压波动范围为380士20V,负载波动范围为135Ω-150Ω;
步骤二:根据影响零电压开关移相全桥电源输出特性的关键应力因素,结合附图2中的零电压开关变换器电路图,确定铝电解电容C1、金属氧化物半导体场效应管VT1、VT2、VT3、VT4,二极管VD1、VD2、VD3、VD4为关键元器件,并确定各关键元器件的退化模型,通过退化模型,得出表征元器件退化的参数。各元器件的退化模型以及表征其退化的可监测参数如表1所示:
表1
表1中,t为时间
步骤三:开展加速退化试验,设置两组,将一块电源板置于70℃应力水平下,让电源连续工作时间为600h;将一块电源板置于77℃应力水平下,让电源连续工作时间为600h。布置多个监测点,监测对对象和监测特征量为:输出电压、纹波、电流、金属氧化物半导体场效应管VT1-VT4的阈值电压、二极管VD1-VD4电流。试验中,每隔20分钟测量监测对象的特征量并进行记录。
步骤四:利用深度自编码网络方法,对采集到的输出电压、纹波、电流、金属氧化物半导体场效应管VT1-VT4的阈值电压、二极管VD1-VD4电流进行融合。用正常状态的数据训练深度自编码网络,将获取的状态监测特征数据作为深度自编码网络的数据输入向量,计算所得到的最小量化误差(MQE)。其中深度自编码网络层数为5层。深度自编码网络分为编码网络和解码网络。编码网络属于降维部分,作用是将高维原始数据降到具有一定维数的低维嵌套结构上;解码网络属于重构部分,可视为编码网络的逆过程,作用是将低维嵌套上的点还原成高维数据。编码网络与解码网络之间还存在一个交叉部分,称之为“码字层”。编码网络的输出层为“码字层”。深度自编码网络各层神经元分别为11、5、1、5、11,核函数采用ReLU函数,深度自编码网络结构如附图3所示。
步骤五:将MQE值进行归一化处理,转换为表示健康的值,用CV表示。其中0表示失效状态,1表示健康状态,用0-1之间的一个数表示系统当前的状态。MQE值的归一化方法如下所示:
式中a,c都是尺度参数,由正常状态下的MQE和正常基准CV值(设定正常值为0.9)确定,可以自适应的调节CV值表示。根据CV值划定四个状态,S1、S2、S3、S4对于的健康状态分别为:正常状态、初始退化阶段、严重退化阶段、严重退化阶段,如表2所示。
表2
阶段 | 类型 | 判定标准 |
S1 | 正常状态 | 0.8<CV<1 |
S2 | 初始退化阶段 | 0.65<CV<0.8 |
S3 | 严重退化阶段 | 0.6<CV<0.65 |
S4 | 失效状态 | CV<0.6 |
Claims (6)
1.一种零电压开关移相全桥电源健康状态评估方法,即一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,其特征在于:该方法具体步骤如下:
步骤一:建立零电压开关移相全桥电源仿真模型,并根据零电压开关移相全桥电源仿真模型及该电源预期所处环境条件及使用状况,确定影响零电压开关移相全桥电源输出特性的关键应力因素,及关键应力因素的波动范围;
步骤二:根据影响零电压开关移相全桥电源输出特性的关键应力因素,确定零电压开关移相全桥电源的关键元器件,并建立各关键元器件的退化模型,并根据退化模型确定监测参数;
步骤三:设计加速退化试验,通过提高电源工作时的环境温度,加速性能劣化速度,布置复数个监测点,监测特征参数,采集退化数据;
步骤四:利用深度自编码网络方法,对采集到的退化特征参数进行融合;用正常状态的数据训练深度自编码网络,将获取的状态监测特征数据作为人工神经网络的数据输入向量,计算所得到的最小量化误差即MQE;
步骤五:将MQE值进行归一化处理,转换为表示健康的值,用CV表示;通过对CV设定复数个阈值,将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段;
通过以上步骤,基于数据驱动数据的思想,结合深度自编码网络的非监督特性与丰富的表达能力,避免了对零电压开关移相全桥内部进行复杂物理建模;通过加速试验获取退化数据,训练深度自编码网络,克服了传统健康评估方法适应性差的缺点,解决了仿真建模不准确、评估结果可信性差诸问题。
2.根据权利要求1所述的一种零电压开关移相全桥电源健康状态评估方法,即一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,其特征在于:
在步骤一中所述的“建立零电压开关移相全桥电源仿真模型,并根据零电压开关移相全桥电源仿真模型及该电源预期所处环境条件及使用状况,确定影响零电压开关移相全桥电源输出特性的关键应力因素,及关键应力因素的波动范围”,其做法如下:根据大功率功放零电压开关移相全桥电源工作原理建立Pspice仿真模型,确定环境温度、输入电压及负载为关键应力因素,环境温度波动范围为20℃至75℃,输入电压波动范围为380士20V,负载波动范围为135Ω-150Ω。
3.根据权利要求1所述的一种零电压开关移相全桥电源健康状态评估方法,即一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,其特征在于:
在步骤二中所述的“根据影响零电压开关移相全桥电源输出特性的关键应力因素,确定零电压开关移相全桥电源的关键元器件,并建立各关键元器件的退化模型,并根据退化模型确定监测参数”,其做法如下:确定铝电解电容C1、金属氧化物半导体场效应管VT1、VT2、VT3、VT4,二极管VD1、VD2、VD3、VD4为关键元器件,并确定各关键元器件的退化模型,通过退化模型,得出表征元器件退化的参数;各元器件的退化模型以及表征其退化的可监测参数如表1所示:
表1
表1中,t为时间。
4.根据权利要求1所述的一种零电压开关移相全桥电源健康状态评估方法,即一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,其特征在于:
在步骤三中所述的“设计加速退化试验,通过提高电源工作时的环境温度,加速性能劣化速度,布置复数个监测点,监测特征参数,采集退化数据”,其做法如下:开展加速退化试验,设置两组,将一块电源板置于70℃应力水平下,让电源连续工作时间为600h;将一块电源板置于77℃应力水平下,让电源连续工作时间为600h;布置复数个监测点,监测对对象和监测特征量为:输出电压、纹波、电流、金属氧化物半导体场效应管VT1-VT4的阈值电压、二极管VD1-VD4电流;试验中,每隔20分钟测量监测对象的特征量并进行记录。
5.根据权利要求1所述的一种零电压开关移相全桥电源健康状态评估方法,即一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,其特征在于:
在步骤四中所述的“利用深度自编码网络方法,对采集到的退化特征参数进行融合;用正常状态的数据训练深度自编码网络,将获取的状态监测特征数据作为人工神经网络的数据输入向量,计算所得到的最小量化误差即MQE”,其做法如下:利用深度自编码网络方法,对采集到的输出电压、纹波、电流、金属氧化物半导体场效应管VT1-VT4的阈值电压、二极管VD1-VD4电流进行融合;用正常状态的数据训练深度自编码网络,将获取的状态监测特征数据作为深度自编码网络的数据输入向量,计算所得到的最小量化误差即MQE;其中深度自编码网络层数为5层;深度自编码网络分为编码网络和解码网络;编码网络属于降维部分,作用是将高维原始数据降到具有一预定维数的低维嵌套结构上;解码网络属于重构部分,能视为编码网络的逆过程,作用是将低维嵌套上的点还原成高维数据;编码网络与解码网络之间还存在一个交叉部分,称之为“码字层”;编码网络的输出层为“码字层”;深度自编码网络各层神经元分别为11、5、1、5、11,核函数采用ReLU函数。
6.根据权利要求1所述的一种零电压开关移相全桥电源健康状态评估方法,即一种基于深度自编码网络的零电压开关移相全桥电源健康评估方法,其特征在于:
在步骤五中所述的“将MQE值进行归一化处理,转换为表示健康的值,用CV表示;通过对CV设定复数个阈值,将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段”,其做法如下:将MQE值进行归一化处理,转换为表示健康的值,用CV表示;其中0表示失效状态,1表示健康状态,用0-1之间的一个数表示系统当前的状态;MQE值的归一化方法如下所示:
式中a,c都是尺度参数,由正常状态下的MQE和正常基准CV值(设定正常值为0.9)确定,能自适应的调节CV值表示;根据CV值划定四个状态,S1、S2、S3、S4对于的健康状态分别为:正常状态、初始退化阶段、严重退化阶段、严重退化阶段,如表2所示;
表2
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810693975.5A CN109033532B (zh) | 2018-06-29 | 2018-06-29 | 一种零电压开关移相全桥电源健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810693975.5A CN109033532B (zh) | 2018-06-29 | 2018-06-29 | 一种零电压开关移相全桥电源健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033532A true CN109033532A (zh) | 2018-12-18 |
CN109033532B CN109033532B (zh) | 2022-09-02 |
Family
ID=65520939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810693975.5A Active CN109033532B (zh) | 2018-06-29 | 2018-06-29 | 一种零电压开关移相全桥电源健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033532B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110518588A (zh) * | 2019-09-16 | 2019-11-29 | 珠海格力电器股份有限公司 | 滤波方法、装置、设备和电力电子装置 |
CN112685949A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器健康预测方法 |
CN115840133A (zh) * | 2023-02-24 | 2023-03-24 | 湖南遥光科技有限公司 | 一种电路健康分级评估方法、电子产品健康分级评估方法 |
CN116840699A (zh) * | 2023-08-30 | 2023-10-03 | 上海泰矽微电子有限公司 | 一种电池健康状态估算方法、装置、电子设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616326A (zh) * | 2013-12-10 | 2014-03-05 | 中国人民解放军军械工程学院 | 通过温湿度、电应力加速退化试验获得雷达寿命的方法 |
CN103699763A (zh) * | 2014-01-20 | 2014-04-02 | 哈尔滨工业大学 | 基于最小二乘拟合的开关电源健康状态评估方法 |
CN104850889A (zh) * | 2014-11-19 | 2015-08-19 | 北京航空航天大学 | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 |
CN106501645A (zh) * | 2016-10-25 | 2017-03-15 | 郑州航空工业管理学院 | 一种电容器寿命与可靠性评估系统及方法 |
US20170115355A1 (en) * | 2015-10-23 | 2017-04-27 | Oxfordian, Llc | Maximum capacity estimator for battery state of health and state of charge determinations |
CN107702922A (zh) * | 2017-09-11 | 2018-02-16 | 南京信息工程大学 | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 |
CN108120949A (zh) * | 2018-01-02 | 2018-06-05 | 国网上海市电力公司 | 一种智能电能表加速退化试验方法 |
-
2018
- 2018-06-29 CN CN201810693975.5A patent/CN109033532B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616326A (zh) * | 2013-12-10 | 2014-03-05 | 中国人民解放军军械工程学院 | 通过温湿度、电应力加速退化试验获得雷达寿命的方法 |
CN103699763A (zh) * | 2014-01-20 | 2014-04-02 | 哈尔滨工业大学 | 基于最小二乘拟合的开关电源健康状态评估方法 |
CN104850889A (zh) * | 2014-11-19 | 2015-08-19 | 北京航空航天大学 | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 |
US20170115355A1 (en) * | 2015-10-23 | 2017-04-27 | Oxfordian, Llc | Maximum capacity estimator for battery state of health and state of charge determinations |
CN106501645A (zh) * | 2016-10-25 | 2017-03-15 | 郑州航空工业管理学院 | 一种电容器寿命与可靠性评估系统及方法 |
CN107702922A (zh) * | 2017-09-11 | 2018-02-16 | 南京信息工程大学 | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 |
CN108120949A (zh) * | 2018-01-02 | 2018-06-05 | 国网上海市电力公司 | 一种智能电能表加速退化试验方法 |
Non-Patent Citations (2)
Title |
---|
LIN ZHAO, XUE WANG: "A Deep Feature Optimization Fusion Method for Extracting Bearing Degradation Features", 《IEEE ACCESS》 * |
刘大伟 等: "PHM技术在液压伺服系统中的应用", 《航空电子技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110518588A (zh) * | 2019-09-16 | 2019-11-29 | 珠海格力电器股份有限公司 | 滤波方法、装置、设备和电力电子装置 |
CN112685949A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器健康预测方法 |
CN115840133A (zh) * | 2023-02-24 | 2023-03-24 | 湖南遥光科技有限公司 | 一种电路健康分级评估方法、电子产品健康分级评估方法 |
CN116840699A (zh) * | 2023-08-30 | 2023-10-03 | 上海泰矽微电子有限公司 | 一种电池健康状态估算方法、装置、电子设备和介质 |
CN116840699B (zh) * | 2023-08-30 | 2023-11-17 | 上海泰矽微电子有限公司 | 一种电池健康状态估算方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109033532B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033532A (zh) | 一种零电压开关移相全桥电源健康状态评估方法 | |
CN109272146A (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN104502758B (zh) | 航空静止变流器故障诊断方法 | |
CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN109490726A (zh) | 基于云理论的电力变压器绝缘状态评估方法 | |
CN112685961B (zh) | 一种模拟电路的剩余使用寿命预测方法及系统 | |
CN103218662A (zh) | 一种基于bp神经网络的变压器故障诊断方法 | |
CN103268516A (zh) | 一种基于神经网络的变压器故障诊断方法 | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
CN109299812A (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN102880907B (zh) | 风速校正方法和装置 | |
CN110555230A (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN107132310A (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
CN110879373B (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
CN112505496B (zh) | 换流阀中绝缘异常的晶闸管实时诊断及预测方法 | |
CN110689068B (zh) | 一种基于半监督svm的变压器故障类型诊断方法 | |
CN106677763A (zh) | 一种基于动态集成建模的油井动液面预测方法 | |
CN106022352A (zh) | 基于支持向量机的潜油柱塞泵故障诊断方法 | |
CN102034111A (zh) | 一种对飞行器结构损伤状态进行多元化识别与检测的方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN112966399A (zh) | 一种基于机器学习的脉管制冷机工况预测方法及系统 | |
Yin et al. | Deep learning based transformer fault diagnosis method | |
CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |