CN110175388A - 开关电源故障预测方法、装置、计算机设备和存储介质 - Google Patents
开关电源故障预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110175388A CN110175388A CN201910424975.XA CN201910424975A CN110175388A CN 110175388 A CN110175388 A CN 110175388A CN 201910424975 A CN201910424975 A CN 201910424975A CN 110175388 A CN110175388 A CN 110175388A
- Authority
- CN
- China
- Prior art keywords
- power supply
- switching power
- signal
- character parameter
- degenerative character
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000003412 degenerative effect Effects 0.000 claims abstract description 92
- 238000005070 sampling Methods 0.000 claims abstract description 42
- 230000015556 catabolic process Effects 0.000 claims abstract description 18
- 238000006731 degradation reaction Methods 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 10
- 238000013461 design Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000001131 transforming effect Effects 0.000 abstract description 3
- 239000000306 component Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Dc-Dc Converters (AREA)
Abstract
本申请涉及一种开关电源故障预测方法、装置、计算机设备和存储介质。对开关电源的各电信号采样，并获取各所述电信号的退化特征参数；处理各所述退化特征参数，得到退化特征参数时间序列；对所述退化特征参数时间序列进行曲线拟合，得到故障预测模型；根据退化参数阈值与所述故障预测模型，得到所述开关电源的剩余正常工作时间。该方法符合开关电源失效物理与退化特征，应用效果好，能够较精确的得到开关电源的剩余工作寿命。同时实施过程中监测参数少，对开关电源测试性设计要求低，在实际工程应用中易于推广。本申请提供的方法无需开展开关电源的离线试验与测试，简单方便成本低，且本方法与开关电源的功率变换主电路拓扑结构无关，适用性强。
Description
技术领域
本申请涉及开关电源技术领域，特别是涉及一种开关电源故障预测方法、装置、计算机设备和存储介质。
背景技术
现代社会中各类电子电气设备的正常运行都离不开可靠的电源，随着电力电子技术的发展，开关电源由于其转换效率高、功率密度大、稳定性能好和体积重量小的优点得到广泛应用。开关电源利用现代电力电子技术，通过控制功率开关管开通的占空比，维持输出电压稳定，与传统的线性电源相比，有着明显的转换效率优势。DC/DC开关电源(直流转直流开关电源)作为众多电子电气设备的供电单元，往往是故障发生率最高、可靠性最低的组成部分之一，而且其一旦发生故障，通常会直接造成整个电子电气设备无法工作，因此迫切需要对开关电源进行故障预测以开展预防性维修，降低其故障发生率。
在实现过程中，发明人发现传统技术中至少存在如下问题：目前传统故障预测方法无法满足开关电源在线工作条件下的故障预测要求。
发明内容
基于此，有必要针对上述技术问题，提供一种能够满足开关电源在线工作条件下的故障预测要求的开关电源故障预测方法、装置、计算机设备和存储介质。
为了实现上述目的，一方面，本发明实施例提供了一种开关电源故障预测方法，包括以下步骤：
对开关电源的各电信号进行采样，并获取各电信号的退化特征参数；
处理各退化特征参数，得到退化特征参数时间序列；
对退化特征参数时间序列进行曲线拟合，得到故障预测模型；
根据退化参数阈值与故障预测模型，得到开关电源的剩余正常工作时间。
在其中一个实施例中，退化特征参数包括纹波峰峰值平均值；电信号包括开关电源的输出电压信号；
获取电信号的退化特征参数的步骤包括：
对输出电压信号进行提取，得到输出电压信号的各纹波峰峰值；
根据各纹波峰峰值，得到纹波峰峰值平均值。
在其中一个实施例中，退化特征参数为电压转换效率或电流转换效率；电信号包括开关电源的输入电信号和输出电信号；输入电信号为输入电压信号或输入电流信号；输出电信号为输出电压信号或输出电流信号；
获取电信号的退化特征参数的步骤包括：
根据输入电压信号和输出电压信号，得到开关电源的电压转换效率；
或根据输入电流信号和输出电流信号，得到开关电源的电流转换效率。
在其中一个实施例中，对开关电源的各电信号进行采样的步骤中：
在预设周期到来时，对对开关电源的各电信号进行采样；其中，采样的采样频率大于开关电源的开关频率的5倍；采样的采样精度大于5毫伏；采样的采样时间大于或等于5秒。
在其中一个实施例中，对退化特征参数时间序列进行曲线拟合，得到故障预测模型的步骤，包括：
采用多项式拟合算法对退化特征参数时间序列进行曲线拟合，得到故障预测模型。
本发明实施例还提供了一种开关电源故障预测装置，包括：
采样单元，用于对开关电源的各电信号进行采样；
提取单元，用于获取各电信号的退化特征参数；
参数时间序列获取单元，处理各退化特征参数，得到退化特征参数时间序列；
模型建立单元，用于退化特征参数时间序列进行曲线拟合，得到故障预测模型；
处理单元，用于根据退化参数阈值与故障预测模型，得到开关电源的剩余正常工作时间。
在其中一个实施例中，退化特征参数包括纹波峰峰值平均值；电信号包括开关电源的输出电压信号；
提取单元用于对输出电压信号进行提取，得到输出电压信号的各纹波峰峰值；
还用于根据各纹波峰峰值，得到纹波峰峰值平均值。
在其中一个实施例中，退化特征参数为电压转换效率或电流转换效率；电信号包括开关电源的输入电信号和输出电信号；输入电信号为输入电压信号或输入电流信号；输出电信号为输出电压信号或输出电流信号；
提取单元，用于根据输入电压信号和输出电压信号，得到开关电源的电压转换效率；或根据输入电流信号和输出电流信号，得到开关电源的电流转换效率。
本发明实施例还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
本申请对开关电源的各电信号进行采样，并获取各所述电信号的退化特征参数；处理各所述退化特征参数，得到退化特征参数时间序列；对所述退化特征参数时间序列进行曲线拟合，得到故障预测模型；根据退化参数阈值与所述故障预测模型，得到所述开关电源的剩余正常工作时间。该方法符合开关电源失效物理与退化特征，应用效果好，能够较精确的得到开关电源的剩余工作寿命。同时实施过程中监测参数少，对开关电源测试性设计要求低，在实际工程应用中易于推广。本申请提供的方法无需开展开关电源的离线试验与测试，简单方便成本低，并且本方法与开关电源的功率变换主电路拓扑结构无关，适用性强。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为一个实施例中开关电源故障预测方法的第一示意性流程示意图；
图2为一个实施例中获取电信号的退化特征参数步骤的流程示意图；
图3为一个实施例中开关电源故障预测方法的第二示意性流程示意图；
图4为一个实施例中Buck型DC/DC开关电源的主电路拓扑图；
图5为一个实施例中Buck型DC/DC开关电源电路的交流小信号等效电路图；
图6为一个实施例中开关电源故障预测装置的结构示意图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
传统开关电源的故障预测方法一般有两种，具体如下：
其中一种预测方法为通过将正常额定负载工作状态下的开关电源定期放置在温度可自动调节、控制的高温试验箱中，首先控制高温试验箱温度从环境温度T1开始，升温1～1.5h至设计温度T2，运行2～2.5h后，测量并记录开关电源输出电压值；随后控制高温试验箱温度从设计温度T2开始，升温1～1.5h至极限温度T3，运行2～2.5h后，测量并记录开关电源输出电压值，然后停止试验；最后将T2和T3温度下测得的电压值进行做差处理得到相对变化值，然后做出电压值的相对变化量随时间的变化曲线，如果相对变化量相对于起始状态变化超过10％，则说明该开关电源即将出现故障，应该进行维修或更换。该方法输出电压稳态值通常很难出现较明显退化趋势，因此无法进行故障预测，并且需要不定期将开关电源放置于高温试验箱进行试验和测试，无法满足开关电源在线工作条件下的故障预测要求。
另一种预测方法为首先采集DC/DC电路的输入电压、输入电流、输出电压、输出电流四路状态信号，计算各信号的平均值(Uin、Iin、Uout、Iout)、电路的等效负载阻抗模值|Z|和功耗等效电阻Rloss，利用分数阶神经网络建立Uin、|Z|与Rloss之间的关系模型；然后计算电路在额定输入电压Uinrated、额定输出功率Pout_rated下的等效负载阻抗模值|Z|_rated，以Uin_rated、|Z|_rated为模型输入，获取相应的Rloss，作为电路的健康评估指标，计算电路的健康评估指标与基准值的差值，根据差值和设定的变化阈值评估电路的健康状态；最后，对电路的健康评估指标进行时间序列预测，获取未来时刻的健康评估指标，预测电路的健康状况。该方法要求必须采集到DC/DC电路的输入电压、输入电流、输出电压、输出电流四路状态信号。绝大部分开关电源在运行过程中由于测试性设计等原因，无法获取到上述四个参数信号，因此难以应用。
而本申请提供的开关电源故障预测方法可以有效解决传统方法带来的问题。
在一个实施例中，如图1所示，提供了一种开关电源故障预测方法，包括以下步骤：
步骤S110，对开关电源的各电信号进行采样，并获取各电信号的退化特征参数。
其中，电信号是指随着时间而变化的电压或电流，退化特征参数是指可以描述开关电源退化的物理量。
需要说明的是，可以通过本领域任意现有方法去获取退化特征参数。在一个具体示例中，可以通过示波器对开关电源的退化特征参数进行获取。本申请对实际开关电源进行电信号采样，避免了软件仿真带来的不准确性。
步骤S120，处理各退化特征参数，得到退化特征参数时间序列。
其中，退化特征参数时间序列是指将退化特征参数在不同时间上的各个数值，按时间先后顺序排列而形成的序列。
需要说明的是，基于获得退化特征参数和获取时间点，可以将获得的退化特征参数处理成退化特征参数时间序列。
步骤S130，对退化特征参数时间序列进行曲线拟合，得到故障预测模型。
其中，曲线拟合是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析变量。
具体而言，可以采用现有任意的手段，对退化特征参数时间序列进行曲线拟合，得到故障预测模型。在一个具体示例中，可以采用MATLAB软件进行模型建立。
步骤S140，根据退化参数阈值与故障预测模型，得到开关电源的剩余正常工作时间。
其中，退化参数阈值为一个临界值，当退化参数值突破阈值时，表明开关电源不能正常工作。
需要说明的是，根据故障预测模型，可以计算到达阈值所需要的时间，从而得到开关电源的剩余正常工作时间。
上述开关电源故障预测方法，对开关电源的各电信号进行采样，并获取各所述电信号的退化特征参数；处理各所述退化特征参数，得到退化特征参数时间序列；对所述退化特征参数时间序列进行曲线拟合，得到故障预测模型；根据退化参数阈值与所述故障预测模型，得到所述开关电源的剩余正常工作时间。该方法符合开关电源失效物理与退化特征，应用效果好，能够较精确的得到开关电源的剩余工作寿命。同时实施过程中监测参数少，对开关电源测试性设计要求低，在实际工程应用中易于推广。本申请提供的方法无需开展开关电源的离线试验与测试，简单方便成本低，并且本方法与开关电源的功率变换主电路拓扑结构无关，适用性强。通过对实际开关电源的采样，也可以降低软件仿真带来的不准确性。
在一个实施例中，如图2所示，退化特征参数包括纹波峰峰值平均值，电信号包括所述开关电源的输出电压信号，可以通过如下的方法获取电信号的退化特征参数，该方法包括步骤S210-S220：
步骤S210，对输出电压信号进行提取，得到输出电压信号的各纹波峰峰值；
具体而言，可以采用本领域任意技术手段对输出电压信号进行提取，在一个具体示例中，采用示波器对输出电压信号进行提取。得到输出电压信号中的纹波之后，可以直接获取各纹波峰峰值。
步骤S220，根据各纹波峰峰值，得到纹波峰峰值平均值。
具体而言，对各纹波峰峰值求平均，可以得到纹波峰峰值的平均值。
在本申请中，采用纹波峰峰值作为退化特征参数，可以更加有效地反应该开关电源的退化程度。
在一个实施例中，退化特征参数为电压转换效率或电流转换效率；电信号包括开关电源的输入电信号和输出电信号；输入电信号为输入电压信号或输入电流信号；输出电信号为输出电压信号或输出电流信号。可以通过如下的方法获取电信号的退化特征参数，该方法包括步骤：
根据输入电压信号和输出电压信号，得到开关电源的电压转换效率；
具体而言，可以通过获取输入电压信号和输出电压信号，来获取该开关电源的输入电压和输出电压，电压转换效率是指输出电压与输入电压的比值，通过输入电压和输出电压，可以获得电压转换效率。
或根据输入电流信号和输出电流信号，得到开关电源的电流转换效率。
具体而言，可以通过获取输入电流信号和输出电流信号，来获取该开关电源的输入电流和输出电流，电流转换效率是指输出电流与输入电流的比值，通过输入电流和输出电流，可以获得电流转换效率。
本申请通过电流转换效率或电压转换效率作为退化特性参数，转换效率易于得到，减少退化特征参数的获取的复杂度。
在一个实施例中，如图3所示，提供了一种开关电源故障预测方法，包括以下步骤：
步骤S310，在预设周期到来时，对所述对开关电源的各电信号进行采样；其中，所述采样的采样频率大于所述开关电源的开关频率的5倍；所述采样的采样精度大于5毫伏；所述采样的采样时间大于或等于5秒。
具体而言，预设周期为开关电源工作的时间，即开关电源每工作一段时间，对开关电源的电信号采样一次。在一个具体的示例中，上述采样的采样频率大于开关电源的开关频率的5倍，采样精度大于5毫伏，采样时间大于或等于5秒。
步骤S320，处理各所述退化特征参数，得到退化特征参数时间序列；
步骤S330，采用多项式拟合算法对所述退化特征参数时间序列进行曲线拟合，得到故障预测模型。
具体而言，可以采用本领域中任意手段对退化特征参数时间序列进行曲线拟合，得到故障预测模型。在本实施例中，采用多项式拟合算法对退化特征参数时间序列进行拟合。
步骤S340，根据退化参数阈值与所述故障预测模型，得到所述开关电源的剩余正常工作时间。
本申请中，在预设周期到来时，对开关电源的各电信号进行采样，即开关电源每工作一段时间，对开关电源的电信号采样一次，使得拟合得出的模型更加准确。进行采样时，采样频率大于开关电源的开关频率的5倍；采样精度大于5毫伏；单次采样时间大于或等于5秒，使得采样获取的退化特征参数更加能够真实反应开关电源的工作状态，从而进一步使得故障预测模型更加准确。
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为了进一步阐述本申请的技术方案，特以典型开关电源的主电路拓扑为例，说明本申请的具体实现过程：
DC/DC开关电源的核心组成部分是DC/DC变换器，即一种输入和输出都为直流的高频开关功率变换电路，由采样网络、控制器、脉宽调制PWM环节、驱动器等控制电路组成系统闭环运行，其主要作用是进行能量传递与变换。DC/DC开关电源可通过多种拓扑结构实现，典型的有Buck、Boost、Buck-Boost、反激、正激、推挽、全桥、半桥等拓扑。下图为Buck型DC/DC开关电源的主电路拓扑。各种拓扑的DC/DC开关电源均通过高频功率开关器件对输入直流电压斩波后进行滤波的方式实现平稳电压输出。
在其输出滤波电路中，大部分都会采用铝电解电容进行储能和滤波，吸收开关频率及其高次谐波频率的电流分量而滤除其纹波电压分量。铝电解电容的滤波功能与它的主要参数电容量C和等效串联电阻(ESR)有关，铝电解电容在使用过程中会发生退化，主要表现为电容量下降、ESR增大等。
DC/DC开关电源电路的交流小信号等效模型如图5所示，具体参数也可参阅图5标注，根据该模型，输出电压纹波与电容量C及等效串联电阻ESR的关系为以下公式所示：
其中
由上述公式可知，C和ESR的共同作用造成了纹波电压的影响。当铝电解电容退化时时，DC/DC开关电源输出电压的纹波将会随着C的减小或ESR的增大而增大。因此，通过对输出电压的纹波的大小进行监测并评估，可以实现对DC/DC开关电源的故障预测。
总的来说，基于输出电压纹波的DC/DC开关电源故障预测方法包含五步：
(1)采集DC/DC开关电源在常温满载工作条件下的输出电压V。假设该DC/DC开关电源的开关频率为f，则其采样频率应大于5f，采样精度应大于5mV，单次采样时间tc大于或等于5s。
(2)计算DC/DC开关电源输出电压的纹波峰峰值平均值。针对采集到的时间长度为tc的连续输出电压信号V，计算其在每个纹波周期内的峰峰值，然后进行平均获得纹波峰峰值平均值。
(3)DC/DC开关电源每工作一段时间Δt，重复步骤(1)和(2)，形成DC/DC开关电源输出电压的纹波峰峰值平均值时间序列。
(4)采用多项式拟合算法对DC/DC开关电源输出电压的纹波峰峰值平均值时间序列进行曲线拟合，形成故障预测模型。
(5)设置表征DC/DC开关电源故障状态的输出电压纹波峰峰值平均值阈值，根据多项式拟合曲线计算得到开关电源距离故障发生所剩的时间。
在一个实施例中，如图6所示，提供了一种开关电源故障预测装置，包括：
采样单元610，用于对开关电源的各电信号进行采样；
提取单元620，用于获取各电信号的退化特征参数；
参数时间序列获取单元630，处理各退化特征参数，得到退化特征参数时间序列；
模型建立单元640，用于退化特征参数时间序列进行曲线拟合，得到故障预测模型；
处理单元650，用于根据退化参数阈值与故障预测模型，得到开关电源的剩余正常工作时间。
在其中一个实施例中，提供了一种开关电源故障预测装置，退化特征参数包括纹波峰峰值平均值；电信号包括开关电源的输出电压信号；
提取单元用于对输出电压信号进行提取，得到输出电压信号的各纹波峰峰值；
还用于根据各纹波峰峰值，得到纹波峰峰值平均值。
在其中一个实施例中，提供了一种开关电源故障预测装置，退化特征参数为电压转换效率或电流转换效率；电信号包括开关电源的输入电信号和输出电信号；输入电信号为输入电压信号或输入电流信号；输出电信号为输出电压信号或输出电流信号；
提取单元，用于根据输入电压信号和输出电压信号，得到开关电源的电压转换效率；或根据输入电流信号和输出电流信号，得到开关电源的电流转换效率。
关于开关电源故障预测装置的具体限定可以参见上文中对于开关电源故障预测方法的限定，在此不再赘述。上述开关电源故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种开关电源故障预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
对开关电源的各电信号进行采样，并获取各电信号的退化特征参数；
处理各退化特征参数，得到退化特征参数时间序列；
对退化特征参数时间序列进行曲线拟合，得到故障预测模型；
根据退化参数阈值与故障预测模型，得到开关电源的剩余正常工作时间。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
退化特征参数包括纹波峰峰值平均值；电信号包括开关电源的输出电压信号；
对输出电压信号进行提取，得到输出电压信号的各纹波峰峰值；
根据各纹波峰峰值，得到纹波峰峰值平均值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
退化特征参数为电压转换效率或电流转换效率；电信号包括开关电源的输入电信号和输出电信号；输入电信号为输入电压信号或输入电流信号；输出电信号为输出电压信号或输出电流信号；
根据输入电压信号和输出电压信号，得到开关电源的电压转换效率；
或根据输入电流信号和输出电流信号，得到开关电源的电流转换效率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在预设周期到来时，对对开关电源的各电信号进行采样；其中，采样的采样频率大于开关电源的开关频率的5倍；采样的采样精度大于5毫伏；采样的采样时间大于或等于5秒。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采用多项式拟合算法对退化特征参数时间序列进行曲线拟合，得到故障预测模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
对开关电源的各电信号进行采样，并获取各电信号的退化特征参数；
处理各退化特征参数，得到退化特征参数时间序列；
对退化特征参数时间序列进行曲线拟合，得到故障预测模型；
根据退化参数阈值与故障预测模型，得到开关电源的剩余正常工作时间。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
退化特征参数包括纹波峰峰值平均值；电信号包括开关电源的输出电压信号；
对输出电压信号进行提取，得到输出电压信号的各纹波峰峰值；
根据各纹波峰峰值，得到纹波峰峰值平均值。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
退化特征参数为电压转换效率或电流转换效率；电信号包括开关电源的输入电信号和输出电信号；输入电信号为输入电压信号或输入电流信号；输出电信号为输出电压信号或输出电流信号；
根据输入电压信号和输出电压信号，得到开关电源的电压转换效率；
或根据输入电流信号和输出电流信号，得到开关电源的电流转换效率。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
在预设周期到来时，对对开关电源的各电信号进行采样；其中，采样的采样频率大于开关电源的开关频率的5倍；采样的采样精度大于5毫伏；采样的采样时间大于或等于5秒。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
采用多项式拟合算法对退化特征参数时间序列进行曲线拟合，得到故障预测模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种开关电源故障预测方法，其特征在于，包括以下步骤：
对开关电源的各电信号进行采样，并获取各所述电信号的退化特征参数；
处理各所述退化特征参数，得到退化特征参数时间序列；
对所述退化特征参数时间序列进行曲线拟合，得到故障预测模型；
根据退化参数阈值与所述故障预测模型，得到所述开关电源的剩余正常工作时间。
2.根据权利要求1所述的开关电源故障预测方法，其特征在于，所述退化特征参数包括纹波峰峰值平均值；所述电信号包括所述开关电源的输出电压信号；
获取所述电信号的退化特征参数的步骤包括：
对所述输出电压信号进行提取，得到所述输出电压信号的各纹波峰峰值；
根据各所述纹波峰峰值，得到所述纹波峰峰值平均值。
3.根据权利要求1所述的开关电源故障预测方法，其特征在于，所述退化特征参数为电压转换效率或电流转换效率；所述电信号包括所述开关电源的输入电信号和输出电信号；所述输入电信号为输入电压信号或输入电流信号；所述输出电信号为输出电压信号或输出电流信号；
获取所述电信号的退化特征参数的步骤包括：
根据所述输入电压信号和所述输出电压信号，得到所述开关电源的电压转换效率；
或根据所述输入电流信号和所述输出电流信号，得到所述开关电源的电流转换效率。
4.根据权利要求1所述的开关电源故障预测方法，其特征在于，对开关电源的各电信号进行采样的步骤中：
在预设周期到来时，对所述对开关电源的各电信号进行采样；其中，所述采样的采样频率大于所述开关电源的开关频率的5倍；所述采样的采样精度大于5毫伏；所述采样的采样时间大于或等于5秒。
5.根据权利要求1所述的开关电源故障预测方法，其特征在于，对所述退化特征参数时间序列进行曲线拟合，得到故障预测模型的步骤，包括：
采用多项式拟合算法对所述退化特征参数时间序列进行曲线拟合，得到故障预测模型。
6.一种开关电源故障预测装置，其特征在于，包括：
采样单元，用于对开关电源的各电信号进行采样；
提取单元，用于获取各所述电信号的退化特征参数；
参数时间序列获取单元，处理各所述退化特征参数，得到退化特征参数时间序列；
模型建立单元，用于所述退化特征参数时间序列进行曲线拟合，得到故障预测模型；
处理单元，用于根据退化参数阈值与所述故障预测模型，得到所述开关电源的剩余正常工作时间。
7.根据权利要求6所述的开关电源故障预测装置，其特征在于，所述退化特征参数包括纹波峰峰值平均值；所述电信号包括所述开关电源的输出电压信号；
所述提取单元用于对所述输出电压信号进行提取，得到所述输出电压信号的各纹波峰峰值；还用于根据各所述纹波峰峰值，得到所述纹波峰峰值平均值。
8.根据权利要求6所述的开关电源故障预测装置，其特征在于，
所述退化特征参数为电压转换效率或电流转换效率；所述电信号包括所述开关电源的输入电信号和输出电信号；所述输入电信号为输入电压信号或输入电流信号；所述输出电信号为输出电压信号或输出电流信号；
所述提取单元，用于根据所述输入电压信号和所述输出电压信号，得到所述开关电源的电压转换效率；或用于根据所述输入电流信号和所述输出电流信号，得到所述开关电源的电流转换效率。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910424975.XA CN110175388A (zh) | 2019-05-21 | 2019-05-21 | 开关电源故障预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910424975.XA CN110175388A (zh) | 2019-05-21 | 2019-05-21 | 开关电源故障预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110175388A true CN110175388A (zh) | 2019-08-27 |
Family
ID=67691664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910424975.XA Pending CN110175388A (zh) | 2019-05-21 | 2019-05-21 | 开关电源故障预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110175388A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110632912A (zh) * | 2019-10-17 | 2019-12-31 | 浙江正泰中自控制工程有限公司 | 一种dcs电源系统故障诊断方法 |
| CN111126632A (zh) * | 2019-11-25 | 2020-05-08 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
| CN111258303A (zh) * | 2020-02-18 | 2020-06-09 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 伺服系统故障检测方法、装置、计算机设备和存储介质 |
| CN111832226A (zh) * | 2020-07-13 | 2020-10-27 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种基于辅助粒子滤波的igbt剩余寿命估算方法 |
| CN112858802A (zh) * | 2019-11-28 | 2021-05-28 | 北京天诚同创电气有限公司 | 开关功率转换器输出电参数有效值确定方法、装置及系统 |
| CN113433480A (zh) * | 2021-06-29 | 2021-09-24 | 北京交通大学 | 一种控制电源系统的故障预警方法 |
| CN113689044A (zh) * | 2021-08-26 | 2021-11-23 | 北京航空航天大学 | 一种开关电源剩余使用寿命预测方法及系统 |
| CN114002608A (zh) * | 2021-10-29 | 2022-02-01 | 公牛集团股份有限公司 | 电源装置的检测方法、检测装置以及检测系统 |
| CN114154760A (zh) * | 2021-12-30 | 2022-03-08 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 开关电源的故障预测方法、装置、计算机设备、存储介质 |
| CN114325461A (zh) * | 2021-12-30 | 2022-04-12 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 开关电源的故障预测方法、装置、计算机设备、存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820747A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 一种基于仿真的dc-dc开关电源故障预测方法 |
| CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
-
2019
- 2019-05-21 CN CN201910424975.XA patent/CN110175388A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820747A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 一种基于仿真的dc-dc开关电源故障预测方法 |
| CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110632912A (zh) * | 2019-10-17 | 2019-12-31 | 浙江正泰中自控制工程有限公司 | 一种dcs电源系统故障诊断方法 |
| CN111126632A (zh) * | 2019-11-25 | 2020-05-08 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
| CN111126632B (zh) * | 2019-11-25 | 2024-02-02 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
| CN112858802B (zh) * | 2019-11-28 | 2023-08-25 | 北京天诚同创电气有限公司 | 开关功率转换器输出电参数有效值确定方法、装置及系统 |
| CN112858802A (zh) * | 2019-11-28 | 2021-05-28 | 北京天诚同创电气有限公司 | 开关功率转换器输出电参数有效值确定方法、装置及系统 |
| CN111258303A (zh) * | 2020-02-18 | 2020-06-09 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 伺服系统故障检测方法、装置、计算机设备和存储介质 |
| CN111258303B (zh) * | 2020-02-18 | 2021-07-30 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 伺服系统故障检测方法、装置、计算机设备和存储介质 |
| CN111832226A (zh) * | 2020-07-13 | 2020-10-27 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种基于辅助粒子滤波的igbt剩余寿命估算方法 |
| CN111832226B (zh) * | 2020-07-13 | 2024-04-26 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种基于辅助粒子滤波的igbt剩余寿命估算方法 |
| CN113433480A (zh) * | 2021-06-29 | 2021-09-24 | 北京交通大学 | 一种控制电源系统的故障预警方法 |
| CN113689044A (zh) * | 2021-08-26 | 2021-11-23 | 北京航空航天大学 | 一种开关电源剩余使用寿命预测方法及系统 |
| CN114002608A (zh) * | 2021-10-29 | 2022-02-01 | 公牛集团股份有限公司 | 电源装置的检测方法、检测装置以及检测系统 |
| CN114325461A (zh) * | 2021-12-30 | 2022-04-12 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 开关电源的故障预测方法、装置、计算机设备、存储介质 |
| CN114154760A (zh) * | 2021-12-30 | 2022-03-08 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 开关电源的故障预测方法、装置、计算机设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110175388A (zh) | 开关电源故障预测方法、装置、计算机设备和存储介质 | |
| Wang et al. | Experimental study of fractional-order models for lithium-ion battery and ultra-capacitor: Modeling, system identification, and validation | |
| Pang et al. | A life prediction scheme for electrolytic capacitors in power converters without current sensor | |
| Venet et al. | Realization of a smart electrolytic capacitor circuit | |
| Luchetta et al. | MLMVNNN for parameter fault detection in PWM DC–DC converters and its applications for buck and boost DC–DC converters | |
| Givi et al. | Switch fault diagnosis and capacitor lifetime monitoring technique for DC–DC converters using a single sensor | |
| Wang et al. | ESR estimation method for DC-DC converters based on improved EMD algorithm | |
| CN104820747A (zh) | 一种基于仿真的dc-dc开关电源故障预测方法 | |
| CN103487781A (zh) | 一种基于加速老化的电子式互感器的可靠性评估方法 | |
| CN111259316A (zh) | 电容的剩余寿命计算方法 | |
| Temsamani et al. | Physics-of-Failure (PoF) methodology for qualification and lifetime assessment of supercapacitors for industrial applications | |
| CN112698130B (zh) | 基于任务剖面的金属化膜电容器加速寿命试验装置及方法 | |
| Xia et al. | A digital twin based reliability assessment of superbuck converters | |
| Chaturvedi et al. | Performance assessment and RUL prediction of power converters under the multiple components degradation | |
| Liu et al. | Failure prediction of electrolytic capacitors in switching-mode power converters | |
| Khan et al. | An online method for condition based maintenance of aluminum electrolytic capacitors | |
| Hannonen et al. | Capacitance measurement method using sinusoidal voltage injection in isolating phase‐shifted full‐bridge DC–DC converter output stage | |
| DE102016125238A1 (de) | Power over Ethernet-basiertes Feldgerät der Automatisierungstechnik | |
| Khandebharad et al. | Real time remaining useful life prediction of the electrolytic capacitor | |
| Sun et al. | On-line component-level soft fault diagnostics for power converters | |
| Enisz et al. | Degradation analysis of DC-link aluminium electrolytic capacitors operating in PWM power converters | |
| Di Capua et al. | Differential evolution algorithm-based identification of ferrite core inductors saturation curves | |
| CN113191410A (zh) | 一种线性电源使用寿命预测的方法、系统及存储介质 | |
| Rojas-Dueñas et al. | Non-intrusive parameter identification of a three-phase rectifier based on an optimization approach | |
| Khera et al. | Low cost online method for condition monitoring of aluminum electrolytic capacitors |
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 | ||
| CB02 | Change of applicant information |
Address after: 511300 No.78, west of Zhucun Avenue, Zhucun street, Zengcheng District, Guangzhou City, Guangdong Province Applicant after: CHINA ELECTRONIC PRODUCT RELIABILITY AND ENVIRONMENTAL TESTING Research Institute (THE FIFTH ELECTRONIC Research Institute OF MIIT)(CEPREI LABORATORY)) Address before: 510610 No. 110 Zhuang Road, Tianhe District, Guangdong, Guangzhou, Dongguan Applicant before: CHINA ELECTRONIC PRODUCT RELIABILITY AND ENVIRONMENTAL TESTING Research Institute (THE FIFTH ELECTRONIC Research Institute OF MIIT)(CEPREI LABORATORY)) |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |
|
| RJ01 | Rejection of invention patent application after publication |