CN112307638B - 一种电容器寿命估算方法、装置及电子设备 - Google Patents
一种电容器寿命估算方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112307638B CN112307638B CN202011241354.7A CN202011241354A CN112307638B CN 112307638 B CN112307638 B CN 112307638B CN 202011241354 A CN202011241354 A CN 202011241354A CN 112307638 B CN112307638 B CN 112307638B
- Authority
- CN
- China
- Prior art keywords
- prediction model
- prediction
- capacitor
- capacitance
- early
- 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.)
- Active
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Fixed Capacitors And Capacitor Manufacturing Machines (AREA)
Abstract
本申请中一个或多个实施例提供一种电容器寿命估算方法、装置及电子设备,包括:获取电容特征值;建立早期预测模型组、中期预测模型组和晚期预测模型;早期预测模型组基于第一训练集训练得到,中期预测模型组基于第二训练集训练得到,晚期预测模型基于第三训练集训练得到;将电容特征值输入早期预测模型组以确定早期预测模型组的预测结果;将电容特征值输入中期预测模型以确定中期预测模型组的预测结果;将电容特征值输入晚期预测模型以确定晚期预测模型的预测结果;基于电容器老化试验并根据至少一个预测结果进行电容器寿命估算。本申请能够解决现有技术在老化试验基础上电容器寿命估算误差大且无法避免电容器个体差异的问题。
Description
技术领域
本申请中一个或多个实施例涉及电容器寿命估算技术领域,尤其涉及一种电容器寿命估算方法、装置及电子设备。
背景技术
现有技术中基于数据基础的电容器寿命预测,大量运用视觉跟踪算法对未来电容量损失进行预测或基于概率分布对电容器寿命最终寿命进行预测。一方面,视觉跟踪算法往往只针对某一个电容器的某一时刻前历史序列,从而预测从该时刻到电容量损失达到最大允许值时的剩余寿命,该方法在实时监督上对电容器寿命进行在线监督有着较好的预测效果,但在基于老化试验基础上对电容器寿命整体评估的效果欠佳;另一方面传统的概率模型只能对电容器的最终寿命进行概率统计,无法避免因个体差异带来的预测不同。
发明内容
有鉴于此,本申请中一个或多个实施例的目的在于提出一种电容器寿命估算方法、装置及电子设备,以解决现有技术存在的至少一个的问题。
基于上述目的,本申请中一个或多个实施例提供了一种电容器寿命估算方法,包括:
获取电容特征值;
建立早期预测模型组、中期预测模型组和晚期预测模型;所述早期预测模型组基于第一训练集训练得到,所述中期预测模型组基于第二训练集训练得到,所述晚期预测模型基于第三训练集训练得到;
将所述电容特征值输入所述早期预测模型组以确定所述早期预测模型组的预测结果;
将所述电容特征值输入所述中期预测模型组以确定所述中期预测模型组的预测结果;
将所述电容特征值输入所述晚期预测模型以确定所述晚期预测模型的预测结果;
基于电容器老化试验和至少一个所述预测结果进行电容器寿命估算。
可选的,还包括:
根据时间序列预测评价指标分别对所述早期预测模型组、中期预测模型组和晚期预测模型进行评价以调整所述早期预测模型组、中期预测模型组和晚期预测模型;
所述时间序列预测评价指标,包括:平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE,所述时间序列预测评价指标表示为
其中,ΔCs,t表示第s个电容器在t时刻测量的电容量减去该电容器的初始电容量的百分比,表示电容量损失百分比的模型预测值,包括:电容量损失百分比的早期预测模型组的预测值、电容量损失百分比的中期预测模型组的预测值和电容量损失百分比的晚期预测模型的预测值中的任意一个,s表示参与试验的电容器标号,N表示电容器总数,t表示电容器电容量测量时间段,T表示电容器电容量测量的总时段,其中k表示起始预测时段。
可选的,所述早期预测模型组基于第一训练集训练得到,包括:
所述早期预测模型组,包括:T-k-l个单步预测模型,以及多产出预测模型,其中l表示所述多产出预测模型输出维数,且预测的末尾l个电容量损失值;
按老化测量时刻的时序获取N个电容器的电容量损失序列,定义s∈{1,2,3,...,N-1},共N-1个电容器的完整电容量退化序列作为所述第一训练集,s=N作为第一测试集;
基于单步时间序列预测策略和所述拟合值确定所述第一训练集;所述第一训练集表示为
其中,<·>表示所述早期预测模型组中T-k-l个单步预测模型中每个模型的训练集;
所述早期预测模型组的测试集表示为
可选的,所述中期预测模型组基于第二训练集训练得到,包括:
所述中期预测模型组,包括:T-k-l个单步预测模型,以及多产出预测模型;
按老化测量时刻的时序获取N个电容器的电容量损失序列,定义s∈{1,2,3,...,N-1},共N-1个电容器的完整电容量退化序列作为所述中期预测模型组的第一训练集,s=N作为第二测试集;
基于单步时间序列预测策略和所述训练集原始序列确定所述第二训练集;所述第二训练集表示为
其中,<·>表示中期预测模型组中T-k-l个单步预测模型中每个模型的训练集;
所述中期预测模型组测试集表示为
其中,表示T-k-l个所述由单步预测策略构成的中期预测模型组,表示所述中期预测模型组中的多产出预测模型,整个中期预测模型组预测值由上角标M表示,即表示所述中期预测模型组对待测电容器电容量损失百分比的预测值。
可选的,所述晚期预测模型基于第三训练集训练得到,包括:
按所述老化测量时刻的时序获取待测电容器的已知的电容量损失序列;
基于多产出预测策略和所述待测电容器的已知的电容量损失序列确定所述晚期预测模型的输入特征值;可表示为
基于同一发明构思,本申请中一个或多个实施例还提出了一种电容器寿命估算装置,包括:
获取模块,被配置为获取电容特征值;
建立模块,被配置为建立早期预测模型组、中期预测模型组和晚期预测模型;所述早期预测模型组基于第一训练集训练得到,所述中期预测模型组基于第二训练集训练得到,所述晚期预测模型基于第三训练集训练得到;
第一输入模块,被配置为将所述电容特征值输入所述早期预测模型组以确定所述早期预测模型组的预测结果;
第二输入模块,被配置为将所述电容特征值输入所述中期预测模型组以确定所述中期预测模型组的预测结果;
第三输入模块,被配置为将所述电容特征值输入所述晚期预测模型以确定所述晚期预测模型的预测结果;
估算模块,被配置为基于电容器老化试验和至少一个所述预测结果进行电容器寿命估算。
基于同一发明构思,本说明书一个或多个实施例还提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上任一所述的方法。
从上面所述可以看出,本申请中一个或多个实施例提供的一种电容器寿命估算方法、装置及电子设备,包括:获取电容特征值;建立早期预测模型组、中期预测模型组和晚期预测模型;所述早期预测模型组基于第一训练集训练得到,所述中期预测模型组基于第二训练集训练得到,所述晚期预测模型基于第三训练集训练得到;将所述电容特征值输入所述早期预测模型组以确定所述早期预测模型组的预测结果;将所述电容特征值输入所述中期预测模型组以确定所述中期预测模型组的预测结果;将所述电容特征值输入所述晚期预测模型以确定所述晚期预测模型的预测结果;基于电容器老化试验和至少一个所述预测结果进行电容器寿命估算。通过依次建立多种不同的模型,能够有效地针对处于不同使用时期的电容器进行相对应的寿命预测和估算,早期预测模型组能够实现对电容器老化初始阶段的寿命整体估计,实现准冷启动预测;中期预测模型组能够实现对处于使用一段时间后的电容器进行有效地寿命预测;晚期预测模型能够实现对处于接近达到失效阈值的电容器进行有效地寿命预测。整个预测方法在前期不具备明显老化特征的情况下仍可对电容器进行寿命预测,有效地避免了因个体差异带来的预测结果不同,不仅仅对电容器的最终寿命进行概率统计,同时针对不同使用时期的电容器进行寿命预测;在电容器老化初期,将电容特征值输入早期预测模型组以确定早期预测模型组的预测结果;在电容器老化到一定程度时,将电容特征值输入中期预测模型组以确定中期预测模型组的预测结果;在电容器具备明显老化特征后,将电容特征值输入晚期预测模型以确定晚期预测模型的预测结果;基于电容器老化试验和所述预测结果估算电容器寿命,通过设置电容器老化试验,根据不同模型输出的预测结果能够实现对不同使用时期的电容器进行寿命预测。
附图说明
为了更清楚地说明本申请中一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中一个或多个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请中一个或多个实施例中一种电容器寿命估算方法流程图;
图2为本申请中一个或多个实施例中早期预测模型组(基于线性拟合训练集下的SVR-ARIMA预测模型)预测结果实验数据图;
图3为本申请中一个或多个实施例中中期预测模型组模型(基于原始数据训练集下的SVR-ARIMA预测模型)预测结果实验数据图;
图4(a)为本申请中一个或多个实施例中晚期模型(基于历史退化数据下的ARIMA预测模型)预测结果实验数据图;
图4(b)为本申请中一个或多个实施例中晚期模型(基于历史退化数据下的ARIMA预测模型)预测结果局部放大图;
图5为本申请中一个或多个实施例中一种电容器寿命估算装置结构示意图;
图6为本申请中一个或多个实施例中电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本申请中一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本申请中“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
发明人通过研究发现电容器电容值变化情况是各类老化因素的综合体现,因此能够很好地反映了寿命特征趋势,通过老化试验测得目标电容器电容量损失随老化时间的变化序列,并基于机器学习算法与时间序列预测模型相结合对此时间序列进行预测,便能够初步得到电容器的寿命估算值。基于学习算法的预测问题很大程度依赖于训练样本的性质,而电容器的老化试验所获数据有着样本数小、电容量损失测量点少等特点,需要结合能够适应于小样本、一维输出值预测、多维输出以及能够对较少的测量点进行强力特征学习的算法,而现有技术大量运用视觉跟踪算法对未来电容量损失进行预测或基于概率分布对电容器寿命最终寿命进行预测。一方面,视觉跟踪算法往往只针对某一个电容器的某一时刻前历史序列,从而预测从该时刻到容值损失达到最大允许值时的剩余寿命,该方法在实时监督上对电容器寿命进行在线监督或在电容器电容量快要达到失效阈值时有着较好的预测效果,但在基于老化试验基础上对电容器寿命整体评估的效果欠佳,并在老化初始阶段预测误差较大;另一方面传统的概率模型只能对电容器的最终寿命进行概率统计,无法避免因个体差异带来的预测不同。目前大量的估算模型都基于电容器寿命概率分布模型或电容器退化经验公式,但往往该类分布模型与退化公式是复杂多变甚至未知的,用现有的模型去适应于不同型号电容器的寿命估算,泛化能力大大减弱,所以现有技术存在着在老化试验基础上电容器寿命估算误差大且无法避免电容器个体差异的问题。
参考图1,因此本申请中一个或多个实施例提供的一种电容器寿命估算方法,具体包括以下步骤:
S101获取电容特征值。
本实施例中,通过测量电容器的电容量获取电容器的电容特征值,假设某一组试验的电容器,组内共有N个样本,定义s∈{1,2,3,...,N},s表示第s个试验电容器,首先测量电容器的初始电容量Cs,0,然后根据老化测量时刻依次测量每个电容器在每个老化测量时刻的电容量Cs,t,其中t表示任意老化测量时刻,根据初始电容量Cs,0和每个老化测量时刻的电容量Cs,t确定ΔCs,t,ΔCs,t具体表示第s个电容器的t时刻测量的电容量的百分比减去初始电容量Cs,0,即电容量损失百分比,ΔCs,t表示为
根据组内电容器的电容特征值,可以获取组内N个电容器的电容量损失随时间的变化序列,表示为
其中,ΔC1表示第一个电容器的电容特征值,也即第一个电容器的电容量损失随时间的变化序列,ΔCs表示第s个电容器的电容特征值,t表示任意一个老化测试时刻,T表示电容器电容量测量的总时段。
S102建立早期预测模型组、中期预测模型组和晚期预测模型;所述早期预测模型组基于第一训练集训练得到,所述中期预测模型组基于第二训练集训练得到,所述晚期预测模型基于第三训练集训练得到。
本实施例中,建立早期预测模型组、中期预测模型组和晚期预测模型;所述早期预测模型组将同型号且已知完整电容量退化序列的电容器电容量测量值的线性拟合值作为训练集训练得到,所述中期预测模型组基于同型号已知完整电容量退化序列的电容器电容量测量值的原始数据训练得到,所述晚期预测模型则基于待测电容器自身已获得的电容量测量值作为模型输入特征得到。早预测模型组(也可称为基于线性拟合训练数据集的SVR-ARIMA预测模型组)是基于支持向量机(SVR)和差分自回归移动平均模型(ARIMA)构建的,包括:利用SVR学习线性拟合训练数据集后构建的T-k-l个单步预测模型,以及由ARIMA构建的多产出预测模型,其中T表示老化测量时刻总数,k表示起始预测时刻,l表示ARIMA模型输出向量个数。考虑到待测电容器刚开始使用阶段,获得的电容量测量点数较少,若直接利用ARIMA模型,仅凭初始阶段得到的该电容器少量数据点进行寿命预测,容易陷入对电容量损失百分比预测的收敛,导致最终寿命预测误差过大;因此,首先利用SVR算法,通过对同型号已知完整退化趋势的电容器数据进行趋势学习,同时按照滑动窗口预测的方式建立T-k-l个单步预测模型对未来多个时刻的电容量损失百分比进行预测,最后将待测电容器电容量的预测值与已获值代入ARIMA模型,根据自身退化趋势进一步完成寿命预测;通过老化数据的初步分析,电容器初始阶段电容量的退化呈现线性趋势,因此通过将训练集线性拟合得到新的数据集有利于模型的学习和训练,最后得到的预测结果也更加贴近真实值。
作为一个可选的实施例,仅利用单步时间序列预测策略只能对短时段值进行估算,而递归多步预测进行长期预测时又会容易收敛,因此,将整个退化序列进行分段,利用滑动窗口的方式构建单步预测模型组可弥补递归预测时随着预测跨度增大而误差变大的不足。在电容器老化初期,由于已获电容量测量点数并不多,不适合仅凭单一序列的已知值预测未来时段值,因此为了考虑整个试验组电容器的变化规律,对学习算法训练集进行划分,按老化测量时刻T的时序获取N个电容量损失序列,同时考虑到电容器老化初期获得的电容量损失百分比基本呈线性,因此,用N-1个电容量损失序列的线性拟合值作为早期预测模型的训练集对模型的训练效果更优,对最终寿命预测的精度也有很大的提高。拟对第N个电容器的电容量损失百分比进行预测,以对模型进行评价。传统的单步时间序列预测策略往往只采用单一模型,为了提高预测精度,避免过度训练,对不同时段进行不同建模。假设时间序列上采用前k个电容量损失序列的测量值作为输入,第k+1个测量值为输出,即每k期预测下一期,根据单步预测方法,基于预测时段建立共T-k-l个单步预测模型,参考表1,得到早期预测模型组的训练集与测试集
表1早期预测模型组训练集与测试集的划分
作为一个可选的实施例,每个单步模型fE的训练样本数(即电容量损失序列的数量)取决于电容器试验样本总数N(即电容量损失序列总数N),模型建立数由老化测量时刻总数T与多产出模型输出维数l(即ARIMA模型输出维数)决定,k+1,…,T-l表示不同的老化测试时刻;将第N个电容器已获得的电容量损失百分比以及由单步预测模型组得到的预测值代入多产出预测模型:
其中在单步预测模型组训练过程中作为每个循环的电容量损失百分比预测值;为多产出预测模型的电容量损失百分比预测值。由于实验样本总数较少,当样本数相对预测序列k较少时,模型算法应采用适用于小样本问题的支持向量机,同时考虑到机器学习算法很大程度上依赖于训练集数据,因此,采用差分自回归移动平均模型对自身序列进行分析,预测接近于失效阈值时的电容量百分比。混合模型通过SVR学习同型号电容器老化趋势,再利用ARIMA对自身序列退化趋势进行分析,最终对电容器寿命进行预测。
作为一个可选的实施例,早期预测模型组,包括:T-k-l个单步预测模型,以及多产出预测模型,其中l表示多产出预测模型输出维数,且预测的末尾l个电容量损失值;
按老化测量时刻的时序获取N个电容器的电容量损失序列,定义s∈{1,2,3,...,N-1},共N-1个电容器的完整电容量退化序列作为该模型的训练集,s=N作为测试集,对模型进行验算;
对训练集数据进行预处理:对训练集数据利用进行线性拟合,即利用最小二乘法(LSM)对线性函数进行参数估计,其中a,b为待估计参数;xt表示t时段对应的具体老化时间,单位为小时h;得到线性拟合后的拟合值作为模型新的训练集,定义拟合后的电容量损失百分比为
按表1中的训练集利用SVR对共T-k-l个所述由单步预测策略模型组进行训练,即对预测函数中系数β1,t和偏置值bias进行训练估计(以f1 E为例),其中s=N,Gt为核函数的内核比。SVR本质为在其拉格朗日对偶公式中优化问题,对参数βt利用以下公式进行完整地描述作为训练观测的线性组合,其中αi、为引入的拉格朗日乘子,表示f1 E函数的训练集矩阵,式中s∈{1,2,3,...,N-1};拉格朗日乘子、偏置值以及SVR中的惩罚因子等最佳解由已知的训练集矩阵通过所需的优化约束Karush-Kuhn-Tucker(KKT)互补条件获得。
对新序列进行差分处理,并进行平稳性检验:将新老化序列一阶差分并进行单位根(ADF)检验,若新序列已经成为平稳时间序列则可不再进行差分;否则继续对序列进行差分处理,直至ADF检验其到达平稳化。经过对相关数据的验证,基于老化试验下的电容器电容量损失百分比序列d阶差分后能得到平稳时间序列:
其中Yt E表示差分后的序列值,t∈{d+1,d+2,...,T-l}。
求出Yt E的自相关函数(ACF)与偏相关函数(PACF)进行模型识别,分别确定移动平均模型(MA)参数q与自回归模型(AR)参数p,即确定ARIMA预测模型的数学表达式:
其中表示上述表达式的差分预测值;μ表示模型常数项;γi、θi分别表示AR相关系数与MA相关系数;前i项的误差值。通过ARIMA模型求出后进行反向差分还原最后预测值通过判断电容器达到失效阈值时刻对应的老化时间求出相应的估算电容器寿命PLE、相对应剩余使用寿命RULE表示为
RULE=PLE-SPE
其中,SPE表示早期预测模型组的电容器寿命预测起点。
在获得一定的电容量损失百分比之后,电容量已经出现老化特征,此时可直接利用各已知的同型号的电容器的退化原始数据作为训练中期预测模型组的训练集,与早期预测模型组训练集与测试集的分配相同,如表1;
每个单步模型fM的训练样本数(即电容量损失序列的数量)取决于电容器试验样本总数N(即电容量损失序列总数N),模型建立数由老化测量时刻总数T与多产出模型输出维数l(即ARIMA模型输出维数)决定,k+1,…,T-l表示不同的老化测试时刻;将第N个电容器已获得的电容量损失百分比以及由单步预测模型组得到的预测值代入多产出预测模型:
其中在单步预测模型组训练过程中作为每个循环的电容量损失百分比预测值;为多产出预测模型的电容量损失百分比预测值。由于实验样本总数较少,当样本数相对预测序列k较少时,模型算法应采用适用于小样本问题的支持向量机,同时考虑到机器学习算法很大程度上依赖于训练集数据,因此,采用差分自回归移动平均模型对自身序列进行分析,预测接近于失效阈值时的电容量百分比。混合模型通过SVR学习同型号电容器老化趋势,再利用ARIMA对自身序列退化趋势进行分析,最终对电容器寿命进行预测。
作为一个可选的实施例,中期预测模型组,包括T-k-l个单步预测模型,以及多产出预测模型,其中l表示多产出预测模型输出维数,且预测的末尾l个电容量损失值;
按老化测量时刻的时序获取N个电容器的电容量损失序列,定义s∈{1,2,3,...,N-1},共N-1个电容器的完整电容量退化序列作为该模型的训练集,s=N作为测试集,对模型进行验算;
按表1训练集利用SVR对共T-k-l个所述由单步预测策略模型组进行训练,即对预测函数中系数β1,t和偏置值bias进行训练估计(以f1 M为例),其中s=N,Gt为核函数的内核比。SVR本质为在其拉格朗日对偶公式中优化问题,对参数βt利用以下公式进行完整地描述作为训练观测的线性组合,其中αi、为引入的拉格朗日乘子,<ΔCs,t>1表示f1 M函数的训练集矩阵,式中s∈{1,2,3,...,N-1};拉格朗日乘子、偏置值以及SVR中的惩罚因子等最佳解由已知的训练集矩阵通过所需的优化约束Karush-Kuhn-Tucker(KKT)互补条件获得。
对新序列进行差分处理,并进行平稳性检验:将新老化序列一阶差分并进行单位根(ADF)检验,若新序列已经成为平稳时间序列则可不再进行差分;否则继续对序列进行差分处理,直至ADF检验其到达平稳化。经过对相关数据的验证,基于老化试验下的电容器电容量损失百分比序列d阶差分后能得到平稳时间序列:
其中Yt M表示差分后的序列值,t∈{d+1,d+2,...,T-l}。
求出Yt M的自相关函数(ACF)与偏相关函数(PACF)进行模型识别,分别确定移动平均模型(MA)参数q与自回归模型(AR)参数p,即确定ARIMA预测模型的数学表达式:
其中表示上述表达式的差分预测值;μ表示模型常数项;γi、θi分别表示AR相关系数与MA相关系数;前i项的误差值。通过ARIMA模型求出后进行反向差分还原最后预测值通过判断电容器达到失效阈值时刻对应的老化时间求出相应的预测寿命估算电容器寿命PLM、相对应剩余使用寿命RULM表示为
RULM=PLM-SPM
其中,SPM表示中期预测模型组的电容器寿命预测起点。
在已获知待测电容器电容量损失百分比接近失效阈值时,即电容器将达到终止寿命,此时待测电容器自身时间序列中的历史数据更具备参考价值,因此,采用ARIMA进行多步预测,完成晚期寿命预测。
为了尽可能统一描述方式,将全部获知的电容量损失百分比历史数据定义(此时,k=T-l),将其进行差分处理,并进行平稳性检验:将老化序列一阶差分并进行单位根(ADF)检验,若序列已经成为平稳时间序列则可不再进行差分;否则继续对序列进行差分处理,直至ADF检验其到达平稳化。经过对相关数据的验证,基于老化试验下的电容器电容量损失百分比序列d阶差分后能得到平稳时间序列:
其中Yt L表示差分后的序列值,t∈{d+1,d+2,...,T-l}。
求出Yt L的自相关函数(ACF)与偏相关函数(PACF)进行模型识别,分别确定移动平均模型(MA)参数q与自回归模型(AR)参数p,即确定ARIMA预测模型的数学表达式:
其中表示上述表达式的差分预测值;μ表示模型常数项;γi、θi分别表示AR相关系数与MA相关系数;前i项的误差值。通过ARIMA模型求出后进行反向差分还原最后预测值通过判断电容器达到失效阈值时刻对应的老化时间求出估算电容器寿命PLL、相对应剩余使用寿命RULL表示为
RULL=PLL-SPL
其中,SPL表示晚期预测模型组的电容器寿命预测起点。
作为一个可选的实施例,将同型号且已知完整电容量退化序列的电容器电容量测量值的线性拟合值作为训练集代入早期预测模型组;将所述测试集,即已获得的待测电容器电容量测量值输入所述待测试的所述早期预测模型组,并采用递归代入的方法依次利用早期预测模型组获得未来多个时刻的电容量损失百分比,最后将待测电容器已知电容量损失百分比以及单步预测模型的预测值代入多产出预测模型,获得接近失效阈值时的电容量损失百分比,从而计算出电容器寿命。
作为一个可选的实施例,将同型号且已知完整电容量退化序列的电容器电容量测量值的原始数据作为训练集代入中期预测模型组;将所述测试集,即已获得的待测电容器电容量测量值输入所述待测试的所述中期预测模型组,并采用递归代入的方法依次利用中期预测模型组获得未来多个时刻的电容量损失百分比,最后将待测电容器已知电容量损失百分比以及单步预测模型的预测值代入多产出预测模型,获得接近失效阈值时的电容量损失百分比,从而计算出电容器寿命。
作为一个可选的实施例,所述早期预测模型组基于第一训练集训练得到,包括:
所述早期预测模型组,包括:T-k-l个单步预测模型,以及多产出预测模型,其中l表示所述多产出预测模型输出维数,且预测的末尾l个电容量损失值;
按老化测量时刻的时序获取N个电容器的电容量损失序列,定义s∈{1,2,3,...,N-1},共N-1个电容器的完整电容量退化序列作为所述第一训练集,s=N作为第一测试集;
基于单步时间序列预测策略和所述拟合值确定所述第一训练集;所述第一训练集表示为
其中,<·>表示所述早期预测模型组中T-k-l个单步预测模型中每个模型的训练集;
所述早期预测模型组的测试集表示为
作为一个可选的实施例,所述中期预测模型组基于第二训练集训练得到,包括:
所述中期预测模型组,包括:T-k-l个单步预测模型,以及多产出预测模型;
按老化测量时刻的时序获取N个电容器的电容量损失序列,定义s∈{1,2,3,...,N-1},共N-1个电容器的完整电容量退化序列作为所述中期预测模型组的第一训练集,s=N作为第二测试集;
基于单步时间序列预测策略和所述训练集原始序列确定所述第二训练集;所述第二训练集表示为
其中,<·>表示中期预测模型组中T-k-l个单步预测模型中每个模型的训练集;
所述中期预测模型组测试集表示为
其中,表示T-k-l个所述由单步预测策略构成的中期预测模型组,表示所述中期预测模型组中的多产出预测模型,整个中期预测模型组预测值由上角标M表示,即表示所述中期预测模型组对待测电容器电容量损失百分比的预测值。
作为一个可选的实施例,所述晚期预测模型基于第三训练集训练得到,包括:
按所述老化测量时刻的时序获取待测电容器的已知的电容量损失序列;
基于多产出预测策略和所述待测电容器的已知的电容量损失序列确定所述晚期预测模型的输入特征值;可表示为
S103:将所述电容特征值输入所述早期预测模型组以确定所述早期预测模型组的预测结果。
本实施例中,将获取的电容特征值输入早期预测模型组后,得到电容量损失百分比的早期预测模型组的预测值,当根据输入的电容特征值输出的电容量损失百分比的早期预测模型组的预测值为-5%时,则此时的电容量损失百分比的早期预测模型组的预测值为早期预测结果。
S104:将所述电容特征值输入所述中期预测模型组以确定所述中期预测模型组的预测结果。
本实施例中,将获取的电容特征值输入中期预测模型组后,得到电容量损失百分比的中期预测模型组的预测值,当根据输入的电容特征值输出的电容量损失百分比的中期预测模型组的预测值为-5%时,则此时的电容量损失百分比的中期预测模型组的预测值为中期预测结果。
S105:将所述电容特征值输入所述晚期预测模型以确定所述晚期预测模型的预测结果。
本实施例中,将获取的电容特征值输入晚期预测模型组后,得到电容量损失百分比的晚期预测模型组的预测值,当根据输入的电容特征值输出的电容量损失百分比的早期预测模型组的预测值为-5%时,则此时的电容量损失百分比的晚期预测模型组的预测值为晚期预测结果。
S106:基于电容器老化试验和至少一个所述预测结果进行电容器寿命估算。
本实施例中,为了对一批电容器快速进行寿命估算,需要对其进行电容器老化试验,根据Arrhenius模型可表征以温度应力下的寿命模型LA表示为
其中,A0表示与电容器材料相关的常数项,ΔE表示激活能量,k表示波尔兹曼常数,k=8.617×10-5ev,T为温度应力。
寿命模型LA对应的加速系数AL表示为
其中,LN表示正常温度应力下的寿命,TN表示工作环境温度,TA表示老化试验温度,e表示常数e≈2.718281828459。
根据Inverse-Power模型可表征以电压为应力的寿命模型LI表示为
其中,B0和n表示与电容器材料相关的常数项,U表示施加外部电压值。
寿命模型LI对应的加速系数IL表示为
其中,LN表示正常温度应力下的寿命,UN表示额定电压,UI表示老化试验电压,a和b表示修正系数。
联立上述寿命模型LA和寿命模型LI得到的双应力模型加速系数表示为
示例:设置基于老化试验下的电容器电容量损失百分比序列C1~C6为机器学习算法的训练集,C7为测试集,即预测目标,老化试验总测量点数T=18。
参考图2,早期预测模型组:对C1~C6序列进行线性拟合,利用最小二乘法LSM进行线性函数参数估计,得到参数{a1,a2,...,a6}以及{b1,b2,...,b6},代入上式求得线性函数拟合值矩阵其中s∈{1,2,...,6},t∈{1,2,...,18};
设置ARIMA模型输出维数l=2(通过交叉验证,ARIMA模型输出维数为1或2时稳定性与预测精度较高),预测起点k=6。视老化序列为k阶马尔可夫链,利用SVR算法与单步预测策略训练线性函数拟合值,SVR核函数采用Linear,即G(xu,xv)=xu'xv,则Gt=1。SVR训练模型为将测试集已知数据{ΔC7,1,ΔC7,2,...,ΔC7,6}代入上述多组模型递归计算得出电容量损失百分比预测值
将预测值与已知数据组成新序列进行差分平稳化处理;通过相关数据验证,对于示例数据采用差分阶数d=2时,时间序列平稳,得到二阶差分后的序列值{Y3,Y4,...,Y16};求出差分序列的ACF与PACF,确定MA参数q=3,AR参数p=4。通过ARIMA模型表达式并反向差分得到预测值
参考图3,中期预测模型组:代入C1~C6序列原始数据值矩阵[ΔCs,t],其中s∈{1,2,...,6},t∈{1,2,...,18};设置ARIMA模型输出维数l=2,预测起点k=9。视老化序列为k阶马尔可夫链,利用SVR算法与单步预测策略训练原始数据,SVR核函数采用Linear,即G(xu,xv)=xu'xv,则Gt=1。SVR训练模型为将测试集已知数据{ΔC7,1,ΔC7,2,...,ΔC7,9}代入上述多组模型递归计算得出电容量损失百分比预测值
将预测值与已知数据组成新序列进行差分平稳化处理;通过相关数据验证,对于示例数据采用差分阶数d=2时,时间序列平稳,得到二阶差分后的序列值{Y3,Y4,...,Y16};求出差分序列的ACF与PACF,确定MA参数q=3,AR参数p=4。通过ARIMA模型表达式并反向差分得到预测值
参考图4(a)和(b),晚期预测模型:设置ARIMA模型输出维数l=1,预测起点k=17;将C7已知历史数据成序列{ΔC7,1,ΔC7,2,ΔC7,3...,ΔC7,17}进行差分平稳化处理,通过相关数据验证,对于示例数据采用差分阶数d=2时,时间序列平稳,得到二阶差分后的序列值{Y3,Y4,...,Y17};求出差分序列的ACF与PACF,确定MA参数q=2,AR参数p=4。通过ARIMA模型表达式并反向差分得到预测值
通过电容器老化时期将寿命估算方法分为早期预测模型组、中期预测模型组和晚期预测模型,模型预测评价指标如表2所示,寿命预测结果如表3所示
表2使用不同预测模型对预测结果的评价指标
预测模型 | MAE | RMSE | MAPE |
早期预测模型组(基于线性拟合训练集的SVR-ARIMA模型) | 0.2871 | 0.3381 | 8.24% |
中期预测模型组(基于原始数据训练集的SVR-ARIMA模型) | 0.1501 | 0.1879 | 3.98% |
晚期预测模型(基于历史退化数据的ARIMA模型) | 0.0316 | 0.0316 | 0.61% |
表3使用不同预测模型对寿命预测结果误差
作为一个可选的实施例,根据时间序列预测评价指标分别对所述早期预测模型组、中期预测模型组和晚期预测模型进行评价以调整所述早期预测模型组、中期预测模型组和晚期预测模型;
所述时间序列预测评价指标,包括:平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE,所述时间序列预测评价指标表示为
其中,ΔCs,t表示第s个电容器在t时刻测量的电容量减去该电容器的初始电容量的百分比,表示电容量损失百分比的模型预测值,包括:电容量损失百分比的早期预测模型组的预测值、电容量损失百分比的中期预测模型组的预测值和电容量损失百分比的晚期预测模型的预测值中的任意一个,s表示参与试验的电容器标号,N表示电容器总数,t表示电容器电容量测量时间段,T表示电容器电容量测量的总时段,其中k表示起始预测时段。
从上面所述可以看出,本申请中一个或多个实施例提供的一种电容器寿命估算方法、装置及电子设备,包括:获取电容特征值;建立早期预测模型组、中期预测模型组和晚期预测模型;所述早期预测模型组基于第一训练集训练得到,所述中期预测模型组基于第二训练集训练得到,所述晚期预测模型基于第三训练集训练得到;将所述电容特征值输入所述早期预测模型组以确定所述早期预测模型组的预测结果;将所述电容特征值输入所述中期预测模型组以确定所述中期预测模型组的预测结果;将所述电容特征值输入所述晚期预测模型以确定所述晚期预测模型的预测结果;基于电容器老化试验和至少一个所述预测结果进行电容器寿命估算。通过依次建立多种不同的模型,能够有效地针对处于不同使用时期的电容器进行相对应的寿命预测和估算,早期预测模型组能够实现对电容器老化初始阶段的寿命整体估计,实现准冷启动预测;中期预测模型组能够实现对处于使用一段时间后的电容器进行有效地寿命预测;晚期预测模型能够实现对处于接近达到失效阈值的电容器进行有效地寿命预测。整个预测方法在前期不具备明显老化特征的情况下仍可对电容器进行寿命预测,有效地避免了因个体差异带来的预测结果不同,不仅仅对电容器的最终寿命进行概率统计,同时针对不同使用时期的电容器进行寿命预测;在电容器老化初期,将电容特征值输入早期预测模型组以确定早期预测模型组的预测结果;在电容器老化到一定程度时,将电容特征值输入中期预测模型以确定中期预测模型组的预测结果;在电容器具备明显老化特征后,将电容特征值输入晚期预测模型以确定晚期预测模型的预测结果;基于电容器老化试验和所述预测结果估算电容器寿命,通过设置电容器老化试验,根据不同模型输出的预测结果能够实现对不同使用时期的电容器进行寿命预测。
上述对本申请中特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,本申请中一个或多个实施例还提供了一种电容器寿命估算装置,包括:获取模块、建立模块、第一输入模块、第二输入模块、第三输入模块和估算模块。
参考图5,本装置中包括:
获取模块,被配置为获取电容特征值;
建立模块,被配置为建立早期预测模型组、中期预测模型组和晚期预测模型;所述早期预测模型组基于第一训练集训练得到,所述中期预测模型组基于第二训练集训练得到,所述晚期预测模型基于第三训练集训练得到;
第一输入模块,被配置为将所述电容特征值输入所述早期预测模型组以确定所述早期预测模型组的预测结果;
第二输入模块,被配置为将所述电容特征值输入所述中期预测模型组以确定所述中期预测模型组的预测结果;
第三输入模块,被配置为将所述电容特征值输入所述晚期预测模型以确定所述晚期预测模型的预测结果;
估算模块,被配置为基于电容器老化试验和至少一个所述预测结果进行电容器寿命估算。
作为一个可选的实施例,所述早期预测模型组将同型号且已知完整电容量退化序列的电容器电容量测量值的线性拟合值作为训练集训练得到,所述中期预测模型组基于同型号已知完整电容量退化序列的电容器电容量测量值的原始数据训练得到,所述晚期预测模型则基于待测电容器自身已获得的电容量测量值作为模型输入特征得到;
作为一个可选的实施例,在电容器老化初期,将电容特征值输入早期预测模型组以确定早期预测模型组的预测结果。
作为一个可选的实施例,在电容器老化到一定程度时,将电容特征值输入中期预测模型以确定中期预测模型组的预测结果。
作为一个可选的实施例,在电容器具备明显老化特征后,将电容特征值输入晚期预测模型以确定晚期预测模型的预测结果。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本发明一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,本申请中一个或多个实施例还提供了一种电子设备,该电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一实施例所述的方法。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器601、存储器602、输入/输出接口603、通信接口604和总线605。其中处理器601、存储器602、输入/输出接口603和通信接口604通过总线605实现彼此之间在设备内部的通信连接。
处理器601可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案。
存储器602可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器602可以存储操作系统和其他应用程序,在通过软件或者固件来实现本发明实施例所提供的技术方案时,相关的程序代码保存在存储器602中,并由处理器601来调用执行。
输入/输出接口603用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口604用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线605包括一通路,在设备的各个组件(例如处理器601、存储器602、输入/输出接口603和通信接口604)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器601、存储器602、输入/输出接口603、通信接口604以及总线605,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本发明实施例方案所必需的组件,而不必包含图中所示的全部组件。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请中一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本申请中一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请中一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (6)
1.一种电容器寿命估算方法,其特征在于,包括:
获取电容特征值;
建立早期预测模型组、中期预测模型组和晚期预测模型;所述早期预测模型组基于第一训练集训练得到,所述中期预测模型组基于第二训练集训练得到,所述晚期预测模型基于第三训练集训练得到;
将所述电容特征值输入所述早期预测模型组以确定所述早期预测模型组的预测结果;
将所述电容特征值输入所述中期预测模型组以确定所述中期预测模型组的预测结果;
将所述电容特征值输入所述晚期预测模型以确定所述晚期预测模型的预测结果;
基于电容器老化试验和至少一个所述预测结果进行电容器寿命估算;
其中,所述晚期预测模型基于第三训练集训练得到,包括:
按老化测量时刻的时序获取待测电容器的已知的电容量损失序列;
基于多产出预测策略和所述待测电容器的已知的电容量损失序列确定所述晚期预测模型的输入特征值;可表示为
2.根据权利要求1所述的方法,其特征在于,还包括:
根据时间序列预测评价指标分别对所述早期预测模型组、中期预测模型组和晚期预测模型进行评价以调整所述早期预测模型组、中期预测模型组和晚期预测模型;
所述时间序列预测评价指标,包括:平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE,所述时间序列预测评价指标表示为
3.根据权利要求1所述的方法,其特征在于,所述早期预测模型组基于第一训练集训练得到,包括:
所述早期预测模型组,包括:T-k-l个单步预测模型,以及多产出预测模型,其中l表示所述多产出预测模型输出维数,且预测的末尾l个电容量损失值;
按老化测量时刻的时序获取N个电容器的电容量损失序列,定义s∈{1,2,3,...,N-1},共N-1个电容器的完整电容量退化序列作为所述第一训练集,s=N作为第一测试集;
基于单步时间序列预测策略和所述拟合值确定所述第一训练集;所述第一训练集表示为
其中,<·>表示所述早期预测模型组中T-k-l个单步预测模型中每个模型的训练集;
所述早期预测模型组的测试集表示为
4.根据权利要求3所述的方法,其特征在于,所述中期预测模型组基于第二训练集训练得到,包括:
所述中期预测模型组,包括:T-k-l个单步预测模型,以及多产出预测模型;
按老化测量时刻的时序获取N个电容器的电容量损失序列,定义s∈{1,2,3,...,N-1},共N-1个电容器的完整电容量退化序列作为所述中期预测模型组的第一训练集,s=N作为第二测试集;
基于单步时间序列预测策略和所述训练集原始序列确定所述第二训练集;所述第二训练集表示为
其中,<·>表示中期预测模型组中T-k-l个单步预测模型中每个模型的训练集;
所述中期预测模型组测试集表示为
5.一种电容器寿命估算装置,其特征在于,包括:
获取模块,被配置为获取电容特征值;
建立模块,被配置为建立早期预测模型组、中期预测模型组和晚期预测模型;所述早期预测模型组基于第一训练集训练得到,所述中期预测模型组基于第二训练集训练得到,所述晚期预测模型基于第三训练集训练得到;
第一输入模块,被配置为将所述电容特征值输入所述早期预测模型组以确定所述早期预测模型组的预测结果;
第二输入模块,被配置为将所述电容特征值输入所述中期预测模型组以确定所述中期预测模型组的预测结果;
第三输入模块,被配置为将所述电容特征值输入所述晚期预测模型以确定所述晚期预测模型的预测结果;
估算模块,被配置为基于电容器老化试验和至少一个所述预测结果进行电容器寿命估算;
其中,所述晚期预测模型基于第三训练集训练得到,包括:
按老化测量时刻的时序获取待测电容器的已知的电容量损失序列;
基于多产出预测策略和所述待测电容器的已知的电容量损失序列确定所述晚期预测模型的输入特征值;可表示为
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011241354.7A CN112307638B (zh) | 2020-11-09 | 2020-11-09 | 一种电容器寿命估算方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011241354.7A CN112307638B (zh) | 2020-11-09 | 2020-11-09 | 一种电容器寿命估算方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307638A CN112307638A (zh) | 2021-02-02 |
CN112307638B true CN112307638B (zh) | 2022-06-07 |
Family
ID=74325310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011241354.7A Active CN112307638B (zh) | 2020-11-09 | 2020-11-09 | 一种电容器寿命估算方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307638B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113203924B (zh) * | 2021-04-29 | 2023-07-11 | 国网四川省电力公司电力科学研究院 | 一种基于局部放电检测的电容器冲击老化程度预测方法 |
CN115879359B (zh) * | 2022-06-21 | 2024-02-23 | 广州汽车集团股份有限公司 | 电子元件寿命预测方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295003A (zh) * | 2016-08-11 | 2017-01-04 | 北京航空航天大学 | 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11221373B2 (en) * | 2017-06-23 | 2022-01-11 | Pacesetter, Inc. | Method and device for detecting early battery depletion condition |
DE102017221096A1 (de) * | 2017-11-24 | 2019-05-29 | Ziehl-Abegg Se | Verfahren und Bewertungseinheit zum Ermitteln der Restlebensdauer eines Kondensators sowie System |
CN109462231B (zh) * | 2018-11-15 | 2020-09-01 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
CN110287648B (zh) * | 2019-07-18 | 2022-12-16 | 中南大学 | 一种薄膜电容器参数测试方法 |
CN110750852B (zh) * | 2019-08-12 | 2023-10-17 | 青岛大学 | 一种超级电容器的剩余使用寿命预测方法、装置及电子设备 |
CN111414709A (zh) * | 2020-04-14 | 2020-07-14 | 上海交通大学 | 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 |
CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
-
2020
- 2020-11-09 CN CN202011241354.7A patent/CN112307638B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295003A (zh) * | 2016-08-11 | 2017-01-04 | 北京航空航天大学 | 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112307638A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kundu et al. | Weibull accelerated failure time regression model for remaining useful life prediction of bearing working under multiple operating conditions | |
Wang et al. | Comparison of variable selection methods for PLS-based soft sensor modeling | |
CN112307638B (zh) | 一种电容器寿命估算方法、装置及电子设备 | |
CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN106446317A (zh) | 一种基于数学模型的密封式继电器贮存寿命预测方法 | |
CN110795780B (zh) | 一种基于XGBoost算法的斜拉桥有限元修正方法 | |
CN110569566B (zh) | 一种板带力学性能预测方法 | |
Mohanty et al. | Bayesian statistic based multivariate Gaussian process approach for offline/online fatigue crack growth prediction | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
Carino et al. | Remaining useful life estimation of ball bearings by means of monotonic score calibration | |
CN114290939B (zh) | 直流充电桩电压误差补偿方法、系统、设备及可读存储介质 | |
CN115878958A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN105548068B (zh) | 动态演化模型校正方法及系统 | |
Urtubia et al. | Detection of abnormal fermentations in wine process by multivariate statistics and pattern recognition techniques | |
CN115544803B (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
CN114739980B (zh) | 元素信息的预测方法、装置、设备及介质 | |
Mei et al. | Study of an adaptable calibration model of near-infrared spectra based on KF-PLS | |
CN114970749A (zh) | 用于获取电容器特征参数的方法、设备及可读存储介质 | |
CN111125629A (zh) | 一种域自适应的pls回归模型建模方法 | |
US20240211663A1 (en) | Design aid device, design aid method, and design aid program | |
CN116307185A (zh) | 风速预测值的获取方法、装置、终端设备及计算机介质 | |
CN115860277A (zh) | 一种数据中心能耗预测方法及系统 | |
CN116011345A (zh) | 绝缘子信息预测模型生成方法、装置、设备及介质 | |
CN115423370A (zh) | 一种继电保护设备健康状态评估方法及装置 |
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 |