CN112433907A - 不间断电源的主机运行参量数据的处理方法、装置和电子装置 - Google Patents
不间断电源的主机运行参量数据的处理方法、装置和电子装置 Download PDFInfo
- Publication number
- CN112433907A CN112433907A CN202011155426.6A CN202011155426A CN112433907A CN 112433907 A CN112433907 A CN 112433907A CN 202011155426 A CN202011155426 A CN 202011155426A CN 112433907 A CN112433907 A CN 112433907A
- Authority
- CN
- China
- Prior art keywords
- power supply
- host
- uninterruptible power
- data
- ups
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Power Sources (AREA)
Abstract
本发明实施例公开一种不间断电源的主机运行参量数据的处理方法、装置和电子装置,应用于不间断电源技术领域,该方法包括采集UPS主机的运行参量的实时数据并存入预设的数据库中,从数据库中获取UPS主机运行的历史数据,根据运行参量的实时数据和历史数据,得到UPS主机的运行特征,根据运行特征设计间接数据特征参量,将各连续时间运行参量的数据作为输入量,输入模型中进行训练,输出对UPS主机的剩余使用寿命的预测值,通过均方根误差对深度可分卷积网络模型的预测性能进行评价,根据得到的剩余使用寿命的预测值对UPS主机的退化性进行评价,根据评价结果选择对UPS主机的维护方案,该方法人工成本低,维护效率高。
Description
技术领域
本发明属于不间断电源技术领域,尤其涉及一种不间断电源的主机运行参量数据的处理方法、装置和电子装置。
背景技术
不间断电源(UPS,Uninterruptible Power Supply)目前已在国防、工业、民用等各领域得到广泛应用,成为保障重点领域正常供电的重要环节之一。有效地维护和保养UPS系统,不仅可以保障供电安全、减少意外损失,还可以延长UPS系统的使用寿命。主机作为UPS系统的核心部分,若维护得当其使用年限可达十余年。因此,需要精准计算UPS主机的剩余使用寿命的技术,评估其退化性能,以及时发现其潜在故障,可减少对UPS主机的非必要更换和检修,保证UPS系统维护的安全性和经济性要求。
当前通常是通过人工对UPS系统进行定期的检修和维护,人工成本高,效率低。
发明内容
本发明提供一种不间断电源的主机运行参量数据的处理方法、处理装置和电子装置,旨在解决现有技术对UPS主机维护的人工成本高,效率低的问题。
本发明实施例提供了一种不间断电源的主机运行参量数据的处理方法,包括:采集不间断电源主机的运行参量的实时数据并存入预设的数据库中,所述运行参量包括:所述不间断电源主机的风机运转噪声强度、所述不间断电源主机的温度、所述不间断电源主机的实际输出功率、所述不间断电源主机各部分引线及接线端子连接可靠性状态、所述不间断电源主机的防尘网堵塞状态、所述不间断电源主机直流熔断器的压降和温升、所述不间断电源主机的工作环境温湿度和所述不间断电源主机的输入电压;
从所述数据库中获取所述不间断电源主机运行的历史数据,根据所述运行参量的实时数据和所述历史数据,得到所述不间断电源主机的运行特征,所述运行特征包括连续时间运行参量的特征曲线和离散特征运行参量的变化关系;
根据所述运行特征设计间接数据特征参量,所述间接数据特征参量包括:工作环境参量、风机运转噪声强度拟合函数平均值和不间断电源负载量;
利用正则化和插入时间窗的方法,对各连续时间运行参量的数据进行增加维度的预处理,使得预处理后的数据符合预设的深度可分卷积网络模型的输入数据的要求;
将预处理后的各连续时间运行参量的数据作为输入量,输入所述预设的深度可分卷积网络模型中进行训练,输出对所述不间断电源主机的剩余使用寿命的预测值;
通过均方根误差对所述深度可分卷积网络模型的预测性能进行评价,选择均方根误差小于预设阈值的深度可分卷积网络模型作为预测不间断电源主机的剩余使用寿命的最终模型;
通过所述最终模型得到不间断电源主机的剩余使用寿命的预测值,并根据得到的所述剩余使用寿命的预测值对不间断电源主机的退化性进行评价,根据评价结果选择对不间断电源主机的维护方案。
本发明实施例提供了一种不间断电源的主机运行参量数据的处理装置,包括:
采集模块,用于采集不间断电源主机的运行参量的实时数据并存入预设的数据库中,所述运行参量包括:所述不间断电源主机的风机运转噪声强度、所述不间断电源主机的温度、所述不间断电源主机的实际输出功率、所述不间断电源主机各部分引线及接线端子连接可靠性状态、所述不间断电源主机的防尘网堵塞状态、所述不间断电源主机直流熔断器的压降和温升、所述不间断电源主机的工作环境温湿度和所述不间断电源主机的输入电压;
特征处理模块,用于从所述数据库中获取所述不间断电源主机运行的历史数据,根据所述运行参量的实时数据和所述历史数据,得到所述不间断电源主机的运行特征,所述运行特征包括连续时间运行参量的特征曲线和离散特征运行参量的变化关系;
特征设计模块,用于根据所述运行特征设计间接数据特征参量,所述间接数据特征参量包括:工作环境参量、风机运转噪声强度拟合函数平均值和不间断电源负载量;
预处理模块,用于利用正则化和插入时间窗的方法,对各连续时间运行参量的数据进行增加维度的预处理,使得预处理后的数据符合预设的深度可分卷积网络模型的输入数据的要求;
训练模块,用于将预处理后的各连续时间运行参量的数据作为输入量,输入所述预设的深度可分卷积网络模型中进行训练,输出对所述不间断电源主机的剩余使用寿命的预测值;
评价模块,用于通过均方根误差对所述深度可分卷积网络模型的预测性能进行评价,选择均方根误差小于预设阈值的深度可分卷积网络模型作为预测不间断电源主机的剩余使用寿命的最终模型;
处理模块,用于通过所述最终模型得到不间断电源主机的剩余使用寿命的预测值,并根据得到的所述剩余使用寿命的预测值对不间断电源主机的退化性进行评价,根据评价结果选择对不间断电源主机的维护方案。
本发明实施例提供了一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述主机运行参量数据的处理方法。
从上述本发明实施例可知,该不间断电源的主机运行参量数据的处理方法根据UPS主机实时运行参量数据和历史运行参量数据,设计新的间接数据特征参量,对所有运行参量中的连续时间运行参量进行预处理,得到符合深度可分卷积网络模型的输入数据要求,再输入到该网络模型中进行训练,对UPS主机的剩余使用寿命进行预测,通过均方根误差对该DSCN模型的预测性能进行评价,并根据剩余使用寿命对UPS主机的退化性能进行评价,根据评价结果选择对UPS主机的维护方案,该方法可精准预测UPS主机的剩余使用寿命,评估其退化性能,可以及时发现其潜在故障,也可减少对UPS主机的非必要更换和检修,保证了UPS系统维护的安全性和经济性要求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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发明的一些实施例。
图1是本发明实施例提供的不间断电源的主机运行参量数据的处理方法的流程示意图。
图2是本发明实施例提供的不间断电源的主机运行参量数据的处理装置的结构示意图。
图3本发明实施例提供的电子装置的硬件结构示意图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1为本发明实施例提供的不间断电源的主机运行参数的处理方法的流程示意图。该方法用于估计UPS的主机剩余使用寿命(RUL,Remaining Useful Life),并根据估计的结果进行对应的维护,以提高维护UPS主机的针对性,该方法可应用于一种电子装置中,该电子装置可以是具有对应数据处理能力的终端中,例如PC机等,该方法包括:
S101、采集UPS主机的运行参量的实时数据并存入预设的数据库中;
该运行参量包括:UPS主机的风机运转噪声强度noise、UPS主机的温度Tt、UPS主机的实际输出功率Ps、UPS主机各部分引线及接线端子连接可靠性状态S1、UPS主机的防尘网堵塞状态S2、UPS主机直流熔断器的压降UD和温升TI、UPS主机的工作环境温度TE、湿度HE和UPS主机的输入电压Ui;
为UPS主机建立多源传感器与实时监控系统,通过多源传感器采集UPS主机运行参量的实时数据,并将采集的实时数据存入预先设置的数据库中,该数据库可以设置在终端侧也可以设置在服务器侧。以1个小时和单个UPS主机作为数据存入的基本单位,来记录各UPS主机的运行参量的数据。
S102、从该数据库中获取UPS主机运行的历史数据,根据运行参量的实时数据和历史数据,得到UPS主机的运行特征;
运行特征包括:连续时间运行参量的特征曲线和离散特征运行参量的变化关系。其中,连续时间运行参量包括:UPS主机的风机运转噪声强度noise、UPS主机的温度Tt、UPS主机的实际输出功率Ps、UPS主机直流熔断器的压降UD和温升TI、UPS主机的工作环境温度TE、湿度HE和UPS主机的输入电压Ui;离散特征运行参量包括:UPS主机各部分引线及接线端子连接可靠性状态S1、UPS主机的防尘网堵塞状态S2。
具体地,UPS主机的风机运转噪声强度noise、UPS主机的温度Tt、UPS主机的实际输出功率Ps、UPS主机直流熔断器的压降UD和温升TI、UPS主机的工作环境温度TE、湿度HE和UPS主机的输入电压Ui具有连续变化量,根据它们的实时数据和历史数据,绘制连续变化量对应的特征曲线,可从该特征曲线中获取以上各运行参量的基本变化规律,即它们之间的变化关系。特征曲线体现了时间点(即数据采样点)与变化量的对应关系。
根据UPS主机的风机运转噪声强度noise的实时数据和历史数据,得到UPS主机的风机运转噪声强度noise的拟合曲线函数fN(t);
根据UPS主机各部分引线及接线端子连接可靠性状态S1,以及UPS主机的防尘网堵塞状态S2的实时数据和历史数据,得到UPS主机各部分引线及接线端子连接可靠性状态S1,以及UPS主机的防尘网堵塞状态S2的特征变化关系,用布尔值进行描述:
S103、根据该运行特征设计间接数据特征参量;
该间接数据特征参量包括:工作环境参量、风机运转噪声强度拟合函数平均值和UPS负载量;
特征曲线体现了时间点与变化量的对应关系,因此通过各变化量的特征曲线,可获得某一时间点的变化量,进一步可得到在该时间点的各变化量。具体地,根据特征曲线中UPS主机的工作环境温度TE及湿度HE,以预设时长为周期(例如15天),以小时为单位确定工作环境参量env,计算公式如下:
其中,TE1为预设最低温度阈值,优选值为10℃;TE2为预设最高温度阈值,优选值为25℃;HE1为预设最低湿度阈值,优选值为0.2;HE2为预设最高湿度阈值,优选值为0.7;T为周期,优选值为15天,则T=15×24(小时);num(TE<TE1orTE>TE2)表示在一个周期内(共15×24个记录节点)工作环境温度低于该预设最低温度阈值或高于该预设最高温度阈值所出现的次数;num(HE<HE1orHE>HE2)表示在一个周期内(共15×24个记录节点)工作环境湿度低于该预设最低湿度阈值或高于该预设最高湿度阈值所出现的次数。
env的值越小,表示UPS主机的工作环境在上述这样一个周期内出现异常情况的次数越小,UPS主机的工作环境越好,越利于其工作寿命的延长。
根据UPS主机的风机运转噪声强度拟合函数,计算风机运转噪声强度拟合函数在一个周期中的平均值,计算公式如下:
获取UPS的额定功率Pe,并根据UPS的实际功率Ps和额定功率Pe计算UPS负载量Loadt,计算公式如下:
通常UPS的负载量Loadt应控制在70%~80%。
S104、利用正则化和插入时间窗的方法,对连续时间运行参量的数据进行预处理,使得预处理后的数据符合预设的深度可分卷积网络模型的输入数据要求;
(1)正则化:对于上述所有的随时间连续变化的运行参量,在每个小时的采样时间点,对该运行参量的采样数据进行z-score正则化处理,得到对应的归一化值,计算公式如下:
其中,Vart表示在t个小时所记录的连续时间运行参量的连续变化量的值,该连续时间运行参量包括:UPS主机的风机运转噪声强度noise、UPS主机的温度Tt、UPS主机的实际输出功率Ps、UPS主机直流熔断器的压降UD和温升TI、UPS主机的工作环境温度TE、湿度HE、UPS主机的输入电压Ui,以及,工作环境参量env、UPS主机的风机运转噪声强度拟合函数平均值和UPS负载量Loadt;Meant为Vart的平均值;Stdt为Vart标准差。
(2)插入时间窗:
深度可分卷积网络(DSCN,Deepthwise Sepratable Convolution Network)模型为一种数据驱动模型,既需要考虑当前采样时间点的信息,也要考虑当前状态相关的先验时间信息。
该输入向量由当前时间点的连续时间运行参量以及之前的P-1个值,所构成的P维向量,P称为时间窗的大小。在本发明实施例中,采用的时间窗大小优选为4。具体地,从第t个采样时间点到第t+4个采样时间点将其放入输入向量中,从第t+1个采样时间点到第t+5个采样时间点将其放入输入向量中。
S105、将处理后的UPS主机的多维数据特征作为输入量,输入预设的深度可分卷积网络模型中,对UPS主机的剩余使用寿命进行预测;
本发明实施例采用深度可分卷积网络作为对UPS主机剩余使用寿命的预测模型,其核心结构为利用残差连接构成可分卷积块,每个可分卷积块包含批处理化(BatchNormalization)、线性整流激活函数(Rectified Linear Unit)、可分卷积(SepratableConvolution),重复一次或多次上述操作后,再连接平均池化层(Average Pooling)和压缩激励单元(Squeeze Excitation Unit)之后,通过压缩激励单元重新校准的特征映射被加入到前一标识映射用来生成可分离卷积块输出,该输出可送入下一可分离卷积块或者输出层等后续处理结构。在本发明实施例中,可分卷积块的个数为3。
利用残差结构的可分卷积块的输出Varl可表示为:
Varl=Varl-1+R(Varl-1,Wl)
其中,l表示层;Varl-1和Varl分别为可分卷积块的输入和输出,具体地,Varl-1表示第l-1层的输出,第l层的输入;Varl表示第l层的输出;R(Varl-1,Wl)为残差函数;Wl为可学习层的权重。
在DSCN模型训练过程中,将步骤S104中预处理后的连续时间运行参量的数据作为输入数据,则DSCN模型的输出为标准化后的剩余使用寿命值RULnorm,RULnorm的范围是[0,1]。通过下式可得到每个UPS主机的剩余使用寿命的预测值RULpre:
其中,Timen表示第n个采样时间点相对应的检查UPS主机的时间,RULnorm为DSCN模型的输出值,RULpre为在时间Timen处对应的UPS主机剩余使用寿命的预测值。
S106、通过均方根误差对该DSCN模型的预测性能进行评价,选择均方根误差小于预设阈值的DSCN模型作为预测UPS主机的剩余使用寿命的最终模型;
进一步地,为了对DSCN模型预测UPS主机的剩余使用功能寿命的预测性进行定量评价,利用均方根误差(RMSE,Root Mean Square Error)对RUL预测值进行评价,RMSE的计算公式如下:
其中,Samp表示输入DSCN模型的测试样本的数量;是第i个测试样本的RUL预测值;是第i个测试样本的RUL真实值,Di为第i个测试样本的RUL预测值与真实值间的误差,测试样本是指一台UPS主机所获得的所有样本的数量。
RMSE给每个UPS的RUL的预测值分配相等的权重,从而避免因异常值的引入给评价指标带来较大的干扰,提高评价准确性。
当均方根误差小于预设阈值时,确认此时的DSCN模型满足UPS主机的剩余使用寿命的预测需求,该预设阈值可以是根据对UPS主机的剩余使用寿命的预测需求进行对应的设置,则将此时的DSCN模型作为最终模型部署应用在UPS系统主机上。
均方根误差的单位与预测的UPS主机的剩余使用寿命的单位是一致的,单位都可以“小时”计量。一个实例中,当均方根误差小于10天,即小于10×24=240小时,认为该DSCN模型预测精度满足要求,可以部署应用。
S107、通过该最终模型对各UPS主机的剩余使用寿命进行预测,并根据剩余使用寿命对UPS主机的退化性能进行评价,根据评价结果选择对UPS主机的维护方案。
设UPS主机系统说明书上的建议使用年限为lifesug,已使用年限为lifeuse,建议剩余使用寿命为RULsug,三者之间的关系为:
RULsug=lifesug-lifeuse
使用最终模型对各UPS主机的剩余使用寿命进行预测所得到的预测值RULpre,将其单位化为“年”,与建议剩余使用寿命RULsug进行单位统一,得到:
UPS主机性能退化的评价指标Index的计算公式如下:
根据Index的值确定对UPS主机的维护方案,当所述评价指标Index大于第一阈值,则无需维护;当所述评价指标Index小于等于所述第一阈值,大于所述第二阈值,则需定期维护;当所述评价指标Index小于等于所述第二阈值,大于所述第三阈值,则需重点维护;当所述评价指标Index小于等于所述第三阈值,则需要立即维护,优选地,第一阈值为1.2,第二阈值为1.0,第三阈值为0.8。具体地,若Index>1.2,表示UPS系统主机维护较好,性能较优;若1.0<Index≤1.2,表示UPS系统主机性能良好,可定期对其进行检查维护;若0.8<Index≤1.0,表明UPS系统主机性能一般,要注意规范操作、负荷适量、及时清洁等,对其进行重点维护以延长其使用年限;若Index≤0.8,说明UPS系统主机呈现较快速老化趋势,需要及时检修、合理使用和有效维护。
本实施例中,不间断电源的主机运行参量数据的处理方法根据UPS主机实时运行参量数据和历史运行参量数据,设计新的间接数据特征参量,对所有运行参量中的连续时间运行参量进行预处理,得到符合深度可分卷积网络模型的输入数据要求,再输入到该网络模型中进行训练,对UPS主机的剩余使用寿命进行预测,通过均方根误差对该DSCN模型的预测性能进行评价,并根据剩余使用寿命对UPS主机的退化性能进行评价,根据评价结果选择对UPS主机的维护方案,该方法可精准预测UPS主机的剩余使用寿命,评估其退化性能,可以及时发现其潜在故障,也可减少对UPS主机的非必要更换和检修,保证了UPS系统维护的安全性和经济性要求。
参见图2,本发明实施例还提供了一种不间断电源的主机运行参量数据的处理装置,该装置包括:
采集模块201,用于采集UPS主机的运行参量的实时数据并存入预设的数据库中,所述运行参量包括:所述UPS主机的风机运转噪声强度、所述UPS主机的温度、所述UPS主机的实际输出功率、所述UPS主机各部分引线及接线端子连接可靠性状态、所述UPS主机的防尘网堵塞状态、所述UPS主机直流熔断器的压降和温升、所述UPS主机的工作环境温湿度和所述UPS主机的输入电压;
特征处理模块202,用于从所述数据库中获取所述UPS主机运行的历史数据,根据所述运行参量的实时数据和所述历史数据,得到所述UPS主机的运行特征,所述运行特征包括连续时间运行参量的特征曲线和离散特征运行参量的变化关系;
特征设计模块203,用于根据所述运行特征设计间接数据特征参量,所述间接数据特征参量包括:工作环境参量、风机运转噪声强度拟合函数平均值和UPS负载量;
预处理模块204,用于利用正则化和插入时间窗的方法,对各连续时间运行参量的数据进行增加维度的预处理,使得预处理后的数据符合预设的深度可分卷积网络模型的输入数据的要求;
训练模块205,用于将预处理后的各连续时间运行参量的数据作为输入量,输入所述预设的深度可分卷积网络模型中进行训练,输出对所述UPS主机的剩余使用寿命的预测值;
评价模块206,用于通过均方根误差对所述深度可分卷积网络模型的预测性能进行评价,选择均方根误差小于预设阈值的深度可分卷积网络模型作为预测UPS主机的剩余使用寿命的最终模型;
均方根误差的计算公式如下:
其中,Samp表示输入DSCN模型的测试样本的数量;是第i个测试样本的RUL预测值;是第i个测试样本的RUL真实值,Di为第i个测试样本的RUL预测值与真实值间的误差,测试样本是指一台UPS主机所获得的所有样本的数量。
处理模块207,用于通过所述最终模型得到UPS主机的剩余使用寿命的预测值,并根据得到的所述剩余使用寿命的预测值对UPS主机的退化性进行评价,根据评价结果选择对UPS主机的维护方案。
进一步地,采集模块201,还用于根据所述不间断电源主机的风机运转噪声强度、所述不间断电源主机的温度、所述不间断电源主机的实际输出功率、所述不间断电源主机直流熔断器的压降和温升、所述不间断电源主机的工作环境温度和湿度以及所述不间断电源主机的输入电压的实时数据和历史数据中的连续变化量对应的特征曲线,分别得到所述不间断电源主机的风机运转噪声强度、所述不间断电源主机的温度、所述不间断电源主机的实际输出功率、所述不间断电源主机直流熔断器的压降和温升、所述不间断电源主机的工作环境温度和湿度以及所述不间断电源主机的输入电压的运行规律;
根据所述不间断电源主机的风机运转噪声强度的实时数据和历史数据,得到所述不间断电源主机的风机运转噪声强度的拟合曲线函数;
根据所述不间断电源主机各部分引线及接线端子连接可靠性状态,以及所述不间断电源主机的防尘网堵塞状态的实时数据和历史数据,得到所述不间断电源主机各部分引线及接线端子连接可靠性状态,以及所述不间断电源主机的防尘网堵塞状态的特征变化关系。
特征设计模块203,还用于根据预设周期内的所述不间断电源主机的工作环境温度和湿度的数据,计算得到所述工作环境参量:
TE1为预设最低温度阈值;TE2为预设最高温度阈值;HE1为预设最低湿度阈值;HE2为预设最高湿度阈值;T为周期;num(TE<TE1orTE>TE2)表示在一个周期内工作环境温度低于所述预设最低温度阈值或高于所述预设最高温度阈值所出现的次数;num(HE<HE1orHE>HE2)表示在一个周期内工作环境湿度低于该预设最低湿度阈值或高于该预设最高湿度阈值所出现的次数;
根据所述不间断电源主机的风机运转噪声强度拟合函数,计算风机运转噪声强度拟合函数在一个周期中的平均值,计算公式如下:
根据所述不间断电源的实际功率和额定功率计算所述不间断电源负载量,计算公式如下:
其中,Ps为实际功率;Pe为额定功率。
预处理模块204,还用于对于上述所有的时间连续变化的运行参量,在每个小时的采样时间点,对各所述运行参量的采样数据进行z-score正则化处理,得到对应的归一化值,计算公式如下:
其中,Vart表示在t个小时所记录的连续时间运行参量的连续变化量的值,所述所有的连续时间运行参量包括:不间断电源主机的风机运转噪声强度noise、不间断电源主机的温度Tt、不间断电源主机的实际输出功率Ps、不间断电源主机直流熔断器的压降UD和温升TI、不间断电源主机的工作环境温度TE、湿度HE、不间断电源主机的输入电压Ui,以及,工作环境参量env、不间断电源主机的风机运转噪声强度拟合函数平均值和不间断电源负载量Loadt;Meant为Vart的平均值;Stdt为Vart标准差;
所述输入向量由当前时间点的连续时间运行参量以及之前的P-1个值,所构成的P维向量,P称为时间窗的大小;从第t个采样时间点到第t+4个采样时间点将其放入输入向量中,从第t+1个采样时间点到第t+5个采样时间点将其放入输入向量中。
训练模块205,还用于所述深度可分卷积网络模型的核心结构为利用残差连接构成可分卷积块,利用残差结构的可分卷积块的输出Varl表示为:
Varl=Varl-1+R(Varl-1,Wl)
其中,l表示层;Varl-1和Varl分别为可分卷积块的输入和输出,Varl-1表示第l-1层的输出,第l层的输入;Varl表示第l层的输出;R(Varl-1,Wl)为残差函数;Wl为可学习层的权重;
所述深度可分卷积网络模型的输出值为标准化的所述不间断电源主机的剩余使用寿命值,将标准化的剩余使用寿命值转化为所述不间断电源的剩余使用寿命的预测值,转化公式如下:
其中,Timen表示第n个采样时间点相对应的检查不间断电源主机的时间,RULnorm为所述深度可分卷积网络模型输出的所述不间断电源主机的剩余使用寿命值,RULpre为在时间Timen处对应的不间断电源主机剩余使用寿命的预测值。
评价模块206,还用于通过不间断电源主机性能退化的评价指标Index对不间断电源主机的退化性进行评价,所述评价指标Index的计算公式如下:
其中,RULsug=lifesug-lifeuse;
lifesug为所述不间断电源主机的建议使用年限;lifeuse为所述不间断电源主机的已使用年限;RULsug为建议剩余使用寿命;RULpre为使用所述最终模型对各不间断电源主机的剩余使用寿命进行预测所得到的预测值;RULpre_year为将单位化为年,与所述建议剩余使用寿命RULpre的进行单位统一。
处理模块207,还用于当所述评价指标大于第一阈值,则无需维护;
当所述评价指标小于等于所述第一阈值,大于所述第二阈值,则需定期维护;
当所述评价指标小于等于所述第二阈值,大于所述第三阈值,则需重点维护;
当所述评价指标小于等于所述第三阈值,则需要立即维护。
本实施例中,不间断电源的主机运行参量数据的处理方法根据UPS主机实时运行参量数据和历史运行参量数据,设计新的间接数据特征参量,对所有运行参量中的连续时间运行参量进行预处理,得到符合深度可分卷积网络模型的输入数据要求,再输入到该网络模型中进行训练,对UPS主机的剩余使用寿命进行预测,通过均方根误差对该DSCN模型的预测性能进行评价,并根据剩余使用寿命对UPS主机的退化性能进行评价,根据评价结果选择对UPS主机的维护方案,该方法可精准预测UPS主机的剩余使用寿命,评估其退化性能,可以及时发现其潜在故障,也可减少对UPS主机的非必要更换和检修,保证了UPS系统维护的安全性和经济性要求。
参见图3,本实施例还提供一种电子装置,该电子装置具体可以是一种智能终端,例如PC机,大型计算机等,包括存储器301、处理器302及存储在存储器301上并可在处理器302上运行的计算机程序,处理器302执行该计算机程序时,实现前述图1所示实施例中描述的不间断电源的主机运行参量数据的处理方法。
进一步的,该电子装置还包括:
至少一个输入设备303以及至少一个输出设备304。
上述存储器301、处理器302、输入设备303以及输出设备304,通过总线305连接。
其中,输入设备303具体可为摄像头、触控面板、物理按键等等。输出设备304具体可为显示屏。
存储器301可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器301用于存储一组可执行程序代码,处理器302与存储器301耦合。
进一步的,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的电子装置中,该计算机可读存储介质可以是前述图3所示实施例中的存储器。该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现前述图1所示实施例中描述的不间断电源的主机运行参量数据的处理方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的不间断电源的主机运行参量数据的处理方法、装置和电子装置的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种不间断电源的主机运行参量数据的处理方法,其特征在于,包括:
采集不间断电源主机的运行参量的实时数据并存入预设的数据库中,所述运行参量包括:所述不间断电源主机的风机运转噪声强度、所述不间断电源主机的温度、所述不间断电源主机的实际输出功率、所述不间断电源主机各部分引线及接线端子连接可靠性状态、所述不间断电源主机的防尘网堵塞状态、所述不间断电源主机直流熔断器的压降和温升、所述不间断电源主机的工作环境温湿度和所述不间断电源主机的输入电压;
从所述数据库中获取所述不间断电源主机运行的历史数据,根据所述运行参量的实时数据和所述历史数据,得到所述不间断电源主机的运行特征,所述运行特征包括连续时间运行参量的特征曲线和离散特征运行参量的变化关系;
根据所述运行特征设计间接数据特征参量,所述间接数据特征参量包括:工作环境参量、风机运转噪声强度拟合函数平均值和不间断电源负载量;
利用正则化和插入时间窗的方法,对各连续时间运行参量的数据进行增加维度的预处理,使得预处理后的数据符合预设的深度可分卷积网络模型的输入数据的要求;
将预处理后的各连续时间运行参量的数据作为输入量,输入所述预设的深度可分卷积网络模型中进行训练,输出对所述不间断电源主机的剩余使用寿命的预测值;
通过均方根误差对所述深度可分卷积网络模型的预测性能进行评价,选择均方根误差小于预设阈值的深度可分卷积网络模型作为预测不间断电源主机的剩余使用寿命的最终模型;
通过所述最终模型得到不间断电源主机的剩余使用寿命的预测值,并根据得到的所述剩余使用寿命的预测值对不间断电源主机的退化性进行评价,根据评价结果选择对不间断电源主机的维护方案。
2.根据权利要求1所述的方法,其特征在于,所述根据实时采集的所述运行参量的数据和所述历史数据,得到所述不间断电源主机的运行特征包括:
根据所述不间断电源主机的风机运转噪声强度、所述不间断电源主机的温度、所述不间断电源主机的实际输出功率、所述不间断电源主机直流熔断器的压降和温升、所述不间断电源主机的工作环境温度和湿度以及所述不间断电源主机的输入电压的实时数据和历史数据中的连续变化量对应的特征曲线,分别得到所述不间断电源主机的风机运转噪声强度、所述不间断电源主机的温度、所述不间断电源主机的实际输出功率、所述不间断电源主机直流熔断器的压降和温升、所述不间断电源主机的工作环境温度和湿度以及所述不间断电源主机的输入电压的运行规律;
根据所述不间断电源主机的风机运转噪声强度的实时数据和历史数据,得到所述不间断电源主机的风机运转噪声强度的拟合曲线函数;
根据所述不间断电源主机各部分引线及接线端子连接可靠性状态,以及所述不间断电源主机的防尘网堵塞状态的实时数据和历史数据,得到所述不间断电源主机各部分引线及接线端子连接可靠性状态,以及所述不间断电源主机的防尘网堵塞状态的特征变化关系。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述运行特征设计间接数据特征参量包括:
根据预设周期内的所述不间断电源主机的工作环境温度和湿度的数据,计算得到所述工作环境参量:
TE1为预设最低温度阈值;TE2为预设最高温度阈值;HE1为预设最低湿度阈值;HE2为预设最高湿度阈值;T为周期;num(TE<TE1 or TE>TE2)表示在一个周期内工作环境温度低于所述预设最低温度阈值或高于所述预设最高温度阈值所出现的次数;num(HE<HE1 or HE>HE2)表示在一个周期内工作环境湿度低于该预设最低湿度阈值或高于该预设最高湿度阈值所出现的次数;
根据所述不间断电源主机的风机运转噪声强度拟合函数,计算风机运转噪声强度拟合函数在一个周期中的平均值,计算公式如下:
根据所述不间断电源的实际功率和额定功率计算所述不间断电源负载量,计算公式如下:
其中,Ps为实际功率;Pe为额定功率。
4.根据权利要求3所述的不间断电源的主机运行参量数据的处理方法,其特征在于,所述利用正则化和插入时间窗的方法,对各连续时间运行参量的数据进行增加维度的预处理,使得预处理后的数据符合预设的深度可分卷积网络模型的输入数据的要求包括:
对于上述所有的时间连续变化的运行参量,在每个小时的采样时间点,对各所述运行参量的采样数据进行z-score正则化处理,得到对应的归一化值,计算公式如下:
其中,Vart表示在t个小时所记录的连续时间运行参量的连续变化量的值,所述所有的连续时间运行参量包括:不间断电源主机的风机运转噪声强度noise、不间断电源主机的温度Tt、不间断电源主机的实际输出功率Ps、不间断电源主机直流熔断器的压降UD和温升TI、不间断电源主机的工作环境温度TE、湿度HE、不间断电源主机的输入电压Ui,以及,工作环境参量env、不间断电源主机的风机运转噪声强度拟合函数平均值和不间断电源负载量Loadt;Meant为Vart的平均值;Stdt为Vart标准差;
5.根据权利要求4所述的不间断电源的主机运行参量数据的处理方法,其特征在于,所述将预处理后的各连续时间运行参量的数据作为输入量,输入所述预设的深度可分卷积网络模型中进行训练,输出对所述不间断电源主机的剩余使用寿命的预测值包括:
所述深度可分卷积网络模型的核心结构为利用残差连接构成可分卷积块,利用残差结构的可分卷积块的输出Varl表示为:
Varl=Varl-1+R(Varl-1,Wl)
其中,l表示层;Varl-1和Varl分别为可分卷积块的输入和输出,Varl-1表示第l-1层的输出,第l层的输入;Varl表示第l层的输出;R(Varl-1,Wl)为残差函数;Wl为可学习层的权重;
所述深度可分卷积网络模型的输出值为标准化的所述不间断电源主机的剩余使用寿命值,将标准化的剩余使用寿命值转化为所述不间断电源的剩余使用寿命的预测值,转化公式如下:
其中,Timen表示第n个采样时间点相对应的检查不间断电源主机的时间,RULnorm为所述深度可分卷积网络模型输出的所述不间断电源主机的剩余使用寿命值,RULpre为在时间Timen处对应的不间断电源主机剩余使用寿命的预测值。
7.根据权利要求6所述的不间断电源的主机运行参量数据的处理方法,其特征在于,所述根据得到的所述剩余使用寿命的预测值对不间断电源主机的退化性进行评价包括:
通过不间断电源主机性能退化的评价指标Index对不间断电源主机的退化性进行评价,所述评价指标Index的计算公式如下:
其中,RULsug=lifesug-lifeuse;
lifesug为所述不间断电源主机的建议使用年限;lifeuse为所述不间断电源主机的已使用年限;RULsug为建议剩余使用寿命;RULpre为使用所述最终模型对各不间断电源主机的剩余使用寿命进行预测所得到的预测值;RULpre_year为将单位化为年,与所述建议剩余使用寿命RULpre的进行单位统一。
8.根据权利要求7所述的不间断电源的主机运行参量数据的处理方法,其特征在于,所述根据评价结果选择对不间断电源主机的维护方案包括:
当所述评价指标大于第一阈值,则无需维护;
当所述评价指标小于等于所述第一阈值,大于所述第二阈值,则需定期维护;
当所述评价指标小于等于所述第二阈值,大于所述第三阈值,则需重点维护;
当所述评价指标小于等于所述第三阈值,则需要立即维护。
9.一种不间断电源的主机运行参量数据的处理装置,其特征在于,包括:
采集模块,用于采集不间断电源主机的运行参量的实时数据并存入预设的数据库中,所述运行参量包括:所述不间断电源主机的风机运转噪声强度、所述不间断电源主机的温度、所述不间断电源主机的实际输出功率、所述不间断电源主机各部分引线及接线端子连接可靠性状态、所述不间断电源主机的防尘网堵塞状态、所述不间断电源主机直流熔断器的压降和温升、所述不间断电源主机的工作环境温湿度和所述不间断电源主机的输入电压;
特征处理模块,用于从所述数据库中获取所述不间断电源主机运行的历史数据,根据所述运行参量的实时数据和所述历史数据,得到所述不间断电源主机的运行特征,所述运行特征包括连续时间运行参量的特征曲线和离散特征运行参量的变化关系;
特征设计模块,用于利用预设的特征设计方法,根据所述运行特征设计间接数据特征参量,所述间接数据特征参量包括:工作环境参量、风机运转噪声强度拟合函数平均值和不间断电源负载量;
预处理模块,用于利用正则化和插入时间窗的方法,对各连续时间运行参量的数据进行增加维度的预处理,使得预处理后的数据符合预设的深度可分卷积网络模型的输入数据的要求;
训练模块,用于将预处理后的各连续时间运行参量的数据作为输入量,输入所述预设的深度可分卷积网络模型中进行训练,输出对所述不间断电源主机的剩余使用寿命的预测值;
评价模块,用于通过均方根误差对所述深度可分卷积网络模型的预测性能进行评价,选择均方根误差小于预设阈值的深度可分卷积网络模型作为预测不间断电源主机的剩余使用寿命的最终模型;
处理模块,用于通过所述最终模型得到不间断电源主机的剩余使用寿命的预测值,并根据得到的所述剩余使用寿命的预测值对不间断电源主机的退化性进行评价,根据评价结果选择对不间断电源主机的维护方案。
10.一种电子装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述计算机程序时,实现如权利要求1至9中的任意一项所述的不间断电源的主机运行参量数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011155426.6A CN112433907B (zh) | 2020-10-26 | 2020-10-26 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011155426.6A CN112433907B (zh) | 2020-10-26 | 2020-10-26 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112433907A true CN112433907A (zh) | 2021-03-02 |
CN112433907B CN112433907B (zh) | 2022-09-16 |
Family
ID=74696058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011155426.6A Active CN112433907B (zh) | 2020-10-26 | 2020-10-26 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112433907B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559279A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统故障预测方法、设备和计算机可读存储介质 |
CN113067412A (zh) * | 2021-03-29 | 2021-07-02 | 飞利信信息安全技术(杭州)有限公司 | 一种基于5g分布式物联网电力监测系统及监测方法 |
CN113282160A (zh) * | 2021-04-19 | 2021-08-20 | 深圳市伊力科电源有限公司 | Ups使用寿命的预测方法、设备及计算机可读存储介质 |
CN114137434A (zh) * | 2021-12-07 | 2022-03-04 | 中国农业银行股份有限公司天津市分行 | 一种不间断电源设备测试方法、设备及系统 |
CN117134480A (zh) * | 2023-10-26 | 2023-11-28 | 常州满旺半导体科技有限公司 | 一种基于大数据分析的电源调节监测系统及方法 |
CN117873299A (zh) * | 2024-01-02 | 2024-04-12 | 江苏锦花电子股份有限公司 | 一种基于大数据的设备供能数据监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272114A (zh) * | 2018-08-08 | 2019-01-25 | 西安交通大学 | 机械装备剩余使用寿命快速有效预测的深度学习方法 |
US20190042867A1 (en) * | 2017-12-28 | 2019-02-07 | Yen-Kuang Chen | Multi-domain cascade convolutional neural network |
CN110472800A (zh) * | 2019-08-23 | 2019-11-19 | 山东浪潮通软信息科技有限公司 | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 |
CN111325403A (zh) * | 2020-02-26 | 2020-06-23 | 长安大学 | 一种公路隧道机电设备剩余寿命预测方法 |
CN111340282A (zh) * | 2020-02-21 | 2020-06-26 | 山东大学 | 基于da-tcn的设备剩余使用寿命的估计方法及系统 |
US20200326695A1 (en) * | 2019-04-11 | 2020-10-15 | Raytheon Company | Behavior monitoring using convolutional data modeling |
-
2020
- 2020-10-26 CN CN202011155426.6A patent/CN112433907B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190042867A1 (en) * | 2017-12-28 | 2019-02-07 | Yen-Kuang Chen | Multi-domain cascade convolutional neural network |
CN109272114A (zh) * | 2018-08-08 | 2019-01-25 | 西安交通大学 | 机械装备剩余使用寿命快速有效预测的深度学习方法 |
US20200326695A1 (en) * | 2019-04-11 | 2020-10-15 | Raytheon Company | Behavior monitoring using convolutional data modeling |
CN110472800A (zh) * | 2019-08-23 | 2019-11-19 | 山东浪潮通软信息科技有限公司 | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 |
CN111340282A (zh) * | 2020-02-21 | 2020-06-26 | 山东大学 | 基于da-tcn的设备剩余使用寿命的估计方法及系统 |
CN111325403A (zh) * | 2020-02-26 | 2020-06-23 | 长安大学 | 一种公路隧道机电设备剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
耿磊等: "结合深度可分离卷积与通道加权的全卷积神经网络视网膜图像血管分割", 《生物医学工》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559279A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统故障预测方法、设备和计算机可读存储介质 |
CN113067412A (zh) * | 2021-03-29 | 2021-07-02 | 飞利信信息安全技术(杭州)有限公司 | 一种基于5g分布式物联网电力监测系统及监测方法 |
CN113282160A (zh) * | 2021-04-19 | 2021-08-20 | 深圳市伊力科电源有限公司 | Ups使用寿命的预测方法、设备及计算机可读存储介质 |
CN114137434A (zh) * | 2021-12-07 | 2022-03-04 | 中国农业银行股份有限公司天津市分行 | 一种不间断电源设备测试方法、设备及系统 |
CN117134480A (zh) * | 2023-10-26 | 2023-11-28 | 常州满旺半导体科技有限公司 | 一种基于大数据分析的电源调节监测系统及方法 |
CN117134480B (zh) * | 2023-10-26 | 2024-01-12 | 常州满旺半导体科技有限公司 | 一种基于大数据分析的电源调节监测系统及方法 |
CN117873299A (zh) * | 2024-01-02 | 2024-04-12 | 江苏锦花电子股份有限公司 | 一种基于大数据的设备供能数据监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112433907B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112433907B (zh) | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN113805138B (zh) | 一种基于参数有向遍历的智能电表误差估计方法及装置 | |
CN112765149B (zh) | 储能系统容量的计算系统及方法 | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN116381494A (zh) | 电池最大可用容量预测方法、装置、电子设备及存储介质 | |
CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
CN114970665A (zh) | 模型训练方法、电解电容剩余寿命预测方法及系统 | |
CN112559305B (zh) | 不间断电源系统内部关键模块性能预测方法、装置和设备 | |
CN116743180B (zh) | 一种储能电源数据智能存储方法 | |
CN112365090A (zh) | 一种基于深度学习的非入侵式用电负荷识别方法及装置 | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN116896139A (zh) | 基于通信电源系统的新型bms系统 | |
CN116842464A (zh) | 一种电池系统soc估计方法 | |
CN115374211A (zh) | 基于物联网的车间设备运行监测方法、装置和计算机设备 | |
CN115693916A (zh) | 一种变电站直流电源智能在线监测方法及系统 | |
CN117783745B (zh) | 用于换电柜的数据在线监测方法及系统 | |
CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
CN115389947B (zh) | 锂电池健康状态的预测方法、装置、电子设备及存储介质 | |
CN113344435B (zh) | 台区供电状态评估、装置、电子设备和存储介质 | |
CN117991030B (zh) | 一种换电柜健康状态检测方法及系统 | |
CN118213988A (zh) | 一种配电变压器短期三相负荷预测方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 518000 Room 301, building 1, fengyesheng factory building, Chuangye 2nd Road, Dalang community, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Youdian IOT Technology Co.,Ltd. Address before: Room 201, Building A, No. 1 Qianwan Road, Qianhai Shenzhen-Hong Kong Cooperation Zone, Nanshan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN QIANHAI YESPOWERING IOT TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |