CN112578891A - 不间断电源预测性维护方法、装置及存储介质 - Google Patents
不间断电源预测性维护方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112578891A CN112578891A CN202011384642.8A CN202011384642A CN112578891A CN 112578891 A CN112578891 A CN 112578891A CN 202011384642 A CN202011384642 A CN 202011384642A CN 112578891 A CN112578891 A CN 112578891A
- Authority
- CN
- China
- Prior art keywords
- ups
- maintenance
- signal
- service life
- cls
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000036541 health Effects 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 15
- 238000000605 extraction Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000012806 monitoring device Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 5
- 241001391944 Commicarpus scandens Species 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/30—Means for acting in the event of power-supply failure or interruption, e.g. power-supply fluctuations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
- H02J9/04—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source
- H02J9/06—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种不间断电源预测性维护方法,该方法包括:获取机房UPS设备的预设类型的信号特征;利用主成分分析法对预设类型的信号特征进行降维处理,得到主要信号特征;根据主要信号特征采用简化模糊自适应共振理论图神经网络预测UPS设备的实时状态;根据主要信号特征采用多尺度卷积神经网络预测UPS设备的剩余使用寿命;针对UPS设备根据实时状态和剩余使用寿命的预测结果匹配对应的维护决策。本申请还公开了一种电子装置和计算机可读存储介质。由此,能够针对不同情况下设计的各种指标给出单台UPS设备和整个机房的维护决策建议,防止UPS设备发生意外事故或者过度维修,并及时调整整个机房的维护策略,提升维护效果。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种不间断电源预测性维护方法、电子装置及计算机可读存储介质。
背景技术
预测性维护(Predictive Maintenance,PdM)技术是在人工智能时代有效监测到设备故障或异常、预测剩余使用寿命,并基于此给出有效维修方案的一项新兴技术,PdM技术已在机械工业、道路交通、航空航天等重点领域得到应用,并提高了相关设备正常运行的可靠性与维修维护的经济性。不间断电源(Uninterruptible Power Supply,UPS)是一种在工业环境下应用十分广泛的电源系统,内部含有储能装置,可为重要设备提供“不停机”运行的重要支撑。
若UPS自身发生异常或故障,将会导致其关联的设备无法正常工作,轻则造成设备停机或失效,重则威胁人身与财产安全。为了尽可能减小事故发生的概率,针对UPS的维护技术已日渐成熟,并且有专人对其进行定期的测试检修。但由于传统的测试检修与维护方式存在滞后性与低效性,尤其是针对工业机房中常用的大型UPS系统,需要一种有效的解决方案,以克服传统方案的不足。
发明内容
本申请的主要目的在于提出一种不间断电源预测性维护方法、电子装置及计算机可读存储介质,旨在解决如何及时有效地对UPS进行测试检修与维护的问题。
为实现上述目的,本申请实施例提供了一种不间断电源预测性维护方法,所述方法包括:
获取机房不间断电源UPS设备的预设类型的信号特征,包括电学信号、振动信号、转速信号、温度信号;
利用主成分分析法对所述预设类型的信号特征进行降维处理,得到主要信号特征;
根据所述主要信号特征采用简化模糊自适应共振理论图神经网络预测所述UPS设备的实时状态;
根据所述主要信号特征采用多尺度卷积神经网络预测所述UPS设备的剩余使用寿命;及
针对所述UPS设备根据所述实时状态和剩余使用寿命的预测结果匹配对应的维护决策。
此外,为实现上述目的,本申请实施例还提供一种电子装置,所述电子装置包括: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不间断电源预测性维护程序,所述不间断电源预测性维护程序被所述处理器执行时,实现如上述的不间断电源预测性维护方法。
为实现上述目的,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有不间断电源预测性维护程序,所述不间断电源预测性维护程序被处理器执行时,实现如上述的不间断电源预测性维护方法。
本申请实施例提出的不间断电源预测性维护方法、电子装置及计算机可读存储介质,能够根据机房UPS设备的预设类型的信号特征通过两种算法模型预测出实时状态和剩余使用寿命,然后结合所述UPS设备的实时状态和剩余使用寿命的预测结果,匹配出相应的维护决策,并综合机房内所有UPS设备的预测结果进行整体评估,给出整体维护决策。本申请实施例在针对不同情况下设计的各种指标给出单台UPS设备的维护决策建议,防止UPS设备发生意外事故或者过度维修等情况的基础上,还可以对整个机房给出整体评估和维护决策建议,从全局上掌控整个机房UPS连接网络的健康程度,及时调整维护策略,提升维护效果。
附图说明
图1为实现本申请各个实施例的一种应用环境架构图;
图2为本申请第一实施例提出的一种不间断电源预测性维护方法的流程图;
图3为图2中步骤S202的细化流程示意图;
图4为图2中步骤S204的细化流程示意图;
图5为本申请第二实施例提出的一种不间断电源预测性维护方法的流程图;
图6为本申请第三实施例提出的一种电子装置的硬件架构示意图;
图7为本申请第四实施例提出的一种不间断电源预测性维护系统的模块示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
需要说明的是,在本申请实施例中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
请参阅图1,图1为实现本申请各个实施例的一种应用环境架构图。本申请可应用于包括,但不仅限于机房1、UPS设备2、电子装置3的应用环境中。
其中,所述机房1为工业级大型机房,其中包括一个或多个(一般为多个)UPS设备2。所述UPS设备2中包括UPS系统20,内部含有储能装置,用于为工业环境中的重要设备提供“不停机”运行的不间断电源支撑。另外,所述UPS设备2中还自带有数据监控装置以及外加的传感器,用于采集所述UPS设备2的各种信号特征。
所述电子装置3用于根据所述UPS设备2的所述信号特征预测实时状态和剩余使用寿命,以匹配对应的维护决策。所述电子装置3可以是服务器,也可以是电脑等终端设备。所述服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备,并且可以是独立的服务器,也可以是多个服务器所组成的服务器集群。
所述电子装置3和一个或多个所述UPS设备2之间通过有线或无线网络进行通信连接,以进行数据传输和交互。
实施例一
如图2所示,为本申请第一实施例提出的一种不间断电源预测性维护方法的流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。根据需要,还可以对该流程图中的部分步骤进行添加或删减。
该方法包括以下步骤:
S200,获取机房UPS设备的预设类型的信号特征。
在本实施例中,所述预设类型的信号特征主要包括四类信号(共12种),一是电学信号:包括UPS系统主输入电压Vm、旁路输入电压Vb,逆变器输出电压Vo、逆变器输出电流Io、逆变器输出频率fo,实时负载总电阻RL,蓄电池充电电压Vc、蓄电池充电电流Ic;二是振动信号:包括UPS系统的振动频率fv;三是转速信号:包括UPS散热风机的转动速率vr;四是温度信号:包括所述机房的环境温度Teg、蓄电池温度Tbt。其中,电学信号可通过UPS设备自带的数据监控装置采集,其他三类信号可通过配置相应的振动、转速、温度传感器采集。
所述数据监控装置或传感器按照预设的采样周期采集到相应信号特征后发送给所述电子装置,则所述电子装置可以获取到所述预设类型的信号特征。所述采样周期可以为1分钟,即每隔30分钟上述各种类型的各个信号都采样1个数据。
S202,利用主成分分析法对所述预设类型的信号特征进行降维处理,得到主要信号特征。
按照上述方式所采集的所述预设类型的信号特征都是与时间戳相关的,故都属于时域信号。由于振动信号在频域中能更好地分析其发生的异常波动,故在本实施例中还要将所获取到的振动信号(UPS系统的振动频率fv)利用幅值频谱分析方法进行一次快速傅里叶变换(Fast Fourier Transform,FFT),转换为频域信号,所得到的值记为ffv。除了UPS系统的振动频率fv需要通过FFT转换为频域信号外,其余信号都是在时域中进行分析。
然后,利用主成分分析法(Principal Component Analysis,PCA)对所述预设类型的信号特征进行降维,剔除部分对UPS性能影响很小的因素,减少噪声信号和输入数据的冗余。在本实施例中,利用PCA将12维的信号特征映射到m维(m≤12)的信号特征上。
具体而言,进一步参阅图3,为上述步骤S202的细化流程示意图。在本实施例中,所述步骤S202具体包括:
S2020,根据所获取到的所有所述信号特征构建第一矩阵。
在本实施例中,假设针对上述12维信号特征共采集90天的数据量,因为每隔30分钟各类信号都采样1个数据,所以每一维信号特征都包含90×48=4320个数据,构成一个N×M矩阵Data(N=4320,M=12)。矩阵Data为第一矩阵,第一矩阵中的每一个元素记为Dataij(i∈[1,N],j∈[1,M]),为所述信号特征的采样数据。
S2022,用所述第一矩阵中的每一个元素减去其对应列的平均值进行调整后得到第二矩阵。
所述第一矩阵中的每一个元素减去其对应列的平均值,进行调整后得到的新矩阵记为DataAdjust,矩阵DataAdjust为第二矩阵。所述第二矩阵中的每个元素记为DataAdjustij,计算公式如下:
S2024,计算得到各个所述信号特征的协方差矩阵。
因为是12维信号特征,故所得到的协方差矩阵Conv的维度是12×12,具体表示如下:
其中,cov(xk,xr)(k∈[1,12],r∈[1,12])表示计算第k维信号xk与第r维信号xr之间的协方差,反映了这两个信号变量同时变化的变化程度。值得注意的是,若k=r,计算的就是该信号变量的方差;
S2026,根据所述协方差矩阵确定所要提取的主要信号特征的个数m,并选取m个特征向量组成第三矩阵。
通过求解协方差矩阵Conv的特征方程|λE-Conv|=0,得到对应的特征根λi及其对应的经归一化后的特征向量pi(i=1,2,…,12)。
然后根据以下计算方式确定所要提取的主要信号特征的个数m:
当确定了个数m后,则选取m个最大的特征根(将λi从大到小排列)所对应的m个所述特征向量组成矩阵Eigen,矩阵Eigen为第三矩阵。所述第三矩阵的维度是12×m。
S2028,根据所述第二矩阵和第三矩阵得到降维后的第四矩阵。
最终经过PCA算法得到的新的信号特征矩阵NewData的计算公式为:
NewData4320×m=DataAdjust4320×12×Eigen12×m
上式为矩阵乘法运算,下标显示了矩阵的维度。矩阵NewData为第四矩阵,最终由原来的12维信号特征通过PCA算法后降维成m(m≤12)维的信号特征。
回到图2,S204,根据所述主要信号特征采用简化模糊自适应共振理论图神经网络预测所述UPS设备的实时状态。
本实施例所采用的简化模糊自适应共振理论图神经网络(simplified Fuzzyadaptive resonance theory map neural network,SFAM),由包含三层结构的神经网络组成:输入层Li,中间层(竞争层)Lc,输出层Lo。输入层Li和中间层(竞争层)Lc之间采用全连接形式,即前一层的每个神经元都连接到下一层的每个神经元上,各神经元之间的连接权重用Wj表示;输出层Lo和中间层(竞争层)Lc之间的连接通过它们之间的连接权重Wo构成连接网络,最终输出对应的类别结果。
具体而言,进一步参阅图4,为上述步骤S204的细化流程示意图。在本实施例中,所述步骤S204具体包括:
S2040,计算所述主要信号特征各自的均方根和峰度。
在本实施例中,利用数据驱动与统计特征相融合的方法,计算上一步骤所筛选出的m维主要信号特征各自在采集样本(以当前时刻为节点的前90天,共4320个数据样本)中的均方根RMS、峰度Kurtosis。计算公式为:
其中,N表示所采集的样本数,即以当前时刻和往前90天的采样数(因为每隔30分钟各类信号都采样1个数据,所以总共包含90×48=4320个样本),xi表示的第i个样本的信号值(这里x代表通过上一步骤得到的所述主要信号特征),表示所采集的N个样本中x的平均值,σ表示标准差。
S2042,在SFAM中输入所述主要信号特征的所述均方根和峰度以及当前时刻的信号值,得到所述UPS设备对应的实时状态。
将上一步骤计算出的所述主要信号特征各自的均方根RMS、峰度Kurtosis,以及当前时刻的信号值作为SFAM模型的输入,通过SFAM模型的处理得到的输出为对应的实时状态,在本实施例中为五类状态(下述Cls1~Cls5)。
在模型训练阶段,所采集的数据样本是带有标签的,所述标签用于表示该样本数据对应的实时状态。对所收集的发生故障的UPS设备数据样本(异常数据样本)中,按照其发生故障的部位,标签可分为蓄电池故障Cls1、内部模块故障(如逆变器故障、整流器故障)Cls2、其他故障Cls3;对所收集的正常数据样本中,对半年内发生过故障且通过维修恢复正常运行状态的,标签记为维修后正常Cls4;对于正常运行且半年内未发生过故障的UPS设备,标签记为正常运行Cls5。
在模型训练阶段将所述带有标签的数据样本(m个信号值以及它们分别对应的均方根RMS、峰度Kurtosis值,加起来一共3m个)作为SFAM模型训练时的输入数据。而在模型测试和应用阶段,输入的是无标签的数据,其输出是上述五类状态(Cls1~Cls5)。
回到图2,S206,根据所述主要信号特征采用多尺度卷积神经网络预测所述UPS设备的剩余使用寿命。
在本实施例中,利用一种多尺度卷积神经网络,得到UPS设备剩余使用寿命的估计值。
通过带有标签的数据样本,可以得到其对应时刻的剩余使用寿命(即失效时间减去采集信号时间点)。例如,假设采集信号的时间点为UPS失效前60天,那么采集的该数据样本对应的剩余使用寿命为60天。在本实施例中,在所述多尺度卷积神经网络模型的训练阶段,输入的是带有剩余使用寿命标签的数据样本,所述数据样本包括上述m个信号特征对应的60×48个样本数(因为是每个30分钟采样一次,共收集60天的数据量)。因为各数据样本剩余使用寿命的差异可能较大,在模型训练阶段,将UPS设备的剩余使用寿命作为输入数据的标签对其进行归一化处理,引入寿命正则化标签Label,其计算公式如下:
其中,TF该数据样本对应的UPS失效的时间点,TC为该数据样本对应的采集信号的时间点,TS为该数据样本对应的UPS投入使用的时间点,Label的范围是[0,1]。
在模型测试和应用阶段,输入的是无标签的数据,可以输出对应的剩余使用寿命。
另外,卷积神经网络需要利用损失函数对误差进行传递,因为UPS剩余使用寿命的预测结果“滞后性”比“超前性”要存在更大的风险与危害(实际剩余寿命小于预测剩余寿命属于预测结果存在“滞后性”,反之属于预测结果存在“超前性”),设计带修正的均方根误差(MOD_MSE)函数作为训练过程中的损失函数,MOD_MSE的计算方法如下:
其中,yp为经过多尺度卷积神经网络模型处理后得到的剩余使用寿命预测结果(范围是0~1之间的归一化值),yr是真实值(即上述在数据样本中的标签值Label);n为训练的数据样本的数量(即上述60×48个样本数)。
所述多尺度卷积神经网络模型的网络结构包括四大模块:高维特征提取模块、深层特征提取模块、特征融合模块、输出模块,其特点是能够融合输入数据的浅层特征和深层特征,有利于模型的训练和收敛。
所述高维特征提取模块包括输入层和一个卷积核大小为1×8,卷积核数量为32的卷积层。
所述深层特征提取模块包括三个并行的卷积层(卷积核大小分别为2×2,4×4,6×6;每个卷积层的卷积核数量均为64),往下更深层又通过三个并行的卷积层与上述三个并行的卷积层对应相连(卷积核大小分别为2×2,4×4,6×6;每个卷积层的卷积核数量均为128)。经过每一次卷积操作后,使用Leaky ReLU激活函数来处理多尺度卷积后的输出,将非线性变化引入模型达到更好的学习能力。通过激活函数的非线性操作后,再在每个激活层后加入池化层,以加速模型训练和减少过拟合。其中,Leaky ReLU激活函数的表达式如下,x表示经过:
所述特征融合模块将所述高维特征提取模块中的卷积层与所述深层特征提取模块采取跳跃连接的方式,进行浅层特征与深层特征的拼接融合,目的是可以充分利用输入数据的浅层信息,有利于模型训练取得更高的精度。具体操作为:在所述高维特征提取模块的卷积层的旁路通过激活层和池化层后,直接与所述深层特征提取模块的输出进行拼接融合,得到特征融合后的输出Combine:
Combine=Concatenate(f(c1),c2,c3,c4)
其中Concatenate为特征拼接操作函数,f(c1)表示高维特征提取模块中的卷积层经旁路通过激活层和池化层后的输出,c2,c3,c4分别表示深层特征提取模块经过最终的池化操作后的输出。
所述输出模块由两个全连接层和一个输出层构成,最终输出的结果是与寿命正则化标签Label类似的范围是[0,1]之间的值。
S208,针对所述UPS设备根据所述实时状态和剩余使用寿命的预测结果匹配对应的维护决策。
为了增加UPS设备的可靠性、合理分配维修资源、降低对UPS的日常维护和维修成本,需要根据所述实时状态和剩余使用寿命的预测结果匹配对应的维护决策。在本实施例中,基于步骤S204和S206中的两种算法模型,分别得到UPS设备的实时状态和剩余使用寿命的预测结果,提出一种结合UPS实时状态和预测寿命的维护方案。
由步骤S204可知,总共将UPS的实时状态分为五类,其中类别Cls1~Cls3属于故障类别,且指明了故障所发生的位置,类别Cls4~Cls5属于正常运行的类别。一般来说,要在故障发生之前及时发现并解决故障才是有效的预测性维护,但若没有在故障发生前解决故障,则需要及时启动应急措施。因此所述维护决策分为以下几种情况:
(1)若基于实时状态的预测结果为Cls1~Cls3中的某一类别,则应立即启动备用UPS设备,并对相应位置的故障进行检修。
(2)若基于实时状态的预测结果为类别Cls4(维修后正常运行),则继续考虑基于剩余使用寿命的预测结果(记为yp,范围是0~1之间的值),yp的值越大说明剩余使用寿命越长。
在本实施例中,引入健康评估因子θ,计算方法如下:
其中,k为一个常量,可以取值为2。
所述健康评估因子θ越大,表明UPS设备的剩余使用寿命越长,说明类别Cls4(维修后正常运行)能继续维持正常运行的概率越大。对应的维护策略为:若0≤θ<0.25,需要对UPS设备尽快“大修”(即要对该台UPS设备进行细致全面的检修工作);若0.25≤θ≤0.4,需要对UPS设备加强维护频率(即要在原有维护基础上增加对易发生故障的蓄电池、逆变器、整流器等装置进行测试检查的次数);若θ>0.4,则说明UPS设备正常运行且剩余使用寿命较长,可以保持原有的维护频率或适当减少检修的次数。
(3)若基于实时状态的预测结果为类别Cls5(正常运行且半年内未发生故障),说明UPS设备近期运行良好,但是近期没有经历较大的检修(未发生故障),故需要再根据其剩余使用寿命yp匹配维护决策。对应的维护决策为:若0≤yp<0.4,需要对UPS设备尽快“大修”(即要对该台UPS设备进行细致全面的检修工作);若0.4≤yp<0.7,需要对UPS设备加强维护频率(即要在原有维护基础上增加对易发生故障的蓄电池、逆变器、整流器等装置进行测试检查的次数);若yp>0.7,则说明UPS设备正常运行且剩余使用寿命较长,可以保持原有的维护频率或适当减少检修的次数。
本实施例提出的不间断电源预测性维护方法,根据机房UPS设备的预设类型的信号特征通过两种算法模型预测出实时状态和剩余使用寿命,然后结合所述UPS设备的实时状态和剩余使用寿命的预测结果,匹配出相应的维护决策,可以针对不同情况下设计的各种指标给出相应的维护决策建议,防止UPS设备发生意外事故或者过度维修等情况。
实施例二
如图5所示,为本申请第二实施例提出的一种不间断电源预测性维护方法的流程图。在第二实施例中,所述不间断电源预测性维护方法在上述第一实施例的基础上,还包括步骤S310。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。根据需要,还可以对该流程图中的部分步骤进行添加或删减。
该方法包括以下步骤:
S300,获取机房UPS设备的预设类型的信号特征。
在本实施例中,所述预设类型的信号特征主要包括四类信号(共12种),一是电学信号:包括UPS系统主输入电压Vm、旁路输入电压Vb,逆变器输出电压Vo、逆变器输出电流Io、逆变器输出频率fo,实时负载总电阻RL,蓄电池充电电压Vc、蓄电池充电电流Ic;二是振动信号:包括UPS系统的振动频率fv;三是转速信号:包括UPS散热风机的转动速率vr;四是温度信号:包括所述机房的环境温度Teg、蓄电池温度Tbt。其中,电学信号可通过UPS设备自带的数据监控装置采集,其他三类信号可通过配置相应的振动、转速、温度传感器采集。
所述数据监控装置或传感器按照预设的采样周期采集到相应信号特征后发送给所述电子装置,则所述电子装置可以获取到所述预设类型的信号特征。所述采样周期可以为1分钟,即每隔30分钟上述各种类型的各个信号都采样1个数据。
S302,利用主成分分析法对所述预设类型的信号特征进行降维处理,得到主要信号特征。
按照上述方式所采集的所述预设类型的信号特征都是与时间戳相关的,故都属于时域信号。由于振动信号在频域中能更好地分析其发生的异常波动,故在本实施例中还要将所获取到的振动信号(UPS系统的振动频率fv)利用幅值频谱分析方法进行一次FFT运算,转换为频域信号,所得到的值记为ffv。除了UPS系统的振动频率fv需要通过FFT转换为频域信号外,其余信号都是在时域中进行分析。
然后,利用PCA对所述预设类型的信号特征进行降维,剔除部分对UPS性能影响很小的因素,减少噪声信号和输入数据的冗余。在本实施例中,利用PCA将12维的信号特征映射到m维(m≤12)的信号特征上。
该步骤的具体处理过程参见上述步骤S202、图3及相关说明,在此不再赘述。
S304,根据所述主要信号特征采用简化模糊自适应共振理论图神经网络预测所述UPS设备的实时状态。
所述简化模糊自适应共振理论图神经网络的输入为所述主要信号特征各自的均方根RMS、峰度Kurtosis,以及当前时刻的信号值,输出为所述UPS设备对应的实时状态,在本实施例中为五类状态(Cls1~Cls5)。
该步骤的具体处理过程参见上述步骤S204、图4及相关说明,在此不再赘述。
S306,根据所述主要信号特征采用多尺度卷积神经网络预测所述UPS设备的剩余使用寿命。
在本实施例中,利用一种多尺度卷积神经网络,得到UPS设备剩余使用寿命的估计值。
通过带有标签的数据样本,可以得到其对应时刻的剩余使用寿命(即失效时间减去采集信号时间点)。例如,假设采集信号的时间点为UPS失效前60天,那么采集的该数据样本对应的剩余使用寿命为60天。在本实施例中,在所述多尺度卷积神经网络模型的训练阶段,输入的是带有剩余使用寿命标签的数据样本,所述数据样本包括上述m个信号特征对应的60×48个样本数(因为是每个30分钟采样一次,共收集60天的数据量)。因为各数据样本剩余使用寿命的差异可能较大,在模型训练阶段,将UPS设备的剩余使用寿命作为输入数据的标签对其进行归一化处理,引入寿命正则化标签Label,其计算公式如下:
其中,TF该数据样本对应的UPS失效的时间点,TC为该数据样本对应的采集信号的时间点,TS为该数据样本对应的UPS投入使用的时间点,Label的范围是[0,1]。
在模型测试和应用阶段,输入的是无标签的数据,可以输出对应的剩余使用寿命。
另外,卷积神经网络需要利用损失函数对误差进行传递,因为UPS剩余使用寿命的预测结果“滞后性”比“超前性”要存在更大的风险与危害(实际剩余寿命小于预测剩余寿命属于预测结果存在“滞后性”,反之属于预测结果存在“超前性”),设计带修正的均方根误差(MOD_MSE)函数作为训练过程中的损失函数,MOD_MSE的计算方法如下:
其中,yp为经过多尺度卷积神经网络模型处理后得到的剩余使用寿命预测结果(范围是0~1之间的归一化值),yr是真实值(即上述在数据样本中的标签值Label);n为训练的数据样本的数量(即上述60×48个样本数)。
S308,针对所述UPS设备根据所述实时状态和剩余使用寿命的预测结果匹配对应的维护决策。
为了增加UPS设备的可靠性、合理分配维修资源、降低对UPS的日常维护和维修成本,需要根据所述实时状态和剩余使用寿命的预测结果匹配对应的维护决策。在本实施例中,基于步骤S304和S306中的两种算法模型,分别得到UPS设备的实时状态和剩余使用寿命的预测结果,提出一种结合UPS实时状态和预测寿命的维护方案。
由步骤S304可知,总共将UPS的实时状态分为五类,其中类别Cls1~Cls3属于故障类别,且指明了故障所发生的位置,类别Cls4~Cls5属于正常运行的类别。一般来说,要在故障发生之前及时发现并解决故障才是有效的预测性维护,但若没有在故障发生前解决故障,则需要及时启动应急措施。因此所述维护决策分为以下几种情况:
(1)若基于实时状态的预测结果为Cls1~Cls3中的某一类别,则应立即启动备用UPS设备,并对相应位置的故障进行检修。
(2)若基于实时状态的预测结果为类别Cls4(维修后正常运行),则继续考虑基于剩余使用寿命的预测结果(记为yp,范围是0~1之间的值),yp的值越大说明剩余使用寿命越长。
在本实施例中,引入健康评估因子θ,计算方法如下:
其中,k为一个常量,可以取值为2。
所述健康评估因子θ越大,表明UPS设备的剩余使用寿命越长,说明类别Cls4(维修后正常运行)能继续维持正常运行的概率越大。对应的维护策略为:若0≤θ<0.25,需要对UPS设备尽快“大修”(即要对该台UPS设备进行细致全面的检修工作);若0.25≤θ≤0.4,需要对UPS设备加强维护频率(即要在原有维护基础上增加对易发生故障的蓄电池、逆变器、整流器等装置进行测试检查的次数);若θ>0.4,则说明UPS设备正常运行且剩余使用寿命较长,可以保持原有的维护频率或适当减少检修的次数。
(3)若基于实时状态的预测结果为类别Cls5(正常运行且半年内未发生故障),说明UPS设备近期运行良好,但是近期没有经历较大的检修(未发生故障),故需要再根据其剩余使用寿命yp匹配维护决策。对应的维护决策为:若0≤yp<0.4,需要对UPS设备尽快“大修”(即要对该台UPS设备进行细致全面的检修工作);若0.4≤yp<0.7,需要对UPS设备加强维护频率(即要在原有维护基础上增加对易发生故障的蓄电池、逆变器、整流器等装置进行测试检查的次数);若yp>0.7,则说明UPS设备正常运行且剩余使用寿命较长,可以保持原有的维护频率或适当减少检修的次数。
S310,结合所述机房内所有所述UPS设备的预测结果评估所述机房的整体运行状况,并提供整体维护决策。
上述步骤基于每个所述UPS设备的实时状态和剩余使用寿命的预测结果给出了针对单台UPS设备的维护决策建议方案,但是对于实际工业环境中的大型UPS,在机房中一般存在多台UPS设备,因此还需要综合根据各台UPS设备的实时状态和剩余使用寿命,评估整个机房UPS连接网络的健康程度,得到评价系数,并给出相应的维护决策。
在本实施例中,所述评价系数计算公式如下:
评价系数X越大,说明发生故障和剩余使用寿命较短的UPS设备的数量台数占机房UPS设备总数的比例越大。对应的维护决策为:(1)若X>θ.3,除了要对发生故障和剩余使用寿命较短的UPS设备进行重点维护外,还要加强对所述机房内其他UPS设备的测试和检修,以及评估UPS设备所处的环境是否满足其说明书上的要求;(2)若0.1<X≤0.3,要对发生故障和剩余使用寿命较短的UPS设备进行重点维护,也要加强对与这些UPS设备直接相连的UPS设备进行测试和检修;(3)若X≤0.1,只需对发生故障和剩余使用寿命较短的UPS设备进行重点维护即可。
本实施例提出的不间断电源预测性维护方法,根据机房UPS设备的预设类型的信号特征通过两种算法模型预测出实时状态和剩余使用寿命,然后结合所述UPS设备的实时状态和剩余使用寿命的预测结果,匹配出相应的维护决策,并综合机房内所有UPS设备的预测结果进行整体评估,给出整体维护决策。该方法在针对不同情况下设计的各种指标给出单台UPS设备的维护决策建议,防止UPS设备发生意外事故或者过度维修等情况的基础上,还可以对整个机房给出整体评估和维护决策建议,从全局上掌控整个机房UPS连接网络的健康程度,及时调整维护策略,提升维护效果。
实施例三
如图6所示,为本申请第三实施例提出一种电子装置20的硬件架构示意图。本实施例中,所述电子装置20可包括,但不仅限于,可通过系统总线相互通信连接的存储器21、处理器22、网络接口23。需要指出的是,图6仅示出了具有组件21-23的电子装置20,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。在本实施例中,所述电子装置20可以是所述客户端2。
所述存储器21至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器21可以是所述电子装置20的内部存储单元,例如该电子装置20的硬盘或内存。在另一些实施例中,所述存储器21也可以是所述电子装置20的外部存储设备,例如该电子装置20上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器21还可以既包括所述电子装置20的内部存储单元也包括其外部存储设备。本实施例中,所述存储器21通常用于存储安装于所述电子装置20的操作系统和各类应用软件,例如不间断电源预测性维护系统60的程序代码等。此外,所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子装置20的总体操作。本实施例中,所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据,例如运行所述不间断电源预测性维护系统60等。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述电子装置20与其他电子设备之间建立通信连接。
实施例四
如图7所示,为本申请第四实施例提出一种不间断电源预测性维护系统60的模块示意图。所述不间断电源预测性维护系统60可以被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本申请实施例。本申请实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,以下描述将具体介绍本实施例各程序模块的功能。
在本实施例中,所述不间断电源预测性维护系统60包括:
获取模块600,用于获取机房UPS设备的预设类型的信号特征。
在本实施例中,所述预设类型的信号特征主要包括四类信号(共12种),一是电学信号:包括UPS系统主输入电压Vm、旁路输入电压Vb,逆变器输出电压Vo、逆变器输出电流Io、逆变器输出频率fo,实时负载总电阻RL,蓄电池充电电压Vc、蓄电池充电电流Ic;二是振动信号:包括UPS系统的振动频率fv;三是转速信号:包括UPS散热风机的转动速率vr;四是温度信号:包括所述机房的环境温度Teg、蓄电池温度Tbt。其中,电学信号可通过UPS设备自带的数据监控装置采集,其他三类信号可通过配置相应的振动、转速、温度传感器采集。
所述数据监控装置或传感器按照预设的采样周期采集到相应信号特征后发送给所述电子装置,则所述获取模块600可以获取到所述预设类型的信号特征。所述采样周期可以为1分钟,即每隔30分钟上述各种类型的各个信号都采样1个数据。
降维模块602,用于利用主成分分析法对所述预设类型的信号特征进行降维处理,得到主要信号特征。
按照上述方式所采集的所述预设类型的信号特征都是与时间戳相关的,故都属于时域信号。由于振动信号在频域中能更好地分析其发生的异常波动,故在本实施例中还要将所获取到的振动信号(UPS系统的振动频率fv)利用幅值频谱分析方法进行一次FFT运算,转换为频域信号,所得到的值记为ffv。除了UPS系统的振动频率fv需要通过FFT转换为频域信号外,其余信号都是在时域中进行分析。
然后,利用PCA对所述预设类型的信号特征进行降维,剔除部分对UPS性能影响很小的因素,减少噪声信号和输入数据的冗余。在本实施例中,利用PCA将12维的信号特征映射到m维(m≤12)的信号特征上。
该模块的具体处理过程参见上述步骤S202、图3及相关说明,在此不再赘述。
预测模块604,用于根据所述主要信号特征采用简化模糊自适应共振理论图神经网络预测所述UPS设备的实时状态。
所述简化模糊自适应共振理论图神经网络的输入为所述主要信号特征各自的均方根RMS、峰度Kurtosis,以及当前时刻的信号值,输出为所述UPS设备对应的实时状态,在本实施例中为五类状态(Cls1~Cls5)。
该模块的具体处理过程参见上述步骤S204、图4及相关说明,在此不再赘述。
所述预测模块604,还用于根据所述主要信号特征采用多尺度卷积神经网络预测所述UPS设备的剩余使用寿命。
在本实施例中,利用一种多尺度卷积神经网络,得到UPS设备剩余使用寿命的估计值。
通过带有标签的数据样本,可以得到其对应时刻的剩余使用寿命(即失效时间减去采集信号时间点)。例如,假设采集信号的时间点为UPS失效前60天,那么采集的该数据样本对应的剩余使用寿命为60天。在本实施例中,在所述多尺度卷积神经网络模型的训练阶段,输入的是带有剩余使用寿命标签的数据样本,所述数据样本包括上述m个信号特征对应的60×48个样本数(因为是每个30分钟采样一次,共收集60天的数据量)。因为各数据样本剩余使用寿命的差异可能较大,在模型训练阶段,将UPS设备的剩余使用寿命作为输入数据的标签对其进行归一化处理,引入寿命正则化标签Label,其计算公式如下:
其中,TF该数据样本对应的UPS失效的时间点,TC为该数据样本对应的采集信号的时间点,TS为该数据样本对应的UPS投入使用的时间点,Label的范围是[0,1]。
在模型测试和应用阶段,输入的是无标签的数据,可以输出对应的剩余使用寿命。
另外,卷积神经网络需要利用损失函数对误差进行传递,因为UPS剩余使用寿命的预测结果“滞后性”比“超前性”要存在更大的风险与危害(实际剩余寿命小于预测剩余寿命属于预测结果存在“滞后性”,反之属于预测结果存在“超前性”),设计带修正的均方根误差(MOD_MSE)函数作为训练过程中的损失函数,MOD_MSE的计算方法如下:
其中,yp为经过多尺度卷积神经网络模型处理后得到的剩余使用寿命预测结果(范围是0~1之间的归一化值),yr是真实值(即上述在数据样本中的标签值Label);n为训练的数据样本的数量(即上述60×48个样本数)。
决策模块606,用于针对所述UPS设备根据所述实时状态和剩余使用寿命的预测结果匹配对应的维护决策。
为了增加UPS设备的可靠性、合理分配维修资源、降低对UPS的日常维护和维修成本,需要根据所述实时状态和剩余使用寿命的预测结果匹配对应的维护决策。在本实施例中,基于预测模块604使用的两种算法模型,分别得到UPS设备的实时状态和剩余使用寿命的预测结果,提出一种结合UPS实时状态和预测寿命的维护方案。
本实施例中总共将UPS的实时状态分为五类,其中类别Cls1~Cls3属于故障类别,且指明了故障所发生的位置,类别Cls4~Cls5属于正常运行的类别。一般来说,要在故障发生之前及时发现并解决故障才是有效的预测性维护,但若没有在故障发生前解决故障,则需要及时启动应急措施。因此所述维护决策分为以下几种情况:
(1)若基于实时状态的预测结果为Cls1~Cls3中的某一类别,则应立即启动备用UPS设备,并对相应位置的故障进行检修。
(2)若基于实时状态的预测结果为类别Cls4(维修后正常运行),则继续考虑基于剩余使用寿命的预测结果(记为yp,范围是0~1之间的值),yp的值越大说明剩余使用寿命越长。
在本实施例中,引入健康评估因子θ,计算方法如下:
其中,k为一个常量,可以取值为2。
所述健康评估因子θ越大,表明UPS设备的剩余使用寿命越长,说明类别Cls4(维修后正常运行)能继续维持正常运行的概率越大。对应的维护策略为:若0≤θ<0.25,需要对UPS设备尽快“大修”(即要对该台UPS设备进行细致全面的检修工作);若0.25≤θ≤0.4,需要对UPS设备加强维护频率(即要在原有维护基础上增加对易发生故障的蓄电池、逆变器、整流器等装置进行测试检查的次数);若θ>0.4,则说明UPS设备正常运行且剩余使用寿命较长,可以保持原有的维护频率或适当减少检修的次数。
(3)若基于实时状态的预测结果为类别Cls5(正常运行且半年内未发生故障),说明UPS设备近期运行良好,但是近期没有经历较大的检修(未发生故障),故需要再根据其剩余使用寿命yp匹配维护决策。对应的维护决策为:若0≤yp<0.4,需要对UPS设备尽快“大修”(即要对该台UPS设备进行细致全面的检修工作);若0.4≤yp<0.7,需要对UPS设备加强维护频率(即要在原有维护基础上增加对易发生故障的蓄电池、逆变器、整流器等装置进行测试检查的次数);若yp>0.7,则说明UPS设备正常运行且剩余使用寿命较长,可以保持原有的维护频率或适当减少检修的次数。
优选地,所述决策模块606,还用于结合所述机房内所有所述UPS设备的预测结果评估所述机房的整体运行状况,并提供整体维护决策。
上述过程基于每个所述UPS设备的实时状态和剩余使用寿命的预测结果给出了针对单台UPS设备的维护决策建议方案,但是对于实际工业环境中的大型UPS,在机房中一般存在多台UPS设备,因此还需要综合根据各台UPS设备的实时状态和剩余使用寿命,评估整个机房UPS连接网络的健康程度,得到评价系数X,并给出相应的维护决策。
在本实施例中,所述评价系数X计算公式如下:
评价系数X越大,说明发生故障和剩余使用寿命较短的UPS设备的数量台数占机房UPS设备总数的比例越大。对应的维护决策为:(1)若X>0.3,除了要对发生故障和剩余使用寿命较短的UPS设备进行重点维护外,还要加强对所述机房内其他UPS设备的测试和检修,以及评估UPS设备所处的环境是否满足其说明书上的要求;(2)若0.1<X≤0.3,要对发生故障和剩余使用寿命较短的UPS设备进行重点维护,也要加强对与这些UPS设备直接相连的UPS设备进行测试和检修;(3)若X≤0.1,只需对发生故障和剩余使用寿命较短的UPS设备进行重点维护即可。
本实施例提出的不间断电源预测性维护系统,根据机房UPS设备的预设类型的信号特征通过两种算法模型预测出实时状态和剩余使用寿命,然后结合所述UPS设备的实时状态和剩余使用寿命的预测结果,匹配出相应的维护决策,并综合机房内所有UPS设备的预测结果进行整体评估,给出整体维护决策。该系统在针对不同情况下设计的各种指标给出单台UPS设备的维护决策建议,防止UPS设备发生意外事故或者过度维修等情况的基础上,还可以对整个机房给出整体评估和维护决策建议,从全局上掌控整个机房UPS连接网络的健康程度,及时调整维护策略,提升维护效果。
实施例五
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有不间断电源预测性维护程序,所述不间断电源预测性维护程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的不间断电源预测性维护方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
显然,本领域的技术人员应该明白,上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请实施例不限制于任何特定的硬件和软件结合。
以上仅为本申请实施例的优选实施例,并非因此限制本申请实施例的专利范围,凡是利用本申请实施例说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请实施例的专利保护范围内。
Claims (10)
1.一种不间断电源预测性维护方法,其特征在于,所述方法包括:
获取机房不间断电源UPS设备的预设类型的信号特征,包括电学信号、振动信号、转速信号、温度信号;
利用主成分分析法对所述预设类型的信号特征进行降维处理,得到主要信号特征;
根据所述主要信号特征采用简化模糊自适应共振理论图神经网络预测所述UPS设备的实时状态;
根据所述主要信号特征采用多尺度卷积神经网络预测所述UPS设备的剩余使用寿命;及
针对所述UPS设备根据所述实时状态和剩余使用寿命的预测结果匹配对应的维护决策。
2.根据权利要求1所述的不间断电源预测性维护方法,其特征在于,所述方法还包括:
结合所述机房内所有所述UPS设备的预测结果评估所述机房的整体运行状况,并提供整体维护决策。
3.根据权利要求1或2所述的不间断电源预测性维护方法,其特征在于,所述利用主成分分析法对所述预设类型的信号特征进行降维处理,得到主要信号特征包括:
根据所获取到的所述UPS设备的所有所述信号特征的采样数据构建第一矩阵;
用所述第一矩阵中的每一个元素减去其对应列的平均值进行调整后得到第二矩阵;
计算得到各个所述信号特征的协方差矩阵;
根据所述协方差矩阵确定所要提取的主要信号特征的个数m,并选取m个特征向量组成第三矩阵;
根据所述第二矩阵和所述第三矩阵做乘法运算得到降维后的第四矩阵,所述第四矩阵包括m维所述主要信号特征的采样数据。
4.根据权利要求3所述的不间断电源预测性维护方法,其特征在于,所述方法在利用主成分分析法对所述预设类型的信号特征进行降维处理,得到主要信号特征之前还包括:
将所获取到的所述振动信号由时域信号转换为频域信号。
5.根据权利要求1或2所述的不间断电源预测性维护方法,其特征在于,所述根据所述主要信号特征采用简化模糊自适应共振理论图神经网络预测所述UPS设备的实时状态包括:
计算所述主要信号特征各自的均方根和峰度;
在所述简化模糊自适应共振理论图神经网络中输入所述主要信号特征的所述均方根、所述峰度以及当前时刻的信号值,得到所述UPS设备对应的所述实时状态,包括蓄电池故障Cls1、内部模块故障Cls2、其他故障Cls3、维修后正常Cls4、正常运行Cls5。
6.根据权利要求1或2所述的不间断电源预测性维护方法,其特征在于,所述根据所述主要信号特征采用多尺度卷积神经网络预测所述UPS设备的剩余使用寿命包括:
在所述多尺度卷积神经网络中输入带有寿命正则化标签Label的数据样本进行模型训练,计算公式为:
其中,TF所述数据样本对应的所述UPS设备失效的时间点,TC为所述数据样本对应的采集信号的时间点,TS为所述数据样本对应的UPS设备投入使用的时间点,Label的范围是[0,1];
通过带修正的均方根误差MOD_MSE函数作为模型训练过程中的损失函数,计算公式为:
其中,yp为经过所述多尺度卷积神经网络处理后得到的所述剩余使用寿命的预测结果,yr是寿命正则化标签Label的值,n为训练的数据样本的数量;
将所述主要信号特征的采样数据输入训练好的所述多尺度卷积神经网络,得到所述UPS设备对应的剩余使用寿命。
9.一种电子装置,其特征在于,所述电子装置包括: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不间断电源预测性维护程序,所述不间断电源预测性维护程序被所述处理器执行时,实现如权利要求1至8中任一项所述的不间断电源预测性维护方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有不间断电源预测性维护程序,所述不间断电源预测性维护程序被处理器执行时,实现如权利要求1至8中任一项所述的不间断电源预测性维护方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011384642.8A CN112578891A (zh) | 2020-12-01 | 2020-12-01 | 不间断电源预测性维护方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011384642.8A CN112578891A (zh) | 2020-12-01 | 2020-12-01 | 不间断电源预测性维护方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112578891A true CN112578891A (zh) | 2021-03-30 |
Family
ID=75126574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011384642.8A Pending CN112578891A (zh) | 2020-12-01 | 2020-12-01 | 不间断电源预测性维护方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112578891A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705840A (zh) * | 2021-09-23 | 2021-11-26 | 重庆允成互联网科技有限公司 | 一种设备预测性维护方法、装置、计算机设备及存储介质 |
CN116051079A (zh) * | 2023-03-28 | 2023-05-02 | 深圳市中科恒辉科技有限公司 | 一种不间断电源预测性维护系统 |
CN116882303A (zh) * | 2023-09-06 | 2023-10-13 | 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 |
CN117491793A (zh) * | 2023-12-29 | 2024-02-02 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100121587A1 (en) * | 2006-11-30 | 2010-05-13 | The Boeing Company | Health Management of Rechargeable Batteries |
CN106646270A (zh) * | 2016-10-11 | 2017-05-10 | 湖南理工学院 | 一种新型的不间断电源关键器件维护警示方法 |
KR20180032737A (ko) * | 2016-09-22 | 2018-04-02 | 한국철도기술연구원 | 무정전 전원장치의 잔존수명 예측 시스템 |
CN109271741A (zh) * | 2018-10-25 | 2019-01-25 | 北京航空航天大学 | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 |
CN110543932A (zh) * | 2019-08-12 | 2019-12-06 | 珠海格力电器股份有限公司 | 基于神经网络的空调性能预测方法和装置 |
CN111539515A (zh) * | 2020-04-21 | 2020-08-14 | 中国电子科技集团公司第三十八研究所 | 一种基于故障预测的复杂装备维修决策方法 |
-
2020
- 2020-12-01 CN CN202011384642.8A patent/CN112578891A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100121587A1 (en) * | 2006-11-30 | 2010-05-13 | The Boeing Company | Health Management of Rechargeable Batteries |
KR20180032737A (ko) * | 2016-09-22 | 2018-04-02 | 한국철도기술연구원 | 무정전 전원장치의 잔존수명 예측 시스템 |
CN106646270A (zh) * | 2016-10-11 | 2017-05-10 | 湖南理工学院 | 一种新型的不间断电源关键器件维护警示方法 |
CN109271741A (zh) * | 2018-10-25 | 2019-01-25 | 北京航空航天大学 | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 |
CN110543932A (zh) * | 2019-08-12 | 2019-12-06 | 珠海格力电器股份有限公司 | 基于神经网络的空调性能预测方法和装置 |
CN111539515A (zh) * | 2020-04-21 | 2020-08-14 | 中国电子科技集团公司第三十八研究所 | 一种基于故障预测的复杂装备维修决策方法 |
Non-Patent Citations (1)
Title |
---|
张芳: "大容量UPS电池组性能检测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 July 2010 (2010-07-15), pages 042 - 180 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705840A (zh) * | 2021-09-23 | 2021-11-26 | 重庆允成互联网科技有限公司 | 一种设备预测性维护方法、装置、计算机设备及存储介质 |
CN116051079A (zh) * | 2023-03-28 | 2023-05-02 | 深圳市中科恒辉科技有限公司 | 一种不间断电源预测性维护系统 |
CN116051079B (zh) * | 2023-03-28 | 2023-06-27 | 深圳市中科恒辉科技有限公司 | 一种不间断电源预测性维护系统 |
CN116882303A (zh) * | 2023-09-06 | 2023-10-13 | 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 |
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 |
CN117491793A (zh) * | 2023-12-29 | 2024-02-02 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
CN117491793B (zh) * | 2023-12-29 | 2024-05-10 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112578891A (zh) | 不间断电源预测性维护方法、装置及存储介质 | |
Sun et al. | Health status assessment for wind turbine with recurrent neural networks | |
US11635467B2 (en) | Evaluation device, computer program, and evaluation method | |
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 | |
Chiu et al. | Intelligent aircraft maintenance support system using genetic algorithms and case-based reasoning | |
CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
CN113093985B (zh) | 传感器数据链路异常检测方法、装置和计算机设备 | |
CN113608140A (zh) | 一种电池故障诊断方法及系统 | |
CN114639881A (zh) | 一种深度学习的锂离子电池热失控预警方法 | |
Kulevome et al. | A bidirectional LSTM-based prognostication of electrolytic capacitor | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN117134504B (zh) | 基于安全防护的智能能源监测方法及系统 | |
Swarup et al. | Neural network approach to contingency screening and ranking in power systems | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN117406092A (zh) | 分散式模块化电池储能系统状态估计方法、装置及系统 | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
Zhang et al. | Data driven remaining life prediction of electrolytic capacitor in DC/DC converter | |
Xu et al. | Integrated system health management-oriented maintenance decision-making for multi-state system based on data mining | |
Sridevi et al. | Predictive Maintenance of Lead-Acid Batteries Using Machine Learning Algorithms | |
CN116562158A (zh) | 基于可解释注意力机制的航空发动机气路部件剩余寿命估计方法 | |
Li et al. | Fusing system configuration information for building cooling plant Fault Detection and severity level identification | |
Mesquita et al. | Detection and fault prediction in electrolytic capacitors using artificial neural networks | |
CN118051327A (zh) | 资源调度方法、装置、电子设备及存储介质 | |
CN116872732A (zh) | 用于确定单体电池故障类型的方法、装置及工程车辆 | |
CN117805637A (zh) | 一种电池安全性监测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
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. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |