CN113191410A - 一种线性电源使用寿命预测的方法、系统及存储介质 - Google Patents

一种线性电源使用寿命预测的方法、系统及存储介质 Download PDF

Info

Publication number
CN113191410A
CN113191410A CN202110431651.6A CN202110431651A CN113191410A CN 113191410 A CN113191410 A CN 113191410A CN 202110431651 A CN202110431651 A CN 202110431651A CN 113191410 A CN113191410 A CN 113191410A
Authority
CN
China
Prior art keywords
power supply
linear power
temperature
capacitor
predicting
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
Application number
CN202110431651.6A
Other languages
English (en)
Inventor
张东来
黄雅杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202110431651.6A priority Critical patent/CN113191410A/zh
Publication of CN113191410A publication Critical patent/CN113191410A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Abstract

本发明提供了一种线性电源使用寿命预测的方法、系统及存储介质，该方法包括依次执行以下步骤：步骤1：数据采集相关量；采集各种工况下的线性电源的参数；步骤2：将所采集数据录入神经网络建立模型；步骤3：在线测量外部数据；在线性电源工作过程中随机同步采集线性电源的参数；步骤4：模型预测温度；通过步骤2所建立的模型预测电容的环境温度；步骤5：通过温度得到寿命；利用步骤4所预测电容的环境温度预测电容寿命，从而预测出线性电源的使用寿命。本发明的有益效果是：适用于各种线性电源，应用范围广，适用性强；能够建立线性电源运行过程中输出电压、输出电流、进风口温度、出风口温度和风扇转速与电容环境温度之间的非线性关系。

Description

一种线性电源使用寿命预测的方法、系统及存储介质
技术领域
本发明涉及电力电子技术领域，尤其涉及一种线性电源使用寿命预测的方法、系统及存储介质。
背景技术
线性电源存在结构相对简单、无开关噪声、输出纹波小、高频干扰小等优点而被广泛应用于工程领域中，在电力电子领域起着不可或缺的作用，其是否正常工作直接影响电力电子设备的安全。
线性电源电路中的电容是整个电源失效率最高的元器件。电容失效的因素有很多，其中线性电源在运行过程中发热量大，电容随温度升高是导致电容失效的一个关键因素。电容的环境温度受本身发热的影响，周围元器件的发热也会影响到电容的环境温度，使电容出现容值下降，等效串联电阻增加的现象，这严重影响了电容的使用寿命。因此电容的环境温度高低成为了其失效最重要的因素之一，预测电容的寿命关系到线性电源的使用寿命。
电容是线性电源的薄弱环节，对线性电源的寿命起着至关重要的作用，针对电容的环境温度对线性电源使用寿命的影响，目前有很多关于电容的故障诊断研究，通过故障诊断方法对电容出现故障后进行快速检测和定位，达到尽快恢复线性电源功能的目的。但目前对于线性电源运行时电容寿命预测的方法研究较少，寿命预测是对潜在失效发生的时间进行预测，能够大大减少不必要的维护工作。电容的寿命预测方法有直接测量电容环境温度得到寿命，此种方法能够精准预测寿命值，但其缺点在于线性电源正常运行中侵入式直接测量电容环境温度难以实现。通过测量线性电源中电容的容值和测量电容的等效串联电阻的方法可靠性低，误差较大，难以实现寿命的预测。
发明内容
本发明提供了一种线性电源使用寿命预测的方法，包括依次执行以下步骤：
步骤1：数据采集相关量；采集各种工况下的线性电源的参数。
步骤2：将所采集数据录入神经网络建立模型。
步骤3：在线测量外部数据；在线性电源工作过程中随机同步采集线性电源的参数。
步骤4：模型预测温度；通过步骤2所建立的模型预测电容的环境温度。
步骤5：通过温度得到寿命；利用步骤4所预测电容的环境温度预测电容寿命，从而预测出线性电源的使用寿命。
作为本发明的进一步改进，在所述步骤1中，还包括执行以下步骤：
步骤10：在线性电源输出端接入可调节负载。
步骤11：确定采集工况，调节不同的功率得到输出电流和输出电压。
步骤12：采用同步测量仪、热电偶同步采集各种工况下的线性电源的输出电压、输出电流、进风口温度、出风口温度、电容环境温度和记录风扇的占空比。
步骤13：利用风扇的占空比计算得到风扇的转速。
作为本发明的进一步改进，在所述步骤13后，还包括执行以下步骤：
步骤14：对采集的各种工况下的数据进行预处理，主要对测量数据中的野点进行剔除，利于神经网络模型的建立。
作为本发明的进一步改进，在所述步骤2中，将测量数据作为神经网络的训练样本，输入为各种工况下的线性电源的输出电压、电流、进风口温度、出风口温度以及风扇转速，输出为电容的环境温度，进行神经网络的训练。
作为本发明的进一步改进，在所述步骤3中，具体还包括执行以下步骤：
步骤30：在线性电源工作过程中随机同步采集线性电源的输出电压、输出电流、进风口温度、出风口温度和记录风扇的占空比。
步骤31：利用风扇的占空比计算得到风扇的转速。
作为本发明的进一步改进，在所述步骤31之后，还包括执行以下步骤：
步骤32：对采集的数据进行预处理，主要对测量数据中的野点进行剔除，保证测量数据的可靠性。
作为本发明的进一步改进，在所述步骤4中，还包括执行以下步骤：
步骤40：将测量到的数据读入到已经训练好的神经网络中作为输入。
步骤41：通过神经网络得到输出即为电容的环境温度。
本发明还公开了一种线性电源使用寿命预测的系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现本发明所述方法的步骤。
本发明还公开了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计算机程序，所述计算机程序配置为由处理器调用时实现本发明所述的方法的步骤。
本发明的有益效果是：1.本发明的方法适用于各种线性电源，应用范围广，适用性强；2.本发明的方法能够建立线性电源运行过程中输出电压、输出电流、进风口温度、出风口温度和风扇的转速与电容之间的非线性关系，能够很好地估测电容的环境温度；3.本发明的方法在电源使用中无需拆卸电源，只需要测量线性电源外部数据便可以得到电源内部电容的环境温度；4.本发明的方法仅需要获取相关参数的数据，不需要分析线性电源内部结构，不会影响线性电源的使用性能和工作状态；5.本发明的方法估测电容的环境温度适用于电容寿命预估，从而达到线性电源使用寿命预测的目的。
附图说明
图1是本发明方法的预测温度值与真实温度值图；
图2是本发明方法的预测温度值与真实温度值的误差图；
图3是本发明方法的流程图。
具体实施方式
如图3所示，本发明公开了一种线性电源使用寿命预测的方法，该方法仅需根据测量数据建立模型、在线测量输出电流电压值、入风口和出风口的温度以及风扇的转速，通过这些参数和模型估算出电容的环境温度，利用环境温度预测电容寿命，从而可以达到预测线性电源使用寿命的目的。
本发明公开了一种线性电源使用寿命预测的方法，包括依次执行以下步骤：
步骤1：数据采集相关量；采集各种工况下的线性电源的参数。
在所述步骤1中，还包括执行以下步骤：
步骤10：在线性电源输出端接入可调节负载；
步骤11：确定采集工况，调节不同的功率得到输出电流和输出电压；
步骤12：采用同步测量仪、热电偶等仪器同步采集各种工况下的线性电源的输出电压、电流、进风口温度、出风口温度、电容环境温度和记录风扇的占空比；
步骤13：利用风扇的占空比计算得到风扇的转速；
步骤14：对采集的各种工况下的数据进行预处理，主要对测量数据中的野点进行剔除，利于神经网络模型的建立；
步骤2：将所采集数据录入神经网络建立模型。
在所述步骤2中，将测量数据作为神经网络的训练样本，输入为各种工况下的线性电源的输出电压、输出电流、进风口温度、出风口温度以及风扇转速，输出为电容的环境温度，进行神经网络的训练。
步骤3：在线测量外部数据；在线性电源工作过程中随机同步采集线性电源的参数。
在所述步骤3中，具体还包括执行以下步骤：
步骤30：在线性电源工作过程中随机同步采集线性电源的输出电压、输出电流、进风口温度、出风口温度和记录风扇的占空比；
步骤31：利用风扇的占空比计算得到风扇的转速；
步骤32：对采集的数据进行预处理，主要对测量数据中的野点进行剔除，保证测量数据的可靠性。
步骤4：模型预测温度；通过步骤2所建立的模型预测电容的环境温度。
在所述步骤4中，还包括执行以下步骤：
步骤40：将测量到的数据读入到已经训练好的神经网络中作为输入；
步骤41：通过神经网络得到输出即为电容的环境温度。
步骤5：通过温度得到寿命；利用步骤4所预测电容的环境温度预测电容寿命，从而预测出线性电源的使用寿命。
本发明的一种线性电源使用寿命预测的方法的工作原理：
线性电源中电容的环境温度与输出电压、输出电流、进风口温度、出风口温度和风扇的转速有关，利用变量的测量数据作为预测模型的输入量进行神经网络的训练，线性电源中电容的环境温度作为输出量。根据预测模型得出的电容的环境温度与电容的寿命关系预测电容的寿命，实现线性电源寿命预测的目的。
本发明提供的样本数据来自线性电源的十组实验测量结果，具体参数测量见表1。随机将其中的七组数据作为历史数据训练模型，三组数据通过输入变量得到的输出数据作为预测值，预测温度与实际真实温度对比如图1所示，用来验证训练完成的神经网络的可靠程度，预测温度与实际真实温度误差如图2所示，因此利用本发明的方法可以准确预测电容的环境温度。
表1相关测量数据
Figure BDA0003031594950000051
本发明还公开了一种线性电源使用寿命预测的系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现本发明所述方法的步骤。
本发明还公开了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计算机程序，所述计算机程序配置为由处理器调用时实现本发明所述的方法的步骤。
本发明的有益效果：1.本发明的方法适用于各种线性电源，应用范围广，适用性强；2.本发明的方法能够建立线性电源运行过程中输出电压、输出电流、进风口温度、出风口温度和风扇的转速与电容环境温度之间的非线性关系，能够很好地估测电容的环境温度；3.本发明的方法在电源使用中无需拆卸电源，只需要测量线性电源外部数据便可以得到电源内部电容的环境温度；4.本发明的方法仅需要获取相关参数的数据，不需要分析线性电源内部结构，不会影响线性电源的使用性能和工作状态；5.本发明的方法估测电容的环境温度适用于电容寿命预估，从而达到线性电源使用寿命预测的目的。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种线性电源使用寿命预测的方法，其特征在于，包括依次执行以下步骤：
步骤1：数据采集相关量；采集各种工况下的线性电源的参数；
步骤2：将所采集数据录入神经网络建立模型；
步骤3：在线测量外部数据；在线性电源工作过程中随机同步采集线性电源的参数；
步骤4：模型预测温度；通过步骤2所建立的模型预测电容的环境温度；
步骤5：通过温度得到寿命；利用步骤4所预测电容的环境温度预测电容寿命，从而预测出线性电源的使用寿命。
2.根据权利要求1所述的方法，其特征在于，在所述步骤1中，还包括执行以下步骤：
步骤10：在线性电源输出端接入可调节负载；
步骤11：确定采集工况，调节不同的功率得到输出电流和输出电压；
步骤12：采用同步测量仪、热电偶同步采集各种工况下的线性电源的输出电压、电流、进风口温度、出风口温度、电容环境温度和记录风扇的占空比；
步骤13：利用风扇的占空比计算得到风扇的转速。
3.根据权利要求2所述的方法，其特征在于，在所述步骤13后，还包括执行以下步骤：
步骤14：对采集的各种工况下的数据进行预处理，主要对测量数据中的野点进行剔除，利于神经网络模型的建立。
4.根据权利要求1所述的方法，其特征在于，在所述步骤2中，将测量数据作为神经网络的训练样本，输入为各种工况下的线性电源的输出电压、输出电流、进风口温度、出风口温度以及风扇转速，输出为电容的环境温度，进行神经网络的训练。
5.根据权利要求1所述的方法，其特征在于，在所述步骤3中，具体还包括执行以下步骤：
步骤30：在线性电源工作过程中随机同步采集线性电源的输出电压、输出电流、进风口温度、出风口温度和记录风扇的占空比；
步骤31：利用风扇的占空比计算得到风扇的转速。
6.根据权利要求5所述的方法，其特征在于，在所述步骤31之后，还包括执行以下步骤：
步骤32：对采集的数据进行预处理，主要对测量数据中的野点进行剔除，保证测量数据的可靠性。
7.根据权利要求1所述的方法，其特征在于，在所述步骤4中，还包括执行以下步骤：
步骤40：将测量到的数据读入到已经训练好的神经网络中作为输入；
步骤41：通过神经网络得到输出即为电容的环境温度。
8.一种线性电源使用寿命预测的系统，其特征在于，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现权利要求1－7中任一项所述方法的步骤。
9.一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存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1－7中任一项所述的方法的步骤。
CN202110431651.6A 2021-04-21 2021-04-21 一种线性电源使用寿命预测的方法、系统及存储介质 Pending CN113191410A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110431651.6A CN113191410A (zh) 2021-04-21 2021-04-21 一种线性电源使用寿命预测的方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110431651.6A CN113191410A (zh) 2021-04-21 2021-04-21 一种线性电源使用寿命预测的方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN113191410A true CN113191410A (zh) 2021-07-30

Family

ID=76977957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110431651.6A Pending CN113191410A (zh) 2021-04-21 2021-04-21 一种线性电源使用寿命预测的方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN113191410A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116125171A (zh) * 2022-12-27 2023-05-16 江苏师范大学科文学院 一种针对家用电器的安全用电模拟测试系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5606242A (en) * 1994-10-04 1997-02-25 Duracell, Inc. Smart battery algorithm for reporting battery parameters to an external device
CN105701350A (zh) * 2016-01-13 2016-06-22 安徽理工大学 间歇性工作开关电源剩余寿命预测方法
CN108897221A (zh) * 2018-07-21 2018-11-27 成都光电传感技术研究所有限公司 一种军用电源机箱风机转速控制方法
CN110659755A (zh) * 2018-06-28 2020-01-07 比亚迪股份有限公司 用于预测电机温度的建模方法、装置和存储介质
CN111612142A (zh) * 2020-03-06 2020-09-01 江苏大学 一种基于bp神经网络的大功率led寿命预测方法
CN112182981A (zh) * 2020-10-26 2021-01-05 易事特集团(河南)有限公司 电解电容寿命预测方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5606242A (en) * 1994-10-04 1997-02-25 Duracell, Inc. Smart battery algorithm for reporting battery parameters to an external device
CN105701350A (zh) * 2016-01-13 2016-06-22 安徽理工大学 间歇性工作开关电源剩余寿命预测方法
CN110659755A (zh) * 2018-06-28 2020-01-07 比亚迪股份有限公司 用于预测电机温度的建模方法、装置和存储介质
CN108897221A (zh) * 2018-07-21 2018-11-27 成都光电传感技术研究所有限公司 一种军用电源机箱风机转速控制方法
CN111612142A (zh) * 2020-03-06 2020-09-01 江苏大学 一种基于bp神经网络的大功率led寿命预测方法
CN112182981A (zh) * 2020-10-26 2021-01-05 易事特集团(河南)有限公司 电解电容寿命预测方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116125171A (zh) * 2022-12-27 2023-05-16 江苏师范大学科文学院 一种针对家用电器的安全用电模拟测试系统
CN116125171B (zh) * 2022-12-27 2024-01-23 江苏师范大学科文学院 一种针对家用电器的安全用电模拟测试系统

Similar Documents

Publication Publication Date Title
US7571057B2 (en) System and method for monitoring degradation
US20020107589A1 (en) Method and device for determining changes in technical systems such as electric motors caused by ageing
RU2011126348A (ru) Обнаружение аномалий в авиационном двигателе
JP6610987B2 (ja) 異常診断方法及び異常診断システム
JP4458815B2 (ja) 高温計信号と関連させてニューラルネットワーク利用診断技法を使用してタービンブレード（バケット）の健康状態を監視し、予後を診断する方法
BRPI0905516A2 (pt) Prognósticos e monitoramento de saúde para sistemas e componentes eletromecânicos
CN103592545A (zh) 一种基于概率统计的变压器温升异常监测诊断方法
CN116593811B (zh) 一种集成型变频器运行状态监测系统及监测方法
CN110441584A (zh) 设备运行状态监测方法、装置、存储介质和系统
CN109059988B (zh) 光电检测仪器可靠性评估方法和装置
Bejaoui et al. A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model
CN113191410A (zh) 一种线性电源使用寿命预测的方法、系统及存储介质
CN110781611B (zh) 基于Lambert W函数的光伏组件温度实时计算方法
An et al. Detection of process anomalies using an improved statistical learning framework
CN111192163B (zh) 基于风电机组运行数据的发电机可靠度中短期预测方法
KR102077865B1 (ko) 저압터빈의 경년열화평가방법
JP2004093567A (ja) 機械または設備の運転条件の評価方法
CN113572148A (zh) 变流器系统、变流器功率模组的健康状态评估方法和装置
CN112668269A (zh) 一种基于实时在线算法的igbt功率模块寿命评估方法
CN111044176A (zh) 一种发电机温度异常的监测方法
CN112610330B (zh) 一种内燃机运行状态的监测及分析系统和方法
Huang et al. Predicting the Temperature of the Electrolytic Capacitor Based on Neural Network Algorithm
CN117744890B (zh) 一种人居环境监测优化方法
JP2023154437A (ja) 電気車制御装置および分析装置
Hewitt et al. Electrolytic capacitor age estimation using prbs-based techniques

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