CN114578757A - 一种数字电源智能管理方法 - Google Patents
一种数字电源智能管理方法 Download PDFInfo
- Publication number
- CN114578757A CN114578757A CN202210163676.7A CN202210163676A CN114578757A CN 114578757 A CN114578757 A CN 114578757A CN 202210163676 A CN202210163676 A CN 202210163676A CN 114578757 A CN114578757 A CN 114578757A
- Authority
- CN
- China
- Prior art keywords
- power supply
- digital power
- intelligent
- management method
- supply system
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 62
- 230000036541 health Effects 0.000 claims abstract description 43
- 230000015556 catabolic process Effects 0.000 claims abstract description 33
- 238000006731 degradation reaction Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 16
- 239000008358 core component Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 239000000306 component Substances 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013398 bayesian method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 238000013461 design Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012774 diagnostic algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37616—Use same monitoring tools to monitor tool and workpiece
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
- Y04S40/126—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment using wireless data transmission
Abstract
本发明提供一种数字电源智能管理方法，包括：构建包括通用化硬件和智能化软件的数字电源系统；进行退化状态识别以确定该数字电源系统的当前健康水平；确定物理模型，并将该物理模型与实际采集传感信息进行融合估计，以获取该数字电源系统的故障信息；及基于该确定的当前健康水平和获取的故障信息，对该数字电源系统进行系统健康评估和预测。本发明的数字电源智能管理方法，满足高可靠性和智能健康管理技术要求，解决了制约了空间领域高质量发展的航天器电源领域的基础共性技术问题，进一步提高了当前航天器电源的可靠性和智能化水平，具备在轨监测和健康预测的能力，实现电源智能管理的技术提升。
Description
技术领域
本发明涉及数字电源。更具体地，涉及一种高可靠数字电源智能管理方法。
背景技术
数字电源主要是开关电源的外特性，与传统的模拟电源相比，数字电源具有以下区别：1)数字电源的“通信”功能；2)数字电源的“数控”功能；3)数字电源对温度等参数监测功能。在复杂的多系统业务中，相对模拟电源，数字电源是通过软件编程来实现多方面的应用，其具备的可扩展性与重复使用性使用户可以方便更改工作参数，优化电源系统。另外，通过实时过电流保护与管理，它还可以减少外围器件的数量。具体地，在高性能系统应用中，由于可控因素较多、实时反应速度更快、需要多个模拟系统电源管理且复杂，数字电源具有更广泛的应用。
现有技术中，数字电源系统种类繁多，包括：固定输出数字电源、可调数字电源、开关数字电源、线性数字电源电源等等，各种数字电源具有不同特性如下：
1.固定输出数字电源的电源功能简单，输出电压不可调且没有智能化性能。这种电源往往应用于工业控制领域，例如PCL控制柜、变频器和变流器领域，一般用于给配电对象做二次电源输入。
2.可调数字电源是具备一定多功能化的电源调节器，这种电源最大的特点是可以任意调节输出电压，功率可以限定在一定范围内输出，具备简单的过欠压保护功能。
3.开关数字电源是一种应用较为广泛的电源，如家电手机笔记本等等电源适配器通常是运用了开关电源设计原理。这种电源的优点是其输入输出转换效率很高、体积可以做到很小，但由于电路上采用大量的开关控制元器件，所以其电能质量较差，对于一些电能质量要求较高的电子负载设备它并不能满足负载的供配电指标要求。
4.线性开关电源是一种变压器整流稳压输出的电源，其工作原理与开关电源完全不同。线性开关电源的核心电路是变压器和整流桥，这种方案设计的电能质量很好，但是它有一个很大的缺点是体积重量庞大，在应用上具有一定的局限性，尤其是在航空航天设备上，不能满足对空间体积以及重量的严苛的要求。
因此，在航空航天设备上，需要一种具有高可靠性和智能健康管理的数字电源智能管理方法。
发明内容
为达到上述目的，本发明采用下述技术方案：
一种数字电源智能管理方法，该方法包括：
构建数字电源系统，该数字电源系统包括通用化硬件和智能化软件；
进行退化状态识别，包括：将目的性能变量映射到对应健康因子以确定该数字电源系统的当前健康水平；
确定物理模型，并将该物理模型与实际采集传感信息进行融合估计，以获取该数字电源系统的故障信息；及
基于该确定的当前健康水平和获取的故障信息，对该数字电源系统进行系统健康评估和预测。
可选地，通用化硬件支持多种通信标准，用于提供多种级别和类型的服务。
可选地，智能化软件被配置为三层结构，其中，最上层为系统任务层，中间层为业务处理层，最下层为基础功能和组件层；
该系统任务层包括用于智能化任务管理的任务管理单元和智能化系统管理的系统管理单元；
该业务处理层包括用于智能化射频的智能可重构天线和智能化射频单元、用于智能化运算的高速实时处理单元和高性能计算单元、和用于智能化存储的高性能存储单元；及
该基础功能和组件层包括性能分级交换网络和基础功能模块，其中该性能分级交换网络包括星上路由器及高速总线，该基础功能模块包括标准化电源模块、时钟单元及多功能接口单元。
可选地，进行退化状态识别时，
对于功率类核心元器件，采用电源品质、转换效率和阻抗来表征性能退化；
对于由逻辑门阵列组成的器件，采用读写速度和吞吐率来表征性能退化。
进一步可选地，表征性能退化方法包括：基于模型的退化表征方法和数据驱动的退化表征方法。
可选地，确定物理模型，并将该物理模型与实际采集传感信息进行融合估计，以获取该数字电源系统的故障信息包括：
确定具有预定精度的物理模型；及
在粒子滤波框架下将该物理模型与实际采集传感信息进行融合估计，以获取该数字电源系统的故障信息。
进一步可选地，该方法进一步包括：
采用多模型的故障诊断方法。
进一步可选地，在粒子滤波框架下将该物理模型与实际采集传感信息进行融合估计包括：
基于粒子滤波算法将该物理模型与实际采集传感信息进行融合估计。
可选地，基于该确定的当前健康水平和获取的故障信息，对该数字电源系统进行系统健康评估和预测包括：
基于该确定的当前健康水平和获取的故障信息，采用高斯过程回归方法对该数字电源系统进行系统健康评估和预测。
进一步可选地，采用高斯过程回归方法包括：
采用贝叶斯方法选择模型并确定参数。
本发明的有益效果如下：
本发明提供一种数字电源智能管理方法，包括：构建包括通用化硬件和智能化软件的数字电源系统；进行退化状态识别以确定该数字电源系统的当前健康水平；确定物理模型，并将该物理模型与实际采集传感信息进行融合估计，以获取该数字电源系统的故障信息；及基于该确定的当前健康水平和获取的故障信息，对该数字电源系统进行系统健康评估和预测。
本发明提供的数字电源智能管理方法，满足高可靠性和智能健康管理技术要求。高可靠性设计表现在两个方面：一是当用电负载设备由于某种异常或故障运行而串扰牵连电源控制器工作时，电源控制器能够及时作出自我保护动作，并形成故障代码上传至智慧软件管理平台，通过大数据分析决策作出解决方案，待故障解除后系统能够自愈恢复运行；二是电源控制器设计了软硬件互补结合的运行方案，当上位机或者下位机软件失效工作时，该控制器依然能够单独依靠纯硬件电路继续保障系统和配电设备的基本运行。数字电源的智能化管理体现在该控制器在运行中加入了下位机软件算法的精确自动控制和上位机人机信息交互管理，使电源控制器能够按照用户思维定义电源的输出工作状态。本发明解决了制约了空间领域高质量发展的航天器电源领域的基础共性技术问题，进一步提高了当前航天器电源的可靠性和智能化水平，具备在轨监测和健康预测的能力，实现电源智能管理的技术提升。
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，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示出本发明实施例中数字电源智能管理方法总体研究结构框图。
图2示出本发明实施例中数字电源智能管理方法智能化软件层结构示意图。
图3示出本发明实施例中数字电源智能管理方法故障和退化的特征数据获取方法流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。在不脱离本发明的精神或范围的情况下，在本发明中能进行各种修改和变化，这对于本领域技术人员来说是显而易见的。因而，本发明意在覆盖落入所附权利要求(要求保护的技术方案)及其等同物范围内的本发明的修改和变化。需要说明的是，本申请实施例所提供的实施方式，在不矛盾的情况可以相互组合。
需要说明的是，本发明的说明书和权利要求书及以上附图中的术语“第一”、“第二”等是用于区分类别的对象，而不必用于描述特定的顺序或先后次序。应该理解，这样使用的对象在适当的情况下可以互换，以便这里描述的本发明的实施例能够以除了这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一些列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的那些步骤或单元。
人们对高效电源的需求和电子产品尺寸的减小，推动着数字电源技术和功率管理技术的发展。现代化的功率管理半导体已经将功率开关与多个相关保护及控制电路集成在一起，来降低功率管理设备中的电路板占位面积，并实现了保护、控制与故障监控等功能的组合。同时，数字化电源管理集成电路不满足于仅有的电压、电流、温度等参数的检测，逐步发展为集成了数字化PWM控制、ADC和通信功能，并正在向着成为完整的电源片上系统的方向不断发展。形成一个新型高可靠数字电源智能管理系统。
本发明解决技术问题是：针对航天器长寿命的需求，通过开展软硬件互补结合设计的新一代电源控制器的研究和在轨监测和健康预测算法研究，实现电源智能管理的技术提升。
本发明主要基于当前发展状态下，从可靠性和智能化两个方向入手，改变现有电源系统的缺点，可靠性上不在是以前单一的简单保护设计，而是从多方面来考虑它的可靠度，从力学、热学、电子、环境适应性各个方面进行研究。具体地，本发明从在当前大数据和人工智能发展背景下，以大数据和人工智能技术做支撑来进行数字电源智能化技术研究，以实现对电源技术的发展的质的跨越。
本发明提供一种数字电源智能管理方法，包括：构建包括通用化硬件和智能化软件的数字电源系统；进行退化状态识别以确定该数字电源系统的当前健康水平；确定物理模型，并将该物理模型与实际采集传感信息进行融合估计，以获取该数字电源系统的故障信息；及基于该确定的当前健康水平和获取的故障信息，对该数字电源系统进行系统健康评估和预测。
本发明中数字电源管理系统在基于现有电源管理设计理念上突出了高可靠性和智能健康管理技术要求。在技术实现上本发明从两个方向着手进行研究：高可靠性和智能化管理。
高可靠性设计：高可靠性能设计着重电源控制器的可靠度，可靠是电源控制器一直以来追求的目标，因为电源是整个系统的“血液”它从任务开始到任务结束都一直给整个系统供应电能，如果“血液”出问题了那么系统也将陷入“瘫痪”状态，所以我们在追求数字电源控制器的智能化的前提是必须要保证可靠性研究。高可靠设计表现在两个方面，一是在当用电负载设备由于某种异常或故障运行而串扰牵连电源控制器工作时电源控制器能够及时做出自我保护动作；二是电源控制器设计了软硬件互补结合的运行方案，当上位机或者下位机软件失效时，控制器依然能够单独依靠纯硬件电路继续保障系统和配电设备的基本运行。
智能化管理：除了高可靠研究以外本报告还对电源控制器的智能化管理进行了研究，智能化管理通过植入软件算法和人机交互界面来实现电源的智能化控制，在本次研究中我们将设计上位机软件系统来对电源控制器做全方位信息状态采集和实时监控，可以通过软件定义，按照用户思维来操控电源控制器运行状态。
具体地，本发明中数字电源系统主要的技术方案包括：
(1)开展智能化和模块化电源结合技术研究：借助硬件化电路，采用智能化实现电源控制与调节方式。
1)采用通用化硬件和软件技术的母线电源调节设计，包括：无缝支持多种通信标准；灵活提供各种级别和类型的服务；智能化接口降低设计成本。
如图1所示，本发明中通过可靠性和智能管理控制来提升电源系统的性能。可靠性主要通过构建包括通用化硬件和智能化软件的数字电源系统来实现。智能管理控制用于进行电源系统的健康检测。
2)遵循模块化、标准化、可扩展的智能化设计，包括：最上层为系统任务规划和管理；中间层为业务处理层；最下层为基础功能和组件。
如图2所示，本发明实施例中，该系统任务层包括用于智能化任务管理的任务管理单元和智能化系统管理的系统管理单元。
在一个可选示例中，任务管理单元和系统管理单元均为GPP处理器。
本发明实施例中，该业务处理层包括用于智能化射频的智能可重构天线和智能化射频单元、用于智能化运算的高速实时处理单元和高性能计算单元、和用于智能化存储的高性能存储单元。
在一个可选示例中，高速实时处理单元为DSP/FPGA阵列，高性能计算单元为GPP处理器，高性能存储单元为闪存阵列。
本发明实施例中，该基础功能和组件层包括性能分级交换网络和基础功能模块，其中该性能分级交换网络包括星上路由器及高速总线，该基础功能模块包括标准化电源模块、时钟单元及多功能接口单元。
(2)故障和退化的特征数据获取研究：针对核心元器件空间环境适应性和应用性开展在轨监测技术研究，针对不同的核心元器件，开展一项或多项在轨参数测试研究，其核心监测参数包括：器件功能参数；电流和电压参数变化；翻转率和误码率等。
退化状态识别是不同性能变量映射到对应健康因子(health index，HI)以确定对象系统当前健康水平的过程，是实现核心元器件故障诊断和预测、性能和可靠性评估的前提条件。
对于不同种类的核心元器件，根据其工作机理和功能的不同，其对应的表征核心元器件故障和退化的特征数据也不同，如功率类核心元器件(三极管、电源转换芯片等)，一般可以采用电源品质、转换效率、阻抗等参数表征其性能退化，再如CPU、FPGA、RAM等由逻辑门阵列组成的器件，一般可以采用读写速度、吞吐率等参数表征其性能退化和故障。
本发明涉及航天器核心元器件的性能表征方法可以分为基于模型的退化表征方法和数据驱动的退化表征方法两类。
在一个具体示例中，故障和退化的特征数据获取方法如图3所示，包括退化状态识别和数据驱动预测算法。
退化状态识别包括：获取电压、电流和温度等参数；进行特征分析；退化特征提取；进行特征评估；构建退化模型。其中，基于充放电机理进行特征参数构建，基于在轨参数构建规划模型，进行特征评估反馈与退化特征提取过程。
数据驱动预测算法包括：基于退化状态识别过程获取的退化因子进行稀释贝叶斯；采用在线训练算法；采用RUL预测模型；进行不确定性量化与评估。
(3)诊断算法和模型研究：针对核心元器件开展故障和退化的特征数据获取，是实现核心元器件故障诊断、预测和可靠性评估的基础技术。随着航天器在轨不断运行，核心元器件的使用次数不断增加，其性能或健康状态逐渐衰减。
在已有一定精度物理模型的基础上，在粒子滤波框架下将物理模型与实际采集传感信息进行融合估计，以获得系统故障信息，并采用多模型的故障诊断方案进一步提高故障诊断系统的准确性、快速性。所提方案并不会增加复杂系统的建模成本，具有较强的实用价值。
粒子滤波算法(Particle Filtering，PF)是一种基于蒙特卡洛模拟技术的贝叶斯状态估计算法，它可以处理任何的非线性非高斯问题。PF算法利用一组粒子集来表示状态的后验概率分布，可以用在任何形式的状态空间模型上。其核心思想是：通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态的最小方差分布。
在一个示例中，诊断算法和模型研究方案流程包括：a.进行例子集初始化；b.进行重要性采样；c.进行权重计算；d.归一化权重处理；e.进行重采样；f.进行状态估计。
顺序重复上述步骤b-f，当滤波精度达到目标值时停止。
(4)健康评估和预测模型研究：采用高斯过程回归的方法进行系统健康评估和预测，能够对系统健康状态进行概率性预测和评估，实现系统健康状态的有效管理。
由于高斯过程回归方法具有拟合精度高、可以概率性表达、非线性拟合能力强、训练样本量要求不大等优点，采用高斯过程回归的方法进行系统健康评估和预测，能够对系统健康状态进行概率性预测和评估，实现系统健康状态的有效管理。
高斯过程建模是有限维空间中的高斯分布向无限维函数空间的推广，建模的先验知识则通过协方差函数的选择和“超参数”的确定被合并于高斯过程中，当函数空间分布被认为符合高斯过程时，学习和推理所涉及的计算还会显得相对容易。在机器学习领域中的监督学习可以看作是一种直接在高斯过程框架下从样本数据中学习函数的方法。
高斯过程模型用贝叶斯方法选择模型并确定参数，为核学习机的学习提供一种实用的、基本的概率解释，而且对模型的选择和模型“超参数”的自适应建立了很好的贝叶斯框架，为模型的预测提供置信水平。
本发明的各种实施方式使用实际和/或虚拟计算机资源。这样的计算机资源在硬件水平上使用一组一个或更多个微处理器，所述微处理器操作上耦接至对应的一组存储器组件，所述存储器组件包括所存储的用于由微处理器执行的程序指令。可以使用计算资源来提供一个或更多个虚拟化水平的虚拟计算资源。例如，可以使用一个或更多个给定的通用计算机硬件平台来提供一个或更多个虚拟计算机。也可以使计算机硬件例如处理器资源、存储器等虚拟化，以提供可以根据其建立其他虚拟计算机的资源。一组计算资源可分配用于提供各种计算资源，而所述各种计算资源又用于实现系统的各种计算组件，所述一组计算资源可以被视为提供分布式计算系统，该分布式计算系统的内部架构可以用各种方式来配置。
通过前述实施方式的描述，可以通过仅使用硬件或通过使用软件和必需的通用化硬件平台来实现本发明。基于这样的理解，本发明的技术方案可以以软件产品的形式实施。软件产品可以存储在非易失性存储介质或非暂态存储介质中，所述非易失性存储介质或非暂态存储介质可以是压缩盘只读存储器(CD-ROM)、USB闪存盘或可移除硬盘。软件产生包括使得计算机设备(个人计算机、服务器或网络设备)能够执行本发明的实施方式提供的方法的多个指令。例如，这样的执行可以对应于本文描述的逻辑操作的仿真。软件产品可以另外地或替代地包括使得计算机设备能够根据本发明的实施方式执行用于配置或编程数字逻辑设备的操作的多个指令。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种数字电源智能管理方法，其特征在于，所述方法包括：
构建数字电源系统，所述数字电源系统包括通用化硬件和智能化软件；
进行退化状态识别，包括：将目的性能变量映射到对应健康因子以确定所述数字电源系统的当前健康水平；
确定物理模型，并将所述物理模型与实际采集传感信息进行融合估计，以获取所述数字电源系统的故障信息；及
基于所述确定的当前健康水平和获取的故障信息，对所述数字电源系统进行系统健康评估和预测。
2.根据权利要求1所述的数字电源智能管理方法，其特征在于，所述通用化硬件支持多种通信标准，用于提供多种级别和类型的服务。
3.根据权利要求1所述的数字电源智能管理方法，其特征在于，所述智能化软件被配置为三层结构，其中，最上层为系统任务层，中间层为业务处理层，最下层为基础功能和组件层；
所述系统任务层包括用于智能化任务管理的任务管理单元和智能化系统管理的系统管理单元；
所述业务处理层包括用于智能化射频的智能可重构天线和智能化射频单元、用于智能化运算的高速实时处理单元和高性能计算单元、和用于智能化存储的高性能存储单元；及
所述基础功能和组件层包括性能分级交换网络和基础功能模块，其中所述性能分级交换网络包括星上路由器及高速总线，所述基础功能模块包括标准化电源模块、时钟单元及多功能接口单元。
4.根据权利要求1所述的数字电源智能管理方法，其特征在于，所述进行退化状态识别时，
对于功率类核心元器件，采用电源品质、转换效率和阻抗来表征性能退化；
对于由逻辑门阵列组成的器件，采用读写速度和吞吐率来表征性能退化。
5.根据权利要求4所述的数字电源智能管理方法，其特征在于，所述表征性能退化方法包括：基于模型的退化表征方法和数据驱动的退化表征方法。
6.根据权利要求1所述的数字电源智能管理方法，其特征在于，所述确定物理模型，并将所述物理模型与实际采集传感信息进行融合估计，以获取所述数字电源系统的故障信息包括：
确定具有预定精度的物理模型；及
在粒子滤波框架下将所述物理模型与实际采集传感信息进行融合估计，以获取所述数字电源系统的故障信息。
7.根据权利要求6所述的数字电源智能管理方法，其特征在于，进一步包括：
采用多模型的故障诊断方法。
8.根据权利要求6所述的数字电源智能管理方法，其特征在于，所述在粒子滤波框架下将所述物理模型与实际采集传感信息进行融合估计包括：
基于粒子滤波算法将所述物理模型与实际采集传感信息进行融合估计。
9.根据权利要求1所述的数字电源智能管理方法，其特征在于，所述基于所述确定的当前健康水平和获取的故障信息，对所述数字电源系统进行系统健康评估和预测包括：
基于所述确定的当前健康水平和获取的故障信息，采用高斯过程回归方法对所述数字电源系统进行系统健康评估和预测。
10.根据权利要求9所述的数字电源智能管理方法，其特征在于，所述采用高斯过程回归方法包括：
采用贝叶斯方法选择模型并确定参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210163676.7A CN114578757A (zh) | 2022-02-22 | 2022-02-22 | 一种数字电源智能管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210163676.7A CN114578757A (zh) | 2022-02-22 | 2022-02-22 | 一种数字电源智能管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114578757A true CN114578757A (zh) | 2022-06-03 |
Family
ID=81770363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210163676.7A Pending CN114578757A (zh) | 2022-02-22 | 2022-02-22 | 一种数字电源智能管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114578757A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117453185A (zh) * | 2023-10-26 | 2024-01-26 | 湖南恩智测控技术有限公司 | 数字式电源的嵌入式系统及数字式电源 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336877A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测系统及方法 |
| CN109600037A (zh) * | 2018-12-14 | 2019-04-09 | 陕西航空电气有限责任公司 | 基于航空用的双有源桥电路的大功率dc-dc变换器及其健康管理方法 |
| CN112068015A (zh) * | 2020-09-11 | 2020-12-11 | 中国航空工业集团公司雷华电子技术研究所 | 一种电源模组的健康度计算方法、装置及电子设备 |
-
2022
- 2022-02-22 CN CN202210163676.7A patent/CN114578757A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336877A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测系统及方法 |
| CN109600037A (zh) * | 2018-12-14 | 2019-04-09 | 陕西航空电气有限责任公司 | 基于航空用的双有源桥电路的大功率dc-dc变换器及其健康管理方法 |
| CN112068015A (zh) * | 2020-09-11 | 2020-12-11 | 中国航空工业集团公司雷华电子技术研究所 | 一种电源模组的健康度计算方法、装置及电子设备 |
Non-Patent Citations (7)
| Title |
|---|
| 吕争等: "一种基于软件定义的通导遥一体化有效载荷架构设计", 第四届高分辨率对地观测学术年会论文集, pages 632 - 643 * |
| 张华;: "基于机载处理机的智能供电系统", 计算机工程, no. 1 * |
| 张晔: "某高压电源板的早期故障检测与性能退化预测", 中国优秀硕士论文全文数据库·工程科技Ⅱ辑, pages 1 - 80 * |
| 杨胜: "大功率电源IGBT关键器件在线监测技术研究与实现", 中国优秀硕士学位论文全文数据库·信息科技辑, 15 January 2022 (2022-01-15), pages 1 * |
| 林孔元: "模拟电子技术", 31 January 2009, 哈尔滨工业大学出版社, pages: 111 * |
| 王丽;: "电子设备的健康管理系统研究", 电子世界, no. 02 * |
| 王斌等: "机载设备中的数字智能电源应用", 航空电子技术, vol. 51, no. 3, pages 61 - 65 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117453185A (zh) * | 2023-10-26 | 2024-01-26 | 湖南恩智测控技术有限公司 | 数字式电源的嵌入式系统及数字式电源 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111309479B (zh) | 一种任务并行处理的实现方法、装置、设备和介质 | |
| Singh et al. | Deep sparse coding for non–intrusive load monitoring | |
| JP6881428B2 (ja) | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム | |
| CN114861576B (zh) | 超导量子芯片版图的仿真方法及装置、电子设备和介质 | |
| CN114578757A (zh) | 一种数字电源智能管理方法 | |
| CN112818621A (zh) | 用于预测软ip部件的性能、功率和面积表现的系统和方法 | |
| Hur Rizvi et al. | Hybrid voltage stability and security assessment using synchrophasors with consideration of generator Q‐limits | |
| CN114721345A (zh) | 基于强化学习的工业控制方法、装置、系统和电子设备 | |
| CN108595381B (zh) | 健康状态评价方法、装置及可读存储介质 | |
| CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
| CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
| Yang et al. | Design of airborne target tracking accelerator based on KCF | |
| CN106168657A (zh) | 信号调理器及其检测方法和装置 | |
| Guillo-Sansano et al. | Transitioning from centralized to distributed control: using SGAM to support a collaborative development of web of cells architecture for real time control | |
| CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
| Da Rosa et al. | Modern computing environment for power system reliability assessment | |
| Guddanti et al. | Better data structures for co-simulation of distribution system with gridlab-d and python | |
| CN113408371A (zh) | 一种早期故障诊断方法及装置 | |
| Mair et al. | Progress in the development of adaptive control for shipboard power systems through modeling and simulations | |
| Han et al. | Nodal load forecast model considering network topology constraints | |
| Igor et al. | Development of a Hardware Module for Programming Microcontrollers Based on the Cortex-M Architecture | |
| Tymoshchuk et al. | Hardware implementation of discrete-time neural circuit of largest/smallest signal identification | |
| CN116822452B (zh) | 芯片布局优化方法及相关设备 | |
| CN112632854B (zh) | 基于类人学习能力的tsk模糊模型的故障预测方法及系统 | |
| US20240103991A1 (en) | Hci performance capability evaluation |
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 |