CN116028833A - 一种借助统计推断的霍尔电流传感器突发故障预测方法 - Google Patents
一种借助统计推断的霍尔电流传感器突发故障预测方法 Download PDFInfo
- Publication number
- CN116028833A CN116028833A CN202310069791.2A CN202310069791A CN116028833A CN 116028833 A CN116028833 A CN 116028833A CN 202310069791 A CN202310069791 A CN 202310069791A CN 116028833 A CN116028833 A CN 116028833A
- Authority
- CN
- China
- Prior art keywords
- fault
- hall current
- current sensor
- distribution
- data
- 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
Images
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种借助统计推断的霍尔电流传感器突发故障预测方法,属于设备突发故障预测领域,解决了如何借助统计推断的方式对霍尔电流传感器的突发故障进行预测的问题;本发明首先获取霍尔电流传感器的故障数据,并构建故障数据的一维分布函数;采用极大似然估计法对故障数据的一维分布函数的分布参数进行估计;利用样本数据对假设的故障数据的分布类型进行拟合检验;基于故障数据分布函数建立霍尔电流传感器突发故障预测模型,对设备未来一段时间内的突发故障概率进行预测;能够根据监测数据和统计推断对霍尔电流传感器的突发故障进行预测,在一定程度上能够准确预测到霍尔电流传感器的突发故障的时间。
Description
技术领域
本发明属于设备突发故障预测领域,具体是一种借助统计推断的霍尔电流传感器突发故障预测方法。
背景技术
在BMS采集电流的重要零部件-霍尔电流传感器的故障通常是由其内在失效机理与外部环境因素综合作用导致的,这是一个复杂的过程,但是从故障的发展进程来看,霍尔电流传感器的故障可分为突发故障与退化故障两种。突发故障表现为设备监测参数的测试数据在储存过程中一直保持在某一合格范围内,但在某一时刻突然超出规定阈值。
对于霍尔电流传感器的健康状态信息,最为重要的是监测数据,它表征了电子设备的健康状态,且具有一定的规律性,目前对霍尔电流传感器的突发故障的预测仅凭经验,或者实时对霍尔电流传感器的故障进行监测,无法准确进行预测。
为此,本发明提出了一种借助统计推断的霍尔电流传感器突发故障预测方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种借助统计推断的霍尔电流传感器突发故障预测方法,该种借助统计推断的霍尔电流传感器突发故障预测方法解决了如何借助统计推断的方式对霍尔电流传感器的突发故障进行预测的问题。
为实现上述目的,根据本发明的第一方面的实施例提出一种借助统计推断的霍尔电流传感器突发故障预测方法,包括:
获取霍尔电流传感器的故障数据,并构建故障数据的一维分布函数;
采用极大似然估计法对故障数据的一维分布函数的分布参数进行估计;
利用样本数据对假设的故障数据的分布类型进行拟合检验;
基于故障数据分布函数建立霍尔电流传感器突发故障预测模型,对设备未来一段时间内的突发故障概率进行预测。
进一步地,对于使用状态下的同一批霍尔电流传感器,其故障数据表现为设备出现故障的时间,则对于故障时间t,构造一维分布F(t,a),并且其一维概率密度函数f(t,a)存在,其中a=(a1,a2,…,ak)是该分布的参数向量;其中
进一步地,根据工程经验通常假定霍尔电流传感器的故障时间服从指数分布,分布密度函数表示为f(t,λ)=λe-λt,t>0;其中λ为设备的平均故障率,此时故障数据分布参数向量α=(λ)。
进一步地,由指数分布的性质得知,平均故障率λ和平均寿命θ互为倒数。
进一步地,假设对抽样的m个霍尔传感器进行了n次测试,每次测试时样品故障数为ri,则设备的故障时间表示为Tij,其中i=1,2……m,j=1,2……n;因此检验设备的故障时间是否服从指数分布,即根据测试得到的故障时间样本T1、T2……Tp检验总体的分布是否服从单参数指数分布;其中p≤mn;
同样可取检验统计量
与现有技术相比,本发明的有益效果是:
本发明首先获取霍尔电流传感器的故障数据,并构建故障数据的一维分布函数;采用极大似然估计法对故障数据的一维分布函数的分布参数进行估计;利用样本数据对假设的故障数据的分布类型进行拟合检验;基于故障数据分布函数建立霍尔电流传感器突发故障预测模型,对设备未来一段时间内的突发故障概率进行预测;能够根据监测数据和统计推断对霍尔电流传感器的突发故障进行预测,在一定程度上能够准确预测到霍尔电流传感器的突发故障的时间。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合实施例对本发明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,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
如图1所示,一种借助统计推断的霍尔电流传感器突发故障预测方法,包括以下步骤:
步骤一:获取霍尔电流传感器的故障数据,并构建故障数据的一维分布函数;
在本发明的实施例中,对于使用状态下的同一批霍尔电流传感器,其故障数据可表现为设备出现故障的时间;
由于霍尔电流传感器在某一时刻可能发生故障,也可能不发生故障,所以故障时间是一个随机变量;
则对于故障时间t,可以构造一维分布F(t,a),并且其一维概率密度函数f(t,a)存在,其中a=(a1,a2,…,ak)是该分布的参数向量;具体公式为:
对于一般的电子设备(包含霍尔电流传感器)的故障数据,根据工程经验通常假定其服从指数分布,分布密度函数可表示为:
f(t,λ)=λe-λt,t>0
其中λ为设备的平均故障率,此时故障数据分布参数向量α=(λ),由指数分布的性质可知,平均故障率λ和平均寿命θ互为倒数;
步骤二:采用极大似然估计法对故障数据的一维分布函数的分布参数进行估计;
根据工程经验对故障数据的分布类型进行了假设后,可以认为故障数据的分布类型是已知的,但分布的参数未知,则可以根据样本的数据对总体的分布参数进行估计;
对于抽样的霍尔电流传感器来说,由于采用修复性维修,因此每次测试时样品的总数是不变的,可看作是有替换的定时截尾试验;
假设对抽样的m个霍尔电流传感器进行n次测试,每次测试时霍尔电流传感器的故障数为ri,i=1,2……n;则霍尔电流传感器的总测试时间为m个霍尔电流传感器测试n次的时间,可表示为Tr=mn,同时,平均寿命θ的极大似然估计为
若霍尔传感器初次故障发生时间(平均寿命)服从指数分布,则平均故障率λ即极大似然估计量;
步骤三:利用样本数据对假设的故障数据的分布类型进行拟合检验;
根据工程经验假定其可能分布类型后,还需要对其进行假设检验,以验证假设是否成立;
假设检验分为参数检验和非参数检验,当总体分布类型已知,只对某些参数的假设进行的检验称作参数检验,对其他假设作出的检验称作非参数检验;由于设备故障数据的分布类型已知,本发明根据工程经验对其假设,并利用样本数据进行检验,因此属于非参数假设检验;当总体为一维且理论分布完全已知时,柯尔莫哥洛夫检验比较适用于本发明,故采用,简称K检验,具体过程如下:
假设对抽样的m个霍尔传感器进行了n次测试,每次测试时样品故障数为ri,则设备的故障时间可表示为Tij,其中i=1,2……m,j=1,2……n;因此检验设备的故障时间是否服从指数分布,就是根据测试得到的故障时间样本T1、T2……Tp(p≤mn)(重复的数据合并为一个)检验总体的分布是否服从单参数指数分布;
由于单参数指数分布函数
F0(t)=1-e-λt,t>0
同样可取检验统计量
步骤四:基于故障数据分布函数建立霍尔电流传感器突发故障预测模型,对设备未来一段时间内的突发故障概率进行预测;
在本发明的一个实施例中,以国轩高科在使用状态下整批霍尔电流传感器为研究对象,随机抽取10个设备作为样本进行分析,由于该批设备采取远程监控数据定期检测方式,从BMS系统上电开始,每24小时测试一次,测试信息记录60天的数据,对设备后面两次的突发故障采集错误概率进行预测,并将预测结果与实际故障情况进行对比,检验突发故障预测模型的适用性;
假设霍尔传感器的采集故障数据服从指数分布,记录下60天内发生采集故障的次数,以天为单位依次记为n1、n2…n60;
设霍尔传感器的故障数据为T,要检验T是否服从指数分布,即检验假设是否成立,按照步骤三中提到的方法,按照α=0.1显著水平下,查临界值表得到因此,故在显著性水平α=0.1下接受原假设H0,认为该批电子设备的故障数据服从指数分布,概率密度为7/60;
从远处监控数据记录上看,该批次的霍尔电流传感器,在第61天和62天均出现了采集故障,因此本发明建立的霍尔电流传感器突发故障预测模型是合理的;由于霍尔电流传感器每个相同的时间段发生突发故障的概率不变,因此需将加强对设备的维护保养,尽量减少储存状态下健康状态退化造成的故障。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:
本发明在一定置信度的前提下基于故障数据的统计分布规律对霍尔电流传感器的突发故障预测方法进行了研究,由于故障数据的分布参数为一常数,不随时间变化,因此通过统计推断确定故障数据的分布规律后,即可基于故障数据分布函数建立霍尔电流传感器突发故障预测模型,对设备未来一段时间内的突发故障概率进行预测,并进行实例分析,验证了突发故障预测模型的合理性。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种借助统计推断的霍尔电流传感器突发故障预测方法,其特征在于,包括:
获取霍尔电流传感器的故障数据,并构建故障数据的一维分布函数;
采用极大似然估计法对故障数据的一维分布函数的分布参数进行估计;
利用样本数据对假设的故障数据的分布类型进行拟合检验;
基于故障数据分布函数建立霍尔电流传感器突发故障预测模型,对设备未来一段时间内的突发故障概率进行预测。
3.根据权利要求1所述的一种借助统计推断的霍尔电流传感器突发故障预测方法,其特征在于,根据工程经验通常假定霍尔电流传感器的故障时间服从指数分布,分布密度函数表示为f(t,λ)=λe-λt,t>0;其中λ为设备的平均故障率,此时故障数据分布参数向量α=(λ)。
5.根据权利要求4所述的一种借助统计推断的霍尔电流传感器突发故障预测方法,其特征在于,由指数分布的性质得知,平均故障率λ和平均寿命θ互为倒数。
7.根据权利要求6所述的一种借助统计推断的霍尔电流传感器突发故障预测方法,其特征在于,假设对抽样的m个霍尔传感器进行了n次测试,每次测试时样品故障数为ri,则设备的故障时间表示为Tij,其中i=1,2......m,j=1,2......n;因此检验设备的故障时间是否服从指数分布,即根据测试得到的故障时间样本T1、T2......Tp检验总体的分布是否服从单参数指数分布;其中p≤mn;
同样可取检验统计量
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069791.2A CN116028833A (zh) | 2023-02-07 | 2023-02-07 | 一种借助统计推断的霍尔电流传感器突发故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069791.2A CN116028833A (zh) | 2023-02-07 | 2023-02-07 | 一种借助统计推断的霍尔电流传感器突发故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116028833A true CN116028833A (zh) | 2023-04-28 |
Family
ID=86075754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310069791.2A Pending CN116028833A (zh) | 2023-02-07 | 2023-02-07 | 一种借助统计推断的霍尔电流传感器突发故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116028833A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874582A (zh) * | 2017-01-25 | 2017-06-20 | 吉林大学 | 一种电主轴加速寿命试验时间设计方法 |
CN109325629A (zh) * | 2018-10-10 | 2019-02-12 | 中国石油化工股份有限公司 | 在役转动设备机械密封泄漏故障预测方法 |
CN112464169A (zh) * | 2020-12-03 | 2021-03-09 | 上海卫星工程研究所 | 基于统计分布的大数据单参数阈值挖掘与修正方法及系统 |
-
2023
- 2023-02-07 CN CN202310069791.2A patent/CN116028833A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874582A (zh) * | 2017-01-25 | 2017-06-20 | 吉林大学 | 一种电主轴加速寿命试验时间设计方法 |
CN109325629A (zh) * | 2018-10-10 | 2019-02-12 | 中国石油化工股份有限公司 | 在役转动设备机械密封泄漏故障预测方法 |
CN112464169A (zh) * | 2020-12-03 | 2021-03-09 | 上海卫星工程研究所 | 基于统计分布的大数据单参数阈值挖掘与修正方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
WO2020215721A1 (zh) | 一种激光雷达的寿命预测方法 | |
CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
CN107796609B (zh) | 一种基于dbn模型的冷水机组故障诊断方法 | |
CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
CN113562562A (zh) | 一种电梯安全预警监测系统及其判断方法 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN117407679B (zh) | 智能末屏传感器的数据采集方法及系统 | |
CN110990788A (zh) | 一种基于三元维纳过程的轴承剩余寿命预测方法 | |
CN114239734A (zh) | 一种分布式车载健康管理系统 | |
CN116295948A (zh) | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
CN113962253B (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN113361142B (zh) | 一种多元参数退化相依的细纱机可靠性评估方法 | |
CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 | |
CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
CN116028833A (zh) | 一种借助统计推断的霍尔电流传感器突发故障预测方法 | |
KR20180100016A (ko) | 가우시안 혼합 모델을 이용한 배터리 상태 모니터링 방법 및 장치 | |
CN116773239A (zh) | 一种智能燃气表控制器可靠性寿命预测方法 | |
CN114112390B (zh) | 一种非线性复杂系统早期故障诊断方法 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
CN114895163A (zh) | 一种基于电缆绝缘性能的电缆巡检定位装置及方法 | |
CN115184808A (zh) | 电池热失控风险检测方法、装置、设备及计算机存储介质 |
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 |