CN116381542A - 基于人工智能的电源设备的健康诊断方法及装置 - Google Patents
基于人工智能的电源设备的健康诊断方法及装置 Download PDFInfo
- Publication number
- CN116381542A CN116381542A CN202310652448.0A CN202310652448A CN116381542A CN 116381542 A CN116381542 A CN 116381542A CN 202310652448 A CN202310652448 A CN 202310652448A CN 116381542 A CN116381542 A CN 116381542A
- Authority
- CN
- China
- Prior art keywords
- module
- power
- power supply
- parameter
- target
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 125
- 238000011156 evaluation Methods 0.000 claims abstract description 67
- 238000007405 data analysis Methods 0.000 claims abstract description 60
- 238000012423 maintenance Methods 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 26
- 238000002790 cross-validation Methods 0.000 claims description 14
- 238000010200 validation analysis Methods 0.000 claims description 14
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000007784 solid electrolyte Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了基于人工智能的电源设备的健康诊断方法及装置,电源设备包括多个集成的电源模块,包括:获取每个电源模块的模块数据;将每个电源模块的模块数据输入至智能分析模型,得到数据分析结果;获取每个电源模块的历史数据变化参数,根据每个电源模块的数据分析结果以及每个电源模块的历史数据变化参数,确定每个电源模块的健康评估参数,根据每个电源模块的健康评估参数,确定电源模块的模块诊断结果;模块诊断结果包括电源模块的预测运行趋势。可见,本发明能够基于人工智能模型对每个电源模块进行分析,得到电源模块的模块诊断结果,能够根据预测运行趋势确定电源模块的故障情况,有利于提高对电源模块进行健康诊断的实时性和智能性。
Description
技术领域
本发明涉及动力电池数据智能化分析技术领域,尤其涉及一种基于人工智能的电源设备的健康诊断方法及装置。
背景技术
随着动力电池自动化产线的应用,如何提高化成、分容的效率也越来越重要。在实际应用中,锂电池的电芯在装配完成后必须充电激活,且电芯的首次充电过程称为化成,用于激活电芯内的活性材料,生成SEI膜(也即:SolidElectrolyte Interface,固体电解质界面膜)。电芯经过化成后还需进行分容,分容则是对完成化成后的电芯进行充电、放电,以检测电芯的性能,进而便于按容量对电芯进行分档、配组。
在现有技术中,化成/分容系统中每个库位对应于一个中位机,且每个库位中配置有电源系统及管理模块。在实际应用中,电源模块由于存在大电流、发热等因素,是引起系统故障、退服的主要原因。现有的保护方式仅能通过电源模块自身的检测参数,如过压、欠压、过流等形成自我保护,或者,风扇转速过低、散热器温度过高等进行告警,再通过管理模块进行上报。无法针对电源系统的每个电源模块做健康检测和诊断,并进行故障预判,也不能够提前给化成/分容系统的稳定运行和维护工作提供第一手数据,并把故障消除在萌芽状态,防范于未然。可见,提供一种新的电源设备的诊断方法以提高对电源模块进行健康诊断的实时性和智能性,显得尤为重要。
发明内容
本发明所要解决的技术问题在于,提供一种基于人工智能的电源设备的健康诊断方法及装置,能够对电源模块的故障进行预判和诊断,以防止电源模块出现故障的情况,有利于提高对电源模块进行健康诊断的实时性和智能性。
为了解决上述技术问题,本发明第一方面公开了一种基于人工智能的电源设备的健康诊断方法,所述电源设备包括多个集成的电源模块,所述方法包括:
获取每个所述电源模块的模块数据;
对于每个所述电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果;
获取每个所述电源模块的历史数据变化参数,根据每个所述电源模块的数据分析结果以及每个所述电源模块的历史数据变化参数,确定每个所述电源模块的健康评估参数;
对于每个所述电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果;所述模块诊断结果包括该电源模块的预测运行趋势。
作为一种可选的实施方式,在本发明第一方面中,所述对于每个所述电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果之前,所述方法还包括:
对于每个所述电源模块,获取该电源模块的初始模块信息;
根据所有所述电源模块的初始模块信息,对于每个所述电源模块,将该电源模块的初始模块信息输入至预先确定出的所述智能分析模型,并基于所述智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息;其中,每个所述电源模块的初始模块信息包括该电源模块的初始输入功率信息、初始输出功率信息、初始供电信息、初始负载率信息、初始功耗信息中的一种或多种;
其中,所述对于每个所述电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果,包括:
对于每个所述电源模块,将该电源模块的模块健康记录信息以及该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果。
作为一种可选的实施方式,在本发明第一方面中,所述对于每个所述电源模块,将该电源模块的初始模块信息输入至预先确定出的所述智能分析模型,并基于所述智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息,包括:
对于每个所述电源模块,根据该电源模块的初始模块信息以及预设的自学习条件,确定该电源模块的自学习参数;
对于每个所述电源模块,将所述该电源模块的初始模块信息以及所述自学习参数输入至预先确定出的所述智能分析模型,并通过所述智能分析模型执行与所述自学习参数相匹配的自学习操作,得到该电源模块的目标运行信息,并根据该电源模块的目标运行信息,生成该电源模块的模块健康记录信息;
其中,每个所述电源模块的目标运行信息包括该电源模块的目标功率信息、目标负载率信息、目标效率信息、目标电压信息、目标电流信息、目标温度信息中的一种或多种。
作为一种可选的实施方式,在本发明第一方面中,所述根据每个所述电源模块的数据分析结果以及每个所述电源模块的历史数据变化参数,确定每个所述电源模块的健康评估参数,包括:
对于每个所述电源模块,根据该电源模块的数据分析结果,确定该电源模块的目标数据参数;
对于每个所述电源模块,根据该电源模块的目标数据参数以及该电源模块的历史数据变化参数,对该电源模块执行预设的参数交叉验证操作,得到该电源模块的参数验证结果,并根据该电源模块的参数验证结果,确定该电源模块的健康评估参数。
作为一种可选的实施方式,在本发明第一方面中,所述对于每个所述电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果之后,所述方法还包括:
根据每个所述电源模块的模块诊断结果,判断所有所述电源模块中是否存在目标电源模块,所述目标电源模块的模块诊断结果不满足预设的模块健康条件;
当判断出所有所述电源模块中存在所述目标电源模块时,对于每个所述目标电源模块,根据该目标电源模块的健康评估参数,确定该目标电源模块的检修参数,并对该目标电源模块执行与该目标电源模块的检修参数相匹配的检修操作。
作为一种可选的实施方式,在本发明第一方面中,所述方法还包括:
获取所有所述电源模块的实时运行信息,得到实时运行信息集合;
根据所述实时运行信息集合,判断所有所述电源模块的实时运行信息中是否存在新增参考参数;
当判断出所有所述电源模块的实时运行信息中存在所述新增参考参数时,分析所有所述新增参考参数,得到参数分析结果;
基于所述参数分析结果以及每个所述电源模块的历史数据变化参数,对每个所述电源模块的目标运行信息执行更新操作,以更新每个所述电源模块的模块健康记录信息。
作为一种可选的实施方式,在本发明第一方面中,所述对于每个所述电源模块,根据该电源模块的目标数据参数以及该电源模块的历史数据变化参数,对该电源模块执行预设的参数交叉验证操作,得到该电源模块的参数验证结果,包括:
对于每个所述电源模块,根据该电源模块的目标数据参数,从该电源模块的目标数据参数中确定出目标影响参数,所述目标影响参数为对该电源模块的运行趋势存在影响的参数;
对于每个所述电源模块的每个所述目标影响参数,从该电源模块的历史数据变化参数中确定出与该目标影响参数相匹配的目标趋势参数,并分析该目标影响参数与该目标趋势参数之间的参数差异关系,得到该电源模块的参数差异分析结果;
对于每个电源模块,根据该电源模块的参数差异分析结果,生成该电源模块的参数验证结果。
本发明第二方面公开了一种基于人工智能的电源设备的健康诊断装置,所述电源设备包括多个集成的电源模块,所述装置包括:
获取模块,用于获取每个所述电源模块的模块数据;
输入模块,用于对于每个所述电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果;
所述获取模块,还用于获取每个所述电源模块的历史数据变化参数;
确定模块,用于根据每个所述电源模块的数据分析结果以及每个所述电源模块的历史数据变化参数,确定每个所述电源模块的健康评估参数;
所述确定模块,还用于对于每个所述电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果;所述模块诊断结果包括该电源模块的预测运行趋势。
作为一种可选的实施方式,在本发明第二方面中,所述获取模块,还用于对于每个所述电源模块,获取该电源模块的初始模块信息;
所述输入模块,还用于根据所有所述电源模块的初始模块信息,对于每个所述电源模块,将该电源模块的初始模块信息输入至预先确定出的所述智能分析模型,基于所述智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息;其中,每个所述电源模块的初始模块信息包括该电源模块的初始输入功率信息、初始输出功率信息、初始供电信息、初始负载率信息、初始功耗信息中的一种或多种;
其中,所述输入模块对于每个所述电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果的具体方式包括:
对于每个所述电源模块,将该电源模块的模块健康记录信息以及该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果。
作为一种可选的实施方式,在本发明第二方面中,所述输入模块对于每个所述电源模块,将该电源模块的初始模块信息输入至预先确定出的所述智能分析模型,并基于所述智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息的具体方式包括:
对于每个所述电源模块,根据该电源模块的初始模块信息以及预设的自学习条件,确定该电源模块的自学习参数;
对于每个所述电源模块,将所述该电源模块的初始模块信息以及所述自学习参数输入至预先确定出的所述智能分析模型,并通过所述智能分析模型执行与所述自学习参数相匹配的自学习操作,得到该电源模块的目标运行信息,并根据该电源模块的目标运行信息,生成该电源模块的模块健康记录信息;
其中,每个所述电源模块的目标运行信息包括该电源模块的目标功率信息、目标负载率信息、目标效率信息、目标电压信息、目标电流信息、目标温度信息中的一种或多种。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据每个所述电源模块的数据分析结果以及每个所述电源模块的历史数据变化参数,确定每个所述电源模块的健康评估参数的具体方式包括:
对于每个所述电源模块,根据该电源模块的数据分析结果,确定该电源模块的目标数据参数;
对于每个所述电源模块,根据该电源模块的目标数据参数以及该电源模块的历史数据变化参数,对该电源模块执行预设的参数交叉验证操作,得到该电源模块的参数验证结果,并根据该电源模块的参数验证结果,确定该电源模块的健康评估参数。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
判断模块,用于在所述确定模块对于每个所述电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果之后,根据每个所述电源模块的模块诊断结果,判断所有所述电源模块中是否存在目标电源模块,所述目标电源模块的模块诊断结果不满足预设的模块健康条件;
所述确定模块,还用于当所述判断模块判断出所有所述电源模块中存在所述目标电源模块时,对于每个所述目标电源模块,根据该目标电源模块的健康评估参数,确定该目标电源模块的检修参数;
执行模块,用于对该目标电源模块执行与该目标电源模块的检修参数相匹配的检修操作。
作为一种可选的实施方式,在本发明第二方面中,所述获取模块,还用于获取所有所述电源模块的实时运行信息,得到实时运行信息集合;
所述判断模块,还用于根据所述实时运行信息集合,判断所有所述电源模块的实时运行信息中是否存在新增参考参数;
所述装置还包括:
分析模块,用于当所述判断模块判断出所有所述电源模块的实时运行信息中存在所述新增参考参数时,分析所有所述新增参考参数,得到参数分析结果;
更新模块,用于基于所述参数分析结果以及每个所述电源模块的历史数据变化参数,对每个所述电源模块的目标运行信息执行更新操作,以更新每个所述电源模块的模块健康记录信息。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块对于每个所述电源模块,根据该电源模块的目标数据参数以及该电源模块的历史数据变化参数,对该电源模块执行预设的参数交叉验证操作,得到该电源模块的参数验证结果的具体方式包括:
对于每个所述电源模块,根据该电源模块的目标数据参数,从该电源模块的目标数据参数中确定出目标影响参数,所述目标影响参数为对该电源模块的运行趋势存在影响的参数;
对于每个所述电源模块的每个所述目标影响参数,从该电源模块的历史数据变化参数中确定出与该目标影响参数相匹配的目标趋势参数,并分析该目标影响参数与该目标趋势参数之间的参数差异关系,得到该电源模块的参数差异分析结果;
对于每个电源模块,根据该电源模块的参数差异分析结果,生成该电源模块的参数验证结果。
本发明第三方面公开了另一种基于人工智能的电源设备的健康诊断装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于人工智能的电源设备的健康诊断方法。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于人工智能的电源设备的健康诊断方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,获取每个所述电源模块的模块数据;对于每个电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果;获取每个电源模块的历史数据变化参数,根据每个电源模块的数据分析结果以及每个电源模块的历史数据变化参数,确定每个电源模块的健康评估参数;对于每个电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果;模块诊断结果包括该电源模块的预测运行趋势。可见,实施本发明能够基于人工智能模型对每个电源模块进行分析,得到电源模块的模块诊断结果,能够根据预测运行趋势确定电源模块的故障情况,有利于提高对电源模块进行健康诊断的实时性和智能性。
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是本发明实施例公开的一种基于人工智能的电源设备的健康诊断方法的流程示意图;
图2是本发明实施例公开的另一种基于人工智能的电源设备的健康诊断方法的流程示意图;
图3是本发明实施例公开的一种基于人工智能的电源设备的健康诊断装置的结构示意图;
图4是本发明实施例公开的另一种基于人工智能的电源设备的健康诊断装置的结构示意图;
图5是本发明实施例公开的又一种基于人工智能的电源设备的健康诊断装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于人工智能的电源设备的健康诊断方法及装置,能够对电源模块的故障进行预判和诊断,以防止电源模块出现故障的情况,有利于提高对电源模块进行健康诊断的实时性和智能性。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于人工智能的电源设备的健康诊断方法的流程示意图。其中,图1所描述的基于人工智能的电源设备的健康诊断方法可以应用于基于人工智能的电源设备的健康诊断装置中,也可以应用于基于人工智能的电源设备的健康诊断的云端服务器或本地服务器,还可以应用于电芯化成/分容系统中,本发明实施例不做限定。如图1所示,该基于人工智能的电源设备的健康诊断方法可以包括以下操作:
101、获取每个电源模块的模块数据。
本发明实施例中,获取每个电源模块的模块数据是实时获取的。进一步可选的,获取每个电源模块的模块数据可以是按照预设的时间段定时获取的,也可以是在需要对电源设备中所包括的电源模块进行健康诊断时进行获取的,本发明实施例不做具体限定。
本发明实施例中,可选的,每个电源模块的模块数据包括:该电源模块的实时效率数据、该电源模块的母线实时电压数据、该电源模块的母线实时电流数据、该电源模块的实时温度数据、该电源模块的散热器实时温度数据、该电源模块的DSP实时温度数据、该电源模块的风扇实时转速数据、该电源模块的斩波器(DC/DC)实时散热数据、该电源模块的实时负载率数据、该电源模块的实时待机功率数据、该电源模块的所在位置数据、该电源模块的标识数据中的一种或多种。其中,每个电源模块的所在位置数据包括该电源模块在电源设备中的所在位置;每个电源模块的标识数据包括该电源模块的编号标识数据、该电源模块的型号标识数据中的一种或多种。进一步可选的,获取每个电源模块的模块数据的方式可以是通过CAN总线的通讯方式。
102、对于每个电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果。
本发明实施例中,可选的,每个电源模块的数据分析结果包括该电源模块的实时分析结果;其中,实时分析结果包括该电源模块的实时效率分析结果、实时电压数据分析结果、实时电流数据分析结果、实时功率数据分析结果、实时负载率数据分析结果、实时温度数据分析结果中的一种或多种。可选的,实时分析结果包括该电源模块的实时数据与预先确定出的模块健康最优数据之间的数据差异关系;其中,模块健康最优数据为预先确定出的每个电源模块对应的最佳运行数据;其中,模块健康最优数据包括:效率最优值、电压最优值、电流最优值、温度最优值、风扇转最优值、散热最优值、负载率最优值、功率最优值中的一种或多种。
103、获取每个电源模块的历史数据变化参数,根据每个电源模块的数据分析结果以及每个电源模块的历史数据变化参数,确定每个电源模块的健康评估参数。
本发明实施例中,可选的,每个电源模块的历史数据变化参数包括:该电源模块在预设的时间段内的效率变化参数,该电源模块在预设的时间段内的电压变化参数,该电源模块在预设的时间段内的电流变化参数,该电源模块在预设的时间段内的功率变化参数,该电源模块在预设的时间段内的负载率变化参数,该电源模块在预设的时间段内的温度变化参数,该电源模块在预设的时间段内的风扇转速变化参数中的一种或多种;进一步可选的,温度变化参数包括:该电源模块在预设的时间段内的温度变化参数,该电源模块在预设的时间段内的散热器温度变化参数,该电源模块在预设的时间段内的DSP温度变化参数中的一种或多种。
本发明实施例中,可选的,每个电源模块的健康评估参数包括该电源模块的健康检测分值;其中,每个电源模块的健康检测分值用于表示该电源模块的健康综合得分。
本发明实施例中,进一步可选的,该方法还包括:
对于每个电源模块,根据该电源模块的健康检测分值,判断该电源模块的健康检测分值是否大于等于预设的健康分值阈值;
当判断出该电源模块的健康检测分值大于等于预设的健康分值阈值时,确定该电源模块的模块诊断结果为正常运行状态;
当判断出该电源模块的健康检测分值小于预设的健康分值阈值时,确定该电源模块的模块诊断结果为异常运行状态,并根据该电源模块的健康检测分值以及该电源模块的数据分析结果,预测该电源模块的故障信息;其中,故障信息包括:该电源模块的故障时刻、该电源模块的故障原因、与该电源模块的故障原因相匹配的检修操作参数中的一种或多种。
104、对于每个电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果。
本发明实施例中,模块诊断结果包括该电源模块的预测运行趋势。
本发明实施例中,可选的,每个电源模块的预测运行趋势包括:该电源模块的预测故障时刻、该电源模块的预测故障原因、该电源模块的预测故障位置、该电源模块的预测故障时长中的一种或多种。进一步可选的,每个电源模块的预测运行趋势包括:该电源模块的预测供电电压变化趋势、该电源模块的预测供电电流变化趋势、该电源模块的功率变化趋势、该电源模块的效率变化趋势、该电源模块的负载率变化趋势中的一种或多种。
本发明实施例中,可选的,模块诊断结果还包括健康运行状态和亚健康运行状态。其中,健康运行状态用于表示该电源模块当前的健康评估参数满足预设的模块健康运行条件;亚健康运行状态用于表示该电源模块当前的健康评估参数不满足预设的模块健康运行条件。
可见,实施图1所描述的基于人工智能的电源设备的健康诊断方法能够获取电源设备中所包括的多个集成的电源模块的模块数据,并将每个电源模块的模块数据输入至智能分析模型中,得到每个电源模块的数据分析结果,获取每个电源模块的历史数据变化参数,根据历史数据变化参数以及数据分析结果,确定每个电源模块的健康评估参数,并根据健康评估参数确定电源模块的模块诊断结果,其中,模块诊断结果包括电源模块的预测运行趋势,能够基于人工智能模型确定每个电源模块的运行状态以及每个模块的预测运行趋势。相较于现有技术中,只能基于电源模块自身的检测参数确定出故障或者异常的电源模块,并进行故障或者异常告警,本申请能够确定每个电源模块的预测运行趋势,并对每个电源模块的故障进行预判,以及对每个电源模块进行健康状态的诊断,能够提高生成每个电源模块的预测运行趋势的精准性,进一步能够提高生成每个电源模块的模块诊断结果的精准性和可靠性,并且通过实时采集每个电源模块的模块数据,有利于提高对电源模块进行健康诊断的实时性和智能性,进而有利于提高对每个电源模块执行检修操作的实时性和精准性,以及有利于保障电源设备运行的稳定性。
实施例二
请参阅图2,图2是本发明实施例公开的另一种基于人工智能的电源设备的健康诊断方法的流程示意图。其中,图2所描述的基于人工智能的电源设备的健康诊断方法可以应用于基于人工智能的电源设备的健康诊断装置中,也可以应用于基于人工智能的电源设备的健康诊断的云端服务器或本地服务器,还可以应用于电芯化成/分容系统中,本发明实施例不做限定。如图2所示,该基于人工智能的电源设备的健康诊断方法可以包括以下操作:
201、获取每个电源模块的模块数据。
202、对于每个电源模块,获取该电源模块的初始模块信息。
本发明实施例中,可选的,本发明实施例中,每个电源模块的初始模块信息包括:该电源模块的初始输入功率信息、初始输出功率信息、初始供电信息、初始负载率信息、初始功耗信息中的一种或多种。
本发明实施例中,可选的,获取每个电源模块的初始模块信息能够是在获取每个电源模块的模块数据之前获取的,也可以是在获取每个电源模块的初始模块信息能够是在获取每个电源模块的模块数据之后获取的,还可以是同时获取每个电源模块的模块数据以及每个电源模块的初始模块信息的,本发明实施例不做具体限定。
203、根据所有电源模块的初始模块信息,对于每个电源模块,将该电源模块的初始模块信息输入至预先确定出的智能分析模型,并基于智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息。
本发明实施例中,可选的,每个电源模块的模块健康记录信息包括该电源模块的健康参考参数;其中,健康参考参数用于表示该电源模块在健康运行状态下的运行参考参数,其中,健康参考参数包括:效率参考参数、电压参考参数、电流参考参数、功率参考参数、负载率参考参数、温度参考参数、风扇转速参考参数中的一种或多种。
本发明实施例中,可选的,预先确定出的智能分析模型可以为多维度交叉验证模型;进一步的,多维度交叉验证模型具体用于自学习每个电源模块的效率与负载率之间的关系、散热器温度与负载功率之间的关系、风扇转速与散热器温度之间的关系、DSP温度与运行时长之间的关系中的一种或多种。
本发明实施例中,进一步可选的,智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息的过程如下:
第一步:对每个电源模块执行上电操作,以及对每个电源模块执行模块注册操作;
第二步:设置智能分析模型的模型自学习条件;其中,模型自学习条件包括时间条件和/或产量条件;
第三步:智能分析模型基于模型自学习条件,执行自学习操作,得到自学习结果;其中,自学习结果包括效率与负载率之间的关系、散热器温度与负载功率之间的关系、风扇转速与散热器温度之间的关系、DSP温度与时间之间的关系;
第四步:根据自学习结果,确定每个电源模块的运行最优值,并根据每个电源模块的运行最优值,确定每个电源模块的模块健康记录信息。
204、对于每个电源模块,将该电源模块的模块健康记录信息以及该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果。
本发明实施例中,可选的,每个电源模块的模块健康记录信息包括该电源模块的最优运行参数;进一步的,每个电源模块的数据分析结果包括该电源模块的模块数据与最优运行参数之间的差异关系。
205、获取每个电源模块的历史数据变化参数,根据每个电源模块的数据分析结果以及每个电源模块的历史数据变化参数,确定每个电源模块的健康评估参数。
206、对于每个电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果。
本发明实施例中,针对步骤201、步骤205-步骤206的详细描述,请参照实施例一中针对步骤101、步骤103-步骤104的其它描述,本发明实施例不再赘述。
可见,实施图2所描述的基于人工智能的电源设备的健康诊断方法能够获取每个电源模块的初始模块信息,并将每个电源模块的初始模块信息输入至智能分析模型,通过智能分析模型执行自学习操作以生成电源模块的模块健康记录信息,并将电源模块的模块健康记录信息以及模块数据输入至智能分析模型,得到电源模块的数据分析结果,能够使得智能分析模型基于人工智能的算法和逻辑进行自学习,并且结合电源模块的初始模块信息以及模块数据进行自学习,能够在系统运行过程中评估每个电源模块的运行行为的准确性和优良度,能够提高对电源模块的运行数据进行采集和处理分析时的准确性和效率,相较于现有技术中仅能通过检测电源模块的运行数据确定故障的电源模块,本申请能够使得智能分析模型执行自学习操作,并生成对应的模块健康记录信息,能够提高生成模块健康记录信息的准确性和可靠性,有利于提高确定每个电源模块运行最优值的精准性,进而还有利于提高对电源模块进行健康诊断的精准性和便捷性。
在一个可选的实施例中,对于每个电源模块,将该电源模块的初始模块信息输入至预先确定出的智能分析模型,并基于智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息,包括:
对于每个电源模块,根据该电源模块的初始模块信息以及预设的自学习条件,确定该电源模块的自学习参数;
对于每个电源模块,将该电源模块的初始模块信息以及自学习参数输入至预先确定出的智能分析模型,并通过智能分析模型执行与自学习参数相匹配的自学习操作,得到该电源模块的目标运行信息,并根据该电源模块的目标运行信息,生成该电源模块的模块健康记录信息;
其中,每个电源模块的目标运行信息包括:该电源模块的目标功率信息、目标负载率信息、目标效率信息、目标电压信息、目标电流信息、目标温度信息中的一种或多种。
在该可选的实施例中,可选的,预设的自学习条件包括时间限定条件和/或产量限定条件;需要说明的是,时间限定包括预设的时长段,产量限定条件包括电芯的产量。进一步可选的,每个电源模块的目标运行信息还包括该电源模块在预设阶段内的变化参数情况;举例来说,每个电源模块的目标运行信息包括:该电源模块在预设阶段内的电压变化参数、电流变化参数、温度变化参数中的一种或多种。
在该可选的实施例中,可选的,每个电源模块的目标运行信息用于表示该电源模块执行与该目标运行信息对应的操作时,该电源模块的运行状态为最佳运行状态。举例来说,当电源模块的目标电压信息为5V时,则该电源模块的供电电压为5V时,该电源模块的运行状态为最佳运行状态。
在该可选的实施例中,可选的,自学习操作包括:分析效率与负载率之间的关系的操作,分析散热器温度与负载功率之间的关系的操作,分析风扇转速与散热器温度关系的操作,分析DSP温度与运行时长之间的关系的操作中的一种或多种操作。其中,DSP(DigitalSignal Processing)为数字信号处理芯片,能够实现对真实世界的连续模拟信号进行测量或滤波。
在该可选的实施例中,可选的,目标温度信息包括:散热器温度信息、DSP温度信息中的一种或多种。
在该可选的实施例中,可选的,每个电源模块的模块健康记录信息包括该电源模块的模块健康档案;其中,每个电源模块的模块健康档案可以包括该电源模块的目标运行信息;进一步的,每个电源模块的模块健康档案还可以包括该电源模块的运行变化参数。
在该可选的实施例中,进一步的,该方法还包括:
对于每个电源模块,获取该电源模块运行过程中的运行参数,并基于该电源模块运行过程中的运行参数,确定该电源模块的参数变化信息;
将每个电源模块的参数变化信息输入至智能分析模型中,以使智能分析模型根据所有电源模块的参数变化信息执行自学习操作以及模型迭代操作。
这样能够通过记录每个电源模块在运行过程中的运行参数并生成参数变化信息,输入至智能分析模型中使得智能分析模型进行自学习以及迭代操作,能够提高智能分析模型的自学习能力,从而能够提高智能分析模型输出模块健康记录信息的精准性,进而有利于提高对每个电源模块进行健康诊断的精准性。
可见,实施该可选的实施例,能够根据每个电源模块的初始模块信息以及自学习条件,确定自学习参数,并将电源模块的初始模块信息以及自学习参数输入至智能分析模型中并执行对应的自学习操作,得到目标运行信息,并根据目标运行信息,生成该电源模块的模块健康记录信息,能够通过智能分析模型执行自学习操作,提高通过智能分析模型得到电源模块的目标运行信息的准确性和可靠性,以及提高智能分析模型生成数据分析结果的准确性和智能性,从而有利于提高生成电源模块的模块健康记录信息的准确性和可靠性。相较于现有技术中的仅能通过检测电源模块的运行数据确定故障的电源模块,本申请能够通过智能分析模型执行自学习操作,能够通过自学习操作记录每个电源模块的阶段变化情况,并生成电源模块的模块健康记录信息,能够提高生成每个电源模块的模块健康记录信息的智能性和准确性,进而有利于提高确定每个电源模块的健康诊断结果的精准性和可靠性。
在另一个可选的实施例中,根据每个电源模块的数据分析结果以及每个电源模块的历史数据变化参数,确定每个电源模块的健康评估参数,包括:
对于每个电源模块,根据该电源模块的数据分析结果,确定该电源模块的目标数据参数;
对于每个电源模块,根据该电源模块的目标数据参数以及该电源模块的历史数据变化参数,对该电源模块执行预设的参数交叉验证操作,得到该电源模块的参数验证结果,并根据该电源模块的参数验证结果,确定该电源模块的健康评估参数。
在该可选的实施例中,可选的,根据该电源模块的数据分析结果,确定该电源模块的目标数据参数,包括:根据该电源模块的数据分析结果,从所有数据分析结果中确定出与该电源模块的运行状态存在关联关系的目标数据参数;其中,目标数据参数的数量为至少一个。这样能够通过从所有数据分析结果中筛选出与该电源模块的运行状态存在关联关系的目标数据参数,能够提高后续对该电源模块执行参数交叉验证操作的效率,进而有利于提高确定电源模块的健康评估参数的效率。
在该可选的实施例中,进一步可选的,根据该电源模块的参数验证结果,确定该电源模块的健康评估参数,包括:根据该电源模块的参数验证结果,生成该电源模块的健康评估分值,并基于该电源模块的健康评估分值,确定该电源模块的健康评估参数。这样能够通过生成每个电源模块的健康评估分值,确定电源模块的健康评估参数,基于量化的方式生成健康评估分值,能够使得用户能够直观地知悉当前每个电源模块的健康评估情况,有利于提高用户查看每个电源模块的健康诊断结果的直观性和便捷性,有利于提高用户对每个电源模块进行管理的便捷性。
可见,实施该可选的实施例,能够根据每个电源模块的数据分析结果确定目标数据参数,并根据每个电源模块的目标数据参数以及历史数据变化参数,对电源模块执行参数交叉验证操作,得到参数验证结果,并根据电源模块的参数验证结果,确定电源模块的健康评估参数,实现在人工智能模式下的参数多维度校验,并且与电源模块的历史数据变化参数相结合对电源模块进行分析,以得到电源模块的健康评估参数,能够从多方面综合性确定电源模块的健康评估参数,以提高确定电源模块的健康评估参数的精准性和可靠性。通过对电源模块执行参数交叉验证操作,有利于进一步提高确定电源模块的参数验证结果的精准性,以及进一步提高确定电源模块的健康评估参数的精准性,进而有利于提高生成电源模块的健康诊断结果的准确性和可靠性。
在又一个可选的实施例中,对于每个电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果之后,该方法还包括:
根据每个电源模块的模块诊断结果,判断所有电源模块中是否存在目标电源模块,目标电源模块的模块诊断结果不满足预设的模块健康条件;
当判断出所有电源模块中存在目标电源模块时,对于每个目标电源模块,根据该目标电源模块的健康评估参数,确定该目标电源模块的检修参数,并对该目标电源模块执行与该目标电源模块的检修参数相匹配的检修操作。
在该可选的实施例中,可选的,根据每个电源模块的模块诊断结果,判断所有电源模块中是否存在目标电源模块,包括:
对于每个电源模块,根据该电源模块的模块诊断结果,确定该电源模块的健康诊断分值;
判断所有电源模块的健康诊断分值是否均大于等于预设的分值阈值;
当判断出所有电源模块的健康诊断分值均大于等于预设的分值阈值时,确定所有电源模块中不存在目标电源模块;当判断出所有电源模块的健康诊断分值存在小于预设的分值阈值时,确定所有电源模块中存在目标电源模块。
其中,预设的分值阈值可以为90分,也可以为其它预设的分值,本发明实施例不做具体限定。
在该可选的实施例中,可选的,当判断出所有电源模块中不存在目标电源模块时,可以结束本流程。
在该可选的实施例中,可选的,对于每个目标电源模块,根据该电源模块的模块诊断结果以及该电源模块的健康评估参数,确定该电源模块的检修参数,包括:对于每个目标电源模块,根据该目标电源模块的模块诊断结果,确定该目标电源模块的模块故障参数;其中,模块故障参数包括该目标电源模块的故障时刻、故障原因、故障时长、故障位置、故障器件中的一种或多种;对于每个目标电源模块,根据该目标电源模块的模块故障参数以及该目标电源模块的健康评估参数,确定该目标电源模块的检修参数;其中,检修参数包括该目标电源模块的检修时刻、检修操作、检修时长、维保建议中的一种或多种。举例来说,当某一目标电源模块的健康评估参数用于表示该目标电源模块的效率低于预设的效率阈值时,确定该目标电源模块的检修参数为确定备份电源模块,并将该目标电源模块替换为该备份电源模块。
在该可选的实施例中,可选的,在对该目标电源模块执行与该目标电源模块的检修参数相匹配的检修操作之后,对该目标电源模块的模块诊断结果执行更新操作,且该目标电源模块更新后的模块诊断结果满足预设的模块健康条件。
可见,实施该可选的实施例能够根据每个电源模块的模块诊断结果,判断所有电源模块中是否存在不满足预设的模块健康条件的目标电源模块,若存在,则根据每个目标电源模块的健康评估参数,确定每个目标电源模块对应的检修参数并执行相匹配的检修操作,相较于现有技术中仅能够确定出故障的电源模块并输出故障告警,现有技术并不能确定出对应的检修参数以及不能执行对应的检修操作,增加了电源模块故障的安全隐患,并且使得电源模块在故障时不能进行及时的检修操作;而本申请能够在确定出存在目标电源模块之后输出对应的检修参数并执行对应的操作,能够提高对电源模块执行检修以及维保操作的准确性,并且能够提高工作人员对电源模块执行维保操作的准确性和智能性,以及有利于提高工作人员对电源模块执行维保操作的及时性和便捷性。
在又一个可选的实施例中,该方法还包括:
获取所有电源模块的实时运行信息,得到实时运行信息集合;
根据实时运行信息集合,判断所有电源模块的实时运行信息中是否存在新增参考参数;
当判断出所有电源模块的实时运行信息中存在新增参考参数时,分析所有新增参考参数,得到参数分析结果;
基于参数分析结果以及每个电源模块的历史数据变化参数,对每个电源模块的目标运行信息执行更新操作,以更新每个电源模块的模块健康记录信息。
在该可选的实施例中,可选的,当判断出所有电源模块的实时运行信息集合中不存在新增参考参数时,可以结束本流程。
在该可选的实施例中,可选的,新增参考参数包括每个电源模块输出电压的稳定性参数、每个电源模块的负载电流参数中的一种或多种。
在该可选的实施例中,可选的,基于参数分析结果以及每个电源模块的历史数据变化参数,对每个电源模块的目标运行信息执行更新操作,以更新每个电源模块的模块健康记录信息,包括:
基于参数分析结果以及每个电源模块的历史数据变化参数,确定每个新增参考参数对电源模块的运行状态的运行影响参数,运行影响参数包括该新增参考参数对电源模块的运行状态的影响程度以及影响方向;根据每个新增参考参数的运行影响参数,生成目标运行信息的调整系数,并根据调整系数对每个电源模块的目标运行信息执行更新操作,以更新每个电源模块的模块健康记录信息。
在该可选的实施例中,举例来说,当新增参考参数中包括输出电压稳定性,且输出电压稳定性对电源模块的输出电压值存在影响时,目标运行信息中的目标电压信息为5V,生成目标运行信息的电压调整系数,电压调整系数用于将目标运行信息中的目标电压信息从5V调整为4.8V,以对每个电源模块的目标运行信息执行更新操作,并进一步更新每个电源模块的模块健康记录信息,实现将每个电源模块的模块健康记录信息中的电压最优值更新为4.8V。这样能够基于新增参考参数以及历史数据变化参数确定每个电源模块的最优值并进行更新,能够在电源模块的运行过程中,根据电源模块的运行参数的变化,对每个电源模块的目标运行信息中的运行最优值进行更新,不仅能够提高智能分析模型的自学习能力,还能够根据电源模块在运行过程中的状态变化以及参数变化,对每个电源模块的目标运行信息执行更新操作,实现在电源模块运行过程中的参数调优,以及实时更新电源模块工作的最优值,有利于提高对电源模块进行健康诊断的及时性,实现电源模块的诊断结果与该电源模块的当前运行状态更为贴切,进而有利于提高对电源模块进行健康诊断的精准性和可靠性。
可见,实施该可选的实施例,能够获取所有电源模块的实时运行信息得到实时运行信息集合,并判断是否存在新增参考参数,若存在,则分析所有新增参考参数,得到参数分析结果,基于参数分析结果以及电源模块的历史数据变化参数,对每个电源模块的目标运行信息执行更新操作,以更新每个电源模块的模块健康记录信息,能够根据电源模块的实时运行信息对电源模块的目标运行信息进行智能化更新,相较于现有技术中仅能够通过初始确定出的最优值对电源模块执行评估操作,其所得到的电源模块的诊断结果存在一定的滞后性,而本申请中能够有利于提高对电源模块的目标运行信息执行更新操作的及时性,实现在电源模块运行过程中的参数调优,以及实时更新电源模块在运行过程中的最优值,有利于提高对电源模块进行健康诊断的及时性,实现电源模块的诊断结果与该电源模块的当前运行状态更为贴切,进而有利于提高对电源模块进行健康诊断的精准性和可靠性。
在又一个可选的实施例中,对于每个电源模块,根据该电源模块的目标数据参数以及该电源模块的历史数据变化参数,对该电源模块执行预设的参数交叉验证操作,得到该电源模块的参数验证结果,包括:
对于每个电源模块,根据该电源模块的目标数据参数,从该电源模块的目标数据参数中确定出目标影响参数,目标影响参数为对该电源模块的运行趋势存在影响的参数;
对于每个电源模块的每个目标影响参数,从该电源模块的历史数据变化参数中确定出与该目标影响参数相匹配的目标趋势参数,并分析该目标影响参数与该目标趋势参数之间的参数差异关系,得到该电源模块的参数差异分析结果;
对于每个电源模块,根据该电源模块的参数差异分析结果,生成该电源模块的参数验证结果。
在该可选的实施例中,可选的,目标影响参数的数量为至少一个。
在该可选的实施例中,可选的,对于每个电源模块的每个目标影响参数,从该电源模块的历史数据变化参数中确定出与该目标影响参数相匹配的目标趋势参数,包括:对于每个电源模块的每个目标影响参数,从该电源模块的历史数据变化参数以及该电源模块的目标运行信息中确定出与该目标影响参数相匹配的目标趋势参数。这样能够基于该电源模块的历史数据变化参数以及目标行信息,共同确定出目标趋势参数,能够从多方面共同确定出目标趋势参数,有利于提高确定目标趋势参数的准确性和可靠性。
在该可选的实施例中,可选的,分析该目标影响参数与该目标趋势参数之间的参数差异关系,得到该电源模块的参数差异分析结果,包括:确定目标影响参数对应的第一目标值,以及确定目标趋势参数对应的第二目标值,计算第一目标值与第二目标值之间的目标差异值,根据目标差异值确定参数差异关系,并将参数差异关系确定为该电源模块的参数差异分析结果。可选的,第一目标值可以包括第一效率值、第一电压值、第一电流值、第一散热器温度值、第一风扇转速、第一环境温度值;第二目标值可以包括第二效率值、第二电压值、第二电流值、第二散热器温度值、第二风扇转速、第二环境温度值。进一步可选的,参数差异关系包括第一目标值与该第一目标值对应的第二目标值之间的差异值;举例来说,参数差异关系包括第一电压值与第二电压值之间的电压差值。进一步的,举例来说,参数差异分析结果包括效率差异分析结果、散热器温度差异分析结果、风扇转速差异分析结果、环境温度差异分析结果中的一种或多种。
可见,实施该可选的实施例,对于每个电源模块能够从该电源模块的目标数据参数中确定出目标影响参数,并在该电源模块的历史数据变化参数中确定出目标趋势参数,分析目标影响参数与目标趋势参数之间的参数差异关系,得到参数差异分析结果,进一步根据该电源模块的参数差异分析结果,生成参数验证结果,能够通过参数多维度校验,与历史数据变化参数相结合进行多维度分析,对目标影响参数以及目标趋势参数进行交叉验证,得到电源模块的参数差异分析结果,能够提高得到电源模块的参数验证结果的精准性和可靠性,进而有利于提高生成每个电源模块的健康评估参数的精准性和可靠性,从而有利于提高确定每个电源模块的模块诊断结果的准确性和可靠性。
实施例三
请参阅图3,图3是本发明实施例公开的一种基于人工智能的电源设备的健康诊断装置的结构示意图, 该电源设备包括多个集成的电源模块。如图3所示,该基于人工智能的电源设备的健康诊断装置可以包括:
获取模块301,用于获取每个电源模块的模块数据;
输入模块302,用于对于每个电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果;
获取模块301,还用于获取每个电源模块的历史数据变化参数;
确定模块303,用于根据每个电源模块的数据分析结果以及每个电源模块的历史数据变化参数,确定每个电源模块的健康评估参数;
确定模块303,还用于对于每个电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果;模块诊断结果包括该电源模块的预测运行趋势。
可见,实施图3所描述的装置能够获取电源设备中所包括的多个集成的电源模块的模块数据,并将每个电源模块的模块数据输入至智能分析模型中,得到每个电源模块的数据分析结果,获取每个电源模块的历史数据变化参数,根据历史数据变化参数以及数据分析结果,确定每个电源模块的健康评估参数,并根据健康评估参数确定电源模块的模块诊断结果,其中,模块诊断结果包括电源模块的预测运行趋势,能够基于人工智能模型确定每个电源模块的运行状态以及每个模块的预测运行趋势。相较于现有技术中,只能基于电源模块自身的检测参数确定出故障或者异常的电源模块,并进行故障或者异常告警,本申请能够确定每个电源模块的预测运行趋势,并对每个电源模块的故障进行预判,以及对每个电源模块进行健康状态的诊断,能够提高生成每个电源模块的预测运行趋势的精准性,进一步能够提高生成每个电源模块的模块诊断结果的精准性和可靠性,并且通过实时采集每个电源模块的模块数据,有利于提高对电源模块进行健康诊断的实时性和智能性,进而有利于提高对每个电源模块执行检修操作的实时性和精准性,以及有利于保障电源设备运行的稳定性。
在一个可选的实施例中,获取模块301,还用于对于每个电源模块,获取该电源模块的初始模块信息;
输入模块302,还用于根据所有电源模块的初始模块信息,对于每个电源模块,将该电源模块的初始模块信息输入至预先确定出的智能分析模型,基于智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息;其中,每个电源模块的初始模块信息包括该电源模块的初始输入功率信息、初始输出功率信息、初始供电信息、初始负载率信息、初始功耗信息中的一种或多种;
其中,输入模块对于每个电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果的具体方式包括:
对于每个电源模块,将该电源模块的模块健康记录信息以及该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果。
可见,实施图3所描述的装置能够获取每个电源模块的初始模块信息,并将每个电源模块的初始模块信息输入至智能分析模型,通过智能分析模型执行自学习操作以生成电源模块的模块健康记录信息,并将电源模块的模块健康记录信息以及模块数据输入至智能分析模型,得到电源模块的数据分析结果,能够使得智能分析模型基于人工智能的算法和逻辑进行自学习,并且结合电源模块的初始模块信息以及模块数据进行自学习,能够在系统运行过程中评估每个电源模块的运行行为的准确性和优良度,能够提高对电源模块的运行数据进行采集和处理分析时的准确性和效率。相较于现有技术中仅能通过检测电源模块的运行数据确定故障的电源模块,本申请能够使得智能分析模型执行自学习操作,并生成对应的模块健康记录信息,能够提高生成模块健康记录信息的准确性和可靠性,有利于提高确定每个电源模块运行最优值的精准性,进而还有利于提高对电源模块进行健康诊断的精准性和便捷性。
在另一个可选的实施例中,输入模块302对于每个电源模块,将该电源模块的初始模块信息输入至预先确定出的智能分析模型,并基于智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息的具体方式包括:
对于每个电源模块,根据该电源模块的初始模块信息以及预设的自学习条件,确定该电源模块的自学习参数;
对于每个电源模块,将该电源模块的初始模块信息以及自学习参数输入至预先确定出的智能分析模型,并通过智能分析模型执行与自学习参数相匹配的自学习操作,得到该电源模块的目标运行信息,并根据该电源模块的目标运行信息,生成该电源模块的模块健康记录信息;
其中,每个电源模块的目标运行信息包括该电源模块的目标功率信息、目标负载率信息、目标效率信息、目标电压信息、目标电流信息、目标温度信息中的一种或多种。
可见,实施图3所描述的装置能够根据每个电源模块的初始模块信息以及自学习条件,确定自学习参数,并将电源模块的初始模块信息以及自学习参数输入至智能分析模型中并执行对应的自学习操作,得到目标运行信息,并根据目标运行信息,生成该电源模块的模块健康记录信息,能够通过智能分析模型执行自学习操作,提高通过智能分析模型得到电源模块的目标运行信息的准确性和可靠性,以及提高智能分析模型生成数据分析结果的准确性和智能性,从而有利于提高生成电源模块的模块健康记录信息的准确性和可靠性。相较于现有技术中的仅能通过检测电源模块的运行数据,确定故障的电源模块,本申请能够通过智能分析模型执行自学习操作,能够通过自学习操作记录每个电源模块的阶段变化情况,并生成电源模块的模块健康记录信息,能够提高生成每个电源模块的模块健康记录信息的智能性和准确性,进而有利于提高确定每个电源模块的健康诊断结果的精准性和可靠性。
在又一个可选的实施例中,确定模块303根据每个电源模块的数据分析结果以及每个电源模块的历史数据变化参数,确定每个电源模块的健康评估参数的具体方式包括:
对于每个电源模块,根据该电源模块的数据分析结果,确定该电源模块的目标数据参数;
对于每个电源模块,根据该电源模块的目标数据参数以及该电源模块的历史数据变化参数,对该电源模块执行预设的参数交叉验证操作,得到该电源模块的参数验证结果,并根据该电源模块的参数验证结果,确定该电源模块的健康评估参数。
可见,实施图3所描述的装置能够根据每个电源模块的数据分析结果确定目标数据参数,并根据每个电源模块的目标数据参数以及历史数据变化参数,对电源模块执行参数交叉验证操作,得到参数验证结果,并根据电源模块的参数验证结果,确定电源模块的健康评估参数,实现在人工智能模式下的参数多维度校验,并且与电源模块的历史数据变化参数相结合对电源模块进行分析,以得到电源模块的健康评估参数,能够从多方面综合性确定电源模块的健康评估参数,以提高确定电源模块的健康评估参数的精准性和可靠性,并且,通过对电源模块执行参数交叉验证操作,有利于进一步提高确定电源模块的参数验证结果的精准性,以及进一步提高确定电源模块的健康评估参数的精准性,从而有利于提高生成电源模块的健康诊断结果的准确性和可靠性。
在又一个可选的实施例中,如图4所示,该装置还包括:
判断模块304,用于在确定模块303对于每个电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果之后,根据每个电源模块的模块诊断结果,判断所有电源模块中是否存在目标电源模块,目标电源模块的模块诊断结果不满足预设的模块健康条件;
确定模块303,还用于当判断模块304判断出所有电源模块中存在目标电源模块时,对于每个目标电源模块,根据该电源模块的健康评估参数,确定该电源模块的检修参数;
执行模块305,用于对该电源模块执行与该电源模块的检修参数相匹配的检修操作。
可见,实施图4所描述的装置能够根据每个电源模块的模块诊断结果,判断所有电源模块中是否存在不满足预设的模块健康条件的目标电源模块,若存在,则根据每个目标电源模块的健康评估参数,确定每个目标电源模块对应的检修参数并执行相匹配的检修操作。相较于现有技术中仅能够确定出故障的电源模块并输出故障告警,现有技术也不能确定出对应的检修参数以及不能执行对应的检修操作,增加了电源模块故障的安全隐患,并且使得电源模块在故障时不能进行及时的检修操作;而本申请能够在确定出存在目标电源模块之后输出对应的检修参数并执行对应的操作,能够提高对电源模块执行检修以及维保操作的准确性,并且能够提高工作人员对电源模块执行维保操作的准确性和智能性,以及有利于提高工作人员对电源模块执行维保操作的及时性和便捷性。
在又一个可选的实施例中,如图4所示,获取模块301,还用于获取所有电源模块的实时运行信息,得到实时运行信息集合;
判断模块304,还用于根据实时运行信息集合,判断所有电源模块的实时运行信息中是否存在新增参考参数;
该装置还包括:
分析模块306,用于当判断模块304判断出所有电源模块的实时运行信息中存在新增参考参数时,分析所有新增参考参数,得到参数分析结果;
更新模块307,用于基于参数分析结果以及每个电源模块的历史数据变化参数,对每个电源模块的目标运行信息执行更新操作,以更新每个电源模块的模块健康记录信息。
可见,实施图4所描述的装置能够获取所有电源模块的实时运行信息得到实时运行信息集合,并判断是否存在新增参考参数,若存在,则分析所有新增参考参数得到参数分析结果,基于参数分析结果以及电源模块的历史数据变化参数,对每个电源模块的目标运行信息执行更新操作,以更新每个电源模块的模块健康记录信息,能够根据电源模块的实时运行信息对电源模块的目标运行信息进行智能化更新,相较于现有技术中仅能够通过初始确定出的最优值对电源模块执行评估操作,其所得到的电源模块的诊断结果存在一定的滞后性,而本申请中能够有利于提高对电源模块的目标运行信息执行更新操作的及时性,实现在电源模块运行过程中的参数调优,以及实时更新电源模块在运行过程中的最优值,有利于提高对电源模块进行健康诊断的及时性,实现电源模块的诊断结果与该电源模块的当前运行状态更为贴切,从而有利于提高对电源模块进行健康诊断的精准性和可靠性。
在又一个可选的实施例中,如图4所示,确定模块303对于每个电源模块,根据该电源模块的目标数据参数以及该电源模块的历史数据变化参数,对该电源模块执行预设的参数交叉验证操作,得到该电源模块的参数验证结果的具体方式包括:
对于每个电源模块,根据该电源模块的目标数据参数,从该电源模块的目标数据参数中确定出目标影响参数,目标影响参数为对该电源模块的运行趋势存在影响的参数;
对于每个电源模块的每个目标影响参数,从该电源模块的历史数据变化参数中确定出与该目标影响参数相匹配的目标趋势参数,并分析该目标影响参数与该目标趋势参数之间的参数差异关系,得到该电源模块的参数差异分析结果;
对于每个电源模块,根据该电源模块的参数差异分析结果,生成该电源模块的参数验证结果。
可见,实施图4所描述的装置能够对于每个电源模块,从该电源模块的目标数据参数中确定出目标影响参数,并在该电源模块的历史数据变化参数中确定出目标趋势参数,分析目标影响参数与目标趋势参数之间的参数差异关系,得到参数差异分析结果,进一步根据该电源模块的参数差异分析结果,生成参数验证结果,能够通过参数多维度校验,与历史数据变化参数相结合进行多维度分析,对目标影响参数以及目标趋势参数进行交叉验证,得到电源模块的参数差异分析结果,能够提高得到电源模块的参数验证结果的精准性和可靠性,从而有利于提高生成每个电源模块的健康评估参数的精准性和可靠性,从而有利于提高确定每个电源模块的模块诊断结果的准确性和可靠性。
实施例四
请参阅图5,图5是本发明实施例公开的又一种基于人工智能的电源设备的健康诊断装置的结构示意图。如图5所示,该基于人工智能的电源设备的健康诊断装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,执行本发明实施例一或本发明实施例二所描述的基于人工智能的电源设备的健康诊断方法中的步骤。
实施例五
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一或本发明实施例二所描述的基于人工智能的电源设备的健康诊断方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于人工智能的电源设备的健康诊断方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于人工智能的电源设备的健康诊断方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的电源设备的健康诊断方法,其特征在于,所述电源设备包括多个集成的电源模块,所述方法包括:
获取每个所述电源模块的模块数据;
对于每个所述电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果;
获取每个所述电源模块的历史数据变化参数,根据每个所述电源模块的数据分析结果以及每个所述电源模块的历史数据变化参数,确定每个所述电源模块的健康评估参数;
对于每个所述电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果;所述模块诊断结果包括该电源模块的预测运行趋势。
2.根据权利要求1所述的基于人工智能的电源设备的健康诊断方法,其特征在于,所述对于每个所述电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果之前,所述方法还包括:
对于每个所述电源模块,获取该电源模块的初始模块信息;
根据所有所述电源模块的初始模块信息,对于每个所述电源模块,将该电源模块的初始模块信息输入至预先确定出的所述智能分析模型,并基于所述智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息;其中,每个所述电源模块的初始模块信息包括该电源模块的初始输入功率信息、初始输出功率信息、初始供电信息、初始负载率信息、初始功耗信息中的一种或多种;
其中,所述对于每个所述电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果,包括:
对于每个所述电源模块,将该电源模块的模块健康记录信息以及该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果。
3.根据权利要求2所述的基于人工智能的电源设备的健康诊断方法,其特征在于,所述对于每个所述电源模块,将该电源模块的初始模块信息输入至预先确定出的所述智能分析模型,并基于所述智能分析模型执行自学习操作,以生成该电源模块的模块健康记录信息,包括:
对于每个所述电源模块,根据该电源模块的初始模块信息以及预设的自学习条件,确定该电源模块的自学习参数;
对于每个所述电源模块,将所述该电源模块的初始模块信息以及所述自学习参数输入至预先确定出的所述智能分析模型,并通过所述智能分析模型执行与所述自学习参数相匹配的自学习操作,得到该电源模块的目标运行信息,并根据该电源模块的目标运行信息,生成该电源模块的模块健康记录信息;
其中,每个所述电源模块的目标运行信息包括该电源模块的目标功率信息、目标负载率信息、目标效率信息、目标电压信息、目标电流信息、目标温度信息中的一种或多种。
4.根据权利要求3所述的基于人工智能的电源设备的健康诊断方法,其特征在于,所述根据每个所述电源模块的数据分析结果以及每个所述电源模块的历史数据变化参数,确定每个所述电源模块的健康评估参数,包括:
对于每个所述电源模块,根据该电源模块的数据分析结果,确定该电源模块的目标数据参数;
对于每个所述电源模块,根据该电源模块的目标数据参数以及该电源模块的历史数据变化参数,对该电源模块执行预设的参数交叉验证操作,得到该电源模块的参数验证结果,并根据该电源模块的参数验证结果,确定该电源模块的健康评估参数。
5.根据权利要求1-4任一项所述的基于人工智能的电源设备的健康诊断方法,其特征在于,所述对于每个所述电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果之后,所述方法还包括:
根据每个所述电源模块的模块诊断结果,判断所有所述电源模块中是否存在目标电源模块,所述目标电源模块的模块诊断结果不满足预设的模块健康条件;
当判断出所有所述电源模块中存在所述目标电源模块时,对于每个所述目标电源模块,根据该目标电源模块的健康评估参数,确定该目标电源模块的检修参数,并对该目标电源模块执行与该目标电源模块的检修参数相匹配的检修操作。
6.根据权利要求2-4任一项所述的基于人工智能的电源设备的健康诊断方法,其特征在于,所述方法还包括:
获取所有所述电源模块的实时运行信息,得到实时运行信息集合;
根据所述实时运行信息集合,判断所有所述电源模块的实时运行信息中是否存在新增参考参数;
当判断出所有所述电源模块的实时运行信息中存在所述新增参考参数时,分析所有所述新增参考参数,得到参数分析结果;
基于所述参数分析结果以及每个所述电源模块的历史数据变化参数,对每个所述电源模块的目标运行信息执行更新操作,以更新每个所述电源模块的模块健康记录信息。
7.根据权利要求4所述的基于人工智能的电源设备的健康诊断方法,其特征在于,所述对于每个所述电源模块,根据该电源模块的目标数据参数以及该电源模块的历史数据变化参数,对该电源模块执行预设的参数交叉验证操作,得到该电源模块的参数验证结果,包括:
对于每个所述电源模块,根据该电源模块的目标数据参数,从该电源模块的目标数据参数中确定出目标影响参数,所述目标影响参数为对该电源模块的运行趋势存在影响的参数;
对于每个所述电源模块的每个所述目标影响参数,从该电源模块的历史数据变化参数中确定出与该目标影响参数相匹配的目标趋势参数,并分析该目标影响参数与该目标趋势参数之间的参数差异关系,得到该电源模块的参数差异分析结果;
对于每个电源模块,根据该电源模块的参数差异分析结果,生成该电源模块的参数验证结果。
8.一种基于人工智能的电源设备的健康诊断装置,其特征在于,所述电源设备包括多个集成的电源模块,所述装置包括:
获取模块,用于获取每个所述电源模块的模块数据;
输入模块,用于对于每个所述电源模块,将该电源模块的模块数据输入至预先确定出的智能分析模型,得到该电源模块的数据分析结果;
所述获取模块,还用于获取每个所述电源模块的历史数据变化参数;
确定模块,用于根据每个所述电源模块的数据分析结果以及每个所述电源模块的历史数据变化参数,确定每个所述电源模块的健康评估参数;
所述确定模块,还用于对于每个所述电源模块,根据该电源模块的健康评估参数,确定该电源模块的模块诊断结果;所述模块诊断结果包括该电源模块的预测运行趋势。
9.一种基于人工智能的电源设备的健康诊断装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于人工智能的电源设备的健康诊断方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于人工智能的电源设备的健康诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652448.0A CN116381542B (zh) | 2023-06-05 | 2023-06-05 | 基于人工智能的电源设备的健康诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652448.0A CN116381542B (zh) | 2023-06-05 | 2023-06-05 | 基于人工智能的电源设备的健康诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116381542A true CN116381542A (zh) | 2023-07-04 |
CN116381542B CN116381542B (zh) | 2023-07-25 |
Family
ID=86973602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310652448.0A Active CN116381542B (zh) | 2023-06-05 | 2023-06-05 | 基于人工智能的电源设备的健康诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116381542B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388749A (zh) * | 2023-12-13 | 2024-01-12 | 深圳市顺源科技有限公司 | 一种电源模块检测方法及检测系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908977A (zh) * | 2010-08-06 | 2010-12-08 | 北京星网锐捷网络技术有限公司 | 网络设备的电源管理方法、系统和网络设备 |
US8949187B1 (en) * | 2008-05-30 | 2015-02-03 | Symantec Corporation | Systems and methods for creating and managing backups based on health information |
US20180026454A1 (en) * | 2016-07-22 | 2018-01-25 | Eos Energy Storage, Llc | Battery Management System |
WO2018105990A1 (ko) * | 2016-12-09 | 2018-06-14 | 주식회사 효성 | 마이크로그리드 시스템 및 고장 처리 방법 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN111060839A (zh) * | 2019-12-31 | 2020-04-24 | 苏州数言信息技术有限公司 | 通用的led电源智能检测方法及系统 |
CN111078479A (zh) * | 2019-09-26 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
CN112859822A (zh) * | 2021-04-25 | 2021-05-28 | 北京邮电大学 | 基于人工智能的设备健康分析及故障诊断的方法及系统 |
TWM631494U (zh) * | 2022-04-22 | 2022-09-01 | 大葉大學 | 智能電源管理邊緣估算系統 |
CN115270137A (zh) * | 2022-07-28 | 2022-11-01 | 中国电信股份有限公司 | 风险状态的确定方法、装置及电子设备 |
-
2023
- 2023-06-05 CN CN202310652448.0A patent/CN116381542B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8949187B1 (en) * | 2008-05-30 | 2015-02-03 | Symantec Corporation | Systems and methods for creating and managing backups based on health information |
CN101908977A (zh) * | 2010-08-06 | 2010-12-08 | 北京星网锐捷网络技术有限公司 | 网络设备的电源管理方法、系统和网络设备 |
US20180026454A1 (en) * | 2016-07-22 | 2018-01-25 | Eos Energy Storage, Llc | Battery Management System |
WO2018105990A1 (ko) * | 2016-12-09 | 2018-06-14 | 주식회사 효성 | 마이크로그리드 시스템 및 고장 처리 방법 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN111078479A (zh) * | 2019-09-26 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
CN111060839A (zh) * | 2019-12-31 | 2020-04-24 | 苏州数言信息技术有限公司 | 通用的led电源智能检测方法及系统 |
CN112859822A (zh) * | 2021-04-25 | 2021-05-28 | 北京邮电大学 | 基于人工智能的设备健康分析及故障诊断的方法及系统 |
TWM631494U (zh) * | 2022-04-22 | 2022-09-01 | 大葉大學 | 智能電源管理邊緣估算系統 |
CN115270137A (zh) * | 2022-07-28 | 2022-11-01 | 中国电信股份有限公司 | 风险状态的确定方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
ROY BILLINTON ET AL.: "Power system health analysis", RELIABILITY ENGINEERING AND SYSTEM SAFETY, no. 55, pages 1 - 8 * |
李伟宸: "卫星电源系统关键装置在轨状态监测方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 01, pages 20 - 24 * |
赵光权 等: "航天器电源建模仿真综述与展望", 仪器仪表学报, vol. 44, no. 4, pages 1 - 18 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388749A (zh) * | 2023-12-13 | 2024-01-12 | 深圳市顺源科技有限公司 | 一种电源模块检测方法及检测系统 |
CN117388749B (zh) * | 2023-12-13 | 2024-03-12 | 深圳市顺源科技有限公司 | 一种电源模块检测方法及检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116381542B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116381542B (zh) | 基于人工智能的电源设备的健康诊断方法及装置 | |
CN116360377B (zh) | 电芯化成分容的数据处理方法及分布式控制系统 | |
CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
CN117347869B (zh) | 储能电池管理系统数据分析方法、装置、电子设备及介质 | |
CN110687851A (zh) | 一种终端运行监控系统及方法 | |
CN109884533A (zh) | 电池故障的诊断方法及装置、设备及存储介质 | |
CN112965990A (zh) | 低压联络柜故障解决方案生成方法、装置 | |
CN116736166A (zh) | 电池包的电芯异常检测方法、装置及电池包 | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN116399477A (zh) | 一种电池模组温度传感器的诊断管控方法及装置 | |
CN115684792A (zh) | 一种基于人工智能的电气自动化设备检测系统 | |
CN112526558B (zh) | 一种局部数据缺失条件下的系统运行工况识别与切割方法 | |
CN116387652B (zh) | 化成/分容电源设备的在线维护系统及方法 | |
CN113591813B (zh) | 基于关联规则算法的异常研判方法、模型构建方法及装置 | |
WO2024090453A1 (ja) | 情報処理方法、情報処理システム及びプログラム | |
JP7325219B2 (ja) | プラント監視診断装置およびプラント監視診断方法 | |
CN117289144B (zh) | 一种故障定位方法、装置、设备、系统和介质 | |
CN113469453B (zh) | 基于信息物理系统的电梯评估方法以及电梯评估装置 | |
WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
JP2024063628A (ja) | 情報処理方法、情報処理システム及びプログラム | |
JP2024063629A (ja) | 情報処理方法、情報処理システム及びプログラム | |
CN117667575A (zh) | 一种电池管理系统的安全风险监测方法及电子设备 | |
Peng et al. | Intelligent diagnosis method of relay protection defects based on Bayesian theory |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |