CN116418120A - 一种应用于水冷电源的智能预警方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种应用于水冷电源的智能预警方法。该方法获取水冷电源的历史温度信号和数据平滑处理后的基线信号；根据基线信号间趋势和时长的差异可以获得差异度，并聚类得到信号段聚簇；根据历史温度信号的幅值波动获得信号段聚簇的负反馈因子；根据信号段聚簇中基线信号与历史温度信号的变化程度获得状态趋势函数和状态协方差矩阵；通过当前运行时长与信号段聚簇综合运行时长匹配，得到目标信号段聚簇对卡尔曼滤波进行优化，并根据负反馈因子调整更新时长不断更新卡尔曼滤波，通过优化卡尔曼滤波预处理监测数据进行预警。本发明通过数据处理，使卡尔曼滤波的去噪实时性更佳，收敛速度更快，去噪效果更准确。

Description

一种应用于水冷电源的智能预警方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种应用于水冷电源的智能预警方法。

背景技术

水冷电源是一种高效节能的新型电源设备，其运行稳定性和安全性对于保障电力系统的正常运行具有重要意义。为了提高水冷电源的智能化水平和运维效率，可在其内部设置智能预警系统，实现对设备状态的实时监测和预警提示。包括温度、水位、故障、能耗预警等，并提供针对性的预警和提示，及时发现潜在问题并进行预防和解决。

在对监测数据预处理时，传统的滤波方法会使数据失真或将异常值情况进行滤波，其滤波效果较差，对于实时性去噪效果较好的卡尔曼滤波而言，卡尔曼滤波依赖于状态噪声参数的选取，现有对噪声参数的选取不佳，使得卡尔曼预测数据不准确，对噪声类型复杂时的实时去噪效果不佳，使得预警系统受到实时噪声干扰程度较大。

发明内容

为了解决现有技术中对噪声参数的选取不佳，使得卡尔曼预测数据不准确，对噪声类型复杂时的实时去噪效果不佳的技术问题，本发明的目的在于提供一种应用于水冷电源的智能预警方法，所采用的技术方案具体如下：

本发明提供了一种应用于水冷电源的智能预警方法，所述方法包括：

获取水冷电源两组以上的历史温度信号；对每组所述历史温度信号进行数据平滑处理获得基线信号；

根据所述基线信号之间的趋势差异性和时长差异性获得基线信号之间的差异度，根据所述差异度将所述基线信号对应的所述历史温度信号进行聚类，获得信号段聚簇；在每个信号段聚簇中，根据所有所述历史温度信号的幅值波动程度获得每个信号段聚簇的负反馈因子；

在每个信号段聚簇中，根据所有历史温度信号对应的基线信号的幅值变化趋势，拟合多项式函数获得状态趋势函数；根据信号段聚簇中每组历史温度信号与对应的基线信号的差异，获得每个信号段聚簇的状态协方差矩阵；

获取水冷电源的当前运行时长，根据当前运行时长与每个信号段聚簇的综合运行时长进行匹配，获得目标信号段聚簇；根据目标信号段聚簇的所述状态趋势函数和所述状态协方差矩阵获得优化卡尔曼滤波；根据目标信号段聚簇的所述负反馈因子的离散程度调整预设的初始更新时长，获得调节更新时长；

根据所述调节更新时长更新所述优化卡尔曼滤波，通过优化卡尔曼滤波获得当前水冷电源每个时刻的监测数据并进行预警。

进一步地，所述历史温度信号的获取方法包括：

获取水冷电源的历史传感器数据，每个所述历史传感器数据对应为一个采样点；将每次水冷电源进行开和关的一次运行时长作为一组历史传感器数据的温度监测时长，根据一组历史传感器数据的温度监测时长和温度监测时长上的所有所述采样点，获得一组历史温度信号。

进一步地，所述差异度的获取方法包括：

采用动态时间规整算法将两个基线信号对齐，计算两个基线信号对应采样点之间的幅值差值，获得对应采样点之间的趋势差异性；将两个基线信号对应所述温度监测时长的差值作为时间差异性；

计算两个基线信号中所有所述趋势差异性和所述时间差异性的L2范数，获得两个基准信号之间的差异度。

进一步地，所述负反馈因子的获取方法包括：

在每个信号段聚簇中，计算每组历史温度信号幅值的方差作为信号波动性，将所有历史温度信号的信号波动性的累加值作为波动总值，将每组历史温度信号的信号波动性与所述波动总值的比值作为每组历史温度信号的波动贡献率；

在每个信号段聚簇中，计算相同波动贡献率的数量与历史温度信号总数量的出现占比，根据不同所述波动贡献率的出现占比计算信息熵，获得每个信号段聚簇的负反馈因子。

进一步地，所述综合运行时长的获取方法包括：

在信号段聚簇中，将所有历史温度信号对应的开始端一侧对齐，计算所有所述温度监测时长的平均值作为信号段聚簇的综合运行时长。

进一步地，所述状态趋势函数的获取方法包括：

计算在综合运行时长上每个采样点对应所有基线信号的幅值平均值，将幅值平均值与时刻的比值作为变化系数；

将每个采样点对应的变化系数作为多项式中的常数系数，时刻作为多项式中的变量进行多项式拟合，将获得的拟合多项式方程作为信号段聚簇的状态趋势函数。

进一步地，所述状态协方差矩阵的获取方法包括：

在每个信号段聚簇中，计算每组历史温度信号与各自对应的基线信号的差值，获得每组历史温度信号的残差数据集；将每个信号段聚簇中所有组的历史温度信号的残差数据集转化为协方差矩阵，获得每个信号段聚簇的状态协方差矩阵。

进一步地，所述目标信号段聚簇的获取方法包括：

将所有信号段聚簇的综合运行时长从小到大排序，获得信号段聚簇序列；

若当前运行时长小于信号段聚簇序列中的第一个信号段聚簇的综合运行时长，将第一个信号段聚簇作为目标信号段聚簇；

若当前运行时长大于等于信号段聚簇序列中的第一个信号段聚簇的综合运行时长，任选信号段聚簇序列中除第一个信号段聚簇外的一个信号段聚簇作为参考信号段聚簇；当当前运行时长小于参考信号段聚簇的综合运行时长，且大于等于参考信号段聚簇的前一信号段聚簇的综合运行时长时，将参考信号段聚簇作为目标信号段聚簇。

进一步地，所述调节更新时长的获取方法包括：

将目标信号段聚簇的负反馈因子与所有负反馈因子的平均值作比，获得调节系数；根据调节系数和预设的初始更新时长获得调节更新时长，所述调节系数与所述调节更新时长呈负相关关系，所述预设的初始更新时长与所述调节更新时长呈正相关关系。

进一步地，所述根据所述调节更新时长更新所述优化卡尔曼滤波，包括：

将调节更新时长作为优化卡尔曼滤波的初始更新时长，再次根据当前运行时长获得新目标信号段聚簇，根据新目标信号段聚簇的所述负反馈因子获得更新后的调节更新时长；根据新目标信号段聚簇的所述状态趋势函数和所述状态协方差矩阵获得更新后的优化卡尔曼滤波。

本发明具有如下有益效果：

1.本发明获取水冷电源的历史温度信号并进行数据平滑处理获得对应的基线信号，方便对原始信号进行分析。根据基线信号间的趋势差异和时长差异可以获得差异度，通过差异度对历史温度信号聚类得到信号段聚簇，通过聚类可以对相同运行状态的历史温度信号进行整体特征分析，使后续根据运行状态进行优化的结果更准确。考虑到信号段聚簇中根据信号段聚簇中历史温度信号间的差异程度，获得每个信号段聚簇的负反馈因子，帮助评判每个信号段聚簇的状态分析优劣情况。进一步根据信号段聚簇的运行状态情况，优化卡尔曼滤波，提高卡尔曼滤波的实时去噪效果，通过优化卡尔曼滤波预处理，可以得到更精准的监测数据进行预警监测。

2.在根据信号段聚簇的运行状态对卡尔曼滤波进行优化时，根据每个信号段聚簇中基线信号的幅值变化趋势进行多项式拟合获得状态趋势函数，并根据基线信号与历史温度信号的差异程度获得每个信号段聚簇的状态协方差矩阵，通过状态趋势函数和状态协方差矩阵表征每个信号段聚簇对应运行状态的趋势和噪声状态。获取当前运行时长与信号段聚簇综合运行时长进行匹配，得到目标信号段聚簇，进一步将目标信号段聚簇的状态趋势函数和状态协方差矩阵对卡尔曼滤波进行优化，并根据目标信号段聚簇的负反馈因子对预设的初始更新时长进行调整，通过调整更新时长实现自适应调节卡尔曼滤波的状态方程和状态协方差矩阵，使卡尔曼滤波的去噪实时性更佳，收敛速度更快，去噪效果更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。

图1为本发明一个实施例所提供的一种应用于水冷电源的智能预警方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种应用于水冷电源的智能预警方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种应用于水冷电源的智能预警方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种应用于水冷电源的智能预警方法流程图，该方法包括以下步骤：

S1：获取水冷电源两组以上的历史温度信号；对每组历史温度信号进行数据平滑处理获得基线信号。

通常的水冷电源中都会设置温度传感器，用于实时监测水冷系统各个部件的温度变化情况，并预设有高温阈值，水冷电源散热功能较好，一旦出现电源温度过高则触发警报系统，代表可能存在水冷功能损坏或电源运行超负荷，提醒使用者、管理员调整使用情况或者进行报修。对于水冷电源而言，其正常工作区间较为稳定，异常预警阈值可以通过经验值准确设定，但是由于预警监测是针对全工作时段的，因此传感器长时间运行下容易产生过热、偏移以及噪声问题，预警装置对异常值极为敏感，当由于信号偏移、噪声问题导致出现干扰信号时，干扰信号也可能被视为异常信号而激活预警装置，因此一般对于监测预警装置，均需要较强的预处理系统，才能维持预警系统的稳定运行。

在温度传感器测量的原始数据中存在大量的噪声，这些噪声主要来源与传输环境电磁干扰、运行状态变化和供电电源的稳定性问题三个主要因素，预警系统通常是根据异常值识别进行报警的，但噪声问题会干扰异常值检测，使预警误报问题严重，通常的去噪算法仅仅是对时序信号进行了平滑，但在抑制噪声的同时也会使原始信号失真，甚至可能将异常值进行平滑影响判断。

而本发明选择实时去噪性能较好的卡尔曼滤波进行数据的预处理，卡尔曼滤波基本思想是通过对历史数据的统计学习和对当前数据的状态估计，得出最优的估计结果，并不断修正和更新估计值，以提高预测和控制的精度和稳定性。卡尔曼滤波的去噪精度和收敛速度极为依赖状态噪声参数，若状态噪声选取不佳，则去噪实时性将大打折扣，预警系统仍会受到实时噪声的干扰出现误报、错报问题。因此本发明主要针对卡尔曼滤波中的状态方程和状态协方差矩阵进行优化，提高实时去噪精度，需要说明的是，卡尔曼滤波为本领域技术人员熟知的技术手段，对于卡尔曼滤波其他观测方程和观测噪声等参数可根据监测传感器类型、精度等进行设置和调整，在此不做过多赘述。

首先收集同型号水冷电源的产品跟踪数据，即同型号电源在历史被使用过程中所收集的各类监测数据，这些监测数据会在监测过程中反馈至原厂家，并整理形成大数据库，此外收集到的历史温度数据均为未经任何预处理的原始数据。因此，获取水冷电源两组以上的历史温度信号，具体包括：

通过温度传感器获取水冷电源的历史传感器数据，由于水冷电源的历史传感器数据是间隔记录的，因此每个历史传感器数据对应为一个采样点。将每次水冷电源进行开和关的一次运行时长作为一组历史传感器数据的温度监测时长，根据一组历史传感器数据的温度监测时长和温度监测时长上的所有采样点，按照信号段位单位进行记录获得一组历史温度信号。

由于电源的运行状态多样，历史温度信号的变化均存在一定差异，为了更方便对相似的历史温度信号进行分析，对所有历史温度信号进行数据平滑处理获得各自对应的基线信号，在本发明实施例中，采用滑动均值法进行数据平滑处理，使信号平滑均匀，数据分析便捷，需要说明的是，滑动均值法为本领域技术人员熟知的技术手段，在其他实施例中也可选用指数滑动平均法或分箱法平均进行数据平滑处理，在此不做限制。

至此，获得水冷电源的历史温度信号和对应的基线信号，进行后续对信号运行状态的分析。

S2：根据基线信号之间的趋势差异性和时长差异性获得基线信号之间的差异度，根据差异度将基线信号对应的历史温度信号进行聚类，获得信号段聚簇；在每个信号段聚簇中，根据所有历史温度信号的幅值波动程度获得每个信号段聚簇的负反馈因子。

对于历史温度信号来说，每组历史温度信号的运行状态不同，反映的电源发热情况也是不同的，因此可以通过历史温度信号的趋势差异性和运行时长的差异性，对所有历史温度信号进行聚类，获得运行状态差异小的历史温度信号以便对当前运行状态进行最优匹配分析。因此，对所有历史温度信号对应的基线信号进行分析，通过基线信号之间的趋势差异性和时长差异性获得基线信号之间的差异度，具体包括：

由于温度监测时长是根据水冷电源一次开和关的时间获取的，由于每次工作运行时长的不同，信号段之间在进行趋势差异性计算时，需要先将信号段根据位置对齐，因此优选地，采用动态时间规整算法将两个基线信号对齐，计算两个基线信号对应采样点之间的幅值差值，获得对应采样点之间的趋势差异性，在对齐后，每个采样点间的幅值差值可以反映采样点的局部趋势差异程度，通过所有采样点的趋势差异性可以综合反映两个基线信号的趋势差异情况。需要说明的是，动态时间规整算法为本领域技术人员熟知的技术手段，在此不做赘述。

根据水冷电源的工作时长，当运行时间越相近，也说明电源的发热状态等越相近，因此将两个基线信号对应温度监测时长的差值作为时间差异性，通过时间差异性反映两个基线信号的运行时间状态的差异情况。

综合趋势差异性和时间差异性，优选地计算两个基线信号间所有趋势差异性和时间差异性的L2范数，获得两个基线信号之间的差异度，在本发明实施例中，两个基线准信号之间的差异度具体表达式为：

式中，

表示为基线信号/>

与基线信号/>

的差异度，/>

表示为基线信号/>

中第/>

个采样点的幅值，/>

表示为基线信号/>

中第/>

个采样点的幅值，/>

表示对应采样点的总数量，/>

表示为基线信号/>

的温度监测时长，/>

表示为基线信号/>

的温度监测时长。

其中，

表示为第/>

个采样点的趋势差异性，/>

表示为基线信号/>

与基线信号/>

的时间差异性，/>

为对所有趋势差异性和时间差异性求L2范数，当两个基线信号的整体趋势差异性越小，时间差异性越小，说明两个基线信号运行状态越相似，则两个基线信号之间的差异度是越小。

当两个基线信号的差异度越小，说明越相似，因此根据差异度可以对基线信号对应的而历史温度信号进行聚类，获得信号段聚簇，每个信号段聚簇代表着电源的一种运行状态，通过对每个信号段聚簇分析，可以得到信号段聚簇内部的噪声情况，由于噪声类型的多样性，若叠加噪声类型与信号段的运行状态服从一定的线性关系，则运行状态相似的信号段噪声干扰情况也是相似的，有助于对后续噪声类型的判断。

在本发明实施例中，根据所有基线信号间的差异度进行层次聚类获得聚类树，进一步根据聚类树每层对应簇内平均方差，选择平均方差最小的一层作为聚簇分类层，获得多个信号段聚簇。在本发明其他实施例中，还可以选择k均值算法或凝聚层次聚类方法等对历史温度信号进行聚类，在此不做限制。需要说明的是，层次聚类、k均值算法或凝聚层次聚类的聚类方法均为本领域技术人员熟知的技术方法，在此不做赘述。

进一步，在每个信号段聚簇中，根据所有历史温度信号的幅值波动程度获得每个信号段聚簇的负反馈因子，其中波动程度为信号段聚簇中历史温度信号的趋向性是否一致，虽然信号段聚簇中的历史温度信号较为相近，但在幅值波动上均会有一定差异，根据幅值的波动程度获得每个信号段聚簇的负反馈因子，通过负反馈因子表征信号段聚簇中的历史温度信号的稳定性。

根据每组历史温度信号的幅值波动差异获得每组历史温度信号的波动贡献率，具体为：在每个信号段聚簇中，计算每组历史温度信号幅值的方差作为信号波动性，通过方差反映幅值的波动程度，将所有信号波动性的累加值作为波动总值，将每组历史温度信号的信号波动性与波动总值的比值作为每组历史温度信号的波动贡献率。通过波动贡献率表征每组历史温度信号的波动差异对整体信号段聚簇的波动情况的贡献程度，在本发明实施例中，每组历史温度信号的波动贡献率的具体表达式为：

式中，

表示为历史温度信号/>

的波动贡献率，/>

表示为历史温度信号/>

的信号波动性，/>

表示为信号段聚簇/>

中的历史温度信号总数量；/>

表示为方差函数。

其中，

表示为波动总值，通过比值的形式对每组历史温度信号段的波动情况分析，当历史温度信号的波动程度越大，即信号波动性越大，则对应的波动贡献率越大。

进一步根据信号段聚簇中每个历史温度的波动贡献率的相似情况分析，当同一信号段聚簇中的历史温度信号运行状态较为相近时，波动贡献率也是较为相近的，代表在该运行状态下，噪声的叠加较为固定。

因此，根据每个信号段聚簇中所有波动贡献率的离散程度获得每个信号段聚簇的负反馈因子，通过负反馈因子反映对波动贡献率整体分析相近情况，可以帮助调整后续预测结果的准确性，具体为：在每个信号段聚簇中，计算相同波动贡献率的数量与历史温度信号总数量的出现占比，根据不同波动贡献率的出现占比计算信息熵，获得每个信号段聚簇的负反馈因子，在本发明实施例中，负反馈因子的具体表达式为：

式中，

表示为信号段聚簇/>

的负反馈因子，/>

表示为第/>

类波动贡献率的数量，/>

表示为信号段聚簇/>

中的历史温度信号总数量，/>

表示为不同波动贡献率的总类型数；/>

表示为自然对数；/>

表示为第/>

类波动贡献率的出现占比。需要说明的是，信息熵公式的运用为本领域技术人员熟知的技术手段，因此具体公式的意义不再赘述。

当负反馈因子越小，说明历史温度信号较为稳定，信号段聚簇中噪声类型较为相似，叠加的噪声状态也较为相似，则在后续对噪声类型的准确预测时，准确度也越高。反之，当负反馈因子越大，说明同运行状态下历史温度信号变化较为多样，噪声类型较为复杂，得到的初始噪声预测精度也会较差，因此通过信号段聚簇的负反馈因子可以提供一个对后续噪声预测效果的预期评价。

至此，完成对历史温度信号的分析，得到信号段聚簇及信号段聚簇中能反映后续噪声预测效果的负反馈因子。

S3：在每个信号段聚簇中，根据所有历史温度信号对应的基线信号的幅值变化趋势，拟合多项式函数获得状态趋势函数；根据信号段聚簇中每组历史温度信号与对应的基线信号的差异，获得每个信号段聚簇的状态协方差矩阵。

在已经获得信号段聚簇中，每个信号段聚簇代表着一种水冷电源的运行状态，不同的运行状态可以得到不同的状态函数，即电源在运行到不同时刻时，对应的运行情况可以根据历史划分的信号段聚簇进行分析，得到不同的状态函数，因此在每个信号段聚簇中，根据所有历史温度信号对应的基线信号的幅值变化趋势，拟合多项式函数获得状态趋势函数，具体包括：

在信号段聚簇中，将所有历史温度信号对应的开始端一侧对齐，由于每组历史温度信号为一次水冷电源开启关闭后获得的，因此同一信号段聚簇中的历史温度信号的温度监测时长会有一定的差异，计算所有所述温度监测时长的平均值作为信号段聚簇的综合运行时长，综合时长可以反映信号段聚簇的整体运行时长趋势，此时对齐开始端可以确保历史温度信号上的采样点是一一对应的，计算在综合运行时长上每个采样点对应所有基线信号的幅值平均值，将幅值平均值与时刻的比值作为变化系数，变化系数可以表示为在该采样点时对应趋势的幅值变化率，在本发明实施例中，每个采样点对应的变化系数的具体表达式为：

式中，

表示为第/>

个采样点的变化系数，/>

表示为历史温度信号/>

对应的基线信号中第/>

个采样点的幅值，/>

表示为信号段聚簇/>

中的历史温度信号总数量，/>

表示为第/>

个采样点对应的时刻。

在得到每个采样点处的变化系数后，将每个采样点对应的变化系数作为多项式中的常数系数，时刻作为多项式中的变量进行多项式拟合，通过多项式方程可以完整表征信号段聚簇的趋势变化情况，因此将获得的拟合多项式方程作为信号段聚簇的状态趋势函数。在本发明实施例中，状态趋势函数的具体表达式为：

式中，

表示为信号段聚簇/>

的以时刻/>

为变量的状态趋势函数，/>

表示为信号段聚簇/>

的综合运行时长上采样点的总数量，/>

表示为第/>

个采样点的变化系数，即多项式的常数系数；/>

表示为变量时刻/>

的次数为/>

，举例而言，当采样点为第1个采样点时，对应变化系数为/>

，对应变量及次数为/>

，即采样点与次数为对应关系。需要说明的是，拟合多项式函数为本领域技术人员熟知的公知技术手段，具体公式的意义不再赘述。

至此，完成对每个信号段聚簇的状态趋势函数的获取，通过状态趋势函数可以预测下一时刻信号的趋势状态，而每个信号段聚簇对应的状态噪声也可以得到，计算每组历史温度信号与各自对应的基线信号的差值，差值反映了每组历史温度信号的噪声波动情况，获得残差数据集，表征整个信号段聚簇的状态噪声情况，将每个信号段聚簇中所有的残差数据集转化为协方差矩阵，获得每个信号段聚簇的状态协方差矩阵，以便后续优化卡尔曼滤波。需要说明的是，协方差矩阵的构建为本领域技术人员熟知的技术手段，在此不做赘述。

S4：获取水冷电源的当前运行时长，根据当前运行时长与每个信号段聚簇的综合运行时长进行匹配，获得目标信号段聚簇；根据目标信号段聚簇的状态趋势函数和状态协方差矩阵获得优化卡尔曼滤波；根据目标信号段聚簇的负反馈因子的离散程度调整预设的初始更新时长，获得调节更新时长。

在完成对历史温度信号的分析后，可以根据历史温度信号获得运行状态相近的进行聚类，并对每个信号段聚簇分析，得到每个信号段聚簇对应的状态趋势函数和状态协方差矩阵。进一步可以根据当前水冷电源的运行情况，进行卡尔曼滤波的优化和更新调整。

本发明的优化方法主要在于是卡尔曼滤波随着电源运行时长的增长，从历史温度信号中选择对应运行时长相近的聚簇，以该信号段聚簇的状态趋势函数和状态协方差矩阵来更新卡尔曼滤波的方程，并在更新过程中，通过负反馈因子自适应调整更新时间，最大程度保证卡尔曼滤波后续预测的准确性，减少效果较差的状态噪声的迭代时间，加速收敛。

首先获取水冷电源的当前运行时长，需要说明的是，通常开始监测的当前时刻为开启水冷电源的时刻，因此当前运行时长是较小的。进一步根据当前运行时长与每个信号段聚簇的综合运行时长进行匹配，获得目标信号段聚簇，目标信号段聚簇的获取方法具体包括：

将所有信号段聚簇的综合运行时长从小到大排序，获得信号段聚簇序列，通过信号段聚簇序列对运行时长排序，方便根据当前运行时长进行匹配。若当前运行时长小于信号段聚簇序列中的第一个信号段聚簇的综合运行时长，即当前运行时长开始进行监测时，是均小于第一个信号段聚簇的综合运行时长的，则直接将第一个信号段聚簇作为目标信号段聚簇，可以进行初始状态噪声的确定。

若当前运行时长大于等于信号段聚簇序列中的第一个信号段聚簇的综合运行时长，对除第一个信号段聚簇外的其余信号段聚簇进行匹配，任选信号段聚簇序列中除第一个信号段聚簇外的一个信号段聚簇作为参考信号段聚簇，需要说明的是，在此是对目标信号段聚簇的选取匹配过程进行描述的，在实际监测中，由于运行时长是逐步增长的，参考信号段的选取可以选取目标信号段聚簇的下一个信号段聚簇，然后进行匹配，此时匹配效率更高更准确。当当前运行时长小于参考信号段聚簇的综合运行时长，且大于等于参考信号段聚簇的前一信号段聚簇的综合运行时长时，将参考信号段聚簇作为目标信号段聚簇。此时说明前一信号段聚簇的状态已经不能表征当前运行时长对应的状态了，可以进入下一信号段聚簇对应的运行状态进行分析。

此时目标信号段聚簇的状态趋势函数和状态协方差矩阵，可以更新传统卡尔曼滤波中的关于状态方程与状态协方差的两个公式，获得优化卡尔曼滤波，提高卡尔曼滤波对后续预测的准确性，优化卡尔曼滤波会随着目标信号段聚簇的转变开始转变，因此优化卡尔曼滤波存在一定的预设的初始更新时长，在本发明实施例中，预设的初始更新时长为10分钟，即初始优化卡尔曼滤波再次进行更新的时间为10分钟，具体数值实施者可根据具体实施情况进行调整。

同时在S2中得到了每个信号段聚簇的负反馈因子，负反馈因子可以对预测效果进行一定评价，当负反馈因子越大时，说明噪声复杂性越高，预测的结果可能较为不佳，需要加快卡尔曼滤波的更新时间，以达到最优预测效果，因此根据目标信号段聚簇的负反馈因子在所有负反馈因子中的离散程度调整预设的初始更新时长，获得调节更新时长具体包括：

将目标信号段聚簇的负反馈因子与所有负反馈因子的平均值作比，获得调节系数，通过调节系数表征目标信号段聚簇负反馈因子的相对大小，当相对负反馈因子越小，说明预测结果越精确，需要调节的程度越慢，反之当相对负反馈因子越大，说明预测结果越差，需要加快更新时间。

根据调节系数和预设的初始更新时长获得调节更新时长，调节系数与调节更新时长呈负相关关系，预设的初始更新时长与调节更新时长呈正相关关系，在本发明实施例中，为了后续结果的准确性，调节更新时长的具体表达式为：

式中，

表示为调节更新时长，/>

表示为预设的初始更新时长，/>

为目标信号段聚簇/>

的负反馈因子，/>

表示为负反馈因子的总数量；/>

表示为求反比例计算。

其中，

表示为目标信号段聚簇/>

对应的调节系数，通过反比例反映调节系数与调节更新时长的负相关关系，通过乘积反映预设的初始更新时长与调节更新时长呈正相关关系，当预测结果更准确时，调节系数越小，反比例后的调节系数越大，对预设的初始更新时长调节程度越慢，调节更新时长越长，反之预测结果不佳时，调节系数越大，反比例后的调节系数越小，对预设的初始更新时长调节程度越快，调节更新时长越短，加快调节速度。

至此，完成对卡尔曼滤波的更新方法及更新时间的优化。

S5：根据调节更新时长更新优化卡尔曼滤波，通过优化卡尔曼滤波获得当前水冷电源每个时刻的监测数据并进行预警。

在水冷电源进行监测预警中，根据运行时长的增长将会不断更新卡尔曼滤波，根据获得的调节更新时长进行卡尔曼滤波的具体更新方法为：将调节更新时长作为优化卡尔曼滤波的初始更新时长，可再次根据当前运行时长获得新目标信号段聚簇，根据新目标信号段聚簇的负反馈因子获得更新后的调节更新时长，实现不断的对初始更新时长调整更新速度，通过新目标信号段聚簇的状态趋势函数和状态协方差矩阵获得更新后的优化卡尔曼滤波。

传统的卡尔曼滤波需要根据一定的更新时间不断更新调整自身方程和协方差，本发明中预设的初始更新时长为当前卡尔曼滤波未进行优化前设置的更新时长，在进行一次优化后，获得调整更新时长，通过调整更新时长对应的时间来自适应调整卡尔曼滤波，也即在得到优化卡尔曼滤波后，可以将调节更新时长作为优化卡尔曼滤波的初始更新时长，在时间经过当前优化卡尔曼滤波的初始更新时长对应时间长度后，需要再次进行目标信号段聚簇的匹配，重新调整卡尔曼滤波对应方程和协方差，并获得新的调节更新时长作为初始更新时长，继续更新。

通过自适应调节卡尔曼滤波的状态方程和状态协方差矩阵，最大程度的保证卡尔曼滤波后续预测的准确性，加速收敛，使卡尔曼滤波对水冷电源温度监测数据的去噪实时性更佳，收敛速度更快，去噪效果更加准确。

最终，通过优化卡尔曼滤波获得当前水冷电源每个时刻的监测数据并进行预警，在实际水冷电源的预警系统中会有预先设置的经验阈值，水冷电源的预警温度会受到多种因素的影响，例如具体产品型号、散热系统设计和环境温度等。一般来说，水冷电源的正常工作温度应该在40度至60度之间，在本发明实施例中，预设经验阈值为40度，即温度高于经验阈值时，则触发警报。经过本发明优化卡尔曼滤波的数据预处理，可以为水冷电源预警系统提供更高效、更精准的监测数据，使预警效果明显提高，大幅减少了误报、错报问题，提高电源运行的安全性。

综上，本发明获取水冷电源的历史温度信号，并进行数据平滑处理获得对应的基线信号。根据基线信号间的趋势差异和时长差异可以获得差异度，通过差异度对历史温度信号聚类得到信号段聚簇，通过信号段聚簇可以分析不同运行状态的历史温度信号的整体特征。考虑到信号段聚簇中根据信号段聚簇中历史温度信号的差异程度，根据历史温度信号的幅值波动程度获得每个信号段聚簇的负反馈因子。进一步根据每个信号段聚簇中基线信号的幅值变化趋势进行多项式拟合获得状态趋势函数，并根据基线信号与历史温度信号的差异程度获得每个信号段聚簇的状态协方差矩阵，表征每个信号段聚簇对应运行状态的趋势和噪声状态。通过当前运行时长与信号段聚簇综合运行时长的匹配，得到目标信号段聚簇通过状态趋势函数和状态协方差矩阵对卡尔曼滤波进行优化，并根据目标信号段聚簇的负反馈因子对预设的初始更新时长进行调整，实现自适应调节卡尔曼滤波的状态方程和状态协方差矩阵，通过优化卡尔曼滤波预处理监测数据进行预警监测。本发明通过数据处理，使卡尔曼滤波的去噪实时性更佳，收敛速度更快，去噪效果更加准确。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种应用于水冷电源的智能预警方法，其特征在于，所述方法包括：

获取水冷电源两组以上的历史温度信号；对每组所述历史温度信号进行数据平滑处理获得基线信号；

根据所述基线信号之间的趋势差异性和时长差异性获得基线信号之间的差异度，根据所述差异度将所述基线信号对应的所述历史温度信号进行聚类，获得信号段聚簇；在每个信号段聚簇中，根据所有所述历史温度信号的幅值波动程度获得每个信号段聚簇的负反馈因子；

在每个信号段聚簇中，根据所有历史温度信号对应的基线信号的幅值变化趋势，拟合多项式函数获得状态趋势函数；根据信号段聚簇中每组历史温度信号与对应的基线信号的差异，获得每个信号段聚簇的状态协方差矩阵；

获取水冷电源的当前运行时长，根据当前运行时长与每个信号段聚簇的综合运行时长进行匹配，获得目标信号段聚簇；根据目标信号段聚簇的所述状态趋势函数和所述状态协方差矩阵获得优化卡尔曼滤波；根据目标信号段聚簇的所述负反馈因子的离散程度调整预设的初始更新时长，获得调节更新时长；

根据所述调节更新时长更新所述优化卡尔曼滤波，通过优化卡尔曼滤波获得当前水冷电源每个时刻的监测数据并进行预警。

2.根据权利要求1所述的一种应用于水冷电源的智能预警方法，其特征在于，所述历史温度信号的获取方法包括：

获取水冷电源的历史传感器数据，每个所述历史传感器数据对应为一个采样点；将每次水冷电源进行开和关的一次运行时长作为一组历史传感器数据的温度监测时长，根据一组历史传感器数据的温度监测时长和温度监测时长上的所有所述采样点，获得一组历史温度信号。

3.根据权利要求2所述的一种应用于水冷电源的智能预警方法，其特征在于，所述差异度的获取方法包括：

采用动态时间规整算法将两个基线信号对齐，计算两个基线信号对应采样点之间的幅值差值，获得对应采样点之间的趋势差异性；将两个基线信号对应所述温度监测时长的差值作为时间差异性；

计算两个基线信号中所有所述趋势差异性和所述时间差异性的L2范数，获得两个基准信号之间的差异度。

4.根据权利要求1所述的一种应用于水冷电源的智能预警方法，其特征在于，所述负反馈因子的获取方法包括：

在每个信号段聚簇中，计算每组历史温度信号幅值的方差作为信号波动性，将所有历史温度信号的信号波动性的累加值作为波动总值，将每组历史温度信号的信号波动性与所述波动总值的比值作为每组历史温度信号的波动贡献率；

在每个信号段聚簇中，计算相同波动贡献率的数量与历史温度信号总数量的出现占比，根据不同所述波动贡献率的出现占比计算信息熵，获得每个信号段聚簇的负反馈因子。

5.根据权利要求2所述的一种应用于水冷电源的智能预警方法，其特征在于，所述综合运行时长的获取方法包括：

在信号段聚簇中，将所有历史温度信号对应的开始端一侧对齐，计算所有所述温度监测时长的平均值作为信号段聚簇的综合运行时长。

6.根据权利要求2所述的一种应用于水冷电源的智能预警方法，其特征在于，所述状态趋势函数的获取方法包括：

计算在综合运行时长上每个采样点对应所有基线信号的幅值平均值，将幅值平均值与时刻的比值作为变化系数；

将每个采样点对应的变化系数作为多项式中的常数系数，时刻作为多项式中的变量进行多项式拟合，将获得的拟合多项式方程作为信号段聚簇的状态趋势函数。

7.根据权利要求1所述的一种应用于水冷电源的智能预警方法，其特征在于，所述状态协方差矩阵的获取方法包括：

在每个信号段聚簇中，计算每组历史温度信号与各自对应的基线信号的差值，获得每组历史温度信号的残差数据集；将每个信号段聚簇中所有组的历史温度信号的残差数据集转化为协方差矩阵，获得每个信号段聚簇的状态协方差矩阵。

8.根据权利要求5所述的一种应用于水冷电源的智能预警方法，其特征在于，所述目标信号段聚簇的获取方法包括：

将所有信号段聚簇的综合运行时长从小到大排序，获得信号段聚簇序列；

若当前运行时长小于信号段聚簇序列中的第一个信号段聚簇的综合运行时长，将第一个信号段聚簇作为目标信号段聚簇；

若当前运行时长大于等于信号段聚簇序列中的第一个信号段聚簇的综合运行时长，任选信号段聚簇序列中除第一个信号段聚簇外的一个信号段聚簇作为参考信号段聚簇；当当前运行时长小于参考信号段聚簇的综合运行时长，且大于等于参考信号段聚簇的前一信号段聚簇的综合运行时长时，将参考信号段聚簇作为目标信号段聚簇。

9.根据权利要求1所述的一种应用于水冷电源的智能预警方法，其特征在于，所述调节更新时长的获取方法包括：

将目标信号段聚簇的负反馈因子与所有负反馈因子的平均值作比，获得调节系数；根据调节系数和预设的初始更新时长获得调节更新时长，所述调节系数与所述调节更新时长呈负相关关系，所述预设的初始更新时长与所述调节更新时长呈正相关关系。

10.根据权利要求1所述的一种应用于水冷电源的智能预警方法，其特征在于，所述根据所述调节更新时长更新所述优化卡尔曼滤波，包括：

将调节更新时长作为优化卡尔曼滤波的初始更新时长，再次根据当前运行时长获得新目标信号段聚簇，根据新目标信号段聚簇的所述负反馈因子获得更新后的调节更新时长；根据新目标信号段聚簇的所述状态趋势函数和所述状态协方差矩阵获得更新后的优化卡尔曼滤波。

Images