CN116819379A - 电源适配器的故障监测系统及其方法 - Google Patents
电源适配器的故障监测系统及其方法 Download PDFInfo
- Publication number
- CN116819379A CN116819379A CN202310438025.9A CN202310438025A CN116819379A CN 116819379 A CN116819379 A CN 116819379A CN 202310438025 A CN202310438025 A CN 202310438025A CN 116819379 A CN116819379 A CN 116819379A
- Authority
- CN
- China
- Prior art keywords
- voltage
- vector
- analog signal
- feature
- digital signal
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 357
- 239000011159 matrix material Substances 0.000 claims description 104
- 238000005070 sampling Methods 0.000 claims description 64
- 230000004927 fusion Effects 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 28
- 230000009467 reduction Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- G01R31/40—Testing power supplies
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本申请涉及智能监测领域，其具体地公开了一种电源适配器的故障监测系统及其方法，其通过采用基于深度学习的人工智能监测技术，使用基于深度神经网络的特征提取器从所述电压信号中提取电压特征，并通过分类器来进行故障类型的判断。这样，能够准确快速地确定故障原因，从而及时有效地对于电源适配器故障采取相应地措施进行维护，保证电源适配器的正常工作。
Description
技术领域
本申请涉及智能监测领域，且更为具体地，涉及一种电源适配器的故障监测系统及其方法。
背景技术
电源适配器是电子设备中常用的电源之一，其工作稳定性和可靠性直接影响着设备的性能和寿命。输出电压低是电源适配器故障的一种常见表现形式，引起输出电压低的有以下原因：开关电源负载短路故障，尤其是DC/DC变换器短路或性能不良；输出电压端滤波电容或整流二极管失效；开关管的性能下降，导致开关管无法正常导通，使电源的内阻增加，负载能力下降；开关变压器不良，不仅造成输出电压下降，同时造成开关管应对不足从而损坏开关管。
由于引起电源适配器的输出电压低的故障原因有所不同，在进行故障诊断时需要准确快速地确定故障原因，以及时有效地对于电源适配器故障采取相应地措施进行维护，保证电源适配器的正常工作。但是，目前的故障诊断方法依靠于技术人员进行故障类型的逐一排查来实现故障检测，对于专业水平要求较高，使得电源适配器输出电压低的故障检测效率和精准度难以保证。并且在此过程中，为了提高检测的精度，还需要断开开关电源的所有负载来进行开关电源负载短路故障检测，导致实用性大大降低。
因此，期望一种优化的电源适配器的故障监测系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电源适配器的故障监测系统及其方法，其通过采用基于深度学习的人工智能监测技术，使用基于深度神经网络的特征提取器从所述电压信号中提取电压特征，并通过分类器来进行故障类型的判断。这样，能够准确快速地确定故障原因，从而及时有效地对于电源适配器故障采取相应地措施进行维护，保证电源适配器的正常工作。
根据本申请的一个方面，提供了一种电源适配器的故障监测系统，其包括：电压模拟信号采集模块，用于获取待诊断电源适配器在预定时间段输出的电压模拟信号；模数转换模块，用于对所述电压模拟信号进行模数转换并进行采样以得到多个电压数字信号采样点；数字信号时序变化特征提取模块，用于将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量；模拟信号特征提取模块，用于将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量；特征融合优化模块，用于使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵；以及故障类型检测模块，用于将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签。
在上述电源适配器的故障监测系统中，所述时序编码器包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述电源适配器的故障监测系统中，所述数字信号时序变化特征提取模块，包括：向量构造单元，用于将所述多个电压数字信号采样点按照样本维度排列为电压数字信号输入向量；第一尺度特征提取单元，用于将所述电压数字信号输入向量通过所述Clip模型的时序编码器的第一卷积层以得到第一邻域尺度电压数字信号采样点关联特征向量；第二尺度特征提取单元，用于将所述电压数字信号输入向量通过所述Clip模型的时序编码器的第二卷积层以得到第二邻域尺度电压数字信号采样点关联特征向量；以及，多尺度级联单元，用于使用所述时序编码器的多尺度特征融合层对所述第一邻域尺度电压数字信号采样点关联特征向量和所述第二邻域尺度电压数字信号采样点关联特征向量进行级联以得到电压数字信号时序特征向量。
在上述电源适配器的故障监测系统中，所述模拟信号特征提取模块，包括：使用所述Clip模型的图像编码器的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述Clip模型的图像编码器的最后一层的输出为所述电压模拟信号波形特征向量，所述Clip模型的图像编码器的第一层的输入为所述电压模拟信号。
在上述电源适配器的故障监测系统中，所述特征融合优化模块，包括：联合高斯密度图构造单元，计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；加权因数计算单元，用于计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权优化单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重，分别对所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量进行加权以得到校正后电压数字信号时序特征向量和校正后电压模拟信号波形特征向量；以及，特征融合单元，用于计算所述校正后电压数字信号时序特征向量的转置向量与所述校正后电压模拟信号波形特征向量之间的乘积以得到所述优化电压模拟信号波形特征矩阵。
在上述电源适配器的故障监测系统中，所述联合高斯密度图构造单元，包括：以如下公式来融合所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量以得到所述联合高斯密度图；其中，所述公式为：，其中/>表示所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，且/>的每个位置的值表示所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差。
在上述电源适配器的故障监测系统中，所述加权因数计算单元，用于：以如下公式计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数；其中，所述公式为：其中，/>和/>分别是所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量，/>和/>是所述联合高斯密度图的均值向量和协方差矩阵，所述电压数字信号时序特征向量、所述电压模拟信号波形特征向量和所述联合高斯密度图的均值向量均为列向量形式，/>表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>表示按位置减法，/>表示矩阵乘法，/>表示所述第一高斯概率密度分布距离指数，/> 表示所述第二高斯概率密度分布距离指数。
在上述电源适配器的故障监测系统中，所述特征融合单元，包括：以如下公式来融合所述校正后电压数字信号时序特征向量的转置向量和所述校正后电压模拟信号波形特征向量以得到所述优化电压模拟信号波形特征矩阵。其中，所述公式为：其中 />表示所述校正后电压数字信号时序特征向量的转置向量，/>表示所述校正后电压模拟信号波形特征向量，/>表示所述优化电压模拟信号波形特征矩阵，/>表示矩阵相乘。
在上述电源适配器的故障监测系统中，所述故障类型检测模块，包括：
展开单元，将所述优化电压模拟信号波形特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种电源适配器的故障监测方法，其包括：获取待诊断电源适配器在预定时间段输出的电压模拟信号；对所述电压模拟信号进行模数转换并进行采样以得到多个电压数字信号采样点；将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量；将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量；使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵；以及将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签。
在上述电源适配器的故障监测方法中，所述时序编码器包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述电源适配器的故障监测方法中，所述将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量，包括：将所述多个电压数字信号采样点按照样本维度排列为电压数字信号输入向量；将所述电压数字信号输入向量通过所述Clip模型的时序编码器的第一卷积层以得到第一邻域尺度电压数字信号采样点关联特征向量；将所述电压数字信号输入向量通过所述Clip模型的时序编码器的第二卷积层以得到第二邻域尺度电压数字信号采样点关联特征向量；以及，使用所述时序编码器的多尺度特征融合层对所述第一邻域尺度电压数字信号采样点关联特征向量和所述第二邻域尺度电压数字信号采样点关联特征向量进行级联以得到电压数字信号时序特征向量。
在上述电源适配器的故障监测方法中，所述将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量，包括：使用所述Clip模型的图像编码器的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述Clip模型的图像编码器的最后一层的输出为所述电压模拟信号波形特征向量，所述Clip模型的图像编码器的第一层的输入为所述电压模拟信号。
在上述电源适配器的故障监测方法中，所述使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵，包括：计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重，分别对所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量进行加权以得到校正后电压数字信号时序特征向量和校正后电压模拟信号波形特征向量；以及，计算所述校正后电压数字信号时序特征向量的转置向量与所述校正后电压模拟信号波形特征向量之间的乘积以得到所述优化电压模拟信号波形特征矩阵。
在上述电源适配器的故障监测方法中，所述计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差，包括：以如下公式来融合所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量以得到所述联合高斯密度图；其中，所述公式为：，其中/>表示所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，且/>的每个位置的值表示所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差。
在上述电源适配器的故障监测方法中，所述计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数，用于：以如下公式计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数；其中，所述公式为：其中，/>和/>分别是所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量，/>和/>是所述联合高斯密度图的均值向量和协方差矩阵，所述电压数字信号时序特征向量、所述电压模拟信号波形特征向量和所述联合高斯密度图的均值向量均为列向量形式，/>表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>表示按位置减法，/>表示矩阵乘法，/>表示所述第一高斯概率密度分布距离指数，/> 表示所述第二高斯概率密度分布距离指数。
在上述电源适配器的故障监测方法中，所述计算所述校正后电压数字信号时序特征向量的转置向量与所述校正后电压模拟信号波形特征向量之间的乘积以得到所述优化电压模拟信号波形特征矩阵，包括：以如下公式来融合所述校正后电压数字信号时序特征向量的转置向量和所述校正后电压模拟信号波形特征向量以得到所述优化电压模拟信号波形特征矩阵。
其中，所述公式为：其中 />表示所述校正后电压数字信号时序特征向量的转置向量，/>表示所述校正后电压模拟信号波形特征向量，/>表示所述优化电压模拟信号波形特征矩阵，/>表示矩阵相乘。
在上述电源适配器的故障监测方法中，所述将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签，包括：将所述优化电压模拟信号波形特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的电源适配器的故障监测方法。
根据本申请的再一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电源适配器的故障监测方法。
与现有技术相比，本申请提供的一种电源适配器故障监测系统及其方法，其通过采用基于深度学习的人工智能监测技术，使用基于深度神经网络的特征提取器从所述电压信号中提取电压特征，并通过分类器来进行故障类型的判断。这样，能够准确快速地确定故障原因，从而及时有效地对于电源适配器故障采取相应地措施进行维护，保证电源适配器的正常工作。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的电源适配器的故障监测系统的场景图。
图2为根据本申请实施例的电源适配器的故障监测系统的系统框图。
图3为根据本申请实施例的电源适配器的故障监测系统的架构图。
图4为根据本申请实施例的电源适配器的故障监测系统中数字信号时序变化特征提取模块框图。
图5为根据本申请实施例的电源适配器的故障监测系统中特征融合优化模块框图。
图6为根据本申请实施例的电源适配器的故障监测系统中故障类型检测模块框图。
图7为根据本申请实施例的电源适配器的故障监测方法的流程图。
图8为根据本申请实施例的电子设备的框图。
实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述：如上所述，目前的故障诊断方法依靠于技术人员进行故障类型的逐一排查来实现故障检测，对于专业水平要求较高，使得电源适配器输出电压低的故障检测效率和精准度难以保证。并且在此过程中，为了提高检测的精度，还需要断开开关电源的所有负载来进行开关电源负载短路故障检测，导致实用性大大降低。因此，期望一种优化的电源适配器的故障监测系统。
相应地，考虑到在实际进行电源适配器输出电压低的故障检测过程中，由于引起输出电压低的原因较多，为了能够准确快速地确定故障原因，以及时有效地对于电源适配器故障采取相应地措施进行维护，从而保证电源适配器的正常工作，期望基于输出电压的模拟特征来智能诊断是何种原因引起输出电压过低。但是，由于输出电压的模拟信号易受到外界环境噪声的干扰，导致输出电压信号中关于电压低的故障隐含特征信息变得模糊，从而影响检测的精准度。因此，在此过程中，难点在于如何进行所述电压模拟信号中关于所述电源适配器输出电压低的故障隐含特征的充分表达，以此来准确快速地确定故障原因，从而及时有效地对于电源适配器故障采取相应地措施进行维护，保证电源适配器的正常工作。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述电压模拟信号中关于所述电源适配器输出电压低的故障隐含特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取待诊断电源适配器在预定时间段输出的电压模拟信号。应可以理解，电源适配器输出电压的大小直接反映了电源适配器的工作状态，因此在对于输出电压低的故障类型的诊断中，所述电压模拟信号是最直接有效的信息来源。
接着，考虑到对于所述电压模拟信号来说，由于所述电压模拟信号虽然在时间关联中对于特征的显性更为直观，但是由于所述电压模拟信号会受到外界噪声的干扰，导致对于所述电压模拟信号中关于输出电压低的故障隐含特征的表达能力较弱，进而影响对于故障类型的检测判断。因此，在本申请的技术方案中，对所述电压模拟信号进行模数转换并进行采样以得到多个电压数字信号采样点。应可以理解，在模数转换过程中，所述电压模拟信号经过采样后，被转换为一系列数字值，这些数字值可以表示原始信号在不同时间点上的电压值，将连续的所述电压模拟信号转换为离散的数字信号，以便于后续的数字处理和存储。并且，在模数转换期间，所述电压模拟信号被采样并量化为离散的数字值，且对于每个采样点，仅保留最接近量化级别的数字值。这种过程可使信号变得更抗干扰，这是由于它去除了所述电压模拟信号中的噪声，并将其转换为固定的数字值，从而减少了噪声的影响。但是，还考虑到电压数字信号由于其离散性导致在信号的时序特征显性上并不直观，忽略了时间上的关联特征。基于此，在本申请的技术方案中，采用所述电压模拟信号和电压数字信号的隐含特征结合的方式来进行输出电压低的故障检测。
具体地，考虑到所述电压数字信号采样点之间具有着时序关联性关系，这些采样点之间的时序关联关系反映了电源适配器的输出电压降低的故障隐含特征信息。因此，在进行电压数字信号的特征提取时，为了能够进行所述电压数字信号中关于电源适配器故障隐含特征的充分表达，以此来提高对于电压降低故障检测的精准度，在本申请的技术方案中，需要对于所述电压数字信号采样点之间的时序关联特征信息进行充分表达。
然后，为了能够进一步提高对于所述电压模拟信号的特征提取，以提高对于引起电源适配器的电压降低故障类型检测判断的精准度，进一步使用Clip模型来完成所述电压模拟信号和电压数字信号的特征挖掘融合。也就是，将所述电压模拟信号输入所述Clip模型的图像编码器中进行处理，以通过所述图像编码器的作为过滤器的卷积神经网络模型来提取出所述电压模拟信号的波形图中关于电源适配器的电压降低故障的隐含特征分布信息，从而得到电压模拟信号波形特征向量。
进一步地，所述Clip模型的时序编码器对于多个电压数字信号采样点进行特征挖掘，以提取出所述多个电压数字信号采样点间的多尺度隐含关联特征分布信息，从而得到电压数字信号时序特征向量。特别地，这里，所述时序编码器由包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
接着，进一步再使用所述Clip模型的联合编码器基于所述电压数字信号时序特征向量对所述电压模拟信号波形特征向量进行特征表达优化以得到优化电压模拟信号波形特征矩阵。应可以理解，这里，所述Clip模型的联合编码器能够基于所述电压数字信号的时序特征分布对所述电压模拟信号的时序波形特征分布进行特征优化表达，从而增强所述电压模拟信号中关于引起电压降低故障的隐含特征信息表达效果，以提高对于电源适配器的电压降低故障类型的检测精准度。
然后，将所述优化电压模拟信号波形特征矩阵作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示引起电压降低的故障类型标签的分类结果。也就是，在本申请的技术方案中，所述分类器的标签为引起电压降低的故障类型标签，其包括有开关电源负载短路故障、输出电压端滤波电容或整流二极管失效故障、开关管的性能下降故障和开关变压器不良故障。因此，在得到所述分类结果后，可以基于故障类型采取相应地措施进行维护，以保证电源适配器的正常工作。
特别地，在本申请的技术方案中，这里，在使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化得到所述优化电压模拟信号波形特征矩阵时，是将所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量进行逐位置关联计算以得到所述优化电压模拟信号波形特征矩阵，但是，由于缺乏所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的向量级的融合约束，会使得所述优化电压模拟信号波形特征矩阵在作为目标分类维度的所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的融合特征维度上具有较差的一致性和相关性，从而影响所述优化电压模拟信号波形特征矩阵的分类结果的准确性。
因此，期望收敛所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量之间在高斯类概率密度层面的差异，具体地，首先计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的联合高斯密度图，再进一步计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：其中，/>和/>分别是所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量，/>和/>是联合高斯密度图的均值向量和协方差矩阵，即/>表示所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的均值向量，且/>表示所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的逐位置方差构成的方差矩阵，其中向量为列向量。
这里，通过计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于所述联合高斯密度图表示的联合高斯概率密度分布的特征分布距离，通过以其分别对所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量进行加权，就可以提高通过按位置关联得到的所述优化电压模拟信号波形特征矩阵到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在作为目标分类维度的所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的融合特征维度上的一致性和相关性，以提升所述优化电压模拟信号波形特征矩阵的分类结果的准确性。这样能够准确快速地确定故障原因，从而及时有效地对于电源适配器故障采取相应地措施进行维护，保证电源适配器的正常工作。
基于此，本申请提供了一种电源适配器的故障监测系统，其包括：电压模拟信号采集模块，用于获取待诊断电源适配器在预定时间段输出的电压模拟信号；模数转换模块，用于对所述电压模拟信号进行模数转换并进行采样以得到多个电压数字信号采样点；数字信号时序变化特征提取模块，用于将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量；模拟信号特征提取模块，用于将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量；特征融合优化模块，用于使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵；以及，故障类型检测模块，用于将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签。
图1为根据本申请实施例的电源适配器的故障监测系统的应用场景图。如图1所示，在该应用场景中，首先获取待检测电源适配器（例如，如图1中所示意的P）的电压模拟信号。然后，将所述电压模拟信号输入至部署有用于电源适配器的故障监测算法的服务器（例如，图1中的S）中，其中，所述服务器能够以所述电源适配器的故障监测算法对上述输入的信号进行处理以生成用于表示引起电压降低的故障类型标签的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统：图2为根据本申请实施例的电源适配器的故障监测系统的系统框图。如图2所示，根据本申请实施例的电源适配器的故障监测系统100，包括：电压模拟信号采集模块110，用于获取待诊断电源适配器在预定时间段输出的电压模拟信号；模数转换模块120，用于对所述电压模拟信号进行模数转换并进行采样以得到多个电压数字信号采样点；数字信号时序变化特征提取模块130，用于将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量；模拟信号特征提取模块140，用于将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量；特征融合优化模块150，用于使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵；以及，故障类型检测模块160，用于将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签。
图3为根据本申请实施例的电源适配器的故障监测系统的架构图。如图3所示，在该架构中，首先获取待诊断电源适配器在预定时间段输出的电压模拟信号。其次，对所述电压模拟信号进行模数转换并进行采样以得到多个电压数字信号采样点。接着，将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量。然后，将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量。紧接着，使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵。最后，将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签。
在上述电源适配器的故障监测系统100中，所述电压模拟信号采集模块110，用于获取待诊断电源适配器在预定时间段输出的电压模拟信号。应可以理解，电源适配器输出电压的大小直接反映了电源适配器的工作状态，因此在对于输出电压低的故障类型的诊断中，所述电压模拟信号是最直接有效的信息来源。模拟信号是指信息参数在给定范围内表现为连续的信号或在一段连续的时间间隔内其代表的信息的特征量可以在任意瞬间呈现为任意数值的信号，电压模拟信号是指随时间连续变化的电压信号。
接着，考虑到对于所述电压模拟信号来说，由于所述电压模拟信号虽然在时间关联中对于特征的显性更为直观，但是由于所述电压模拟信号会受到外界噪声的干扰，导致对于所述电压模拟信号中关于输出电压低的故障隐含特征的表达能力较弱，进而影响对于故障类型的检测判断。因此，在上述电源适配器的故障监测系统100中，所述模数转换模块120，用于对所述电压模拟信号进行模数转换并进行采样以得到多个电压数字信号采样点。模数变换主要是对模拟信号进行采样，然后量化编码为二进制数字信号。应可以理解，在模数转换过程中，所述电压模拟信号经过采样后，被转换为一系列数字值，这些数字值可以表示原始信号在不同时间点上的电压值，将连续的所述电压模拟信号转换为离散的数字信号，以便于后续的数字处理和存储。并且，在模数转换期间，所述电压模拟信号被采样并量化为离散的数字值，且对于每个采样点，仅保留最接近量化级别的数字值。这种过程可使信号变得更抗干扰，这是由于它去除了所述电压模拟信号中的噪声，并将其转换为固定的数字值，从而减少了噪声的影响。采用所述电压模拟信号和电压数字信号的隐含特征结合的方式来进行输出电压低的故障检测，对所述电压模拟信号进行模数转换可以使用A/D转换器。
具体地，考虑到所述电压数字信号采样点之间具有着时序关联性关系，这些采样点之间的时序关联关系反映了电源适配器的输出电压降低的故障隐含特征信息。因此，在进行电压数字信号的特征提取时，为了能够进行所述电压数字信号中关于电源适配器故障隐含特征的充分表达，以此来提高对于电压降低故障检测的精准度，在本申请的技术方案中，需要对于所述电压数字信号采样点之间的时序关联特征信息进行充分表达。
在上述电源适配器的故障监测系统100中，所述数字信号时序变化特征提取模块130，用于将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量。特别地，这里，所述时序编码器包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
图4为根据本申请实施例的电源适配器的故障监测系统的数字信号时序变化特征提取模块框图。如图4所示，所述数字信号时序变化特征提取模块130，包括：向量构造单元131，用于将所述多个电压数字信号采样点按照样本维度排列为电压数字信号输入向量；第一尺度特征提取单元132，用于将所述电压数字信号输入向量通过所述Clip模型的时序编码器的第一卷积层以得到第一邻域尺度电压数字信号采样点关联特征向量；第二尺度特征提取单元133，用于将所述电压数字信号输入向量通过所述Clip模型的时序编码器的第二卷积层以得到第二邻域尺度电压数字信号采样点关联特征向量；以及，多尺度级联单元134，用于使用所述时序编码器的多尺度特征融合层对所述第一邻域尺度电压数字信号采样点关联特征向量和所述第二邻域尺度电压数字信号采样点关联特征向量进行级联以得到电压数字信号时序特征向量。
为了能够进一步提高对于所述电压模拟信号的特征提取，以提高对于引起电源适配器的电压降低故障类型检测判断的精准度，进一步使用Clip模型来完成所述电压模拟信号和电压数字信号的特征挖掘融合。在上述电源适配器的故障监测系统100中，所述模拟信号特征提取模块140，用于将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量。也就是，将所述电压模拟信号输入所述Clip模型的图像编码器中进行处理，以通过所述图像编码器的作为过滤器的卷积神经网络模型来提取出所述电压模拟信号的波形图中关于电源适配器的电压降低故障的隐含特征分布信息，从而得到电压模拟信号波形特征向量。
具体地，在上述电源适配器的故障监测系统100中，所述模拟信号特征提取模块140，包括：使用所述Clip模型的图像编码器的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述Clip模型的图像编码器的最后一层的输出为所述电压模拟信号波形特征向量，所述Clip模型的图像编码器的第一层的输入为所述电压模拟信号。
在上述电源适配器的故障监测系统100中，所述特征融合优化模块150，用于使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵。应可以理解，这里，所述Clip模型的联合编码器能够基于所述电压数字信号的时序特征分布对所述电压模拟信号的时序波形特征分布进行特征优化表达，从而增强所述电压模拟信号中关于引起电压降低故障的隐含特征信息表达效果，以提高对于电源适配器的电压降低故障类型的检测精准度。
图5为根据本申请实施例的电源适配器的故障监测系统的特征融合优化模块框图。如图5所示，所述特征融合优化模块150，包括：联合高斯密度图构造单元151，计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；加权因数计算单元152，用于计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权优化单元153，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重，分别对所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量进行加权以得到校正后电压数字信号时序特征向量和校正后电压模拟信号波形特征向量；以及，特征融合单元154，用于计算所述校正后电压数字信号时序特征向量的转置向量与所述校正后电压模拟信号波形特征向量之间的乘积以得到所述优化电压模拟信号波形特征矩阵。
具体地，在上述电源适配器的故障监测系统100中，所述联合高斯密度图构造单元151，包括：以如下公式来融合所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量以得到所述联合高斯密度图；其中，所述公式为：，其中/>表示所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，且/>的每个位置的值表示所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差。
具体地，在上述电源适配器的故障监测系统100中，所述加权因数计算单元152，用于：以如下公式计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数；其中，所述公式为：其中，/>和/>分别是所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量，/>和/>是所述联合高斯密度图的均值向量和协方差矩阵，所述电压数字信号时序特征向量、所述电压模拟信号波形特征向量和所述联合高斯密度图的均值向量均为列向量形式，/>表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>表示按位置减法，/>表示矩阵乘法，/>表示所述第一高斯概率密度分布距离指数，/>表示所述第二高斯概率密度分布距离指数。
具体地，在上述电源适配器的故障监测系统100中，所述特征融合单元154，包括：以如下公式使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵；
其中，所述公式为：其中 /> 表示所述校正后电压数字信号时序特征向量的转置向量，/>表示所述校正后电压模拟信号波形特征向量，/>表示所述优化电压模拟信号波形特征矩阵，/>表示矩阵相乘。
在上述电源适配器的故障监测系统100中，所述故障类型检测模块160，用于将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签。也就是，在本申请的技术方案中，所述分类器的标签为引起电压降低的故障类型标签，其包括有开关电源负载短路故障、输出电压端滤波电容或整流二极管失效故障、开关管的性能下降故障和开关变压器不良故障。因此，在得到所述分类结果后，可以基于故障类型采取相应地措施进行维护，以保证电源适配器的正常工作。
图6为根据本申请实施例的电源适配器的故障监测系统的故障类型检测模块框图。如图6所示，所述故障类型检测模块160，包括：展开单元161，将所述优化电压模拟信号波形特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元162，使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元163，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的电源适配器的故障监测系统100被阐明，其通过采用基于深度学习的人工智能监测技术，使用基于深度神经网络的特征提取器从所述电压信号中提取电压特征，并通过分类器来进行故障类型的判断。这样，能够准确快速地确定故障原因，从而及时有效地对于电源适配器故障采取相应地措施进行维护，保证电源适配器的正常工作。
如上所述，根据本申请实施例的电源适配器的故障监测系统100可以实现在各种终端设备中，例如电源适配器的故障监测的服务器等。在一个示例中，根据本申请实施例的电源适配器的故障监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该电源适配器的故障监测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该电源适配器的故障监测系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该电源适配器的故障监测系统100与该终端设备也可以是分立的设备，并且该电源适配器的故障监测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法：图7为根据本申请实施例的电源适配器的故障监测方法的流程图。如图7所示，根据本申请实施例的电源适配器的故障监测方法，包括：S110，获取待诊断电源适配器在预定时间段输出的电压模拟信号；S120，对所述电压模拟信号进行模数转换并进行采样以得到多个电压数字信号采样点；S130，将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量；S140，将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量；S150，使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵；以及，S160，将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签。
在一个示例中，在上述电源适配器的故障监测方法中，所述时序编码器包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在一个示例中，在上述电源适配器的故障监测方法中，所述将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量，包括：将所述多个电压数字信号采样点按照样本维度排列为电压数字信号输入向量；将所述电压数字信号输入向量通过所述Clip模型的时序编码器的第一卷积层以得到第一邻域尺度电压数字信号采样点关联特征向量；将所述电压数字信号输入向量通过所述Clip模型的时序编码器的第二卷积层以得到第二邻域尺度电压数字信号采样点关联特征向量；以及，使用所述时序编码器的多尺度特征融合层对所述第一邻域尺度电压数字信号采样点关联特征向量和所述第二邻域尺度电压数字信号采样点关联特征向量进行级联以得到电压数字信号时序特征向量。
在一个示例中，在上述电源适配器的故障监测方法中，所述将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量，包括：使用所述Clip模型的图像编码器的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述Clip模型的图像编码器的最后一层的输出为所述电压模拟信号波形特征向量，所述Clip模型的图像编码器的第一层的输入为所述电压模拟信号。
在一个示例中，在上述电源适配器的故障监测方法中，所述使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵，包括：计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重，分别对所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量进行加权以得到校正后电压数字信号时序特征向量和校正后电压模拟信号波形特征向量；以及，计算所述校正后电压数字信号时序特征向量的转置向量与所述校正后电压模拟信号波形特征向量之间的乘积以得到所述优化电压模拟信号波形特征矩阵。
在一个示例中，在上述电源适配器的故障监测方法中，所述计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差，包括：以如下公式来融合所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量以得到所述联合高斯密度图；
其中，所述公式为：，其中/>表示所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，且/>的每个位置的值表示所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差。
在一个示例中，在上述电源适配器的故障监测方法中，所述计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数，用于：以如下公式计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数；其中，所述公式为：其中，/>和/>分别是所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量，/>和/>是所述联合高斯密度图的均值向量和协方差矩阵，所述电压数字信号时序特征向量、所述电压模拟信号波形特征向量和所述联合高斯密度图的均值向量均为列向量形式，/>表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>表示按位置减法，/>表示矩阵乘法，/>表示所述第一高斯概率密度分布距离指数，/>表示所述第二高斯概率密度分布距离指数。
在一个示例中，在上述电源适配器的故障监测方法中，所述计算所述校正后电压数字信号时序特征向量的转置向量与所述校正后电压模拟信号波形特征向量之间的乘积以得到所述优化电压模拟信号波形特征矩阵，包括：以如下公式来融合所述校正后电压数字信号时序特征向量的转置向量和所述校正后电压模拟信号波形特征向量以得到所述优化电压模拟信号波形特征矩阵。其中，所述公式为：其中 /> 表示所述校正后电压数字信号时序特征向量的转置向量，/>表示所述校正后电压模拟信号波形特征向量，/>表示所述优化电压模拟信号波形特征矩阵，/>表示矩阵相乘。
在一个示例中，在上述电源适配器的故障监测方法中，所述将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签，包括：将所述优化电压模拟信号波形特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，本申请实施例的电源适配器的故障监测方法被阐明，其通过采用基于深度学习的人工智能监测技术，使用基于深度神经网络的特征提取器从所述电压信号中提取电压特征，并通过分类器来进行故障类型的判断。这样，能够准确快速地确定故障原因，从而及时有效地对于电源适配器故障采取相应地措施进行维护，保证电源适配器的正常工作。
示例性电子设备：下面，参考图8来描述根据本申请实施例的电子设备。
图8为根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的电源适配器的故障监测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如电压模拟信号、故障类型标签等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括用于表示引起电压降低的故障类型标签等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电源适配器的故障监测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电源适配器的故障监测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种电源适配器的故障监测系统，其特征在于，包括：电压模拟信号采集模块，用于获取待诊断电源适配器在预定时间段输出的电压模拟信号；模数转换模块，用于对所述电压模拟信号进行模数转换并进行采样以得到多个电压数字信号采样点；数字信号时序变化特征提取模块，用于将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量；模拟信号特征提取模块，用于将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量；特征融合优化模块，用于使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵；以及故障类型检测模块，用于将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签。
2.根据权利要求1所述的电源适配器的故障监测系统，其特征在于，所述时序编码器包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
3.根据权利要求2所述的电源适配器的故障监测系统，其特征在于，所述数字信号时序变化特征提取模块，包括：向量构造单元，用于将所述多个电压数字信号采样点按照样本维度排列为电压数字信号输入向量；第一尺度特征提取单元，用于将所述电压数字信号输入向量通过所述Clip模型的时序编码器的第一卷积层以得到第一邻域尺度电压数字信号采样点关联特征向量；第二尺度特征提取单元，用于将所述电压数字信号输入向量通过所述Clip模型的时序编码器的第二卷积层以得到第二邻域尺度电压数字信号采样点关联特征向量；以及多尺度级联单元，用于使用所述时序编码器的多尺度特征融合层对所述第一邻域尺度电压数字信号采样点关联特征向量和所述第二邻域尺度电压数字信号采样点关联特征向量进行级联以得到电压数字信号时序特征向量。
4.根据权利要求3所述的电源适配器的故障监测系统，其特征在于，所述模拟信号特征提取模块，包括：使用所述Clip模型的图像编码器的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述Clip模型的图像编码器的最后一层的输出为所述电压模拟信号波形特征向量，所述Clip模型的图像编码器的第一层的输入为所述电压模拟信号。
5.根据权利要求4所述的电源适配器的故障监测系统，其特征在于，所述特征融合优化模块，包括：联合高斯密度图构造单元，计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；加权因数计算单元，用于计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权优化单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重，分别对所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量进行加权以得到校正后电压数字信号时序特征向量和校正后电压模拟信号波形特征向量；以及特征融合单元，用于计算所述校正后电压数字信号时序特征向量的转置向量与所述校正后电压模拟信号波形特征向量之间的乘积以得到所述优化电压模拟信号波形特征矩阵。
6.根据权利要求5所述的电源适配器的故障监测系统，其特征在于，所述联合高斯密度图构造单元，包括：以如下公式来融合所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量以得到所述联合高斯密度图；其中，所述公式为，其中/>表示所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量的按位置均值向量，且/>的每个位置的值表示所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差。
7.根据权利要求6所述的电源适配器的故障监测系统，其特征在于，所述加权因数计算单元，用于：以如下公式计算所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数；其中，所述公式为：其中，/>和/>分别是所述电压数字信号时序特征向量和所述电压模拟信号波形特征向量，/>和/>是所述联合高斯密度图的均值向量和协方差矩阵，所述电压数字信号时序特征向量、所述电压模拟信号波形特征向量和所述联合高斯密度图的均值向量均为列向量形式，/>表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>表示按位置减法，/>表示矩阵乘法，/>表示所述第一高斯概率密度分布距离指数，/> 表示所述第二高斯概率密度分布距离指数。
8.根据权利要求7所述的电源适配器的故障监测系统，其特征在于，所述特征融合单元，包括：以如下公式来融合所述校正后电压数字信号时序特征向量的转置向量和所述校正后电压模拟信号波形特征向量以得到所述优化电压模拟信号波形特征矩阵，其中，所述公式为：其中 /> 表示所述校正后电压数字信号时序特征向量的转置向量，/>表示所述校正后电压模拟信号波形特征向量，/>表示所述优化电压模拟信号波形特征矩阵，/>表示矩阵相乘。
9.根据权利要求8所述的电源适配器的故障监测系统，其特征在于，所述故障类型检测模块，包括：展开单元，将所述优化电压模拟信号波形特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
10.一种电源适配器的故障监测方法，其特征在于，包括：获取待诊断电源适配器在预定时间段输出的电压模拟信号；对所述电压模拟信号进行模数转换并进行采样以得到多个电压数字信号采样点；将所述多个电压数字信号采样点输入Clip模型的时序编码器以得到电压数字信号时序特征向量；将所述电压模拟信号输入所述Clip模型的图像编码器以得到电压模拟信号波形特征向量；使用所述Clip模型来基于所述电压数字信号时序特征向量，对所述电压模拟信号波形特征向量的特征表达进行优化以得到优化电压模拟信号波形特征矩阵；以及将所述优化电压模拟信号波形特征矩阵通过分类器以得到分类结果，所述分类结果用于表示引起电压降低的故障类型标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310438025.9A CN116819379A (zh) | 2023-04-23 | 2023-04-23 | 电源适配器的故障监测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310438025.9A CN116819379A (zh) | 2023-04-23 | 2023-04-23 | 电源适配器的故障监测系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116819379A true CN116819379A (zh) | 2023-09-29 |
Family
ID=88121148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310438025.9A Pending CN116819379A (zh) | 2023-04-23 | 2023-04-23 | 电源适配器的故障监测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819379A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117148023A (zh) * | 2023-10-31 | 2023-12-01 | 威海海泰电子有限公司 | 一种智能电源适配器生产检测方法及系统 |
| CN117169639A (zh) * | 2023-11-02 | 2023-12-05 | 启东市航新实用技术研究所 | 一种电源适配器生产用产品检测方法及系统 |
| CN117368639A (zh) * | 2023-10-18 | 2024-01-09 | 浙江德清迪生电力科技有限公司 | 基于人工智能的输电线路故障识别系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106463996A (zh) * | 2014-01-28 | 2017-02-22 | 广东欧珀移动通信有限公司 | 电源适配器、终端和充电回路异常的处理方法 |
| CN208820672U (zh) * | 2018-11-01 | 2019-05-03 | 深圳鑫博威科技有限公司 | 一种具有断电保护功能的电源适配器 |
| CN112986803A (zh) * | 2021-03-15 | 2021-06-18 | 深圳慧能泰半导体科技有限公司 | 一种故障检测电路与方法、电源适配器及电子设备 |
| CN115783923A (zh) * | 2022-11-30 | 2023-03-14 | 沃克斯迅达电梯有限公司 | 基于大数据的电梯故障模式识别系统 |
| CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
| CN115950590A (zh) * | 2023-03-15 | 2023-04-11 | 凯晟动力技术（嘉兴）有限公司 | 气体发动机泄露预警系统 |
-
2023
- 2023-04-23 CN CN202310438025.9A patent/CN116819379A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106463996A (zh) * | 2014-01-28 | 2017-02-22 | 广东欧珀移动通信有限公司 | 电源适配器、终端和充电回路异常的处理方法 |
| CN208820672U (zh) * | 2018-11-01 | 2019-05-03 | 深圳鑫博威科技有限公司 | 一种具有断电保护功能的电源适配器 |
| CN112986803A (zh) * | 2021-03-15 | 2021-06-18 | 深圳慧能泰半导体科技有限公司 | 一种故障检测电路与方法、电源适配器及电子设备 |
| CN115783923A (zh) * | 2022-11-30 | 2023-03-14 | 沃克斯迅达电梯有限公司 | 基于大数据的电梯故障模式识别系统 |
| CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
| CN115950590A (zh) * | 2023-03-15 | 2023-04-11 | 凯晟动力技术（嘉兴）有限公司 | 气体发动机泄露预警系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368639A (zh) * | 2023-10-18 | 2024-01-09 | 浙江德清迪生电力科技有限公司 | 基于人工智能的输电线路故障识别系统及方法 |
| CN117148023A (zh) * | 2023-10-31 | 2023-12-01 | 威海海泰电子有限公司 | 一种智能电源适配器生产检测方法及系统 |
| CN117148023B (zh) * | 2023-10-31 | 2024-01-26 | 威海海泰电子有限公司 | 一种智能电源适配器生产检测方法及系统 |
| CN117169639A (zh) * | 2023-11-02 | 2023-12-05 | 启东市航新实用技术研究所 | 一种电源适配器生产用产品检测方法及系统 |
| CN117169639B (zh) * | 2023-11-02 | 2023-12-29 | 启东市航新实用技术研究所 | 一种电源适配器生产用产品检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116819379A (zh) | 电源适配器的故障监测系统及其方法 | |
| CN115796173B (zh) | 针对监管报送需求的数据处理方法和系统 | |
| CN114825257B (zh) | Led灯检测的漏电保护装置及其漏电保护方法 | |
| CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
| CN115783923B (zh) | 基于大数据的电梯故障模式识别系统 | |
| CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
| CN116247824B (zh) | 电力设备的控制方法及其系统 | |
| CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
| CN115146676A (zh) | 电路故障检测方法及其系统 | |
| CN116204266A (zh) | 远程协助的信息创建运维系统及其方法 | |
| CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
| CN114900126A (zh) | 太阳能电池组件的接地测试设备及其接地测试方法 | |
| CN116089648B (zh) | 基于人工智能的档案管理系统及方法 | |
| CN115471216A (zh) | 智慧实验室管理平台的数据管理方法 | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
| CN115511890A (zh) | 异型网络接口大流量数据的分析系统 | |
| CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
| CN116502899B (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
| CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
| CN112766810A (zh) | 用于智能综合性整体质量评价的神经网络的训练方法 | |
| CN116958697A (zh) | 基于图像的电力安全巡检系统及其方法 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN117421655A (zh) | 工业互联网数据流异常检测方法及系统 | |
| CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
| CN116701880A (zh) | 时间序列数据预测方法、系统、设备及介质 |
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 |