CN116882303A - 一种激光电源的寿命预测方法、系统及存储介质 - Google Patents

一种激光电源的寿命预测方法、系统及存储介质 Download PDF

Info

Publication number
CN116882303A
CN116882303A CN202311145400.7A CN202311145400A CN116882303A CN 116882303 A CN116882303 A CN 116882303A CN 202311145400 A CN202311145400 A CN 202311145400A CN 116882303 A CN116882303 A CN 116882303A
Authority
CN
China
Prior art keywords
power supply
laser power
life prediction
parameters
value
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
Application number
CN202311145400.7A
Other languages
English (en)
Other versions
CN116882303B (zh
Inventor
王建廷
杨俊锋
张振伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Lianming Power Supply Co ltd
Original Assignee
Shenzhen Lianming Power Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Lianming Power Co ltd filed Critical Shenzhen Lianming Power Co ltd
Priority to CN202311145400.7A priority Critical patent/CN116882303B/zh
Publication of CN116882303A publication Critical patent/CN116882303A/zh
Application granted granted Critical
Publication of CN116882303B publication Critical patent/CN116882303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/0014—Monitoring arrangements not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Electromagnetism (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Optics & Photonics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Plasma & Fusion (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Lasers (AREA)

Abstract

本发明涉及一种激光电源的寿命预测方法、系统及存储介质，本发明通过获取激光电源的多源工作参数数据信息，并通过对激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据，根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并对激光电源的寿命预测参数数据进行状态描述，获取寿命预测参数的状态值。通过关联工作参数之间的拓扑关系图以及独立参数的样本数据来构建寿命预测的样本数据，能够提高激光电源的寿命预测系统的预测精度；另一方面，通过融合奇异值分解算法以及余弦度量法，能够降低寿命预测系统的计算复杂度以及提高寿命预测系统的预测精度。

Description

一种激光电源的寿命预测方法、系统及存储介质
技术领域
本发明涉及寿命预测技术领域，尤其涉及一种激光电源的寿命预测方法、系统及存储介质。
背景技术
激光电源是高性能自动引燃恒流电源，分为连续激光电源与脉冲激光电源2种，连续激光电源是一种高性能自动引燃恒流电源，脉冲激光电源是专门为脉冲Nd:YAG激光器设计的电源。随着可靠性理论逐渐渗入机械、工业各个领域，以及人们对激光电源失效机理和规律的深入研究，发现激光电源及组成部件在服役阶段呈现出状态逐级退化、性能渐变的多状态特征，系统和部件从正常工作到完全失效将 经历若干中间状态。在这种情况下，采用常规的二状态系统可靠性理论分析多状态 系统可靠性已是捉襟见肘，故亟待开展多状态系统可靠性评估。然而，现如今由于激光电源中具有很多相关的子部件，而子部件之间的工作参数可能存在一定的关联性，由于关联性的存在，某一部件所采集的工作状态信息不一定代表着该零部件的状态是实际的工作状态，由于该关联性容易导致激光电源的寿命预测系统的预测精度低下。
发明内容
本发明克服了现有技术的不足，提供了一种激光电源的寿命预测方法、系统及存储介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种激光电源的寿命预测方法，包括以下步骤：
获取激光电源的多源工作参数数据信息，并通过对激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据；
根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并对激光电源的寿命预测参数数据进行状态描述，获取寿命预测参数的状态值；
根据寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型；
根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值，并基于激光电源的寿命预测值进行预警及生成相关的维修策略。
进一步地，在本方法中，通过对激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据，具体包括：
获取激光电源的多源工作参数数据信息之间的影响关系，并根据影响关系对多源工作参数数据信息进行数据分类，获取具有关联影响关系的关联工作参数以及独立参数的样本数据；
基于关联工作参数之间的关联影响关系确定有向边描述，并引入图神经网络，通过图神经网络根据关联工作参数作为图节点，并确定图节点的空间位置关系；
根据图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图，并将关联工作参数之间的拓扑关系图以及独立参数的样本数据进行输出。
进一步地，在本方法中，根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并对激光电源的寿命预测参数数据进行状态描述，获取寿命预测参数的状态值，具体包括：
根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并引入模糊评价算法，设置相关的工作参数阈值范围指标；
根据相关的工作参数阈值范围指标对每一激光电源的寿命预测参数进行状态隶属度描述，获取每一激光电源的寿命预测参数的状态隶属度；
构建时间戳，根据时间戳以及每一激光电源的寿命预测参数的状态隶属度构建基于时间序列的激光电源的寿命预测参数的状态隶属度变化曲线；
基于基于时间序列的激光电源的寿命预测参数的状态隶属度变化曲线获取预设时间之内的寿命预测参数的状态隶属度，并将预设时间之内的寿命预测参数的状态隶属度作为寿命预测参数的状态值输出。
进一步地，在本方法中，根据寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型，具体包括：
引入奇异值分解算法，通过奇异值分解算法对激光电源的状态转移矩阵进行分解，生成特征向量按列组成的正交矩阵，根据特征向量按列组成的正交矩阵构建多维子空间；
获取多维子空间的特征向量信息，并引入余弦度量方法，并获取述多维子空间的特征向量信息中频率出现最高的特征向量信息，选取频率出现最高的特征向量信息作为比较向量；
通过余弦度量方法计算多维子空间的特征向量信息与比较向量之间的余弦值，并判断余弦值是否大于预设余弦阈值信息；
当余弦值大于预设余弦阈值信息时，将余弦值大于预设余弦阈值信息的特征向量剔除，生成剔除后的特征向量，并根据剔除后的特征向量进行矩阵重建，生成处理后的状态转移矩阵，基于深度学习网络构建寿命预测模型。
进一步地，在本方法中，根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值，具体包括：
根据处理后的状态转移矩阵构建训练集以及测试集，并将训练集输入到寿命预测模型中进行训练，当寿命预测模型的训练参数符合预设训练参数时，保存寿命预测模型的模型参数；
预设相关的测试参数阈值，将测试集输出到寿命预测模型中进行测试，输出相关的测试参数，当相关的测试参数低于相关的测试参数阈值时，输出寿命预测模型；
根据寿命预测模型以及关联工作参数之间的拓扑关系图预测激光电源的子部件故障状态隶属度，并基于激光电源的子部件故障状态隶属度，根据激光电源的子部件故障状态隶属度进行排序，获取排序结果；
获取排序结果中最大的故障状态隶属度作为激光电源的寿命预测的状态隶属度，并根据激光电源的寿命预测的状态隶属度生成激光电源的寿命预测值。
进一步地，在本方法中，基于激光电源的寿命预测值进行预警及生成相关的维修策略，具体包括：
通过大数据获取各异常数据之下的激光电源相关的维修策略，并构建维修策略知识图谱，将各异常数据之下的激光电源相关的维修策略输入到维修策略知识图谱中进行存储；
设置相关的寿命预测阈值，并判断激光电源的寿命预测值是否低于相关的寿命预测阈值，当激光电源的寿命预测值低于激光电源的寿命预测值时，获取激光电源的异常部件，并对激光电源的异常部件进行预警；
获取激光电源的异常部件的异常数据，将激光电源的异常部件的异常数据输入到维修策略知识图谱中进行数据匹配，获取当前激光电源的异常部件的异常数据对应的维修策略；
根据当前激光电源的异常部件的异常数据对应的维修策略生成相关的维修策略，并将相关的维修策略输出。
本发明第二方面提供了一种激光电源的寿命预测系统，系统包括存储器以及处理器，存储器中包括激光电源的寿命预测方法程序，激光电源的寿命预测方法程序被处理器执行时，实现如下步骤：
获取激光电源的多源工作参数数据信息，并通过对激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据；
根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并对激光电源的寿命预测参数数据进行状态描述，获取寿命预测参数的状态值；
根据寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型；
根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值，并基于激光电源的寿命预测值进行预警及生成相关的维修策略。
进一步地，在本系统中，通过对激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据，具体包括：
获取激光电源的多源工作参数数据信息之间的影响关系，并根据影响关系对多源工作参数数据信息进行数据分类，获取具有关联影响关系的关联工作参数以及独立参数的样本数据；
基于关联工作参数之间的关联影响关系确定有向边描述，并引入图神经网络，通过图神经网络根据关联工作参数作为图节点，并确定图节点的空间位置关系；
根据图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图，并将关联工作参数之间的拓扑关系图以及独立参数的样本数据进行输出。
进一步地，在本系统中，根据寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型，具体包括：
引入奇异值分解算法，通过奇异值分解算法对激光电源的状态转移矩阵进行分解，生成特征向量按列组成的正交矩阵，根据特征向量按列组成的正交矩阵构建多维子空间；
获取多维子空间的特征向量信息，并引入余弦度量方法，并获取述多维子空间的特征向量信息中频率出现最高的特征向量信息，选取频率出现最高的特征向量信息作为比较向量；
通过余弦度量方法计算多维子空间的特征向量信息与比较向量之间的余弦值，并判断余弦值是否大于预设余弦阈值信息；
当余弦值大于预设余弦阈值信息时，将余弦值大于预设余弦阈值信息的特征向量剔除，生成剔除后的特征向量，并根据剔除后的特征向量进行矩阵重建，生成处理后的状态转移矩阵，基于深度学习网络构建寿命预测模型。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括激光电源的寿命预测方法程序，激光电源的寿命预测方法程序被处理器执行时，实现任一项激光电源的寿命预测方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过获取激光电源的多源工作参数数据信息，并通过对激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据，根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并对激光电源的寿命预测参数数据进行状态描述，获取寿命预测参数的状态值，根据寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型，根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值，并基于激光电源的寿命预测值进行预警及生成相关的维修策略。本发明通过关联工作参数之间的拓扑关系图以及独立参数的样本数据来构建寿命预测的样本数据，能够提高激光电源的寿命预测系统的预测精度；另一方面，通过融合奇异值分解算法以及余弦度量法，能够降低寿命预测系统的计算复杂度以及提高寿命预测系统的预测精度。
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，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实施例的附图。
图1示出了一种激光电源的寿命预测方法的整体方法流程图；
图2示出了一种激光电源的寿命预测方法的第一方法流程图；
图3示出了一种激光电源的寿命预测方法的第二方法流程图；
图4示出了一种激光电源的寿命预测系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面提供了一种激光电源的寿命预测方法，包括以下步骤：
S102:获取激光电源的多源工作参数数据信息，并通过对激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据；
其中在步骤S102中，通过对激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据，具体包括：
获取激光电源的多源工作参数数据信息之间的影响关系，并根据影响关系对多源工作参数数据信息进行数据分类，获取具有关联影响关系的关联工作参数以及独立参数的样本数据；
基于关联工作参数之间的关联影响关系确定有向边描述，并引入图神经网络，通过图神经网络根据关联工作参数作为图节点，并确定图节点的空间位置关系；
根据图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图，并将关联工作参数之间的拓扑关系图以及独立参数的样本数据进行输出。
需要说明的是，在本实施例中，由于激光电源内部是存在多个子部件的，而子部件之间可能是存在一定的影响关系（激光电源的多源工作参数数据信息之间的影响关系），如A部件的参数变化会引起B部件的参数变化，因此，通过有向边描述为A指向B，亦代表A的参数会引起B的参数变化，但B的参数变化不会引起A的参数变化。通过本方法能够根据图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图，而独立参数代表无其他部件的参数能够引起自身参数的变化。通过本方法能够避免由于关联性的存在，某一部件所采集的工作状态信息不一定代表着该零部件的状态是实际的工作状态，由于该关联性容易导致激光电源的寿命预测系统的预测精度低下的情况出现，从而提高寿命预测系统的预测精度。
S104:根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并对激光电源的寿命预测参数数据进行状态描述，获取寿命预测参数的状态值；
需要说明的是，其中，在步骤S104中，具体包括以下步骤：
根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并引入模糊评价算法，设置相关的工作参数阈值范围指标；
根据相关的工作参数阈值范围指标对每一激光电源的寿命预测参数进行状态隶属度描述，获取每一激光电源的寿命预测参数的状态隶属度；
构建时间戳，根据时间戳以及每一激光电源的寿命预测参数的状态隶属度构建基于时间序列的激光电源的寿命预测参数的状态隶属度变化曲线；
基于时间序列的激光电源的寿命预测参数的状态隶属度变化曲线获取预设时间之内的寿命预测参数的状态隶属度，并将预设时间之内的寿命预测参数的状态隶属度作为寿命预测参数的状态值输出。
需要说明的是，通过本方法能够通过模糊评价方法对每一激光电源的寿命预测参数进行状态隶属度描述，而故障状态实际上的慢慢转移的，即从无故障状态慢慢地向故障状态转移，其中无故障状态与故障状态之间有着其他的状态，如低故障状态、中低故障状态、中故障状态等，这样简化数据的处理，如某个部件的工作参数值对应着低故障状态的隶属度值。
S106:根据寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型；
如图2所示，需要说明的是，在步骤S106中，具体包括以下步骤：
S202:引入奇异值分解算法，通过奇异值分解算法对激光电源的状态转移矩阵进行分解，生成特征向量按列组成的正交矩阵，根据特征向量按列组成的正交矩阵构建多维子空间；
S204:获取多维子空间的特征向量信息，并引入余弦度量方法，并获取述多维子空间的特征向量信息中频率出现最高的特征向量信息，选取频率出现最高的特征向量信息作为比较向量；
S206:通过余弦度量方法计算多维子空间的特征向量信息与比较向量之间的余弦值，并判断余弦值是否大于预设余弦阈值信息；
S208:当余弦值大于预设余弦阈值信息时，将余弦值大于预设余弦阈值信息的特征向量剔除，生成剔除后的特征向量，并根据剔除后的特征向量进行矩阵重建，生成处理后的状态转移矩阵，基于深度学习网络构建寿命预测模型。
需要说明的是，通过引入奇异值分解算法能够降低寿命预测系统的计算复杂度，而融合余弦度量方法能够计算出多维子空间的特征向量信息与比较向量之间的余弦值，当多维子空间的特征向量信息与比较向量之间的余弦值大于预设余弦阈值信息，说明该特征向量为离群点数据，通过本方法能够剔除离群点数据，以及融合奇异值分解算法能够降低计算离群点数据的复杂度，从而提高寿命预测系统的预测精度以及计算复杂度。
S108:根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值，并基于激光电源的寿命预测值进行预警及生成相关的维修策略。
如图3所示，进一步地，在本方法中，根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值，具体包括：
S302:根据处理后的状态转移矩阵构建训练集以及测试集，并将训练集输入到寿命预测模型中进行训练，当寿命预测模型的训练参数符合预设训练参数时，保存寿命预测模型的模型参数；
S304:预设相关的测试参数阈值，将测试集输出到寿命预测模型中进行测试，输出相关的测试参数，当相关的测试参数低于相关的测试参数阈值时，输出寿命预测模型；
S306:根据寿命预测模型以及关联工作参数之间的拓扑关系图预测激光电源的子部件故障状态隶属度，并基于激光电源的子部件故障状态隶属度，根据激光电源的子部件故障状态隶属度进行排序，获取排序结果；
S308:获取排序结果中最大的故障状态隶属度作为激光电源的寿命预测的状态隶属度，并根据激光电源的寿命预测的状态隶属度生成激光电源的寿命预测值。
需要说明的是，根据寿命预测模型以及关联工作参数之间的拓扑关系图预测激光电源的子部件故障状态隶属度，如A部件的参数变化会引起B部件的参数变化，当A的状态异常时是会引起B部件的参数变化的，而B在预设时间之内都是正常的隶属度状态时（并未状态转移的迹象），仅仅只由于A所引起的，此时就会判定A是故障状态，而不是同时判断A部件和B部件是故障的。而独立工作的子部件则是根据状态值直接确定状态隶属度。而激光电源故障的原因往往是其中的一个零部件故障或者是多个零部件故障，通过根据激光电源的子部件故障状态隶属度进行排序，获取排序结果，从而获取排序结果中最大的故障状态隶属度作为激光电源的寿命预测的状态隶属度；其中，根据激光电源的寿命预测的状态隶属度生成激光电源的寿命预测值，例如从中故障状态到高故障状态之间的寿命时间即为激光电源的寿命预测值。
进一步地，在本方法中，基于激光电源的寿命预测值进行预警及生成相关的维修策略，具体包括：
通过大数据获取各异常数据之下的激光电源相关的维修策略，并构建维修策略知识图谱，将各异常数据之下的激光电源相关的维修策略输入到维修策略知识图谱中进行存储；
设置相关的寿命预测阈值，并判断激光电源的寿命预测值是否低于相关的寿命预测阈值，当激光电源的寿命预测值低于激光电源的寿命预测值时，获取激光电源的异常部件，并对激光电源的异常部件进行预警；
获取激光电源的异常部件的异常数据，将激光电源的异常部件的异常数据输入到维修策略知识图谱中进行数据匹配，获取当前激光电源的异常部件的异常数据对应的维修策略；
根据当前激光电源的异常部件的异常数据对应的维修策略生成相关的维修策略，并将相关的维修策略输出。
需要说明的是，通过本方法能够提供相关的维修策略给用户。
需要说明的是，本发明通过关联工作参数之间的拓扑关系图以及独立参数的样本数据来构建寿命预测的样本数据，能够提高激光电源的寿命预测系统的预测精度；另一方面，通过融合奇异值分解算法以及余弦度量法，能够降低寿命预测系统的计算复杂度以及提高寿命预测系统的预测精度。
需要说明的是，通过大数据获取各异常数据之下的激光电源相关的维修策略，并构建维修策略知识图谱，将各异常数据之下的激光电源相关的维修策略输入到维修策略知识图谱中进行存储，具体包括以下步骤：
通过大数据获取各异常数据之下的激光电源相关的维修策略，并引入注意力机制，通过所述注意力机制计算每一激光电源相关的维修策略的注意力分数，并随机选取一个注意力分数作为对比注意力分数；
引入欧式距离度量法，根据所述欧式距离度量计算激光电源相关的维修策略的注意力分数与对比注意力分数的欧式距离值，构建欧式距离排序表；
将所述马氏距离值输入到所述欧式距离排序表中排序，生成欧式距离排序结果，构建维修策略知识图谱，将所述维修策略知识图谱分为若干个存储空间；
根据所述欧式距离排序结果将每一激光电源相关的维修策略依次输入到所述存储空间中进行存储。
需要说明的是，通过本方法能够将相似的样本数据存储在相近的空间中，从而能够提高相关的维修策略的数据查询效率。
此外，本发明还可以包括以下步骤：
通过大数据获取影响激光电源寿命值的环境指标数据，并获取当前环境影响因子数据，引入层析分析法，通过所述层次分析法根据所述影响激光电源寿命值的环境指标数据以及当前环境影响因子数据计算出影响权重向量信息；
通过灰色关联分析法根据影响权重向量信息计算当前环境影响因子对于激光电源的寿命影响评价分数，判断所述当前环境影响因子对于激光电源的寿命影响评价分数是否大于所述预设激光电源的寿命影响评价分数阈值信息；
若所述当前环境影响因子对于激光电源的寿命影响评价分数大于所述预设激光电源的寿命影响评价分数阈值信息，则根据所述环境影响因子构建检索标签；
根据所述检索标签检索关于所述当前环境因子对于激光电源的寿命影响评价分数大于所述预设激光电源的寿命影响评价分数阈值信息的环境影响因子对应的环境调控方案，根据所述环境调控方案生成相关的维护建议。
需要说明的是，环境影响因子数据包括温度以及湿度，而温度以及湿度对于激光电源的寿命值会产生一定的影响，通过本方法能够生成相关的环境调控方案，以提供在不同环境工作的激光电源的环境调控方案或者建议，有利于设备的长期维护。
如图4所示，本发明第二方面提供了一种激光电源的寿命预测系统4，系统包括存储器41以及处理器62，存储器41中包括激光电源的寿命预测方法程序，激光电源的寿命预测方法程序被处理器62执行时，实现如下步骤：
获取激光电源的多源工作参数数据信息，并通过对激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据；
根据关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并对激光电源的寿命预测参数数据进行状态描述，获取寿命预测参数的状态值；
根据寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型；
根据处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值，并基于激光电源的寿命预测值进行预警及生成相关的维修策略。
进一步地，在本系统中，通过对激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据，具体包括：
获取激光电源的多源工作参数数据信息之间的影响关系，并根据影响关系对多源工作参数数据信息进行数据分类，获取具有关联影响关系的关联工作参数以及独立参数的样本数据；
基于关联工作参数之间的关联影响关系确定有向边描述，并引入图神经网络，通过图神经网络根据关联工作参数作为图节点，并确定图节点的空间位置关系；
根据图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图，并将关联工作参数之间的拓扑关系图以及独立参数的样本数据进行输出。
进一步地，在本系统中，根据寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型，具体包括：
引入奇异值分解算法，通过奇异值分解算法对激光电源的状态转移矩阵进行分解，生成特征向量按列组成的正交矩阵，根据特征向量按列组成的正交矩阵构建多维子空间；
获取多维子空间的特征向量信息，并引入余弦度量方法，并获取述多维子空间的特征向量信息中频率出现最高的特征向量信息，选取频率出现最高的特征向量信息作为比较向量；
通过余弦度量方法计算多维子空间的特征向量信息与比较向量之间的余弦值，并判断余弦值是否大于预设余弦阈值信息；
当余弦值大于预设余弦阈值信息时，将余弦值大于预设余弦阈值信息的特征向量剔除，生成剔除后的特征向量，并根据剔除后的特征向量进行矩阵重建，生成处理后的状态转移矩阵，基于深度学习网络构建寿命预测模型。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括激光电源的寿命预测方法程序，激光电源的寿命预测方法程序被处理器执行时，实现任一项激光电源的寿命预测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的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，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种激光电源的寿命预测方法，其特征在于，包括以下步骤：
获取激光电源的多源工作参数数据信息，并通过对所述激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据；
根据所述关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并对所述激光电源的寿命预测参数数据进行状态描述，获取寿命预测参数的状态值；
根据所述寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对所述激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型；
根据所述处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值，并基于所述激光电源的寿命预测值进行预警及生成相关的维修策略。
2.根据权利要求1所述的一种激光电源的寿命预测方法，其特征在于，通过对所述激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据，具体包括：
获取所述激光电源的多源工作参数数据信息之间的影响关系，并根据所述影响关系对多源工作参数数据信息进行数据分类，获取具有关联影响关系的关联工作参数以及独立参数的样本数据；
基于所述关联工作参数之间的关联影响关系确定有向边描述，并引入图神经网络，通过所述图神经网络根据关联工作参数作为图节点，并确定图节点的空间位置关系；
根据所述图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图，并将所述关联工作参数之间的拓扑关系图以及独立参数的样本数据进行输出。
3.根据权利要求1所述的一种激光电源的寿命预测方法，其特征在于，根据所述关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并对所述激光电源的寿命预测参数数据进行状态描述，获取寿命预测参数的状态值，具体包括：
根据所述关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并引入模糊评价算法，设置相关的工作参数阈值范围指标；
根据所述相关的工作参数阈值范围指标对每一激光电源的寿命预测参数进行状态隶属度描述，获取每一激光电源的寿命预测参数的状态隶属度；
构建时间戳，根据所述时间戳以及每一激光电源的寿命预测参数的状态隶属度构建基于时间序列的激光电源的寿命预测参数的状态隶属度变化曲线；
基于所述基于时间序列的激光电源的寿命预测参数的状态隶属度变化曲线获取预设时间之内的寿命预测参数的状态隶属度，并将所述预设时间之内的寿命预测参数的状态隶属度作为寿命预测参数的状态值输出。
4.根据权利要求1所述的一种激光电源的寿命预测方法，其特征在于，根据所述寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对所述激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型，具体包括：
引入奇异值分解算法，通过所述奇异值分解算法对所述激光电源的状态转移矩阵进行分解，生成特征向量按列组成的正交矩阵，根据所述特征向量按列组成的正交矩阵构建多维子空间；
获取所述多维子空间的特征向量信息，并引入余弦度量方法，并获取述多维子空间的特征向量信息中频率出现最高的特征向量信息，选取频率出现最高的特征向量信息作为比较向量；
通过余弦度量方法计算所述多维子空间的特征向量信息与所述比较向量之间的余弦值，并判断所述余弦值是否大于预设余弦阈值信息；
当所述余弦值大于预设余弦阈值信息时，将余弦值大于预设余弦阈值信息的特征向量剔除，生成剔除后的特征向量，并根据所述剔除后的特征向量进行矩阵重建，生成处理后的状态转移矩阵，基于深度学习网络构建寿命预测模型。
5.根据权利要求1所述的一种激光电源的寿命预测方法，其特征在于，根据所述处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值，具体包括：
根据所述处理后的状态转移矩阵构建训练集以及测试集，并将所述训练集输入到所述寿命预测模型中进行训练，当所述寿命预测模型的训练参数符合预设训练参数时，保存所述寿命预测模型的模型参数；
预设相关的测试参数阈值，将所述测试集输出到所述寿命预测模型中进行测试，输出相关的测试参数，当所述相关的测试参数低于所述相关的测试参数阈值时，输出所述寿命预测模型；
根据所述寿命预测模型以及关联工作参数之间的拓扑关系图预测激光电源的子部件故障状态隶属度，并基于所述激光电源的子部件故障状态隶属度，根据所述激光电源的子部件故障状态隶属度进行排序，获取排序结果；
获取排序结果中最大的故障状态隶属度作为激光电源的寿命预测的状态隶属度，并根据所述激光电源的寿命预测的状态隶属度生成激光电源的寿命预测值。
6.根据权利要求1所述的一种激光电源的寿命预测方法，其特征在于，基于所述激光电源的寿命预测值进行预警及生成相关的维修策略，具体包括：
通过大数据获取各异常数据之下的激光电源相关的维修策略，并构建维修策略知识图谱，将所述各异常数据之下的激光电源相关的维修策略输入到所述维修策略知识图谱中进行存储；
设置相关的寿命预测阈值，并判断所述激光电源的寿命预测值是否低于所述相关的寿命预测阈值，当所述激光电源的寿命预测值低于激光电源的寿命预测值时，获取激光电源的异常部件，并对激光电源的异常部件进行预警；
获取激光电源的异常部件的异常数据，将所述激光电源的异常部件的异常数据输入到所述维修策略知识图谱中进行数据匹配，获取当前激光电源的异常部件的异常数据对应的维修策略；
根据所述当前激光电源的异常部件的异常数据对应的维修策略生成相关的维修策略，并将所述相关的维修策略输出。
7.一种激光电源的寿命预测系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括激光电源的寿命预测方法程序，所述激光电源的寿命预测方法程序被所述处理器执行时，实现如下步骤：
获取激光电源的多源工作参数数据信息，并通过对所述激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据；
根据所述关联工作参数之间的拓扑关系图以及独立参数的样本数据构建激光电源的寿命预测参数数据，并对所述激光电源的寿命预测参数数据进行状态描述，获取寿命预测参数的状态值；
根据所述寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对所述激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型；
根据所述处理后的状态转移矩阵以及寿命预测模型生成激光电源的寿命预测值，并基于所述激光电源的寿命预测值进行预警及生成相关的维修策略。
8.根据权利要求7所述的一种激光电源的寿命预测系统，其特征在于，通过对所述激光电源的多源工作参数数据信息进行处理，获取关联工作参数之间的拓扑关系图以及独立参数的样本数据，具体包括：
获取所述激光电源的多源工作参数数据信息之间的影响关系，并根据所述影响关系对多源工作参数数据信息进行数据分类，获取具有关联影响关系的关联工作参数以及独立参数的样本数据；
基于所述关联工作参数之间的关联影响关系确定有向边描述，并引入图神经网络，通过所述图神经网络根据关联工作参数作为图节点，并确定图节点的空间位置关系；
根据所述图节点的空间位置关系以及有向边描述构建关联工作参数之间的拓扑关系图，并将所述关联工作参数之间的拓扑关系图以及独立参数的样本数据进行输出。
9.根据权利要求7所述的一种激光电源的寿命预测系统，其特征在于，根据所述寿命预测参数的状态值构建激光电源的状态转移矩阵，并通过对所述激光电源的状态转移矩阵进行处理，获取处理后的状态转移矩阵，构建寿命预测模型，具体包括：
引入奇异值分解算法，通过所述奇异值分解算法对所述激光电源的状态转移矩阵进行分解，生成特征向量按列组成的正交矩阵，根据所述特征向量按列组成的正交矩阵构建多维子空间；
获取所述多维子空间的特征向量信息，并引入余弦度量方法，并获取述多维子空间的特征向量信息中频率出现最高的特征向量信息，选取频率出现最高的特征向量信息作为比较向量；
通过余弦度量方法计算所述多维子空间的特征向量信息与所述比较向量之间的余弦值，并判断所述余弦值是否大于预设余弦阈值信息；
当所述余弦值大于预设余弦阈值信息时，将余弦值大于预设余弦阈值信息的特征向量剔除，生成剔除后的特征向量，并根据所述剔除后的特征向量进行矩阵重建，生成处理后的状态转移矩阵，基于深度学习网络构建寿命预测模型。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括激光电源的寿命预测方法程序，所述激光电源的寿命预测方法程序被处理器执行时，实现如权利要求1-6任一项所述的激光电源的寿命预测方法的步骤。
CN202311145400.7A 2023-09-06 2023-09-06 一种激光电源的寿命预测方法、系统及存储介质 Active CN116882303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311145400.7A CN116882303B (zh) 2023-09-06 2023-09-06 一种激光电源的寿命预测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311145400.7A CN116882303B (zh) 2023-09-06 2023-09-06 一种激光电源的寿命预测方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN116882303A true CN116882303A (zh) 2023-10-13
CN116882303B CN116882303B (zh) 2023-12-22

Family

ID=88262518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311145400.7A Active CN116882303B (zh) 2023-09-06 2023-09-06 一种激光电源的寿命预测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116882303B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332261A (zh) * 2023-12-01 2024-01-02 深圳市伟昊净化设备有限公司 一种滤芯的效能评价方法、系统及存储介质
CN117892640A (zh) * 2024-03-15 2024-04-16 成都航空职业技术学院 一种激光器控制方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005033914A (ja) * 2003-07-11 2005-02-03 Ricoh Co Ltd 画像形成装置
CN101825689A (zh) * 2010-04-27 2010-09-08 浪潮电子信息产业股份有限公司 电源寿命适时监察方法
CN105334472A (zh) * 2015-10-26 2016-02-17 安徽理工大学 矿用本安电源在线剩余寿命预测方法
US20160300148A1 (en) * 2015-04-09 2016-10-13 Zentrum Mikroelektronik Dresden Ag Electronic system and method for estimating and predicting a failure of that electronic system
US20170262772A1 (en) * 2016-03-10 2017-09-14 Fanuc Corporation Machine learning apparatus, laser apparatus and machine learning method
US20180284195A1 (en) * 2017-03-31 2018-10-04 GM Global Technology Operations LLC Method and apparatus for monitoring a dc power source
CN112578891A (zh) * 2020-12-01 2021-03-30 深圳前海有电物联科技有限公司 不间断电源预测性维护方法、装置及存储介质
CN114966451A (zh) * 2022-06-06 2022-08-30 北京航空航天大学 一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法
CN116306284A (zh) * 2023-03-17 2023-06-23 中国农业银行股份有限公司 电源使用寿命的预测方法、装置、电子设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005033914A (ja) * 2003-07-11 2005-02-03 Ricoh Co Ltd 画像形成装置
CN101825689A (zh) * 2010-04-27 2010-09-08 浪潮电子信息产业股份有限公司 电源寿命适时监察方法
US20160300148A1 (en) * 2015-04-09 2016-10-13 Zentrum Mikroelektronik Dresden Ag Electronic system and method for estimating and predicting a failure of that electronic system
CN105334472A (zh) * 2015-10-26 2016-02-17 安徽理工大学 矿用本安电源在线剩余寿命预测方法
US20170262772A1 (en) * 2016-03-10 2017-09-14 Fanuc Corporation Machine learning apparatus, laser apparatus and machine learning method
CN107181163A (zh) * 2016-03-10 2017-09-19 发那科株式会社 机器学习装置、激光装置以及机器学习方法
US20180284195A1 (en) * 2017-03-31 2018-10-04 GM Global Technology Operations LLC Method and apparatus for monitoring a dc power source
CN112578891A (zh) * 2020-12-01 2021-03-30 深圳前海有电物联科技有限公司 不间断电源预测性维护方法、装置及存储介质
CN114966451A (zh) * 2022-06-06 2022-08-30 北京航空航天大学 一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法
CN116306284A (zh) * 2023-03-17 2023-06-23 中国农业银行股份有限公司 电源使用寿命的预测方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴立锋;关永;王国辉;潘巍;李晓娟;: "电源系统健康状态预测与管理综述", 电源技术, no. 10, pages 1881 - 1883 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332261A (zh) * 2023-12-01 2024-01-02 深圳市伟昊净化设备有限公司 一种滤芯的效能评价方法、系统及存储介质
CN117332261B (zh) * 2023-12-01 2024-03-22 深圳市伟昊净化设备有限公司 一种滤芯的效能评价方法、系统及存储介质
CN117892640A (zh) * 2024-03-15 2024-04-16 成都航空职业技术学院 一种激光器控制方法
CN117892640B (zh) * 2024-03-15 2024-05-24 成都航空职业技术学院 一种激光器控制方法

Also Published As

Publication number Publication date
CN116882303B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN116882303B (zh) 一种激光电源的寿命预测方法、系统及存储介质
CN115578015A (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
Lai et al. Online pattern matching and prediction of incoming alarm floods
CN116236993B (zh) 丙烯酸共聚乳液生产控制系统的优化方法及系统
CN109144964A (zh) 基于机器学习的日志解析方法和装置
CN116245019A (zh) 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质
CN110472659B (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
CN117131425B (zh) 一种基于反馈数据的数控机床加工状态监测方法及系统
CN116738214A (zh) 一种基于高阶张量的数据降维预处理方法
CN115828771B (zh) 一种机械传动元件的性能评估方法、系统及介质
Guo et al. Health condition monitoring of hydraulic system based on ensemble support vector machine
CN116739400B (zh) 基于高阶张量秩降低策略的智能评价系统
CN117391715B (zh) 基于机器视觉的电芯二维码识别与溯源方法
CN115616437B (zh) 一种epc特种电源的智能调测控制方法及系统
Liu et al. Performance similarity based method for enhanced prediction of manufacturing process performance
CN116542503B (zh) 一种基于人工智能的性能测试分配方法、系统及介质
CN116108219B (zh) 图像检索方法、装置、电子设备和存储介质
CN117647725B (zh) Pcba的老化测试方法及系统
CN116702059B (zh) 一种基于物联网的智能生产车间管理系统
CN117034083A (zh) 局部放电分类模型可解释性方法的选择方法、装置及设备
CN118152835A (zh) 碳排放影响因素分析方法、装置、终端设备以及存储介质
CN118230929A (zh) 一种基于数据分析的医疗器械异常监测方法及系统
Zoulikha et al. Beyond Traditional Methods: Data Mining for Next-Generation Reliability Assessment
Jayaraman Enhancing failure prediction from timeseries histogram data: through fine-tuned lower-dimensional representations
Gao et al. Phase partition and KPI‐related process monitoring for batch processes using a novel canonical correlation analysis strategy

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 518000, Building 4, West Half Floor, 601, 701, Building 301, 401, 501, Fubilun Technology Factory, Tantou Community, Songgang Street, Bao'an District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Lianming Power Supply Co.,Ltd.

Country or region after: Zhong Guo

Address before: 518000 floor 10, floor 11 and floor 9 of plant 1 and plant 2, No. 128, Shangnan East Road, Huangpu Community, Xinqiao street, Bao'an District, Shenzhen, Guangdong

Patentee before: SHENZHEN LIANMING POWER Co.,Ltd.

Country or region before: Zhong Guo