CN116956187A - 用于电源模块的故障预测方法、装置、存储介质及处理器 - Google Patents
用于电源模块的故障预测方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN116956187A CN116956187A CN202310793715.6A CN202310793715A CN116956187A CN 116956187 A CN116956187 A CN 116956187A CN 202310793715 A CN202310793715 A CN 202310793715A CN 116956187 A CN116956187 A CN 116956187A
- Authority
- CN
- China
- Prior art keywords
- time
- preset
- data
- condition
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000013499 data model Methods 0.000 claims abstract description 128
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims description 106
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 230000001186 cumulative effect Effects 0.000 claims description 23
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000011217 control strategy Methods 0.000 claims description 7
- 239000011664 nicotinic acid Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000007921 spray Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 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
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请实施例提供一种用于电源模块的故障预测方法、装置、存储介质及处理器。包括:获取电源模块在多个状态下的历史运行数据;分析并选取符合预设条件的历史运行数据作为正样本数据;处理正样本数据并将处理后的正样本数据输入至故障预测数据模型,以训练故障预测数据模型得到训练完成的故障预测数据模型,获取待预测电源模块的实时运行数据;将实时运行数据输入至训练完成的故障预测数据模型,以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型,以实现对电源模块内部元件的状态监测和故障预测,构建准确的故障预测数据模型,对电源模块潜在故障进行及时、精准地预测,且预测更为全面,更大程度上降低了故障带来的损失。
Description
技术领域
本申请涉及工程设备电源模块控制技术领域,具体涉及一种用于电源模块的故障预测方法、装置、存储介质及处理器。
背景技术
工程机械设备的作业工况复杂,其电气系统经常因元件故障、外部电压冲击等因素影响,造成电源模块发生故障,导致设备无法正常工作。为了保证设备的正常工作,亟需对电源模块的故障进行提前检测预警。而本申请的技术人员在研发过程中发现现有的预测模型只是在电源发生异常的情况下,才能进行故障预测,且只是通过对整个电源模块的输出电流电压进行分析来确定电源模块是否存在异常的,没有涉及电源模块和其内部元件的状态监测,导致故障的预测的及时性和精度准确度有限,无法对电源模块进行全面准确地预测,不能够及时地确定出电源模块是否发生故障,导致设备损失严重。
发明内容
本申请实施例的目的是提供一种用于电源模块的故障预测方法、装置、存储介质及处理器。
为了实现上述目的,本申请第一方面提供一种用于电源模块的故障预测方法,包括:
获取电源模块在多个状态下的历史运行数据,历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流,和电源模块内部的关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线;
分析历史运行数据,并选取符合预设条件的历史运行数据作为正样本数据;
对正样本数据进行处理,并将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型;
获取待预测电源模块的实时运行数据;
将实时运行数据输入至训练完成的故障预测数据模型,以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型。
在本申请实施例中,故障预测方法还包括:根据输出的故障类型执行对应的控制策略。
在本申请实施例中,在满足以下全部条件的情况下,确定历史运行数据符合预设条件:通过电压电流异常判定模型确定各个支路的电压和电流符合电压电流条件;通过温升异常判定模型确定关键元件的温度符合预设温升条件;通过动作时间异常模型确定关键元件的动作时间符合预设动作条件;通过寿命与触点电流模型确定关键元件的寿命曲线符合预设寿命条件。
在本申请实施例中,关键元件的温度包括关键元件的实时环境温度和实时线圈温度值,通过温升异常判定模型确定关键元件的温度符合预设温升条件包括:针对任意一个历史运行数据,根据关键元件的实时电流和实时电压确定关键元件的额定温升值;根据关键元件的实时环境温度、实时线圈温度值以及额定温升值确定关键元件的标定温度;在标定温度大于第一温度阈值且小于第二温度阈值,且持续时长大于预设时长阈值的情况下,确定不符合预设温升条件;或在标定温度大于第二温度阈值的情况下,确定不符合预设温升条件;剔除历史运行数据中不符合预设温升条件的数据,以筛选出符合预设温升条件的历史运行数据。
在本申请实施例中,根据关键元件的实时电流和实时电压确定关键元件的额定温升值包括根据公式(1)计算额定温升值T0:
T0=1V+ηI+a1,(V>V1)
T0=k2V+ηI+a2,(V≤V1) (1)
其中,V为实时电压,I为实时电流,V1为电压阈值,k1、k2、η为权重系数,a1、a2为常数。
在本申请实施例中,通过动作时间异常模型确定关键元件的动作时间符合预设动作条件包括:在动作时间与预设时间的差值大于第一动作时间且小于第二动作时间的情况下,确定电源模块的异常次数增一;在电源模块的异常次数大于预设次数阈值,或动作时间与预设时间的差值大于或等于第二动作时间的情况下,确定不符合预设动作条件;剔除历史运行数据中不符合预设动作条件的数据,以筛选出符合预设动作条件的历史运行数据。
在本申请实施例中,通过寿命与触点电流模型确定关键元件的寿命曲线符合预设寿命条件包括:根据历史运行数据确定关键元件在不同的电流下的第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数;在第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数的和大于预设异常寿命次数的情况下,确定不符合预设寿命条件;剔除历史运行数据中不符合预设寿命条件的数据,以筛选出符合预设寿命条件的历史运行数据。
在本申请实施例中,根据公式(2)计算第一累计等效寿命消耗次数se1、第二累计等效寿命消耗次数se2以及第三累计等效寿命消耗次数se3:
其中,Ii为关键元件的实时电流,I0为关键元件的额定电流,k1,k2为等效寿命消耗次数系数,ε1,ε2分别为第一比值阈值和第二比值阈值,s0为额定寿命次数。
在本申请实施例中,将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型包括:依次将每个处理后的正样本数据输入至故障预测数据模型,并获取故障预测数据模型输出的预测值,其中,每个预测值对应一个故障类型;根据每个处理后的正样本数据的标准值与预测值确定故障预测数据模型的预测偏差值;在预测偏差值大于第一偏差阈值且小于第二偏差阈值的情况下,再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤;在预测偏差值大于第二偏差阈值的情况下,通过spread仿生优化算法确定故障预测数据模型的模型参数,并再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤;直到预测偏差值小于第一偏差阈值,确定得到训练完成的故障预测数据模型。
本申请第二方面提供一种处理器,被配置成执行上述的用于电源模块的故障预测方法。
本申请第三方面提供一种用于电源模块的故障预测装置,包括上述处理器。
本申请第四方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令在被处理器执行时使得处理器被配置成执行上述的用于电源模块的故障预测方法。
上述技术方案,通过获取电源模块在多个状态下的历史运行数据,历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流,和电源模块内部的关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线;分析历史运行数据,并选取符合预设条件的历史运行数据作为正样本数据;对正样本数据进行处理,并将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型;获取待预测电源模块的实时运行数据;将实时运行数据输入至训练完成的故障预测数据模型,以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型。采用上述技术方案能够实现对电源模块内部元件的状态监测和故障预测,构建更为准确的故障预测数据模型,对电源模块的故障进行及时、精准地预测,且预测的更为全面,更大程度上降低了故障带来的损失。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是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,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的用于电源模块的故障预测方法的一种流程示意图;
图2示意性示出了根据本申请实施例的电源模块的结构框图;
图3示意性示出了根据本申请实施例的用于电源模块的故障预测方法的另一种流程示意图;
图4示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的技术人员在研发过程中发现,在电源模块发生故障之前,其电源输出的电压、电流等电源信息可能表现正常,但其内部元件可能即将失效或趋向失效时,比如模块中的继电器可能会存在延迟动作,温升异常等情况,因此,需要深入电源模块内部对其元件进行状态监测和故障预测。而现有的预测模型只是在电源发生异常的情况下,才能进行故障预测,没有涉及电源模块和其内部元件的状态监测,其故障预测的及时性和准确度有限,无法对电源模块进行全面准确地预测。
图1示意性示出了根据本申请实施例的用于电源模块的故障预测方法的一种流程示意图。如图1所示,在本申请一实施例中,提供了一种用于电源模块的故障预测方法,包括以下步骤:
步骤101,获取电源模块在多个状态下的历史运行数据,历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流,和电源模块内部的关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线。
步骤102,分析历史运行数据,并选取符合预设条件的历史运行数据作为正样本数据。
步骤103,对正样本数据进行处理,并将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型。
步骤104,获取待预测电源模块的实时运行数据。
步骤105,将实时运行数据输入至训练完成的故障预测数据模型,以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型。
处理器可以获取电源模块在多个状态下的历史运行数据。其中,历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流,和电源模块内部的关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线。在获取电源模块在多个状态下的历史运行数据之后,处理器可以分析历史运行数据,并选取符合预设条件的历史运行数据作为正样本数据。在得到正样本数据之后,处理器可以对正样本数据进行处理,并将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型。在得到训练完成的故障预测数据模型之后,处理器可以获取待预测电源模块的实时运行数据。在获取实时运行数据之后,处理器可以将实时运行数据输入至训练完成的故障预测数据模型,以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型。
例如,处理器可以获取电源模块在正常运行状态、故障发生前的运行状态、故障发生中的运行状态以及故障发生后的运行状态等状态下的历史运行数据。其中,历史运行数据可以包括阀电源支路、传感器电源支路以及控制器电源支路等支路在多个历史时间点的电压和电流,继电器和熔断器等关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线。
在获取上述历史运行数据之后,处理器可以分析历史运行数据,并选取复合符合预设条件的历史运行数据作为正样本数据。在选取出正样本数据之后,处理器可以对正样本数据进行处理,并将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型。
在得到训练完成的故障预测数据模型之后,处理器可以获取待预测电源模块的实时运行数据。在获取实时运行数据之后,处理器可以将实时运行数据输入至训练完成的故障预测数据模型,以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型。
通过上述技术方案能够实现对电源模块内部元件的状态监测和故障预测,构建更为准确的故障预测数据模型,对电源模块的故障进行及时、精准地预测,且预测的更为全面,更大程度上降低了故障带来的损失。
在一个实施例中,在满足以下全部条件的情况下,确定历史运行数据符合预设条件:通过电压电流异常判定模型确定各个支路的电压和电流符合电压电流条件;通过温升异常判定模型确定关键元件的温度符合预设温升条件;通过动作时间异常模型确定关键元件的动作时间预设动作条件;通过寿命与触点电流模型确定关键元件的寿命曲线符合预设寿命条件。
在满足以下全部条件的情况下,处理器可以确定历史运行数据符合预设条件。处理器可以通过电压电流异常判定模型确定各个支路的电压和电流符合电压电流条件。处理器可以通过温升异常判定模型确定关键元件的温度符合预设温升条件。处理器还可以通过动作时间异常模型确定关键元件的动作时间符合预设动作条件。处理器还可以通过寿命与触点电流模型确定关键元件的寿命曲线符合预设寿命条件。
在一个实施例中,关键元件的温度包括关键元件的实时环境温度和实时线圈温度值,通过温升异常判定模型确定关键元件的温度符合预设温升条件包括:针对任意一个历史运行数据,根据关键元件的实时电流和实时电压确定关键元件的额定温升值;根据关键元件的实时环境温度、实时线圈温度值以及额定温升值确定关键元件的标定温度;在标定温度大于第一温度阈值且小于第二温度阈值,且持续时长大于预设时长阈值的情况下,确定不符合预设温升条件;或在标定温度大于第二温度阈值的情况下,确定不符合预设温升条件;剔除历史运行数据中不符合预设温升条件的数据,以筛选出符合预设温升条件的历史运行数据。
关键元件的温度包括关键元件的实时环境温度和实时线圈温度值。处理器可以通过温升异常判定模型确定关键元件的温度符合预设温度条件。具体地,针对任意一个历史运行数据,处理器可以根据关键元件的实时电流和实时电压确定关键元件的额定温升值。在一个实施例中,处理器可以根据关键元件的实时电流和实时电压确定关键元件的额定温升值包括根据公式(1)计算额定温升值T0:
T0=1V+ηI+a1,(V>V1)
T0=k2V+ηI+a2,(V≤V1) (1)
其中,V为实时电压,I为实时电流,V1为电压阈值,k1、k2、η为权重系数,a1、a2为常数。
在确定关键元件的额定温升值之后,处理器可以根据关键元件的实时环境温度、实时线圈温度值以及额定温升值确定关键元件的标定温度。在确定关键元件的标定温度后,处理器可以将标定文与第一温度阈值、第二温度阈值进行比较。在标定温度大于第一温度阈值且小于第二温度阈值,且持续时长大于预设时长阈值的情况下,处理器可以确定该历史运行数据不符合预设温升条件。在标定温度大于第二温度阈值的情况下,处理器可以确定该历史运行数据不符合预设温升条件。其中,第二温度阈值大于第一温度阈值。在确定出不符合预设温升条件的历史运行之后,处理器可以剔除历史运行数据中不符合预设温升条件的数据,以筛选出符合预设温升条件的历史运行数据,能够准确地对历史运行数据进行筛选,并通过筛选后的历史运行数据训练故障预测数据模型。
在一个实施例中,通过动作时间异常模型确定关键元件的动作时间符合预设动作条件包括:在动作时间与预设时间的差值大于第一动作时间且小于第二动作时间的情况下,确定电源模块的异常次数增一;在电源模块的异常次数大于预设次数阈值,或动作时间与预设时间的差值大于或等于第二动作时间的情况下,确定不符合预设动作条件;剔除历史运行数据中不符合预设动作条件的数据,以筛选出符合预设动作条件的历史运行数据。
处理器可以通过动作时间异常模型确定关键元件的动作时间符合预设动作条件。具体地,处理器可以确定动作时间与预设时间的差值,并将该差值与第一动作时间和第二动作时间进行比对。在动作时间与预设时间的差值大于第一动作时间且小于第二动作时间的情况下,处理器可以确定电源模块的异常次数增一。处理器可以判断电源模块的异常次数是否大于预设次数阈值。在电源模块的异常次数大于预设次数阈值或动作时间与预设时间的差值大于或等于第二动作时间的情况下,处理器可以确定对应的历史运行数据不符合预设动作条件。在确定出不符合预设动作条件的历史运行数据之后,处理器可以剔除历史运行数据中不符合预设动作条件的数据,以筛选出符合预设动作条件的历史运行数据,进而采用符合动作条件的历史运行数据训练故障预测数据模型,以提高模型训练的精度。
在一个实施例中,通过寿命与触点电流模型确定关键元件的寿命曲线符合预设寿命条件包括:根据历史运行数据确定关键元件在不同的电流下的第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数;在第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数的和大于预设异常寿命次数的情况下,确定不符合预设寿命条件;剔除历史运行数据中不符合预设寿命条件的数据,以筛选出符合预设寿命条件的历史运行数据。
处理器可以通过寿命与触点电流模块确定关键元件的寿命曲线符合易俗河寿命条件。具体地,处理器可以根据历史运行数据确定关键元件在不同的电流下的第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数。在一个实施例中,处理器可以根据公式(2)计算第一累计等效寿命消耗次数se1、第二累计等效寿命消耗次数se2以及第三累计等效寿命消耗次数se3:
其中,Ii为关键元件的实时电流,I0为关键元件的额定电流,k1,k2为等效寿命消耗次数系数,ε1,ε2分别为第一比值阈值和第二比值阈值,s0为额定寿命次数。
处理器可以确定第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数的和,并将第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数的和与预设异常寿命次数进行比较。在第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数的和大于预设异常寿命次数的情况下,处理器可以确定对应的历史运行数据不符合预设寿命条件。在确定出不符合预设寿命条件的历史运行数据之后,处理器可以剔除历史运行数据中不符合预设寿命条件的数据,以筛选出符合预设寿命条件的历史运行数据,进而更好地训练故障预测数据模型,得到预测更全面的故障预测数据模型。
在一个实施例中,将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型包括:依次将每个处理后的正样本数据输入至故障预测数据模型,并获取故障预测数据模型输出的预测值,其中,每个预测值对应一个故障类型;根据每个处理后的正样本数据的标准值与预测值确定故障预测数据模型的预测偏差值;在预测偏差值大于第一偏差阈值且小于第二偏差阈值的情况下,再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤;在预测偏差值大于第二偏差阈值的情况下,通过spread仿生优化算法确定故障预测数据模型的模型参数,并再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤;直到预测偏差值小于第一偏差阈值,确定得到训练完成的故障预测数据模型。
处理器可以将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型。具体地,处理器可以依次将每个经过归一化处理后的正样本数据输入至故障预测数据模型。在将每个经过归一化处理后的正样本数据输入至故障预测数据模型之后,处理器可以获取故障预测数据模型输出的预测值。其中,每个预测值对应一个故障类型。在获取故障预测数据模型输出的预测值后,处理器可以根据每个处理后的正样本数据的标准值与预测值确定故障预测数据模型的预测偏差值。例如,处理器可以采用最小二乘法确定预测偏差值E,预测偏差值其中,Yi表示故障预测数据模型输出的第i个处理后的正样本数据的预测值,yi表示第i个处理后的正样本数据的标准值,n表示处理后的正样本数据的数量,i表示第i个处理后的正样本数据。
在确定预测偏差值之后,处理器可以将预测偏差值与第一偏差阈值和第二偏差阈值进行比较。在预测偏差值大于第一偏差阈值且小于第二偏差阈值的情况下,处理器可以再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤。其中,第二偏差值大于第一偏差值。在预测偏差值大于第二偏差值的情况下,处理器可以通过spread仿生优化算法确定故障预测数据模型的模型参数,并再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤。直至预测偏差值小于第一偏差阈值,确定得到训练完成的故障预测数据模型。
在一个实施例中,故障预测方法还包括:根据输出的故障类型执行对应的控制策略。
处理器可以获取电源模块在多个状态下的历史运行数据。其中,历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流,和电源模块内部的关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线。在获取电源模块在多个状态下的历史运行数据之后,处理器可以分析历史运行数据,并选取符合预设条件的历史运行数据作为正样本数据。在得到正样本数据之后,处理器可以对正样本数据进行处理,并将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型。
在得到训练完成的故障预测数据模型之后,处理器可以获取待预测电源模块的实时运行数据。在获取实时运行数据之后,处理器可以将实时运行数据输入至训练完成的故障预测数据模型,以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型。
在确定待预测电源模型的故障类型之后,处理器可以根据输出的故障类型执行对应的控制策略。
例如,如图2所示,处理器可以通过各类传感器201采集待预测电源模块的实时运行数据,并将采集到的实时运行数据存储至存储计算模块202。在将实时运行数据存储至存储计算模块202之后,处理器可以通过数据采集模块203对实时运行数据进行滤波处理,以得到滤波后的实时运行数据。处理器可以将滤波后的实时运行数据输入至训练完成的故障预测模型204,以通过故障预测模型输出待预测电源模块的预测故障结果205。其中,预测故障结果205至少包括正常、潜在故障以及故障等。在得到预测故障结果205之后,处理器可以根据预测故障结果205执行对应的控制策略。例如,在预测故障结果205为潜在故障的情况下,处理器可以通过人机交互模块206提示故障信息和对应的故障控制方法。在预测故障结果205为故障的情况下,处理器可以通过切换冗余电源支路切换模块207将待预测电源模块的电流切换至冗余电流,并通过人机交互模块206显示故障信息,以保护待预测电源模块所在设备,使得该设备能够正常运行,降低故障带来的损失。
在一个实施例中,如图3所示,处理器可以根据台架试验数据和元件时效模型确定出电源模块的各个支路在多个历史时间点的电压和电流等电源数据,和电源模块内部的关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间、寿命曲线以及负载电流等数据。处理器可以对上述数据进行参数初始化以提取电源模块在不同状态各个节点,如阀电源支路、传感器电源支路、控制器电源支路等支路的数据集样本。
具体地,处理器可以通过温升异常判定模型确定关键元件的温度符合预设温升条件包括:针对任意一个历史运行数据,根据关键元件的实时电流和实时电压确定关键元件的额定温升值;根据关键元件的实时环境温度、实时线圈温度值以及额定温升值确定关键元件的标定温度;在标定温度大于第一温度阈值且小于第二温度阈值,且持续时长大于预设时长阈值的情况下,确定不符合预设温升条件;或在标定温度大于第二温度阈值的情况下,确定不符合预设温升条件;剔除历史运行数据中不符合预设温升条件的数据,以筛选出符合预设温升条件的历史运行数据。
关键元件的温度包括关键元件的实时环境温度和实时线圈温度值。处理器可以通过温升异常判定模型确定关键元件的温度符合预设温度条件。具体地,针对任意一个历史运行数据,处理器可以根据关键元件的实时电流和实时电压确定关键元件的额定温升值。例如,处理器可以根据关键元件的实时电流和实时电压确定关键元件的额定温升值包括根据公式(1)计算额定温升值T0:
T0=1V+ηI+a1,(V>V10
T0=k2V+ηI+a2,(V≤V1) (1)
其中,V为实时电压,I为实时电流,V1为电压阈值,k1、k2、η为权重系数,a1、a2为常数。
在确定关键元件的额定温升值之后,处理器可以根据关键元件的实时环境温度、实时线圈温度值以及额定温升值确定关键元件的标定温度。在确定关键元件的标定温度后,处理器可以将标定文与第一温度阈值、第二温度阈值进行比较。在标定温度大于第一温度阈值且小于第二温度阈值,且持续时长大于预设时长阈值的情况下,处理器可以确定该历史运行数据不符合预设温升条件。在标定温度大于第二温度阈值的情况下,处理器可以确定该历史运行数据不符合预设温升条件。其中,第二温度阈值大于第一温度阈值。在确定出不符合预设温升条件的历史运行之后,处理器可以剔除历史运行数据中不符合预设温升条件的数据,以筛选出符合预设温升条件的历史运行数据。
处理器可以通过动作时间异常模型确定关键元件的动作时间符合预设动作条件。具体地,处理器可以确定动作时间与预设时间的差值,并将该差值与第一动作时间和第二动作时间进行比对。在动作时间与预设时间的差值大于第一动作时间且小于第二动作时间的情况下,处理器可以确定电源模块的异常次数增一,即异常次数Nv=Nv+1,(tv1<ti-t0<tv2),其中,tv1表示第一动作时间,tv2表示第二动作时间,ti表示动作时间,t0表示预设时间。处理器可以判断电源模块的异常次数是否大于预设次数阈值。在电源模块的异常次数大于预设次数阈值或动作时间与预设时间的差值大于或等于第二动作时间的情况下,处理器可以确定对应的历史运行数据不符合预设动作条件。在确定出不符合预设动作条件的历史运行数据之后,处理器可以剔除历史运行数据中不符合预设动作条件的数据,以筛选出符合预设动作条件的历史运行数据。
处理器可以通过寿命与触点电流模块确定关键元件的寿命曲线符合易俗河寿命条件。具体地,处理器可以根据历史运行数据确定关键元件在不同的电流下的第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数。例如,处理器可以根据公式(2)计算第一累计等效寿命消耗次数se1、第二累计等效寿命消耗次数se2以及第三累计等效寿命消耗次数se3:
其中,Ii为关键元件的实时电流,I0为关键元件的额定电流,k1,k2为等效寿命消耗次数系数,ε1,ε2分别为第一比值阈值和第二比值阈值,s0为额定寿命次数。
处理器可以确定第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数的和,并将第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数的和与预设异常寿命次数进行比较。在第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数的和大于预设异常寿命次数的情况下,处理器可以确定对应的历史运行数据不符合预设寿命条件。在确定出不符合预设寿命条件的历史运行数据之后,处理器可以剔除历史运行数据中不符合预设寿命条件的数据,以筛选出符合预设寿命条件的历史运行数据。
处理器可以通过电压电流异常判定模型确定各个支路的电压和电流符合预设电压电流条件。具体地,处理器可以判断各个支路的电压是否处于对应的预设电压值范围内,各个支路的电流是否处于对应的预设电流值范围内。在每个支路的电压均处于对应的预设电压值范围内,且每个支路的电流均处于对应的预设电流值范围内的情况下,确定对应的历史运行数据为符合预设电压和电流条件的历史运行数据。
处理器可以将符合预设电压电流条件的历史运行数据、符合预设温升条件的历史运行数据、符合预设温升条件的历史运行数据以及筛选出符合预设动作条件的历史运行数据确定为数据集样本。
在确定出数据集样本之后,处理器可以对数据集样本的数据进行数据归一化处理,以得到处理后的数据。处理器可以采用Q神经网络优化算法建立故障预测数据模型,并将处理后的数据输入至故障预测数据模型,以对故障预测数据模型进行训练。
具体地,处理器可以依次将每个经过归一化处理后的数据输入至故障预测数据模型。在将每个经过归一化处理后的数据输入至故障预测数据模型之后,处理器可以获取故障预测数据模型输出的预测值。其中,每个预测值对应一个故障类型。在获取故障预测数据模型输出的预测值后,处理器可以根据每个处理后的数据的标准值与预测值确定故障预测数据模型的预测结果偏差。
例如,处理器可以采用最小二乘法确定预测结果偏差E,预测偏差其中,Yi表示故障预测数据模型输出的第i个处理后的数据的预测值,yi表示第i个处理后的数据的标准值,n表示处理后的数据的数量,i表示第i个处理后的数据。
在确定预测偏差之后,处理器可以将预测偏差与第一偏差阈值e1和第二偏差阈值e2进行判断。在e1<E<e2的情况下,处理器可以径向迭代优化,即再次执行依次将每个处理后的数据输入至故障预测数据模型的步骤。
在E>e2的情况下,处理器可以通过s仿生优化算法初始化故障预测数据模型的模型参数spread,以得到优化后的模型参数spread,并再次执行依次将每个处理后的数据输入至故障预测数据模型的步骤。直至E<e1,确定得到训练完成的故障预测数据模型,即最优预测模型。如图2所示,在得到训练完成的故障预测数据模型后,处理器可以通过各类传感器201采集待预测电源模块的实时运行数据,并将采集到的实时运行数据存储至存储计算模块202。在将实时运行数据存储至存储计算模块202之后,处理器可以通过数据采集模块203对实时运行数据进行滤波处理,以得到滤波后的实时运行数据。处理器可以将滤波后的实时运行数据输入至训练完成的故障预测模型204,以通过故障预测模型输出待预测电源模块的预测故障结果205。其中,预测故障结果205至少包括正常、潜在故障以及故障等。在得到预测故障结果205之后,处理器可以根据预测故障结果205执行对应的控制策略。例如,在预测故障结果205为潜在故障的情况下,处理器可以通过人机交互模块206提示故障信息和对应的故障控制方法。处理器也可以切换至冗余电路以防止出现故障影响设备正常运行。
在预测故障结果205为故障的情况下,处理器可以通过切换冗余电源支路切换模块207将待预测电源模块的电路切换至冗余电路,并通过人机交互模块206显示故障信息,以保护待预测电源模块所在设备,使得该设备能够正常运行,降低故障带来的损失。
上述技术方案,通过获取电源模块在多个状态下的历史运行数据,历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流,和电源模块内部的关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线;分析历史运行数据,并选取符合预设条件的历史运行数据作为正样本数据;对正样本数据进行处理,并将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型;获取待预测电源模块的实时运行数据;将实时运行数据输入至训练完成的故障预测数据模型,以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型。采用上述技术方案能够实现对电源模块内部元件的状态监测和故障预测,构建更为准确的故障预测数据模型,对电源模块的故障进行及时、精准地预测,且预测的更为全面,更大程度上降低了故障带来的损失。本发明实施例中所述的电源模块故障预测模型,是基于电源模块内部各支路电压、电流信息及其内部关键元件的电流、电压、温度、动作时间等综合参数而建立的故障预测模型,与现有技术相比,能实现对元件潜在失效模式进行故障预测,预测更及时,结果更准确,能更大程度降低故障带来的损失。
图1、3为一个实施例中用于电源模块的故障预测方法的流程示意图。应该理解的是,虽然图1、3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本申请实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述用于电源模块的故障预测方法。
本申请实施例提供了一种用于电源模块的故障预测装置,包括上述处理器。
本申请实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述用于电源模块的故障预测方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储历史运行数据和正样本数数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于电源模块的故障预测方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取电源模块在多个状态下的历史运行数据,历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流,和电源模块内部的关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线;分析历史运行数据,并选取符合预设条件的历史运行数据作为正样本数据;对正样本数据进行处理,并将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型;获取待预测电源模块的实时运行数据;将实时运行数据输入至训练完成的故障预测数据模型,以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型。
在一个实施例中,故障预测方法还包括:根据输出的故障类型执行对应的控制策略。
在一个实施例中,在满足以下全部条件的情况下,确定历史运行数据符合预设条件:通过电压电流异常判定模型确定各个支路的电压和电流符合电压电流条件;通过温升异常判定模型确定关键元件的温度符合预设温升条件;通过动作时间异常模型确定关键元件的动作时间符合预设动作条件;通过寿命与触点电流模型确定关键元件的寿命曲线符合预设寿命条件。
在一个实施例中,关键元件的温度包括关键元件的实时环境温度和实时线圈温度值,通过温升异常判定模型确定关键元件的温度符合预设温升条件包括:针对任意一个历史运行数据,根据关键元件的实时电流和实时电压确定关键元件的额定温升值;根据关键元件的实时环境温度、实时线圈温度值以及额定温升值确定关键元件的标定温度;在标定温度大于第一温度阈值且小于第二温度阈值,且持续时长大于预设时长阈值的情况下,确定不符合预设温升条件;或在标定温度大于第二温度阈值的情况下,确定不符合预设温升条件;剔除历史运行数据中不符合预设温升条件的数据,以筛选出符合预设温升条件的历史运行数据。
在一个实施例中,根据关键元件的实时电流和实时电压确定关键元件的额定温升值包括根据公式(1)计算额定温升值T0:
T0=1V+ηI+a1,(V>V1)
T0=k2V+ηI+a2,(V≤V1) (1)
其中,V为实时电压,I为实时电流,V1为电压阈值,k1、k2、η为权重系数,a1、a2为常数。
在一个实施例中,通过动作时间异常模型确定关键元件的动作时间符合预设动作条件包括:在动作时间与预设时间的差值大于第一动作时间且小于第二动作时间的情况下,确定电源模块的异常次数增一;在电源模块的异常次数大于预设次数阈值,或动作时间与预设时间的差值大于或等于第二动作时间的情况下,确定不符合预设动作条件;剔除历史运行数据中不符合预设动作条件的数据,以筛选出符合预设动作条件的历史运行数据。
在一个实施例中,通过寿命与触点电流模型确定关键元件的寿命曲线符合预设寿命条件包括:根据历史运行数据确定关键元件在不同的电流下的第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数;在第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数的和大于预设异常寿命次数的情况下,确定不符合预设寿命条件;剔除历史运行数据中不符合预设寿命条件的数据,以筛选出符合预设寿命条件的历史运行数据。
在一个实施例中,根据公式(2)计算第一累计等效寿命消耗次数se1、第二累计等效寿命消耗次数se2以及第三累计等效寿命消耗次数se3:
其中,Ii为关键元件的实时电流,I0为关键元件的额定电流,k1,k2为等效寿命消耗次数系数,ε1,ε2分别为第一比值阈值和第二比值阈值,s0为额定寿命次数。
在一个实施例中,将处理后的正样本数据输入至故障预测数据模型,以对故障预测数据模型进行训练得到训练完成的故障预测数据模型包括:依次将每个处理后的正样本数据输入至故障预测数据模型,并获取故障预测数据模型输出的预测值,其中,每个预测值对应一个故障类型;根据每个处理后的正样本数据的标准值与预测值确定故障预测数据模型的预测偏差值;在预测偏差值大于第一偏差阈值且小于第二偏差阈值的情况下,再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤;在预测偏差值大于第二偏差阈值的情况下,通过spread仿生优化算法确定故障预测数据模型的模型参数,并再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤;直到预测偏差值小于第一偏差阈值,确定得到训练完成的故障预测数据模型。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如用于电源模块的故障预测方法步骤的程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种用于电源模块的故障预测方法,其特征在于,所述故障预测方法包括:
获取电源模块在多个状态下的历史运行数据,所述历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流,和电源模块内部的关键元件在所述多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线;
分析所述历史运行数据,并选取符合预设条件的历史运行数据作为正样本数据;
对所述正样本数据进行处理,并将处理后的正样本数据输入至故障预测数据模型,以对所述故障预测数据模型进行训练得到训练完成的故障预测数据模型;
获取待预测电源模块的实时运行数据;
将所述实时运行数据输入至所述训练完成的故障预测数据模型,以通过所述训练完成的故障预测数据模型输出所述待预测电源模块的故障类型。
2.根据权利要求1所述的用于电源模块的故障预测方法,其特征在于,所述故障预测方法还包括:
根据输出的故障类型执行对应的控制策略。
3.根据权利要求1所述的用于电源模块的故障预测方法,其特征在于,在满足以下全部条件的情况下,确定所述历史运行数据符合预设条件:
通过电压电流异常判定模型确定各个支路的电压和电流符合电压电流条件;
通过温升异常判定模型确定所述关键元件的温度符合预设温升条件;
通过动作时间异常模型确定所述关键元件的动作时间符合预设动作条件;
通过寿命与触点电流模型确定所述关键元件的寿命曲线符合预设寿命条件。
4.根据权利要求3所述的用于电源模块的故障预测方法,其特征在于,所述关键元件的温度包括所述关键元件的实时环境温度和实时线圈温度值,所述通过温升异常判定模型确定所述关键元件的温度符合预设温升条件包括:
针对任意一个历史运行数据,根据所述关键元件的实时电流和实时电压确定所述关键元件的额定温升值;
根据所述关键元件的实时环境温度、实时线圈温度值以及所述额定温升值确定所述关键元件的标定温度;
在所述标定温度大于第一温度阈值且小于第二温度阈值,且持续时长大于预设时长阈值的情况下,确定不符合预设温升条件;或
在所述标定温度大于所述第二温度阈值的情况下,确定不符合预设温升条件;
剔除所述历史运行数据中不符合预设温升条件的数据,以筛选出符合预设温升条件的历史运行数据。
5.根据权利要求4所述的用于电源模块的故障预测方法,其特征在于,所述根据所述关键元件的实时电流和实时电压确定所述关键元件的额定温升值包括根据公式(1)计算所述额定温升值T0:
T0=1V+ηI+a1,(V>V1)
T0=k2V+ηI+a2,(V≤V1) (1)
其中,V为实时电压,I为实时电流,V1为电压阈值,k1、k2、η为权重系数,a1、a2为常数。
6.根据权利要求3所述的用于电源模块的故障预测方法,其特征在于,所述通过动作时间异常模型确定所述关键元件的动作时间预设动作条件包括:
在所述动作时间与预设时间的差值大于第一动作时间且小于第二动作时间的情况下,确定所述电源模块的异常次数增一;
在所述电源模块的异常次数大于预设次数阈值,或所述动作时间与预设时间的差值大于或等于所述第二动作时间的情况下,确定不符合预设动作条件;
剔除所述历史运行数据中不符合所述预设动作条件的数据,以筛选出符合所述预设动作条件的历史运行数据。
7.根据权利要求3所述的用于电源模块的故障预测方法,其特征在于,所述通过寿命与触点电流模型确定所述关键元件的寿命曲线符合预设寿命条件包括:
根据所述历史运行数据确定所述关键元件在不同的电流下的第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数;
在所述第一累计等效寿命消耗次数、所述第二累计等效寿命消耗次数以及所述第三累计等效寿命消耗次数的和大于预设异常寿命次数的情况下,确定不符合预设寿命条件;
剔除所述历史运行数据中不符合所述预设寿命条件的数据,以筛选出符合所述预设寿命条件的历史运行数据。
8.根据权利要求7所述的用于电源模块的故障预测方法,其特征在于,根据公式(2)计算所述第一累计等效寿命消耗次数se1、所述第二累计等效寿命消耗次数se2以及所述第三累计等效寿命消耗次数se3:
其中,Ii为关键元件的实时电流,I0为关键元件的额定电流,k1,k2为等效寿命消耗次数系数,ε1,ε2分别为第一比值阈值和第二比值阈值,s0为额定寿命次数。
9.根据权利要求1所述的用于电源模块的故障预测方法,其特征在于,将处理后的正样本数据输入至故障预测数据模型,以对所述故障预测数据模型进行训练得到训练完成的故障预测数据模型包括:
依次将每个处理后的正样本数据输入至故障预测数据模型,并获取所述故障预测数据模型输出的预测值,其中,每个预测值对应一个故障类型;
根据每个处理后的正样本数据的标准值与预测值确定所述故障预测数据模型的预测偏差值;
在所述预测偏差值大于第一偏差阈值且小于第二偏差阈值的情况下,再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤;
在所述预测偏差值大于所述第二偏差阈值的情况下,通过spread仿生优化算法确定所述故障预测数据模型的模型参数,并再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤;
直到所述预测偏差值小于所述第一偏差阈值,确定得到训练完成的故障预测数据模型。
10.一种处理器,其特征在于,被配置成执行根据权利要求1至9中任意一项所述的用于电源模块的故障预测方法。
11.一种用于电源模块的故障预测装置,其特征在于,包括根据权利要求10所述的处理器。
12.一种机器可读存储介质,该机器可读存储介质上存储有指令,其特征在于,该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至9中任一项所述的用于电源模块的故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793715.6A CN116956187A (zh) | 2023-06-30 | 2023-06-30 | 用于电源模块的故障预测方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793715.6A CN116956187A (zh) | 2023-06-30 | 2023-06-30 | 用于电源模块的故障预测方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116956187A true CN116956187A (zh) | 2023-10-27 |
Family
ID=88461161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310793715.6A Pending CN116956187A (zh) | 2023-06-30 | 2023-06-30 | 用于电源模块的故障预测方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116956187A (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 |
-
2023
- 2023-06-30 CN CN202310793715.6A patent/CN116956187A/zh active Pending
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jouin et al. | Prognostics of PEM fuel cell in a particle filtering framework | |
CN111160687B (zh) | 主动资产监控 | |
EP1818746A1 (en) | Method of condition monitoring | |
CN103378376A (zh) | 具有用于基于模型的电池控制的监视逻辑的电池控制器 | |
CN116956187A (zh) | 用于电源模块的故障预测方法、装置、存储介质及处理器 | |
Berenguer et al. | Inspection and maintenance planning: An application of semi-Markov decision processes | |
CN113255584A (zh) | 一种基于边缘计算的故障诊断与监测系统 | |
CN113204919B (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
Mola et al. | ANFIS model based on fuzzy C‐mean, grid partitioning and subtractive clustering to detection of stator winding inter‐turn fault for PM synchronous motor | |
Rajamany et al. | Negative sequence current compensation for induction motor stator inter-turn short circuit and off-diagonal term in sequence impedance matrix as fault indicator | |
Laayati et al. | Toward smarter power transformers in microgrids: A multi-agent reinforcement learning for diagnostic | |
Duan et al. | Adaptive maintenance scheme for degrading devices with dynamic conditions and random failures | |
Vanem et al. | Data‐driven snapshot methods leveraging data fusion to estimate state of health for maritime battery systems | |
CN115693916B (zh) | 一种变电站直流电源智能在线监测方法及系统 | |
CN115935135A (zh) | 一种特高压换流变压器顶层油温预测方法及存储介质 | |
CN115600879A (zh) | 一种断路器异常预警方法、系统及相关装置 | |
Witczak et al. | A fuzzy logic approach to remaining useful life estimation of ball bearings | |
CN115718270A (zh) | 一种电力变压器的监测方法、装置和电子设备 | |
CN115879040A (zh) | 电容器的故障预测方法、装置、电子设备及存储介质 | |
Goebel et al. | Prognostics | |
EP4231198A1 (en) | Method of generating a signal processing logic, device for controlling, monitoring, and/or analyzing a physical asset, and electric power system | |
Xiao et al. | Opportunistic replacement optimization for multi-component system based on programming theory | |
CN115616437B (zh) | 一种epc特种电源的智能调测控制方法及系统 | |
Prill et al. | Improving Maintenance Processes with Data Science: How Machine Learning Opens Up New Possibilities | |
CN115829543B (zh) | 基于故障需检区间的电力设备预防性试验有效性确定方法 |
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 |