CN117214766B - 一种移动电源故障检测方法、装置及设备 - Google Patents
一种移动电源故障检测方法、装置及设备 Download PDFInfo
- Publication number
- CN117214766B CN117214766B CN202311482654.8A CN202311482654A CN117214766B CN 117214766 B CN117214766 B CN 117214766B CN 202311482654 A CN202311482654 A CN 202311482654A CN 117214766 B CN117214766 B CN 117214766B
- Authority
- CN
- China
- Prior art keywords
- data set
- test data
- data item
- target
- item
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 753
- 238000005259 measurement Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims description 124
- 238000012512 characterization method Methods 0.000 claims description 108
- 238000000034 method Methods 0.000 claims description 64
- 238000013142 basic testing Methods 0.000 claims description 45
- 238000013101 initial test Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000005065 mining Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 6
- 238000007599 discharging Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
Landscapes
- Tests Of Electronic Circuits (AREA)
Abstract
本申请提供一种移动电源故障检测方法、装置及设备，通过测试数据集中不同层面的特征数据，基于目标测试数据集和参考测试数据集的数据项层面共性度量值和特征层面共性度量值的共性度量值，判断二者匹配度，其中，基于数据项层面共性度量值可以在目标测试数据集和参考测试数据集之间进行数据项层面的细粒度比对，基于特征层面共性度量值可以精确比较目标测试数据集和参考测试数据集中的测试数据集特征，那么，基于本申请提供的移动电源故障检测方法，分别在数据项层面和特征层面对目标测试数据集和参考测试数据集进行精细精确地比较，可以得到精确的测试数据集匹配结果，增加了测试数据集比较的精度，进而提高确定的移动电源的故障类型的精度。
Description
技术领域
本申请涉及但不限于电数据处理技术领域，尤其涉及一种移动电源故障检测方法、装置及设备。
背景技术
移动电源故障检测是对移动电源设备进行故障诊断和检测的技术。移动电源作为便携式充电设备，广泛应用于移动通信、数码产品等领域。然而，由于使用频繁以及长期暴露在各种环境中，移动电源可能会出现各种故障，例如电池老化、充电异常、输出电压不稳定等。移动电源故障检测还需要借助故障诊断算法来进行故障判断和分析，基于测试数据、传感器数据、电池参数等进行故障模式识别和分类，从而准确地判断移动电源是否存在故障，如何实现自动准确地故障识别，是移动电源故障检测目前关注的问题。
发明内容
有鉴于此，本申请实施例至少提供一种移动电源故障检测方法、装置及设备。
本申请实施例的技术方案是这样实现的：
一方面，本申请实施例提供一种移动电源故障检测方法，应用于检测设备，所述方法包括：
获取拟匹配的目标测试数据集和参考测试数据集；
基于所述目标测试数据集中各数据项的维度数值和所述参考测试数据集中各数据项的维度数值，确定所述目标测试数据集与所述参考测试数据集的数据项层面共性度量值；所述数据项层面共性度量值用以指示所述目标测试数据集与所述参考测试数据集在数据项层面的相似性；
基于所述目标测试数据集对应的目标表征向量和所述参考测试数据集对应的参考表征向量，确定所述目标测试数据集与所述参考测试数据集的特征层面共性度量值；所述特征层面共性度量值用以指示所述目标测试数据集与所述参考测试数据集在特征层面的相似性；
基于所述数据项层面共性度量值和所述特征层面共性度量值，确定所述目标测试数据集与所述参考测试数据集的匹配结果；
如果所述匹配结果为正面结果，则将所述参考测试数据集对应的故障类型作为所述目标测试数据集的故障类型。
在一些实施例中，所述基于所述目标测试数据集中各数据项的维度数值和所述参考测试数据集中各数据项的维度数值，确定所述目标测试数据集与所述参考测试数据集的数据项层面共性度量值，包括：
针对所述目标测试数据集和所述参考测试数据集中的每个数据项，基于所述数据项的各个电压维度数值，确定所述数据项对应的象征维度数值；
基于所述目标测试数据集中各数据项分别对应的象征维度数值和所述参考测试数据集中各数据项分别对应的象征维度数值，确定整体匹配率数据和/或细节匹配率数据，作为所述数据项层面共性度量值；
其中，所述整体匹配率数据的获取过程包括：基于所述目标测试数据集中各数据项分别对应的象征维度数值和所述参考测试数据集中各数据项分别对应的象征维度数值，获取均方差；基于每个所述数据项的数值和所述均方差，获取所述整体匹配率数据；
所述细节匹配率数据的获取过程包括：基于所述目标测试数据集中各数据项分别对应的象征维度数值的平均结果和所述参考测试数据集中各数据项分别对应的象征维度数值的平均结果，获取电压共性度量值；
基于所述目标测试数据集中各数据项分别对应的象征维度数值的方差和所述参考测试数据集中各数据项分别对应的象征维度数值的方差，获取电流共性度量值；
基于所述目标测试数据集中各数据项分别对应的象征维度数值和所述参考测试数据集中各数据项分别对应的象征维度数值，获取所述目标测试数据集与所述参考测试数据集之间的共变差；
基于所述共变差、所述目标测试数据集中各数据项分别对应的象征维度数值的方差和所述参考测试数据集中各数据项分别对应的象征维度数值的方差，获取细节共性度量值；
基于所述电压共性度量值、所述电流共性度量值以及所述细节共性度量值，确定所述细节匹配率数据。
在一些实施例中，所述基于所述目标测试数据集对应的目标表征向量和所述参考测试数据集对应的参考表征向量，确定所述目标测试数据集与所述参考测试数据集的特征层面共性度量值，包括：
基于特征识别算法对所述目标测试数据集和所述参考测试数据集进行特征识别，得到所述目标测试数据集中的各第一核心数据项和其分别对应的数据项表征向量和所述参考测试数据集中的各第二核心数据项和其分别对应的数据项表征向量；基于所述第一核心数据项和其对应的数据项表征向量和所述第二核心数据项和其对应的数据项表征向量，确定识别共性度量值，作为所述特征层面共性度量值；
基于测试数据集特征挖掘模型对所述目标测试数据集和所述参考测试数据集进行表征向量挖掘，得到所述目标测试数据集对应的第一隐藏测试表征向量和所述参考测试数据集对应的第二隐藏测试表征向量；
基于所述第一隐藏测试表征向量和所述第二隐藏测试表征向量，确定误分类点数目，作为所述特征层面共性度量值。
在一些实施例中，所述基于所述第一核心数据项和其对应的数据项表征向量和所述第二核心数据项和其对应的数据项表征向量，确定识别共性度量值，包括：
基于各所述第一核心数据项和其分别对应的数据项表征向量和各所述第二核心数据项和其分别对应的数据项表征向量，建立多个候选核心数据项组；所述候选核心数据项组包括一个所述第一核心数据项和一个所述第二核心数据项，同属一个所述候选核心数据项组的所述第一核心数据项和所述第二核心数据项分别对应的数据项表征向量间符合第一距离要求；
在所述多个候选核心数据项组中确定目标核心数据项组；所述目标核心数据项组中的所述第一核心数据项和所述第二核心数据项分别对应的数据项表征向量间符合第二距离要求；
基于各个所述目标核心数据项组包括的所述第一核心数据项和所述第二核心数据项的数量和所述目标测试数据集中所述第一核心数据项的总数、所述参考测试数据集中所述第二核心数据项的总数，确定所述识别共性度量值。
在一些实施例中，所述第一隐藏测试表征向量包括所述目标测试数据集中各数据项分别对应的数据项隐藏表征向量，所述第二隐藏测试表征向量包括所述参考测试数据集中各数据项分别对应的数据项隐藏表征向量；所述基于所述第一隐藏测试表征向量和所述第二隐藏测试表征向量，确定误分类点数目，包括：
针对每个数据项组，基于所述数据项组中两个数据项分别对应的数据项隐藏表征向量，确定所述数据项组对应的数据项误分类点数目；所述数据项组中包括一个属于所述目标测试数据集的数据项和一个属于所述参考测试数据集的数据项，同属一个所述数据项组的两个数据项在所述目标测试数据集和所述参考测试数据集中分布位置一致；
基于各个所述数据项组分别对应的数据项误分类点数目，确定所述误分类点数目。
在一些实施例中，当所述数据项层面共性度量值包括整体匹配率数据和细节匹配率数据，所述特征层面共性度量值包括识别共性度量值和误分类点数目时，所述基于所述数据项层面共性度量值和所述特征层面共性度量值，确定所述目标测试数据集与所述参考测试数据集的匹配结果，包括：
如果所述整体匹配率数据属于第一匹配率范围时，确定所述匹配结果为负面结果；
如果所述误分类点数目小于预设数目时，确定所述匹配结果为正面结果；
如果所述整体匹配率数据属于第二匹配率范围时，如果所述细节匹配率数据不大于预设细节阈值，或者所述识别共性度量值不大于预设识别阈值，则确定所述匹配结果为负面结果；否则确定所述匹配结果为正面结果；所述第二匹配率范围包括的整体匹配率值大于所述第一匹配率范围包括的整体匹配率值；
如果所述整体匹配率数据属于第三匹配率范围，如果所述细节匹配率数据不大于所述预设细节阈值，且所述识别共性度量值不大于所述预设识别阈值，则确定所述匹配结果为负面结果；否则确定所述匹配结果为正面结果；所述第三匹配率范围包括的整体匹配率值大于所述第二匹配率范围包括的整体匹配率值；
如果所述整体匹配率数据属于第四匹配率范围时，确定所述匹配结果为正面结果；所述第四匹配率范围包括的整体匹配率值大于所述第三匹配率范围包括的整体匹配率值。
在一些实施例中，所述获取拟匹配的目标测试数据集和参考测试数据集，包括：
获取第一初始测试数据集和第二初始测试数据集；
在所述第一初始测试数据集和所述第二初始测试数据集中选取一个初始测试数据集作为基础测试数据集，并选取另外一个初始测试数据集作为拟调节测试数据集；
基于所述基础测试数据集对所述拟调节测试数据集进行初步调节，得到调节后测试数据集；
将所述基础测试数据集和所述调节后测试数据集作为所述目标测试数据集和所述参考测试数据集。
在一些实施例中，所述基于所述基础测试数据集对所述拟调节测试数据集进行初步调节，得到调节后测试数据集，包括：
当所述拟调节测试数据集与所述基础测试数据集大小不同时，对所述拟调节测试数据集进行大小调节处理，将所述拟调节测试数据集的大小调节到所述基础测试数据集的大小；
基于特征识别算法对所述基础测试数据集和所述拟调节测试数据集进行特征识别，得到所述基础测试数据集中的各第三核心数据项和其分别对应的数据项表征向量和所述拟调节测试数据集中的各第四核心数据项和其分别对应的数据项表征向量；
基于各所述第三核心数据项和其分别对应的数据项表征向量和各所述第四核心数据项和其分别对应的数据项表征向量，确定匹配核心数据项组；所述匹配核心数据项组包括一个所述第三核心数据项和一个所述第四核心数据项，同属一个所述匹配核心数据项组的所述第三核心数据项和所述第四核心数据项分别对应的数据项表征向量间符合预设匹配要求；
基于所述匹配核心数据项组包括的所述第三核心数据项和所述第四核心数据项，确定所述测试数据集转换数组；
通过所述测试数据集转换数组对所述拟调节测试数据集进行数据项分布位置转换，得到所述调节后测试数据集。
第二方面，本申请提供一种故障检测装置，包括：
测试数据获取模块，用于获取拟匹配的目标测试数据集和参考测试数据集；
数据共性确定模块，用于基于所述目标测试数据集中各数据项的维度数值和所述参考测试数据集中各数据项的维度数值，确定所述目标测试数据集与所述参考测试数据集的数据项层面共性度量值；所述数据项层面共性度量值用以指示所述目标测试数据集与所述参考测试数据集在数据项层面的相似性；
特征共性确定模块，用于基于所述目标测试数据集对应的目标表征向量和所述参考测试数据集对应的参考表征向量，确定所述目标测试数据集与所述参考测试数据集的特征层面共性度量值；所述特征层面共性度量值用以指示所述目标测试数据集与所述参考测试数据集在特征层面的相似性；
匹配结果确定模块，用于基于所述数据项层面共性度量值和所述特征层面共性度量值，确定所述目标测试数据集与所述参考测试数据集的匹配结果；
故障类型确定模块，用于如果所述匹配结果为正面结果，则将所述参考测试数据集对应的故障类型作为所述目标测试数据集的故障类型。
第三方面，本申请提供一种检测设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以上方法中的步骤。
本申请的有益效果至少具有：
本申请实施例提供的移动电源故障检测方法中，通过先获取拟匹配的目标测试数据集和参考测试数据集，并基于该目标测试数据集中的各数据项的维度数值和参考测试数据集中各数据项的维度数值，确定目标测试数据集与参考测试数据集的数据项层面共性度量值，通过数据项层面共性度量值表征目标测试数据集与参考测试数据集在数据项层面的相似性；基于目标测试数据集的目标表征向量、参考测试数据集的参考表征向量确定目标测试数据集与参考测试数据集的特征层面共性度量值，采用特征层面共性度量值表征目标测试数据集与参考测试数据集在特征层面的相似性。然后，基于数据项层面共性度量值和特征层面共性度量值确定目标测试数据集与参考测试数据集的匹配结果，如果匹配结果为正面结果，则将参考测试数据集对应的故障类型作为目标测试数据集的故障类型。在以上提供的移动电源故障检测方法中，通过测试数据集中不同层面的特征数据，基于目标测试数据集和参考测试数据集的数据项层面共性度量值和特征层面共性度量值两个层面的共性度量值，判断目标测试数据集与参考测试数据集的匹配度，其中，基于数据项层面共性度量值可以在目标测试数据集和参考测试数据集之间进行数据项层面的细粒度比对，基于特征层面共性度量值可以精确比较目标测试数据集和参考测试数据集中的测试数据集特征，那么，基于本申请提供的移动电源故障检测方法，分别在数据项层面和特征层面对目标测试数据集和参考测试数据集进行精细精确地比较，可以得到精确的测试数据集匹配结果，增加了测试数据集比较的精度，进而提高确定的移动电源的故障类型的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种移动电源故障检测方法的实现流程示意图。
图2为本申请实施例提供的一种故障检测装置的组成结构示意图。
图3为本申请实施例提供的一种检测设备的硬件实体示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本申请的技术方案进一步详细阐述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的，不是旨在限制本申请。
本申请实施例提供一种移动电源故障检测方法，该方法可以由检测设备的处理器执行。其中，检测设备可以指的是服务器、笔记本电脑、平板电脑、台式计算机、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等具备数据处理能力的设备。
图1为本申请实施例提供的一种移动电源故障检测方法的实现流程示意图，如图1所示，该方法包括如下步骤：
步骤S110，获取拟匹配的目标测试数据集和参考测试数据集。
目标测试数据集即当前测试的移动电源在测试过程（包括充电和放电过程）中产生的测试数据，参考测试数据集是过往的具有故障的移动电源测试过程中产生的测试数据集，参考测试数据集对应明确的故障类型（如USB连接异常、过充过放、过温、老化等故障），测试数据集中包含的测试数据由多个数据项构成，各个数据项例如为记录的充电过程/放电过程中的电流值、电压值、充放电时间、电源温度、外部环境数据等数据。本申请实施例将目标测试数据集和参考测试数据集进行对比匹配，如果匹配结果是正面的，即代表目标测试数据集和参考测试数据集的相似性超过预设的相似性，可以认为目标测试数据集和参考测试数据集对应的故障类型是一致的，可以将参考测试数据集的故障类型作为目标测试数据集的故障类型。
作为一种实施方式，步骤S110具体可以包括：
步骤S111，获取第一初始测试数据集和第二初始测试数据集。
步骤S112，在该第一初始测试数据集和该第二初始测试数据集中选取一个初始测试数据集作为基础测试数据集，并选取另外一个初始测试数据集作为拟调节测试数据集。
步骤S113，基于该基础测试数据集对该拟调节测试数据集进行初步调节，得到调节后测试数据集。
第一初始测试数据集和第二初始测试数据集为需要进行测试数据集匹配的两个测试数据集的初始数据集。在进行测试数据集匹配时，获取待匹配的两个初始测试数据集，即第一初始测试数据集和第二初始测试数据集。由于测试数据集匹配之前，第一初始测试数据集与第二初始测试数据集的数据大小（也即数据量，数据尺寸）可能不一致，可能对匹配造成应向，为了进行测试数据集匹配，需要进行测试数据集初步调节，使得大小相同，例如基于测试时间，将两个不同大小的数据集的大小限制在相同时间范围内。
以第一初始测试数据集和第二初始测试数据集中的一个为基础测试数据集，另一个为拟调节测试数据集，以基础测试数据集的大小为参照，对拟调节测试数据集进行初步调节，将拟调节测试数据集的大小调节成基础测试数据集的大小。
在基于基础测试数据集对拟调节测试数据集进行处理时，步骤S113具体可以包括：
步骤S1131，当该拟调节测试数据集与该基础测试数据集大小不同时，对该拟调节测试数据集进行大小调节处理，将该拟调节测试数据集的大小调节到该基础测试数据集的大小。
步骤S1132，基于大小相同的该拟调节测试数据集和该基础测试数据集，确定测试数据集转换数组；通过该测试数据集转换数组对该拟调节测试数据集进行数据项分布位置转换，得到该调节后测试数据集。
针对大小相同的拟调节测试数据集和基础测试数据集，需要进行测试数据集的数据对齐，具体地，基于拟调节测试数据集和基础测试数据集中各个数据项的位置，得到测试数据集转换数组，通过该测试数据集转换数组对拟调节测试数据集进行数据项分布位置转换，将拟调节测试数据集中的各特征与基础测试数据集中对应的特征进行对齐，得到调节后的测试数据集。调节后的测试数据集中，测试数据集的大小以及测试数据集中的用于匹配的各特征的分布位置均和基础测试数据集一致。
作为一种实施方式，步骤S1132中的测试数据集转换数组可以采取如下步骤得到：
步骤S11，基于特征识别算法对该基础测试数据集和该拟调节测试数据集进行特征识别，得到该基础测试数据集中的各第三核心数据项和其分别对应的数据项表征向量和该拟调节测试数据集中的各第四核心数据项和其分别对应的数据项表征向量。
步骤S12，基于各该第三核心数据项和其分别对应的数据项表征向量和各该第四核心数据项和其分别对应的数据项表征向量，确定匹配核心数据项组。
步骤S13，基于该匹配核心数据项组包括的该第三核心数据项和该第四核心数据项，确定该测试数据集转换数组。
其中，特征识别算法可以为ORB算法，在测试数据集中获取的核心数据项是测试数据集中数据变化较快的点，如电压或电流曲线中的拐点，基于特征识别算法对基础测试数据集和拟调节测试数据集进行特征检测，获得基础测试数据集中各第三核心数据项和其分别对应的数据项表征向量，以及拟调节测试数据集中的各第四核心数据项和其分别对应的数据项表征向量。
基于基础测试数据集中的各个第三核心数据项和其分别对应的数据项表征向量，以及拟调节测试数据集中的各个第四核心数据项和其分别对应的数据项表征向量，进行核心数据项的匹配，确定各个第三核心数据项和各个第四核心数据项之间的匹配记过，将符合预设匹配要求的第三核心数据项和第四核心数据项确定为匹配的核心数据项，将匹配的第三核心数据项和第四核心数据项作为一个匹配核心数据项组。匹配核心数据项组包括一个第三核心数据项和一个第四核心数据项，一个匹配核心数据项组中的第三核心数据项和第四核心数据项分别对应的数据项表征向量间符合预设匹配要求。预设匹配要求是基于第三核心数据项对应的数据项表征向量（即表征数据项特征信息的矢量表达）和第四核心数据项对应的数据项表征向量，将第三核心数据项与第四核心数据项进行匹配的匹配要求。例如，数据项表征向量为特征值，基于预设匹配要求，将特征值接近的第三核心数据项和第四核心数据项进行匹配，针对第三核心数据项可能得到多个相同或接近的第四核心数据项，则在多个第四核心数据项中选取最匹配的一个，和第三核心数据项构建匹配核心数据项组。
通过匹配核心数据项组中第三核心数据项在基础测试数据集中的分布位置和第四核心数据项在拟调节测试数据集中的分布位置，获取通过以上位置转换的方式，令第四核心数据项在拟调节测试数据集中的分布与第三核心数据项在基础测试数据集中的分布一致，生成对拟调节测试数据集进行数据项分布位置转换的测试数据集转换数组。
步骤S114，将该基础测试数据集和该调节后测试数据集作为该目标测试数据集和该参考测试数据集。
得到调节后测试数据集后，可以将基础测试数据集和调节后测试数据集作为进行测试数据集匹配的目标测试数据集和参考测试数据集，开始对目标测试数据集和参考测试数据集的测试数据集匹配。通过测试数据集初步调节，以第一初始测试数据集和第二初始测试数据集中的一个为基础测试数据集，调节另一拟调节测试数据集，令调节后测试数据集与基础测试数据集的各指标一致，通过指标一致的两个测试数据集进行测试数据集匹配，可以增加测试数据集匹配精度和匹配速度。
步骤S120，基于该目标测试数据集中各数据项的维度数值和该参考测试数据集中各数据项的维度数值，确定该目标测试数据集与该参考测试数据集的数据项层面共性度量值。
其中，数据项层面共性度量值用以指示该目标测试数据集与该参考测试数据集在数据项层面的相似性。数据项是测试数据集中的基本描述数据，每个数据项都是对测试数据集的一个维度的数据的数值表达。本申请实施例为了对比目标测试数据集与参考测试数据集，基于目标测试数据集中各数据项的维度数值（即数据项不同通道的数值，例如数据项为电压电流，可以拥有充电和放电两个通道，也即两个维度的数据，或者，不同的维度还可以指的是在不同的测试环境下，如不同的温度，每个测试温度对应一个通道，在该温度下测试得到的对应的电压电流值）和参考测试数据集中各个数据项的维度数值，判断目标测试数据集与参考测试数据集的数据项层面共性度量值。在数据项层面共性度量值中，将目标测试数据集与参考测试数据集同一位置（即测试过程中的同一测试时间点）的数据项进行对应，基于同一位置的数据项中存储的维度数值之间的差别，判断同一位置的数据项是否一致，进而基于目标测试数据集与参考测试数据集中分布位置一致的数据项的差别，确定目标测试数据集与参考测试数据集在数据项层面的共性度量结果。
作为一种实施方式，步骤S120具体可以包括：
步骤S121，针对该目标测试数据集和该参考测试数据集中的每个数据项，基于该数据项的各个电压维度数值，确定该数据项对应的象征维度数值。
得到目标测试数据集和参考测试数据集后，基于目标测试数据集中各数据项的维度数值和参考测试数据集中各数据项的维度数值，可以确定各数据项对应的电压维度数值，再针对目标测试数据集和参考测试数据集中的每个数据项，均依据对应的电压维度数值获取该数据项对应的象征维度数值，由于目标测试数据集和参考测试数据集中的电压维度的异同无法确定，则为了有利于进行测试数据集的处理，通过象征维度数值描述目标测试数据集和参考测试数据集中的各数据项的电压维度数值。象征维度数值为单维度数值（通道数为1），是描述目标测试数据集中各数据项层面数值和参考测试数据集中各数据项层面数值的数据。换言之，如果目标测试数据集为包含3个温度测试条件的测试数据集，而参考测试数据集为仅包含一个温度测试条件的测试数据集，则基于目标测试数据集中各数据项在三个电压维度的电压值，综合获取各数据项的象征维度对应的电压值，作为各数据项的象征维度数值；其中，象征维度对应的电压值例如是各数据项在三个电压维度的电压值的平均结果。至于参考测试数据集，直接将参考测试数据集中个数据项的维度数值作为象征维度数值。
步骤S122：基于该目标测试数据集中各数据项分别对应的象征维度数值和该参考测试数据集中各数据项分别对应的象征维度数值，确定整体匹配率数据和/或细节匹配率数据，作为该数据项层面共性度量值。
本申请实施例中，整体匹配率是基于测试数据集数据项进行统计，通过对应数据项之间的差别评估测试数据集间的匹配性，如果整体匹配率越大，测试数据集就越匹配。在本申请实施例中，基于目标测试数据集中各数据项分别对应的象征维度数值和参考测试数据集中各数据项分别对应的象征维度数值获取整体匹配率，确定目标测试数据集与参考测试数据集中各对位置一致的数据项间的差别。如果目标测试数据集与参考测试数据集中各对分布位置一致的数据项之间的差别越小，获取到的整体匹配率越大，目标测试数据集与参考测试数据集越匹配。
细节匹配率数据的思路是将两个测试数据集通过电压、电流和整体结构（如电压电流曲线）进行对比以获取两个测试数据集的匹配情况。其中，细节匹配率数据的数值位于[0,1]之间，如果两个测试数据集的匹配性较高，细节匹配率数据的越靠近1，如果两个测试数据集基本一致，细节匹配率数据等于1。
整体匹配率和细节匹配率数据均为针对测试数据集匹配性在数据项层面的判断标准，在确定目标测试数据集与参考测试数据集的数据项层面共性度量值时，可以基于目标测试数据集中各数据项分别对应的象征维度数值和参考测试数据集中各数据项分别对应的象征维度数值，将目标测试数据集与参考测试数据集之间的整体匹配率数据和细节匹配率数据中的至少一个作为目标测试数据集与参考测试数据集的数据项层面共性度量值。换言之，不仅可以将目标测试数据集与参考测试数据集之间的整体匹配率数据作为目标测试数据集与参考测试数据集的数据项层面共性度量值，还可以将目标测试数据集与参考测试数据集之间的细节匹配率数据作为目标测试数据集与参考测试数据集的数据项层面共性度量值，或者将整体匹配率数据和细节匹配率数据一并作为目标测试数据集与参考测试数据集的数据项层面共性度量值。
基于目标测试数据集中各数据项对应的象征维度数值和参考测试数据集中的各数据项对应的象征维度数值，确定整体匹配率数据和/或细节匹配率数据作为数据项层面共性度量值，在数据项层面实现了对测试数据集之间各个数据项的细致对比，增加了目标测试数据集与参考测试数据集在数据项层面比较的精度。
可选地，该整体匹配率数据的获取过程包括：
步骤SA1，基于该目标测试数据集中各数据项分别对应的象征维度数值和该参考测试数据集中各数据项分别对应的象征维度数值，获取均方差。
步骤SA2，基于每个该数据项的数值和该均方差，获取该整体匹配率数据。
在确定整体匹配率数据时，目标测试数据集中各数据项分别对应的象征维度数值和参考测试数据集中各数据项分别对应的象征维度数值之间的均方差可以采用以下公式获取：
W=
其中，W为均方差，K1和K2分别为两个单维度测试数据集的行数与列数，P为目标测试数据集，Q为参考测试数据集，（m，n）用于指示测试数据集中数据项的分布位置。
得到均方差后，基于目标测试数据集、参考测试数据集中每个数据项的数值和均方差，获取目标测试数据集和参考测试数据集之间的整体匹配率数据，例如通过如下公式获取：
H=5log5((2i-1)2/W)
其中，H为目标测试数据集和参考测试数据集之间的整体匹配率数据，i为每个数据项的数值。
通过获取目标测试数据集与参考测试数据集的整体匹配率数据评估目标测试数据集和参考测试数据集中对应数据项之间的差别，进而可以在数据项层面评估目标测试数据集与参考测试数据集的匹配度，提高测试数据集比较的精度。
可选地，该细节匹配率数据可以的获取过程包括：
步骤SB1，基于该目标测试数据集中各数据项分别对应的象征维度数值的平均结果和该参考测试数据集中各数据项分别对应的象征维度数值的平均结果，获取电压共性度量值。
基于目标测试数据集中各数据项分别对应的象征维度数值，可以获取出目标测试数据集中各数据项分别对应的象征维度数值的平均结果，基于参考测试数据集中各数据项分别对应的象征维度数值，也可以获取得到参考测试数据集中各数据项分别对应的象征维度数值的平均结果；基于以上两个测试数据集的象征维度数值的平均结果，获取目标测试数据集与参考测试数据集的电压共性度量值，具体地，电压共性度量值的获取可以基于以下公式得到：
Us=(2A1A2+g)/(A1 2+A2 2+g)
其中，A1、A2分别为目标测试数据集中各数据项分别对应的象征维度数值的平均结果、参考测试数据集中各数据项分别对应的象征维度数值的平均结果， Us为目标测试数据集与参考测试数据集的电压共性度量值，g为预设的调节常数。
步骤SB2，基于该目标测试数据集中各数据项分别对应的象征维度数值的方差和该参考测试数据集中各数据项分别对应的象征维度数值的方差，获取电流共性度量值。
基于目标测试数据集中各数据项分别对应的象征维度数值，可以获取出目标测试数据集中各数据项分别对应的象征维度数值的方差。基于参考测试数据集中各数据项分别对应的象征维度数值，可以获取得到参考测试数据集中各数据项分别对应的象征维度数值的方差，通过以上两个测试数据集的象征维度数值的方差，获取目标测试数据集与参考测试数据集的电流共性度量值，具体地，可以基于如下公式实现：
Is=(2B1B2+h)/(B1 2+B2 2+h)
其中，B1、A2分别为目标测试数据集中个数据项分别对应的象征维度数值的方差、参考测试数据集中各数据项分别对应的象征维度数值的方差，Is为目标测试数据集与参考测试数据集的电流共性度量值，h为预设的调节常数。
步骤SB3，基于该目标测试数据集中各数据项分别对应的象征维度数值和该参考测试数据集中各数据项分别对应的象征维度数值，获取该目标测试数据集与该参考测试数据集之间的共变差；基于该共变差、该目标测试数据集中各数据项分别对应的象征维度数值的方差和该参考测试数据集中各数据项分别对应的象征维度数值的方差，获取细节共性度量值。
基于目标测试数据集中各数据项分别对应的象征维度数值和参考测试数据集中各数据项分别对应的象征维度数值，可以获取出目标测试数据集与参考测试数据集之间的共变差（即协方差）。基于此，基于目标测试数据集与参考测试数据集之间的共变差、目标测试数据集中各数据项分别对应的象征维度数值的方差和参考测试数据集中各数据项分别对应的象征维度数值的方差，获取目标测试数据集与参考测试数据集的细节共性度量值，具体地，可以基于如下公式实现：
Ts=(B12+e)/(B1B2+e)
其中，B12为目标测试数据集与参考测试数据集之间的共变差，e为预设的调节常数。
步骤SB4，基于该电压共性度量值、该电流共性度量值以及该细节共性度量值，确定该细节匹配率数据。
本申请实施例中提出的细节匹配率数据，其主要思想是将两个测试数据集通过电压、电流和数据整体结构获取两者的匹配度，则步骤SB1~SB3中分别获取电压共性度量值、电流共性度量值和细节共性度量值后，进行融合以确定目标测试数据集与参考测试数据集的细节匹配率数据，基于该细节匹配率数据，得到目标测试数据集与参考测试数据集的匹配度。
作为一种示例，细节匹配率数据可以通过如下公式获取：
Z=Usn1·Isn2·Tsn3
其中，Us为电压共性度量值，Is为电流共性度量值，Ts为细节共性度量值， n1、n2、n3为超参。
基于目标测试数据集与参考测试数据集的电压共性度量值、电流共性度量值、细节共性度量值，一起确定目标测试数据集与参考测试数据集的细节匹配率数据，基于该细节匹配率数据可以在数据项层面上，在电压、电流、数据结构确定目标测试数据集与参考测试数据集的匹配度，可以增加测试数据集比较的精度。
步骤S130，基于该目标测试数据集对应的目标表征向量和该参考测试数据集对应的参考表征向量，确定该目标测试数据集与该参考测试数据集的特征层面共性度量值。
特征层面共性度量值用以指示该目标测试数据集与该参考测试数据集在特征层面的相似性。目标表征向量用于表征目标测试数据集中的测试数据集特征信息，参考表征向量用于表征参考测试数据集中的测试数据集特征信息。测试数据集特征至少包括测试数据集的电压特征信息、电流特征信息、温度特征信息、充放电容量变化特征信息等。为了目标测试数据集和参考测试数据集的比对，基于目标表征向量和参考表征向量一起确定目标测试数据集与参考测试数据集的特征层面共性度量值。在特征层面共性度量值中，包括目标测试数据集和参考测试数据集中的全部测试数据集特征，通过测试数据集特征的比较，将目标测试数据集、参考测试数据集中同一位置的测试数据集特征对应，基于确定目标测试数据集与参考测试数据集在同一位置上的测试数据集特征之间的差别，综合确定目标测试数据集与参考测试数据集在测试数据集特征的匹配度。
作为一种实施方式，步骤130具体可以包括：
步骤S131，基于特征识别算法对该目标测试数据集和该参考测试数据集进行特征识别，得到该目标测试数据集中的各第一核心数据项和其分别对应的数据项表征向量和该参考测试数据集中的各第二核心数据项和其分别对应的数据项表征向量；基于该第一核心数据项和其对应的数据项表征向量和该第二核心数据项和其对应的数据项表征向量，确定识别共性度量值，作为该特征层面共性度量值。
本申请实施例对目标测试数据集和参考测试数据集进行特征层面的测试数据集匹配时，先依据特征识别算法对目标测试数据集和参考测试数据集进行特征识别，确定目标测试数据集与参考测试数据集中的各个核心数据项及对应的数据项表征向量，得到目标测试数据集中的各第一核心数据项和各第一核心数据项对应的数据项表征向量，并获得参考测试数据集中的各第二核心数据项和各第二核心数据项对应的数据项表征向量。特征识别过程中，各核心数据项对应的数据项表征向量为该核心数据项对应的特征值。
其中，识别共性度量值可以采用如下步骤获取：
步骤S1311，基于各第一核心数据项和其分别对应的数据项表征向量和各第二核心数据项和其分别对应的数据项表征向量，建立多个候选核心数据项组。
候选核心数据项组包括第一核心数据项和第二核心数据项，对应同一该候选核心数据项组的第一核心数据项和第二核心数据项分别对应的数据项表征向量间符合第一距离要求。
从目标测试数据集中获取各第一核心数据项和其分别对应的数据项表征向量后，获取目标测试数据集中各第一核心数据项与各第二核心数据项之间的欧式距离，采用欧式距离表征第一核心数据项与第二核心数据项之间的匹配度。此外，基于预设的第一距离要求，通过符合第一距离要求的第一核心数据项和第二核心数据项建立候选核心数据项组。其中，第一距离要求为确定和第一核心数据项距离最小的第二核心数据项的选取要求。
步骤S1312，在多个候选核心数据项组中确定目标核心数据项组。
其中，该目标核心数据项组中的第一核心数据项和第二核心数据项分别对应的数据项表征向量间符合第二距离要求。以目标测试数据集中的第一核心数据项为例，基于第一距离要求，能在参考测试数据集中的全部第二核心数据项中获得与第一核心数据项距离最小的第二核心数据项，建立候选核心数据项组，当全部的第二核心数据项与第一核心数据项的匹配度都比较小时，也要获取一对应的第二核心数据项。换言之，第一距离要求并非严格绝对的选取要求，基于第一距离要求选取得到的与第一核心数据项构成候选核心数据项组的第二核心数据项，可能和第二核心数据项的匹配度较小，但是对比其余第二核心数据项而言，与第一核心数据项更匹配，即为相对更匹配的第二核心数据项，不代表第一核心数据项和第二核心数据项实际是匹配的，基于此，为了在多个候选核心数据项组中确定实际上匹配的目标核心数据项组，本申请还加入第二距离要求。第二距离要求用于在多个候选核心数据项组中选取得到距离小于阈值的核心数据项组，对比第一距离要求，第二距离要求则为绝对距离要求。第二距离要求和第一距离要求具体根据实际情况确定。
步骤S1313，基于各个该目标核心数据项组包括的该第一核心数据项和该第二核心数据项的数量和该目标测试数据集中该第一核心数据项的总数、该参考测试数据集中该第二核心数据项的总数，确定该识别共性度量值。
识别共性度量值是通过目标核心数据项组中核心数据项的数量，将其与目标测试数据集、参考测试数据集中全部核心数据项的数量的比例，以表征目标测试数据集与参考测试数据集共性的数据。因为目标核心数据项组包括第一核心数据项和第二核心数据项，则目标核心数据项组中核心数据项的数量二倍于目标核心数据项组数量，目标测试数据集与参考测试数据集中的全部核心数据项的总数量为第一核心数据项与第二核心数据项的数量和，识别共性度量值基于相似核心数据项的数量与两个测试数据集全部核心数据项数量的比，表征目标测试数据集与参考测试数据集的共性，如果目标测试数据集和参考测试数据集中相似的核心数据项越多，该识别共性度量值越大，目标测试数据集与参考测试数据集的共性程度越大。
基于特征识别算法获取的各第一核心数据项和其分别对应的数据项表征向量和各第二核心数据项和其分别对应的数据项表征向量，通过第一距离要求、第二距离要求确定得到目标测试数据集和参考测试数据集中实际匹配的目标核心数据项组，获取识别共性度量值，在特征层面完成对测试数据集之间核心数据项的匹配，增加了目标测试数据集与参考测试数据集在特征层面匹配的精度。
步骤S132，基于测试数据集特征挖掘模型对该目标测试数据集和该参考测试数据集进行表征向量挖掘，得到该目标测试数据集对应的第一隐藏测试表征向量和该参考测试数据集对应的第二隐藏测试表征向量；基于该第一隐藏测试表征向量和该第二隐藏测试表征向量，确定误分类点数目，作为该特征层面共性度量值。
通过测试数据集特征挖掘模型在目标测试数据集中获取对应的第一隐藏测试表征向量，从参考测试数据集中获取对应的第二隐藏测试表征向量，并基于第一隐藏测试表征向量和第二隐藏测试表征向量确定目标测试数据集与参考测试数据集之间的误分类点数目。其中，第一隐藏测试表征向量为测试数据集特征挖掘模型从目标测试数据集中获取的隐藏特征图，第二隐藏测试表征向量为测试数据集特征挖掘模型从参考测试数据集中获取的隐藏特征图。
误分类点数目又叫感知损失，其为获取底层特征误差的前提下，基于对初始测试数据集的滤波结果和生成测试数据集的滤波结果进行比较，确定误差。本申请实施例通过测试数据集特征挖掘模型，通过对目标测试数据集的滤波结果和参考测试数据集的滤波结果进行比较，获取二者之间的误差，作为特征层面共性度量值，判断目标测试数据集与参考测试数据集之间的差别，如果误分类点数目对应的值越小，目标测试数据集与参考测试数据集之间的差别越小，换言之，目标测试数据集与参考测试数据集越匹配。
在测试数据集的特征提取过程中，可以采用CNN（卷积神经网络）对目标测试数据集和参考测试数据集进行表征向量挖掘。
将识别共性度量值、误分类点数目作为目标测试数据集与参考测试数据集的特征层面共性度量值，可以在测试数据集特征的角度对比目标测试数据集与参考测试数据集之间的差别，增加测试数据集比较的精度。
对于目标测试数据集和参考测试数据集中的各个数据项而言，该第一隐藏测试表征向量包括该目标测试数据集中各数据项分别对应的数据项隐藏表征向量，该第二隐藏测试表征向量包括该参考测试数据集中各数据项分别对应的数据项隐藏表征向量。
那么，步骤S132具体可以包括：
步骤S1321，针对每个数据项组，基于该数据项组中两个数据项分别对应的数据项隐藏表征向量，确定该数据项组对应的数据项误分类点数目。
在获取误分类点数目的过程中，基于测试数据集特征挖掘模型在目标测试数据集和参考测试数据集中获取的隐藏特征图进行数据项对比，将目标测试数据集中的各个数据项与参考测试数据集中的各个数据项依据分布位置进行对应，确定目标测试数据集中各个数据项与参考测试数据集中各个数据项生成的数据项组。其中，数据项组中包括属于目标测试数据集的数据项和属于参考测试数据集的数据项，对应同一数据项组的两个数据项在该目标测试数据集和该参考测试数据集中分布位置一致。
步骤S1322，基于各个该数据项组分别对应的数据项误分类点数目，确定该误分类点数目。
通过目标测试数据集和参考测试数据集中各个数据项组分别对应数据项误分类点数目，一起确定得到目标测试数据集和参考测试数据集间的误分类点数目，具体地，可以采用如下公式进行确定：
Ct=
其中，Ct为目标测试数据集和参考测试数据集之间的误分类点数目，s为一测试数据集中数据项的总数，f为测试数据集特征挖掘模型从测试数据集中获取的隐藏特征图，l1m、l2m分别为目标测试数据集、参考测试数据集中各个数据项分别对应的数据项误分类点数目。如果目标测试数据集与参考测试数据集中同一位置数据项分别对应的数据项误分类点数目越小，目标测试数据集与参考测试数据集之间的误分类点数目越小，目标测试数据集与参考测试数据集之间的匹配度越大。将目标测试数据集和参考测试数据集中同一位置的数据项组成数据项组进行数据项层面的比较，基于各数据项组分别对应的数据项误分类点数目确定目标测试数据集与参考测试数据集之间的误分类点数目，完成对于目标测试数据集和参考测试数据集中同一位置对应数据项隐藏表征向量的精准比较，增加了测试数据集比较的精度，进而提高确定的移动电源的故障类型的精度。
步骤S140，基于该数据项层面共性度量值和该特征层面共性度量值，确定该目标测试数据集与该参考测试数据集的匹配结果。
匹配结果可以是正面的，也可以是负面的，例如，匹配结果是一个匹配数值，如果该匹配数值大于匹配阈值，则匹配结果是正面的，如果小于该匹配阈值，则是负面的。
音在数据项层面共性度量值包括目标测试数据集和参考测试数据集中各个数据项的维度数值，则可基于数据项层面共性度量值一一比较目标测试数据集与参考测试数据集中各个数据项的一致性，令测试数据集匹配更细腻，可以对目标测试数据集与参考测试数据集间的细粒度差别进行比较。此外，在特征层面共性度量值包括目标测试数据集和参考测试数据集中的全部测试数据集特征，则基于特征层面共性度量值，能精准确定目标测试数据集与参考测试数据集中一致或接近的测试数据集特征，增加匹配结果的精度。
作为一种实施方式，当数据项层面共性度量值包括整体匹配率数据和细节匹配率数据，特征层面共性度量值包括识别共性度量值和误分类点数目时，可以设置阈值，基于腰上的整体匹配率数据、细节匹配率数据、识别共性度量值和误分类点数目一起确定目标测试数据集与参考测试数据集之间的匹配度，以上步骤S140具体可以包括：
步骤S141，如果该整体匹配率数据属于第一匹配率范围，确定该匹配结果为负面结果。
第一匹配率范围的数值根据实际需要设置，具体不做限定。
步骤S142，如果该误分类点数目小于预设数目，确定该匹配结果为正面结果。
预设数目的数值根据实际需要设置，具体不做限定。
步骤S143，如果该整体匹配率数据属于第二匹配率范围，如果该细节匹配率数据不大于预设细节阈值，或者该识别共性度量值不大于预设识别阈值，则确定该匹配结果为负面结果；否则确定该匹配结果为正面结果；该第二匹配率范围包括的整体匹配率值大于该第一匹配率范围包括的整体匹配率值。
第二匹配率范围的数值根据实际需要设置，具体不做限定。
步骤S144，如果该整体匹配率数据属于第三匹配率范围，如果该细节匹配率数据不大于该预设细节阈值，且该识别共性度量值不大于该预设识别阈值，则确定该匹配结果为负面结果；否则确定该匹配结果为正面结果；该第三匹配率范围包括的整体匹配率值大于该第二匹配率范围包括的整体匹配率值。
第三匹配率范围的数值根据实际需要设置，具体不做限定。
步骤S145，如果该整体匹配率数据属于第四匹配率范围，确定该匹配结果为正面结果；该第四匹配率范围包括的整体匹配率值大于该第三匹配率范围包括的整体匹配率值。
第四匹配率范围的数值根据实际需要设置，具体不做限定。
步骤S150，如果匹配结果为正面结果，则将参考测试数据集对应的故障类型作为目标测试数据集的故障类型。
由前可知，每个参考测试数据集是对应有故障类型的数据集，那么，一旦确定目标测试数据集和一个参考测试数据集是匹配的（匹配结果为正面结果），可将参考测试数据集对应的故障类型作为目标测试数据集的故障类型。可以理解，如果匹配结果为负面结果，则继续遍历下一参考测试数据集，直到获取到匹配结果为正面结果的参考测试数据集，如果遍历所有参考测试数据集后，仍不能确定匹配结果为正面结果的参考测试数据集，此时则可以通过人工进行判断，并将该目标测试数据集作为新的参考测试数据集，保存在预设的参考测试数据集数据库中。
综上，本申请实施例提供的移动电源故障检测方法中，通过先获取拟匹配的目标测试数据集和参考测试数据集，并基于该目标测试数据集中的各数据项的维度数值和参考测试数据集中各数据项的维度数值，确定目标测试数据集与参考测试数据集的数据项层面共性度量值，通过数据项层面共性度量值表征目标测试数据集与参考测试数据集在数据项层面的相似性；基于目标测试数据集的目标表征向量、参考测试数据集的参考表征向量确定目标测试数据集与参考测试数据集的特征层面共性度量值，采用特征层面共性度量值表征目标测试数据集与参考测试数据集在特征层面的相似性。然后，基于数据项层面共性度量值和特征层面共性度量值确定目标测试数据集与参考测试数据集的匹配结果，如果匹配结果为正面结果，则将参考测试数据集对应的故障类型作为目标测试数据集的故障类型。在以上提供的移动电源故障检测方法中，通过测试数据集中不同层面的特征数据，基于目标测试数据集和参考测试数据集的数据项层面共性度量值和特征层面共性度量值两个层面的共性度量值，判断目标测试数据集与参考测试数据集的匹配度，其中，基于数据项层面共性度量值可以在目标测试数据集和参考测试数据集之间进行数据项层面的细粒度比对，基于特征层面共性度量值可以精确比较目标测试数据集和参考测试数据集中的测试数据集特征，那么，基于本申请提供的移动电源故障检测方法，分别在数据项层面和特征层面对目标测试数据集和参考测试数据集进行精细精确地比较，可以得到精确的测试数据集匹配结果，增加了测试数据集比较的精度，进而提高确定的移动电源的故障类型的精度。
基于前述的实施例，本申请实施例提供一种故障检测装置，该装置所包括的各单元、以及各单元所包括的各模块，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(Central ProcessingUnit，CPU)、微处理器(Microprocessor Unit，MPU)、数字信号处理器(Digital SignalProcessor，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。
图2为本申请实施例提供的一种故障检测装置的组成结构示意图，如图2所示，故障检测装置200包括：
测试数据获取模块210，用于获取拟匹配的目标测试数据集和参考测试数据集；
数据共性确定模块220，用于基于所述目标测试数据集中各数据项的维度数值和所述参考测试数据集中各数据项的维度数值，确定所述目标测试数据集与所述参考测试数据集的数据项层面共性度量值；所述数据项层面共性度量值用以指示所述目标测试数据集与所述参考测试数据集在数据项层面的相似性；
特征共性确定模块230，用于基于所述目标测试数据集对应的目标表征向量和所述参考测试数据集对应的参考表征向量，确定所述目标测试数据集与所述参考测试数据集的特征层面共性度量值；所述特征层面共性度量值用以指示所述目标测试数据集与所述参考测试数据集在特征层面的相似性；
匹配结果确定模块240，用于基于所述数据项层面共性度量值和所述特征层面共性度量值，确定所述目标测试数据集与所述参考测试数据集的匹配结果；
故障类型确定模块250，用于如果所述匹配结果为正面结果，则将所述参考测试数据集对应的故障类型作为所述目标测试数据集的故障类型。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。在一些实施例中，本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法，对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的移动电源故障检测方法，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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ReadOnly Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件、软件或固件，或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种检测设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。
本申请实施例提供一种计算机程序，包括计算机可读代码，在所述计算机可读代码在计算机设备中运行的情况下，所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一些实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
这里需要指出的是：上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
图3为本申请实施例提供的一种检测设备的硬件实体示意图，如图3所示，该检测设备1000的硬件实体包括：处理器1001和存储器1002，其中，存储器1002存储有可在处理器1001上运行的计算机程序，处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序，存储器1002配置为存储由处理器1001可执行的指令和应用，还可以缓存待处理器1001以及检测设备1000中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。
处理器1001执行程序时实现上述任一项的移动电源故障检测方法的步骤。处理器1001通常控制检测设备1000的总体操作。
本申请实施例提供一种计算机存储介质，计算机存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如上任一实施例的移动电源故障检测方法的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(DigitalSignal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各步骤/过程的序号的大小并不意味着执行顺序的先后，各步骤/过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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，在本申请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(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请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，本申请的技术方案本质上或者说对相关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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种移动电源故障检测方法，其特征在于，应用于检测设备，所述方法包括：
获取拟匹配的目标测试数据集和参考测试数据集；
基于所述目标测试数据集中各数据项的维度数值和所述参考测试数据集中各数据项的维度数值，确定所述目标测试数据集与所述参考测试数据集的数据项层面共性度量值；所述数据项层面共性度量值用以指示所述目标测试数据集与所述参考测试数据集在数据项层面的相似性；
基于所述目标测试数据集对应的目标表征向量和所述参考测试数据集对应的参考表征向量，确定所述目标测试数据集与所述参考测试数据集的特征层面共性度量值；所述特征层面共性度量值用以指示所述目标测试数据集与所述参考测试数据集在特征层面的相似性；
基于所述数据项层面共性度量值和所述特征层面共性度量值，确定所述目标测试数据集与所述参考测试数据集的匹配结果；
如果所述匹配结果为正面结果，则将所述参考测试数据集对应的故障类型作为所述目标测试数据集的故障类型；
其中，所述基于所述目标测试数据集中各数据项的维度数值和所述参考测试数据集中各数据项的维度数值，确定所述目标测试数据集与所述参考测试数据集的数据项层面共性度量值，包括：
针对所述目标测试数据集和所述参考测试数据集中的每个数据项，基于所述数据项的各个电压维度数值，确定所述数据项对应的象征维度数值；
基于所述目标测试数据集中各数据项分别对应的象征维度数值和所述参考测试数据集中各数据项分别对应的象征维度数值，确定整体匹配率数据和/或细节匹配率数据，作为所述数据项层面共性度量值；
其中，所述整体匹配率数据的获取过程包括：基于所述目标测试数据集中各数据项分别对应的象征维度数值和所述参考测试数据集中各数据项分别对应的象征维度数值，获取均方差；基于每个所述数据项的数值和所述均方差，获取所述整体匹配率数据；
所述细节匹配率数据的获取过程包括：基于所述目标测试数据集中各数据项分别对应的象征维度数值的平均结果和所述参考测试数据集中各数据项分别对应的象征维度数值的平均结果，获取电压共性度量值；
基于所述目标测试数据集中各数据项分别对应的象征维度数值的方差和所述参考测试数据集中各数据项分别对应的象征维度数值的方差，获取电流共性度量值；
基于所述目标测试数据集中各数据项分别对应的象征维度数值和所述参考测试数据集中各数据项分别对应的象征维度数值，获取所述目标测试数据集与所述参考测试数据集之间的共变差；
基于所述共变差、所述目标测试数据集中各数据项分别对应的象征维度数值的方差和所述参考测试数据集中各数据项分别对应的象征维度数值的方差，获取细节共性度量值；
基于所述电压共性度量值、所述电流共性度量值以及所述细节共性度量值，确定所述细节匹配率数据。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标测试数据集对应的目标表征向量和所述参考测试数据集对应的参考表征向量，确定所述目标测试数据集与所述参考测试数据集的特征层面共性度量值，包括：
基于特征识别算法对所述目标测试数据集和所述参考测试数据集进行特征识别，得到所述目标测试数据集中的各第一核心数据项和其分别对应的数据项表征向量和所述参考测试数据集中的各第二核心数据项和其分别对应的数据项表征向量；基于所述第一核心数据项和其对应的数据项表征向量和所述第二核心数据项和其对应的数据项表征向量，确定识别共性度量值，作为所述特征层面共性度量值；
基于测试数据集特征挖掘模型对所述目标测试数据集和所述参考测试数据集进行表征向量挖掘，得到所述目标测试数据集对应的第一隐藏测试表征向量和所述参考测试数据集对应的第二隐藏测试表征向量；
基于所述第一隐藏测试表征向量和所述第二隐藏测试表征向量，确定误分类点数目，作为所述特征层面共性度量值。
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一核心数据项和其对应的数据项表征向量和所述第二核心数据项和其对应的数据项表征向量，确定识别共性度量值，包括：
基于各所述第一核心数据项和其分别对应的数据项表征向量和各所述第二核心数据项和其分别对应的数据项表征向量，建立多个候选核心数据项组；所述候选核心数据项组包括一个所述第一核心数据项和一个所述第二核心数据项，同属一个所述候选核心数据项组的所述第一核心数据项和所述第二核心数据项分别对应的数据项表征向量间符合第一距离要求；
在所述多个候选核心数据项组中确定目标核心数据项组；所述目标核心数据项组中的所述第一核心数据项和所述第二核心数据项分别对应的数据项表征向量间符合第二距离要求；
基于各个所述目标核心数据项组包括的所述第一核心数据项和所述第二核心数据项的数量和所述目标测试数据集中所述第一核心数据项的总数、所述参考测试数据集中所述第二核心数据项的总数，确定所述识别共性度量值。
4.根据权利要求2所述的方法，其特征在于，所述第一隐藏测试表征向量包括所述目标测试数据集中各数据项分别对应的数据项隐藏表征向量，所述第二隐藏测试表征向量包括所述参考测试数据集中各数据项分别对应的数据项隐藏表征向量；所述基于所述第一隐藏测试表征向量和所述第二隐藏测试表征向量，确定误分类点数目，包括：
针对每个数据项组，基于所述数据项组中两个数据项分别对应的数据项隐藏表征向量，确定所述数据项组对应的数据项误分类点数目；所述数据项组中包括一个属于所述目标测试数据集的数据项和一个属于所述参考测试数据集的数据项，同属一个所述数据项组的两个数据项在所述目标测试数据集和所述参考测试数据集中分布位置一致；
基于各个所述数据项组分别对应的数据项误分类点数目，确定所述误分类点数目。
5.根据权利要求1所述的方法，其特征在于，当所述数据项层面共性度量值包括整体匹配率数据和细节匹配率数据，所述特征层面共性度量值包括识别共性度量值和误分类点数目时，所述基于所述数据项层面共性度量值和所述特征层面共性度量值，确定所述目标测试数据集与所述参考测试数据集的匹配结果，包括：
如果所述整体匹配率数据属于第一匹配率范围时，确定所述匹配结果为负面结果；
如果所述误分类点数目小于预设数目时，确定所述匹配结果为正面结果；
如果所述整体匹配率数据属于第二匹配率范围时，如果所述细节匹配率数据不大于预设细节阈值，或者所述识别共性度量值不大于预设识别阈值，则确定所述匹配结果为负面结果；否则确定所述匹配结果为正面结果；所述第二匹配率范围包括的整体匹配率值大于所述第一匹配率范围包括的整体匹配率值；
如果所述整体匹配率数据属于第三匹配率范围，如果所述细节匹配率数据不大于所述预设细节阈值，且所述识别共性度量值不大于所述预设识别阈值，则确定所述匹配结果为负面结果；否则确定所述匹配结果为正面结果；所述第三匹配率范围包括的整体匹配率值大于所述第二匹配率范围包括的整体匹配率值；
如果所述整体匹配率数据属于第四匹配率范围时，确定所述匹配结果为正面结果；所述第四匹配率范围包括的整体匹配率值大于所述第三匹配率范围包括的整体匹配率值。
6.根据权利要求1所述的方法，其特征在于，所述获取拟匹配的目标测试数据集和参考测试数据集，包括：
获取第一初始测试数据集和第二初始测试数据集；
在所述第一初始测试数据集和所述第二初始测试数据集中选取一个初始测试数据集作为基础测试数据集，并选取另外一个初始测试数据集作为拟调节测试数据集；
基于所述基础测试数据集对所述拟调节测试数据集进行初步调节，得到调节后测试数据集；
将所述基础测试数据集和所述调节后测试数据集作为所述目标测试数据集和所述参考测试数据集。
7.根据权利要求6所述的方法，其特征在于，所述基于所述基础测试数据集对所述拟调节测试数据集进行初步调节，得到调节后测试数据集，包括：
当所述拟调节测试数据集与所述基础测试数据集大小不同时，对所述拟调节测试数据集进行大小调节处理，将所述拟调节测试数据集的大小调节到所述基础测试数据集的大小；
基于特征识别算法对所述基础测试数据集和所述拟调节测试数据集进行特征识别，得到所述基础测试数据集中的各第三核心数据项和其分别对应的数据项表征向量和所述拟调节测试数据集中的各第四核心数据项和其分别对应的数据项表征向量；
基于各所述第三核心数据项和其分别对应的数据项表征向量和各所述第四核心数据项和其分别对应的数据项表征向量，确定匹配核心数据项组；所述匹配核心数据项组包括一个所述第三核心数据项和一个所述第四核心数据项，同属一个所述匹配核心数据项组的所述第三核心数据项和所述第四核心数据项分别对应的数据项表征向量间符合预设匹配要求；
基于所述匹配核心数据项组包括的所述第三核心数据项和所述第四核心数据项，确定测试数据集转换数组；
通过所述测试数据集转换数组对所述拟调节测试数据集进行数据项分布位置转换，得到所述调节后测试数据集。
8.一种故障检测装置，其特征在于，包括：
测试数据获取模块，用于获取拟匹配的目标测试数据集和参考测试数据集；
数据共性确定模块，用于基于所述目标测试数据集中各数据项的维度数值和所述参考测试数据集中各数据项的维度数值，确定所述目标测试数据集与所述参考测试数据集的数据项层面共性度量值；所述数据项层面共性度量值用以指示所述目标测试数据集与所述参考测试数据集在数据项层面的相似性；其中，所述基于所述目标测试数据集中各数据项的维度数值和所述参考测试数据集中各数据项的维度数值，确定所述目标测试数据集与所述参考测试数据集的数据项层面共性度量值，包括：针对所述目标测试数据集和所述参考测试数据集中的每个数据项，基于所述数据项的各个电压维度数值，确定所述数据项对应的象征维度数值；基于所述目标测试数据集中各数据项分别对应的象征维度数值和所述参考测试数据集中各数据项分别对应的象征维度数值，确定整体匹配率数据和/或细节匹配率数据，作为所述数据项层面共性度量值；其中，所述整体匹配率数据的获取过程包括：基于所述目标测试数据集中各数据项分别对应的象征维度数值和所述参考测试数据集中各数据项分别对应的象征维度数值，获取均方差；基于每个所述数据项的数值和所述均方差，获取所述整体匹配率数据；所述细节匹配率数据的获取过程包括：基于所述目标测试数据集中各数据项分别对应的象征维度数值的平均结果和所述参考测试数据集中各数据项分别对应的象征维度数值的平均结果，获取电压共性度量值；基于所述目标测试数据集中各数据项分别对应的象征维度数值的方差和所述参考测试数据集中各数据项分别对应的象征维度数值的方差，获取电流共性度量值；基于所述目标测试数据集中各数据项分别对应的象征维度数值和所述参考测试数据集中各数据项分别对应的象征维度数值，获取所述目标测试数据集与所述参考测试数据集之间的共变差；基于所述共变差、所述目标测试数据集中各数据项分别对应的象征维度数值的方差和所述参考测试数据集中各数据项分别对应的象征维度数值的方差，获取细节共性度量值；基于所述电压共性度量值、所述电流共性度量值以及所述细节共性度量值，确定所述细节匹配率数据；
特征共性确定模块，用于基于所述目标测试数据集对应的目标表征向量和所述参考测试数据集对应的参考表征向量，确定所述目标测试数据集与所述参考测试数据集的特征层面共性度量值；所述特征层面共性度量值用以指示所述目标测试数据集与所述参考测试数据集在特征层面的相似性；
匹配结果确定模块，用于基于所述数据项层面共性度量值和所述特征层面共性度量值，确定所述目标测试数据集与所述参考测试数据集的匹配结果；
故障类型确定模块，用于如果所述匹配结果为正面结果，则将所述参考测试数据集对应的故障类型作为所述目标测试数据集的故障类型。
9.一种检测设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311482654.8A CN117214766B (zh) | 2023-11-09 | 2023-11-09 | 一种移动电源故障检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311482654.8A CN117214766B (zh) | 2023-11-09 | 2023-11-09 | 一种移动电源故障检测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117214766A CN117214766A (zh) | 2023-12-12 |
| CN117214766B true CN117214766B (zh) | 2024-02-09 |
Family
ID=89043010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311482654.8A Active CN117214766B (zh) | 2023-11-09 | 2023-11-09 | 一种移动电源故障检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117214766B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007116182A (ja) * | 2006-11-13 | 2007-05-10 | Toshiba Corp | 不良検出方法 |
| CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
| CN106404441A (zh) * | 2016-09-22 | 2017-02-15 | 宁波大学 | 一种基于非线性相似度指标的故障分类诊断方法 |
| CN108763377A (zh) * | 2018-05-18 | 2018-11-06 | 郑州轻工业学院 | 基于卫星故障诊断多源遥测大数据特征提取预处理方法 |
| CN109615003A (zh) * | 2018-12-06 | 2019-04-12 | 哈尔滨工业大学 | 一种基于elm-chmm的电源故障预测方法 |
| CN114355206A (zh) * | 2022-01-05 | 2022-04-15 | 浙江零碳云能源科技有限公司 | 一种基于相似性度量的储能电池无监督故障诊断算法 |
| CN115622203A (zh) * | 2022-12-15 | 2023-01-17 | 深圳市百度电子有限公司 | 基于车载无线充电器充电数据的分析提醒方法及系统 |
| JP2023115740A (ja) * | 2022-02-08 | 2023-08-21 | 日本製鉄株式会社 | 異常検知装置、異常検知方法およびプログラム |
| CN116827263A (zh) * | 2023-06-25 | 2023-09-29 | 中国华能集团清洁能源技术研究院有限公司 | 光伏电池故障检测方法、装置、计算机设备和介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9091588B2 (en) * | 2010-05-28 | 2015-07-28 | Prognost Systems Gmbh | System and method of mechanical fault detection based on signature detection |
-
2023
- 2023-11-09 CN CN202311482654.8A patent/CN117214766B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007116182A (ja) * | 2006-11-13 | 2007-05-10 | Toshiba Corp | 不良検出方法 |
| CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
| CN106404441A (zh) * | 2016-09-22 | 2017-02-15 | 宁波大学 | 一种基于非线性相似度指标的故障分类诊断方法 |
| CN108763377A (zh) * | 2018-05-18 | 2018-11-06 | 郑州轻工业学院 | 基于卫星故障诊断多源遥测大数据特征提取预处理方法 |
| CN109615003A (zh) * | 2018-12-06 | 2019-04-12 | 哈尔滨工业大学 | 一种基于elm-chmm的电源故障预测方法 |
| CN114355206A (zh) * | 2022-01-05 | 2022-04-15 | 浙江零碳云能源科技有限公司 | 一种基于相似性度量的储能电池无监督故障诊断算法 |
| JP2023115740A (ja) * | 2022-02-08 | 2023-08-21 | 日本製鉄株式会社 | 異常検知装置、異常検知方法およびプログラム |
| CN115622203A (zh) * | 2022-12-15 | 2023-01-17 | 深圳市百度电子有限公司 | 基于车载无线充电器充电数据的分析提醒方法及系统 |
| CN116827263A (zh) * | 2023-06-25 | 2023-09-29 | 中国华能集团清洁能源技术研究院有限公司 | 光伏电池故障检测方法、装置、计算机设备和介质 |
Non-Patent Citations (2)
| Title |
|---|
| 多约束条件下图正则化非负矩阵分解算法研究;李松涛;中国博士学位论文全文数据库 信息科技辑(第08期);I138-5 * |
| 特征优化和模糊理论在变压器故障诊断中的应用;刘凯 等;电力系统保护与控制(第15期);第54-59页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117214766A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10921383B2 (en) | Battery diagnostic system for estimating capacity degradation of batteries | |
| Radovanović et al. | Nearest neighbors in high-dimensional data: The emergence and influence of hubs | |
| JP7450741B2 (ja) | リチウム電池のｓｏｃ推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
| CN107132481B (zh) | 一种识别电池组中单体一致的方法及系统 | |
| US11892516B2 (en) | System and method for determining a state of health of a power source of a portable device | |
| CN115248393A (zh) | 电池一致性分选方法、装置、设备及存储介质 | |
| CN117233636A (zh) | 锂电池的健康状态确定方法、装置、设备和存储介质 | |
| CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
| CN116298897A (zh) | 用于电池短路检测的方法和设备 | |
| CN117214766B (zh) | 一种移动电源故障检测方法、装置及设备 | |
| CN113447840B (zh) | 锂离子电池分选方法和装置 | |
| Qiu et al. | Detecting misclassification errors in neural networks with a gaussian process model | |
| CN110059569A (zh) | 活体检测方法和装置、模型评估方法和装置 | |
| CN116167336A (zh) | 基于云计算的传感器数据加工方法、云服务器及介质 | |
| CN116736131A (zh) | 电池健康状态估计方法、终端设备及存储介质 | |
| CN115963404A (zh) | 一种电池荷电状态预测方法、设备和存储介质 | |
| CN114740389A (zh) | 电池健康评估方法、装置、电子设备和可读存储介质 | |
| CN115061046A (zh) | 一种电池工况的识别方法、装置、汽车及电子设备 | |
| CN106909497B (zh) | 测试方法和装置 | |
| CN114529136A (zh) | 基于主成分分析和Topsis的电子部组件评价方法和装置 | |
| CN110443289B (zh) | 检测偏离分布样本的方法和系统 | |
| US11210605B1 (en) | Dataset suitability check for machine learning | |
| KR102266950B1 (ko) | 데이터 불균형 해결을 위한 언더샘플링 기반 앙상블 방법 | |
| JP2014206382A (ja) | 目標類識別装置 | |
| TWI842294B (zh) | 二次電池容量估測系統 |
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 |