CN117435939B - 基于大数据的igbt健康状态评估方法 - Google Patents
基于大数据的igbt健康状态评估方法 Download PDFInfo
- Publication number
- CN117435939B CN117435939B CN202311714574.0A CN202311714574A CN117435939B CN 117435939 B CN117435939 B CN 117435939B CN 202311714574 A CN202311714574 A CN 202311714574A CN 117435939 B CN117435939 B CN 117435939B
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- evaluation
- igbt
- data points
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 88
- 230000036541 health Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 33
- 230000006872 improvement Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000003862 health status Effects 0.000 claims description 12
- 230000005195 poor health Effects 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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
本发明涉及数据处理技术领域,具体涉及基于大数据的IGBT健康状态评估方法,包括:采集每个IGBT元件的多种数据,对每种数据进行调整获得评估数据,根据评估数据将每个IGBT元件转换为数据点,将所有数据点的所有种评估数据输入迭代自组织聚类算法,通过迭代改进后的分裂过程和常规的迭代自组织聚类算法的合并过程,将所有数据点划分为多个聚类域,获得每个聚类域的健康状态评估等级,根据聚类域的健康状态评估等级,获得待检测的IGBT元件的健康状态评估等级。本发明使聚类时健康状况差的IGBT元件呈现较高的离群度,通过对分裂过程进行改进,准确地筛选出健康状况差的IGBT元件。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于大数据的IGBT健康状态评估方法。
背景技术
随着工业自动化的快速发展,IGBT(绝缘栅双极型晶体管)在电力电子设备中得到广泛应用,如变频器、电动车、电力系统等。IGBT作为关键的功率开关元件,其健康状态对设备的性能和可靠性具有重要影响,因此需要对IGBT元件的健康状态进行评估,筛选出健康状况差的IGBT元件。
通过迭代自组织聚类算法对IGBT元件进行聚类,可以将正常IGBT元件和健康状态较差的异常元件区分,然而健康状况差的IGBT元件毕竟为少数,因此在聚类的分裂过程中,健康状况差的IGBT元件组成的聚类域,容易被重新划分,导致无法准确地筛选出健康状况差的IGBT元件。
发明内容
为了解决上述问题,本发明提供基于大数据的IGBT健康状态评估方法,所述方法包括:
采集每个IGBT元件的多种数据,对每种数据进行调整获得评估数据,根据评估数据将每个IGBT元件转换为数据点;
将所有数据点的所有种评估数据输入迭代自组织聚类算法,通过迭代改进后的分裂过程和常规的迭代自组织聚类算法的合并过程,将所有数据点划分为多个聚类域;
获得每个聚类域的健康状态评估等级,根据聚类域的健康状态评估等级,获得待检测的IGBT元件的健康状态评估等级。
进一步地,所述改进后的分裂过程,包括的具体步骤如下:
计算每个聚类域的可分裂度,根据可分裂度获得分裂聚类域;
对分裂聚类域进行分裂操作,获取两个新的聚类域;
计算每个新的聚类域中每个数据点的局部均匀程度,根据局部均匀程度计算每个新的聚类域的最少样本数;
如果新的聚类域中数据点的数量大于等于最少样本数,保留新的聚类域,如果新的聚类域中数据点的数量小于最少样本数,将新的聚类域中的数据点重新划分聚类域。
进一步地,所述对每种数据进行调整获得评估数据,包括的具体步骤如下:
需要对过电流的出现时间和出现频率、过电压的出现时间和出现频率进行调整,根据调整值的计算公式获得工作电流、工作电压和工作温度的调整值;
式中,表示第i个IGBT元件的第j种数据的调整值,/>表示第i个IGBT元件的过电压的出现频率,/>表示第i个IGBT元件的过电流的出现频率,/>表示第i个IGBT元件的第j种数据;
将过电流的出现时间和出现频率、过电压的出现时间和出现频率、工作电流的调整值、工作电压的调整值和工作温度的调整值作为评估数据。
进一步地,所述聚类域的可分裂度的计算公式如下:
式中,V表示聚类域的可分裂度,C表示聚类域中包含的数据点的个数,表示聚类域中第j种评估数据的极差,N表示评估数据的种类数。
进一步地,所述数据点的局部均匀程度的计算公式如下:
式中,表示第/>个数据点的局部均匀程度,/>表示第/>个数据点与局部邻域内所有数据点的欧式距离的均值,/>、/>和/>分别表示第/>个数据点与局部邻域内最近的第1个数据点、最近的第m个数据点、最近的第G个数据点的欧氏距离,/>和/>分别表示最大值函数和最小值函数,与第/>个数据点的距离最近的预设数量S个数据点组成第/>个数据点的局部邻域。
进一步地,所述聚类域的最少样本数的计算公式如下:
式中,U表示聚类域的最少样本数,C表示聚类域中包含的数据点的个数,表示聚类域中第/>个数据点与局部邻域内最近的第G个数据点的欧氏距离,/>表示聚类域中第/>个数据点的局部均匀程度。
进一步地,所述根据评估数据将每个IGBT元件转换为数据点,包括的具体步骤如下:
根据所有种评估数据构建一个高维空间,根据多种评估将每个IGBT元件转换为高维空间中的数据点。
进一步地,所述常规的迭代自组织聚类算法的合并过程,包括的具体步骤如下:
当两个聚类域的距离小于预设两个聚类中心最小距离,或者聚类域的数量大于预期聚类中心数目时,对聚类域进行合并。
进一步地,所述获得每个聚类域的健康状态评估等级,包括的具体步骤如下:
将每个聚类域的聚类中心的过电流的出现频率与过电压的出现频率之和,记为每个聚类域的非健康状态评估值,按照非健康状态评估值从大到小的顺序,获得聚类域的健康状态评估等级依此为一级到K级,K表示预期聚类中心数目。
进一步地,所述根据聚类域的健康状态评估等级,获得待检测的IGBT元件的健康状态评估等级,包括的具体步骤如下:
对于待检测的IGBT元件,根据待检测的IGBT元件的评估数据,将其转换为高维空间中的数据点,记为待检测数据点,获得与待检测数据点距离最近聚类中心,将聚类中心对应的聚类域的健康状态评估等级作为待检测的IGBT元件的健康状态评估等级。
本发明的技术方案的有益效果是:本发明通过过电流和过电压的出现频率对数据进行调整,使聚类时健康状况差的IGBT元件呈现较高的离群度,从而更容易筛选出健康状况差的IGBT元件,同时根据每个聚类域的可分裂度获得分裂聚类域,对分裂聚类域进行分裂操作,计算每个新的聚类域中每个数据点的局部均匀程度,根据局部均匀程度计算每个新的聚类域的最少样本数,根据自适应获得最少样本数参数,实现对分裂过程的改进,避免通过常规的迭代自组织聚类算法的分裂过程进行聚类时,会导致健康状况差的IGBT元件组成的聚类域,由于数据点数量较少,而容易被重新划分的情况发生,准确地筛选出健康状况差的IGBT元件。
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的附图。
图1为本发明的基于大数据的IGBT健康状态评估方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于大数据的IGBT健康状态评估方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于大数据的IGBT健康状态评估方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于大数据的IGBT健康状态评估方法的方法流程图,该方法包括:
S001、采集每个IGBT元件的多种数据,对每种数据进行调整获得评估数据,根据评估数据将每个IGBT元件转换为数据点。
1、采集每个IGBT元件的多种数据。
需要说明的是,IGBT元件长期在非健康状态下工作,会导致IGBT元件内部电路损坏,影响IGBT元件的健康状态的因素主要有电流强度、电压大小以及温度,通过采集IGBT元件工作时的电流、电压和温度数据,可以判断IGBT元件是否在额定电压、额定电流以及低温的健康状态下工作。
进一步需要说明的是,IGBT元件工作过程中,电压超过额定电压为过电压、电流超过额定电流为过电流,过电流和过电压的出现很容易对IGBT元件造成损伤,通过IGBT元件工作过程中过电流的出现频率和时间、过电压的出现频率和时间以及高温状态的持续时间,对IGBT元件当前健康状态进行评估。
在本实施例中,在IGBT元件工作过程中,采集每个IGBT元件的多种数据,数据包括工作电流、工作电压、工作温度、过电流的出现时间和出现频率、过电压的出现时间和出现频率,IGBT元件的评估数据被用来预测IGBT元件的健康状态;其中,在IGBT元件工作电路中设置传感器,通过传感器读数和电路计算IGBT元件工作时的电流和电压,通过红外相机采集IGBT元件工作时的红外图像,结合机器视觉技术获取IGBT元件工作时的温度,过电压是指电压超过额定电压,过电流是指电流超过额定电流,通过获得的IGBT元件工作时的电流和电压,统计获得IGBT元件的过电流的出现时间和出现频率、过电压的出现时间和出现频率。
2、对每种数据进行调整获得评估数据,根据评估数据将每个IGBT元件转换为数据点。
需要说明的是,每当过电流和过电压出现时,都会对IGBT元件造成一定的损害,对于经常在过电流或过电压状态下IGBT元件更容易出现较差的健康状态,为了根据准确地对IGBT元件的健康状况进行评估,需要根据过电流和过电压的出现频率对IGBT元件的各种评估数据进行调整。
在本实施例中,需要对过电流的出现时间和出现频率、过电压的出现时间和出现频率进行调整,根据每个数据点的过电流的出现频率和过电压的出现频率对数据点的工作电流、工作电压和工作温度进行调整,获得工作电流、工作电压和工作温度的调整值;将过电流的出现时间和出现频率、过电压的出现时间和出现频率、工作电流的调整值、工作电压的调整值和工作温度的调整值作为评估数据,根据所有种评估数据构建一个高维空间,根据多种评估将每个IGBT元件转换为高维空间中的数据点。
进一步,每个IGBT元件的每种数据的调整值的计算公式为:
式中,表示第i个IGBT元件的第j种数据的调整值,/>表示第i个IGBT元件的过电压的出现频率,/>表示第i个IGBT元件的过电流的出现频率,/>表示第i个IGBT元件的第j种数据。
需要说明的是,通过每个IGBT元件的过电流和过电压的出现频率,将每个IGBT元件的工作电流、工作电压和工作温度调高,可以使经常在过电流和过电压状态工作的IGBT元件对应在聚类时呈现较高的离群度,从而更容易从所有IGBT元件中被分离出来,进而筛选出健康状况差的IGBT元件。
S002、将所有数据点的所有种评估数据输入迭代自组织聚类算法,通过迭代改进后的分裂过程和常规的迭代自组织聚类算法的合并过程,将所有数据点划分为多个聚类域。
需要说明的是,IGBT元件在异常状态使用过程中会有过电流和过电压的出现,过电流和过电压会造成IGBT元件内部电路损坏,导致IGBT元件的健康状况越差,而健康状况越差的元件越有可能出现过电流和过电压,导致恶性循环,因此,需要对IGBT元件的健康状况进行评估,准确地筛选出健康状况差的IGBT元件。IGBT元件的各种评估数据之间存在着一定的联系,为了准确地筛选出健康状况差的IGBT元件,需要通过迭代自组织聚类算法,根据IGBT元件的评估数据对所有IGBT元件对应的数据点进行聚类,评估各聚类域内元件的整体健康状态,对于迭代自组织聚类算法,需要预设合适的参数作为聚类起始条件,起始条件对最终的聚类结果会产生一定影响,因此根据评估数据的整体特征选取合适的参数。
进一步需要说明的是,迭代自组织聚类算法的本质是在K均值聚类算法的基础上,通过对聚类结果进行合并和分裂,获得最终的聚类域,常规的迭代自组织聚类算法的合并过程为:当两个聚类域的距离太近,或者聚类域的数量远大于预期聚类中心数目时,对聚类域进行合并,常规的迭代自组织聚类算法的分裂过程为:当聚类结果的某个聚类域中数据点太多,或者某个聚类域的类内标准差太大,或者聚类域的数量远小于预期聚类中心数目时,对聚类域进行分裂。由于本实施例已经根据过电流和过电压的出现频率对数据进行调整,如果按照常规的迭代自组织聚类算法的分裂过程,根据聚类域的类内标准差判断聚类域是否需要分裂,会导致最终的聚类结果不准确,因此本实施例对迭代自组织聚类算法的分裂过程进行改进,提高根据评估数据进行聚类的准确性。
在本实施例中,将所有数据点的所有种评估数据输入迭代自组织聚类算法,通过迭代改进后的分裂过程和常规的迭代自组织聚类算法的合并过程,直到迭代次数达到预设迭代运算次数,或者聚类域的数量达到预设预期聚类中心数时,停止迭代,此时将所有数据点划分为多个聚类域。
具体的,常规的迭代自组织聚类算法的合并过程为:当两个聚类域的距离小于预设两个聚类中心最小距离,或者聚类域的数量大于预期聚类中心数目时,对聚类域进行合并。
需要说明的是,迭代自组织聚类算法中需要设置的参数包括:预期聚类中心数目、两个聚类中心最小距离、迭代运算次数、聚类域中样本距离分布标准差以及聚类域中最少样本数,其中,预期聚类中心数目、两个聚类中心最小距离和迭代运算次数是合并操作中涉及到的参数,需要提前设置;聚类域中样本距离分布标准差以及聚类域中最少样本数是常规的分裂操作中涉及到的参数,本实施例对分裂过程进行改进,因此,这两个参数不需要提前设置。
其中,迭代自组织聚类算法中的参数设置为:预期聚类中心数目K=5,两个聚类中心最小距离为,迭代运算次数为2K,其中,/>表示第j种数据的极差,极差是最大值和最小值的差值,N表示数据的种类数。
进一步,改进后的分裂过程为:计算每个聚类域的可分裂度,根据可分裂度获得分裂聚类域,对分裂聚类域进行分裂操作,获取两个新的聚类域,计算每个新的聚类域中每个数据点的局部均匀程度,根据局部均匀程度计算每个新的聚类域的最少样本数,如果新的聚类域中数据点的数量大于等于最少样本数,保留新的聚类域,如果新的聚类域中数据点的数量小于最少样本数,将新的聚类域中的数据点重新划分聚类域,具体是指:将数据点划分距离最近的聚类域中。
具体的,每个聚类域的可分裂度的计算公式为:
式中,V表示聚类域的可分裂度,C表示聚类域中包含的数据点的个数,表示聚类域中第j种评估数据的极差,N表示评估数据的种类数。
需要说明的是,通过聚类域中所有种评估数据的极差的平方和,来表示聚类域所包含范围大小,再用范围大小与聚类域中包含的数据点的个数的比值,来表示聚类域中数据点的离散程度,数据点越离散的聚类域越应该被分裂,则聚类域的可分裂度越大。
需要说明的是,对于分裂操作获取两个新的聚类域,根据新的聚类域中数据点的分布情况自适应获取新的聚类域的最少样本数,对于数据点的离散程度越大的聚类域,可能包含更多的健康状态异常数据点,为其设置更小的最少样本数,以实现将聚类域保留的目的,而数据点的离散程度较小的聚类域,通过设置更大的最少样本数,以实现将误分裂出的少量的正常数据点视为正常聚类域。
具体的,每个聚类域中每个数据点的局部均匀程度的计算公式为:
式中,表示第/>个数据点的局部均匀程度,/>表示第/>个数据点与局部邻域内所有数据点的欧式距离的均值,/>、/>和/>分别表示第/>个数据点与局部邻域内最近的第1个数据点、最近的第m个数据点、最近的第G个数据点的欧氏距离,/>和/>分别表示最大值函数和最小值函数,与第/>个数据点的距离最近的预设数量S个数据点组成第/>个数据点的局部邻域,实施人员可根据实际实施情况设置数量S,例如S=10。
需要说明的是,用数据点的局部邻域的平均距离,分别与距离最近的数据点、距离最远的数据点的距离作差,获取两个距离差值,两个距离差值越不相等,说明数据点的局部邻域内的数据点分布越不均匀,数据点的局部均匀程度越小。
具体的,根据局部均匀程度计算每个聚类域的最少样本数,具体计算公式为:
式中,U表示聚类域的最少样本数,C表示聚类域中包含的数据点的个数,表示聚类域中第/>个数据点与局部邻域内最近的第G个数据点的欧氏距离,/>表示聚类域中第/>个数据点的局部均匀程度。
S003、获得每个聚类域的健康状态评估等级,根据聚类域的健康状态评估等级,获得待检测的IGBT元件的健康状态评估等级。
在本实施例中,将每个聚类域的聚类中心的过电流的出现频率与过电压的出现频率之和,记为每个聚类域的非健康状态评估值,按照非健康状态评估值从大到小的顺序,获得聚类域的健康状态评估等级依此为一级到K级,K表示预期聚类中心数目,健康状态评估等级越大,则聚类域中数据点对应的IGBT元件的健康状态越好。
进一步,对于待检测的IGBT元件,根据待检测的IGBT元件的评估数据,将其转换为高维空间中的数据点,记为待检测数据点,获得与待检测数据点距离最近聚类中心,将聚类中心对应的聚类域的健康状态评估等级作为待检测的IGBT元件的健康状态评估等级。
本发明通过过电流和过电压的出现频率对数据进行调整,使聚类时健康状况差的IGBT元件呈现较高的离群度,从而更容易筛选出健康状况差的IGBT元件,同时根据每个聚类域的可分裂度获得分裂聚类域,对分裂聚类域进行分裂操作,计算每个新的聚类域中每个数据点的局部均匀程度,根据局部均匀程度计算每个新的聚类域的最少样本数,根据自适应获得最少样本数参数,实现对分裂过程的改进,避免通过常规的迭代自组织聚类算法的分裂过程进行聚类时,会导致健康状况差的IGBT元件组成的聚类域,由于数据点数量较少,而容易被重新划分的情况发生,准确地筛选出健康状况差的IGBT元件。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于大数据的IGBT健康状态评估方法,其特征在于,所述方法包括:
采集每个IGBT元件的多种数据,对每种数据进行调整获得评估数据,根据评估数据将每个IGBT元件转换为数据点;
将所有数据点的所有种评估数据输入迭代自组织聚类算法,通过迭代改进后的分裂过程和常规的迭代自组织聚类算法的合并过程,将所有数据点划分为多个聚类域;
所述改进后的分裂过程,包括的具体步骤如下:
计算每个聚类域的可分裂度,根据可分裂度获得分裂聚类域;
对分裂聚类域进行分裂操作,获取两个新的聚类域;
计算每个新的聚类域中每个数据点的局部均匀程度,根据局部均匀程度计算每个新的聚类域的最少样本数;
如果新的聚类域中数据点的数量大于等于最少样本数,保留新的聚类域,如果新的聚类域中数据点的数量小于最少样本数,将新的聚类域中的数据点重新划分聚类域;
所述聚类域的可分裂度的计算公式如下:
式中,V表示聚类域的可分裂度,C表示聚类域中包含的数据点的个数,表示聚类域中第j种评估数据的极差,N表示评估数据的种类数;
所述数据点的局部均匀程度的计算公式如下:
式中,表示第/>个数据点的局部均匀程度,/>表示第/>个数据点与局部邻域内所有数据点的欧式距离的均值,/>、/>和/>分别表示第/>个数据点与局部邻域内最近的第1个数据点、最近的第m个数据点、最近的第G个数据点的欧氏距离,/>和/>分别表示最大值函数和最小值函数,与第/>个数据点的距离最近的预设数量S个数据点组成第/>个数据点的局部邻域;
所述聚类域的最少样本数的计算公式如下:
式中,U表示聚类域的最少样本数,表示聚类域中第/>个数据点与局部邻域内最近的第G个数据点的欧氏距离;
获得每个聚类域的健康状态评估等级,根据聚类域的健康状态评估等级,获得待检测的IGBT元件的健康状态评估等级。
2.根据权利要求1所述的基于大数据的IGBT健康状态评估方法,其特征在于,所述对每种数据进行调整获得评估数据,包括的具体步骤如下:
需要对过电流的出现时间和出现频率、过电压的出现时间和出现频率进行调整,根据调整值的计算公式获得工作电流、工作电压和工作温度的调整值;
式中,表示第i个IGBT元件的第j种数据的调整值,/>表示第i个IGBT元件的过电压的出现频率,/>表示第i个IGBT元件的过电流的出现频率,/>表示第i个IGBT元件的第j种数据;
将过电流的出现时间和出现频率、过电压的出现时间和出现频率、工作电流的调整值、工作电压的调整值和工作温度的调整值作为评估数据。
3.根据权利要求1所述的基于大数据的IGBT健康状态评估方法,其特征在于,所述根据评估数据将每个IGBT元件转换为数据点,包括的具体步骤如下:
根据所有种评估数据构建一个高维空间,根据多种评估将每个IGBT元件转换为高维空间中的数据点。
4.根据权利要求1所述的基于大数据的IGBT健康状态评估方法,其特征在于,所述常规的迭代自组织聚类算法的合并过程,包括的具体步骤如下:
当两个聚类域的距离小于预设两个聚类中心最小距离,或者聚类域的数量大于预期聚类中心数目时,对聚类域进行合并。
5.根据权利要求1所述的基于大数据的IGBT健康状态评估方法,其特征在于,所述获得每个聚类域的健康状态评估等级,包括的具体步骤如下:
将每个聚类域的聚类中心的过电流的出现频率与过电压的出现频率之和,记为每个聚类域的非健康状态评估值,按照非健康状态评估值从大到小的顺序,获得聚类域的健康状态评估等级依此为一级到K级,K表示预期聚类中心数目。
6.根据权利要求1所述的基于大数据的IGBT健康状态评估方法,其特征在于,所述根据聚类域的健康状态评估等级,获得待检测的IGBT元件的健康状态评估等级,包括的具体步骤如下:
对于待检测的IGBT元件,根据待检测的IGBT元件的评估数据,将其转换为高维空间中的数据点,记为待检测数据点,获得与待检测数据点距离最近聚类中心,将聚类中心对应的聚类域的健康状态评估等级作为待检测的IGBT元件的健康状态评估等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311714574.0A CN117435939B (zh) | 2023-12-14 | 2023-12-14 | 基于大数据的igbt健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311714574.0A CN117435939B (zh) | 2023-12-14 | 2023-12-14 | 基于大数据的igbt健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117435939A CN117435939A (zh) | 2024-01-23 |
CN117435939B true CN117435939B (zh) | 2024-03-08 |
Family
ID=89551772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311714574.0A Active CN117435939B (zh) | 2023-12-14 | 2023-12-14 | 基于大数据的igbt健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435939B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828378B (zh) * | 2024-03-04 | 2024-05-17 | 北京清水爱派建筑设计股份有限公司 | 一种数字化智能绿色建筑设计评价方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180098872A (ko) * | 2017-02-27 | 2018-09-05 | 충북대학교 산학협력단 | Pcb 제조 공정에서 불량 컴포넌트 위치 검출 방법 및 시스템 |
CN110658437A (zh) * | 2019-10-14 | 2020-01-07 | 重庆大学 | 一种风电变流器功率模块igbt健康状态评价方法 |
CN113517701A (zh) * | 2021-07-29 | 2021-10-19 | 华北电力大学 | 计及信息设备故障的分布式电压控制系统风险评估方法 |
CN114266289A (zh) * | 2021-11-24 | 2022-04-01 | 中国航天标准化研究所 | 一种复杂装备健康状态评估方法 |
CN116266249A (zh) * | 2021-12-14 | 2023-06-20 | 上海交通大学 | Igbt模块剩余寿命跨工况预测方法 |
CN116628633A (zh) * | 2023-07-26 | 2023-08-22 | 青岛中微创芯电子有限公司 | 一种igbt实时监测与使用寿命预测评估方法 |
CN116736063A (zh) * | 2023-06-15 | 2023-09-12 | 安徽大学 | 一种基于加权lstm的igbt状态评估方法 |
CN117034046A (zh) * | 2023-06-25 | 2023-11-10 | 贵州电网有限责任公司 | 一种基于isodata聚类的柔性负荷可调潜力评估方法 |
-
2023
- 2023-12-14 CN CN202311714574.0A patent/CN117435939B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180098872A (ko) * | 2017-02-27 | 2018-09-05 | 충북대학교 산학협력단 | Pcb 제조 공정에서 불량 컴포넌트 위치 검출 방법 및 시스템 |
CN110658437A (zh) * | 2019-10-14 | 2020-01-07 | 重庆大学 | 一种风电变流器功率模块igbt健康状态评价方法 |
CN113517701A (zh) * | 2021-07-29 | 2021-10-19 | 华北电力大学 | 计及信息设备故障的分布式电压控制系统风险评估方法 |
CN114266289A (zh) * | 2021-11-24 | 2022-04-01 | 中国航天标准化研究所 | 一种复杂装备健康状态评估方法 |
CN116266249A (zh) * | 2021-12-14 | 2023-06-20 | 上海交通大学 | Igbt模块剩余寿命跨工况预测方法 |
CN116736063A (zh) * | 2023-06-15 | 2023-09-12 | 安徽大学 | 一种基于加权lstm的igbt状态评估方法 |
CN117034046A (zh) * | 2023-06-25 | 2023-11-10 | 贵州电网有限责任公司 | 一种基于isodata聚类的柔性负荷可调潜力评估方法 |
CN116628633A (zh) * | 2023-07-26 | 2023-08-22 | 青岛中微创芯电子有限公司 | 一种igbt实时监测与使用寿命预测评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117435939A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117435939B (zh) | 基于大数据的igbt健康状态评估方法 | |
CN116610482B (zh) | 一种电气设备运行状态智能监测方法 | |
CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
EP3644581A1 (en) | Edge-cloud collaboration system for analyzing internet of things data and operating method thereof | |
CN104951990A (zh) | 电网数据处理方法及设备 | |
TW201523311A (zh) | 基於k近鄰演算法的方法與系統以對工具處理資料提供多變數分析 | |
CN110954734B (zh) | 故障诊断方法、装置、设备和存储介质 | |
CN111444233B (zh) | 基于复制器神经网络模型发现环境监测异常数据的方法 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN113590392B (zh) | 换流站设备异常检测方法、装置、计算机设备和存储介质 | |
CN104992050A (zh) | 基于统计信号处理的时间序列特性评价的预测模型选择方法 | |
CN110796164A (zh) | 数据聚类的簇数确定方法、系统、电子设备及存储介质 | |
CN110376519B (zh) | 高压断路器故障诊断方法、装置及终端设备 | |
CN113566376A (zh) | 电器寿命预测方法、空调及计算机可读存储介质 | |
CN117150244A (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
US11288158B2 (en) | Device identification device and device identification method | |
CN116757870A (zh) | 一种能源物联网的智慧能源监控数据处理方法及系统 | |
US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
CN116125260A (zh) | 一种基于多元数据融合的断路器机电故障边缘诊断方法 | |
CN116319255A (zh) | 一种基于kpi的根因定位方法、装置、设备及存储介质 | |
CN115204319A (zh) | 一种低压配电网拓扑参数识别方法及系统 | |
CN111368928B (zh) | 晶圆的模式匹配方法、装置、电子设备与存储介质 | |
US20180060280A1 (en) | Nonparametric method for measuring clustered level of time rank in binary data | |
CN114580973A (zh) | 一种变压器生产过程的质量监测方法及系统 | |
CN114968992A (zh) | 数据识别清洗及补偿方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |