CN117554737B - 一种车载充电器的健康状况检测方法及系统 - Google Patents

一种车载充电器的健康状况检测方法及系统 Download PDF

Info

Publication number
CN117554737B
CN117554737B CN202410042920.3A CN202410042920A CN117554737B CN 117554737 B CN117554737 B CN 117554737B CN 202410042920 A CN202410042920 A CN 202410042920A CN 117554737 B CN117554737 B CN 117554737B
Authority
CN
China
Prior art keywords
data
vehicle
working mode
mounted charger
spectrum
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
Application number
CN202410042920.3A
Other languages
English (en)
Other versions
CN117554737A (zh
Inventor
柯美顺
刘俐
何思桦
谢武林
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 Meishunhe Electronics Co ltd
Original Assignee
Shenzhen Meishunhe Electronics 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 Meishunhe Electronics Co ltd filed Critical Shenzhen Meishunhe Electronics Co ltd
Priority to CN202410042920.3A priority Critical patent/CN117554737B/zh
Publication of CN117554737A publication Critical patent/CN117554737A/zh
Application granted granted Critical
Publication of CN117554737B publication Critical patent/CN117554737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Abstract

本发明公开了一种车载充电器的健康状况检测方法及系统，通过分析实时电源输出信号数据，评估车载充电器工作状态及健康状况，为用户提供安全性评估和可复用性建议。首先获取车载充电器的实时电源输出信号数据。通过傅立叶变换将电源输出信号数据转化为频谱信号，获得电源输出信号的频谱特征。采用聚类算法对频谱特征进行分类，识别车载充电器的工作模式。根据工作模式变化情况数据，评估车载充电器的健康状况，并得到健康状况等级信息。通过该信息进行安全性评估，为用户提供可复用性建议。

Description

一种车载充电器的健康状况检测方法及系统
技术领域
本发明涉及车载充电器健康状况检测技术领域，特别涉及一种车载充电器的健康状况检测方法及系统。
背景技术
随着移动智能设备的广泛应用，车载充电器作为一种便捷的电源供给装置在汽车行业中得到了广泛应用。然而，目前市场上的车载充电器普遍存在着使用过程中可能出现的故障和安全隐患，这些问题可能由于设备长时间工作、外界环境变化等原因导致，因此对车载充电器的健康状况进行有效监测和评估显得尤为重要。
传统的车载充电器监测方法主要集中在基本电气参数的实时监测上，如电流、电压等。然而，这些监测手段难以全面反映车载充电器在长时间使用中的性能变化和故障风险。在实际应用中，用户对车载充电器的健康状况缺乏全面了解，存在潜在的安全风险。
为了解决上述问题，本发明提出了一种车载充电器的健康状况检测方法及系统。通过采用先进的信号处理技术，如傅立叶变换，将车载充电器的电源输出信号转化为频谱信号，并通过聚类算法对频谱特征进行分类，实现对车载充电器工作模式的细致划分。通过对工作模式的监测和分析，可以更全面地评估车载充电器的健康状况，提高用户对其安全使用的信心。这一技术创新有望为车载充电器领域带来更为可靠和智能的健康状况监测手段。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种车载充电器的健康状况检测方法及系统。
本发明第一方面提供了一种车载充电器的健康状况检测方法，包括：
获取预设时间段内的车载充电器实时电源输出信号数据，所述电源输出信号数据包括车车载充电器输出的电流、电压、功率数据；
基于傅立叶变换方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征；
通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据；
根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据；
根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息；
根据所述健康状况等级信息对车载充电器进行安全性评估，并根据安全性对用户做出可复用性建议。
本方案中，所述获取预设时间段内的车载充电器实时电源输出信号数据，所述电源输出信号数据包括车载充电器输出的电流、电压、功率数据，具体为：
通过电源传感器获取预设时间段内车载充电器的输出电流、电压、功率数据，得到电源输出信号数据；
计算预设时间段内电源输出信号数据中每项数据的平均值和标准差；
引入高斯分布算法，通过高斯分布算法的概率密度函数计算每项数据的中每个数据点的概率密度；
预设概率密度阈值，根据每个数据点的概率密度和概率密度阈值对电源输出信号进行异常检测，将异常值进行标记；
将标记的异常值进行均值替换操作，得到数据异常处理后的电源输出信号数据。
本方案中，所述基于傅立叶变换方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征，具体为：
将预设时间段内连续的电源输出信号进行离散化操作，得到离散时域信号数据；
基于快速傅立叶变换方法将离散时域信号数据转化为频域信号，得到频谱信号数据；
将频谱信号数据进行频域图绘制，根据频域图通过傅立叶逆变换进行频谱信号的幅值分析，得到电源输出信号的幅值特征；
预设时间窗口长度，根据时间窗口长度将所述频谱信号数据切分为多个时间窗口，对每个时间窗口进行时域分析，得到频谱信号的变化趋势特征；
计算频谱信号数据的相位，并频谱信号数据中相邻频率点的相位差，根据所述相位差分析相位变化趋势，得到频谱信号的相位变化趋势特征；
将所述幅值特征、频谱信号的变化趋势特征、相位变化趋势特征整合为电源输出信号的频谱特征。
本方案中，所述通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据，具体为：
根据电源输出信号对车载充电器的工作模式切换时间点进行识别，将电源输出信号的频谱特征中的每项特征数据根据工作模式切换时间点进行切分，得到多个频谱特征切分数据；
引入DBSCAN算法，初始化邻域半径、邻域最小点数，依次将频谱特征切分数据中的相同类型特征的数据进行初始化为聚类数据集；
根据DBSCAN算法计算聚类数据集中每个频谱特征切分数据的区域数据密度，得到每个频谱特征切分数据的数据密度值；
预设每个频谱特征分类的密度偏差阈值，将每个频谱特征切分数据的数据密度值进行对比，将数据密度值小于密度偏差阈值的频谱特征切分数据进行聚类，得到频谱分类数据，所述频谱分类数据包括幅值特征分类数据、频谱信号的变化趋势特征分类数据、相位变化趋势特征分类数据。
本方案中，所述根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据，具体为：
获取车载充电器在各个工作模式下的历史频谱特征数据，从频谱分类数据中的每项分类数据中各随机抽取一个工作模式待识别数据；
基于指纹算法将历史频谱特征数据和工作模式待识别数据创建哈希对象，将所创建的哈希对象的数据格式转化为字节流格式，得到更新哈希对象；
根据指纹算法将更新哈希对象生成历史频谱特征数据指纹和工作模式待识别数据指纹；
将工作模式待识别数据指纹与历史频谱特征数据指纹进行对比，得到频谱分类数据中每项分类数据所属工作模式；
根据每项分类数据所属工作模式在预设时间段内的车载充电器实时电源输出信号数据中进行工作模式标记，得到工作模式标记数据；
根据工作模式标记数据计算车载充电器在预设时间段内的工作模式切换次数、频率、工作模式持续时间，得到预设时间内车载充电器的工作模式变化情况数据。
本方案中，所述根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息，具体为：
根据所述工作模式变化情况数据对各个工作模式下的异常输出电流、电压、功率进行识别，得到异常输出数据；
根据电源输出信号数据对车载充电器的工作状态进行稳态分析，得到电源输出稳定性数据；
预设车载充电器的健康状况评估规则和评估等级，根据所述健康状况评估规则和评估等级对异常输出数据和电源输出稳定性数据进行健康状况分析，得到车载充电器的健康状况等级信息。
本方案中，所述根据所述健康状况等级信息对车载充电器进行安全性评估，并根据安全性对用户做出可复用性建议，具体为：
根据所述健康状况等级信息对车载充电器的安全性进行评估，得到安全性评估数据；
预设第一安全阈值和第二安全阈值，根据所述安全性评估数据，若安全性低于第一安全阈值，做出可复用性低预警，建议用户对车载充电器进行更新操作；
若安全性大于第一安全阈值小于第二安全阈值，对车载充电器进行降低输出功率处理，并提醒用户避免长时间持续使用；
若安全性大于第二安全阈值则认定为可复用性高，得到可复用性建议数据。
本发明第二方面还提供了一种车载充电器的健康状况检测系统，该系统包括：存储器、处理器，所述存储器中包括车载充电器的健康状况检测方法程序，所述车载充电器的健康状况检测方法程序被所述处理器执行时，实现如下步骤：
获取预设时间段内的车载充电器实时电源输出信号数据，所述电源输出信号数据包括车车载充电器输出的电流、电压、功率数据；
基于傅立叶变换方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征；
通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据；
根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据；
根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息；
根据所述健康状况等级信息对车载充电器进行安全性评估，并根据安全性对用户做出可复用性建议。
本方案中，所述通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据，具体为：
根据电源输出信号对车载充电器的工作模式切换时间点进行识别，将电源输出信号的频谱特征中的每项特征数据根据工作模式切换时间点进行切分，得到多个频谱特征切分数据；
引入DBSCAN算法，初始化邻域半径、邻域最小点数，依次将频谱特征切分数据中的相同类型特征的数据进行初始化为聚类数据集；
根据DBSCAN算法计算聚类数据集中每个频谱特征切分数据的区域数据密度，得到每个频谱特征切分数据的数据密度值；
预设每个频谱特征分类的密度偏差阈值，将每个频谱特征切分数据的数据密度值进行对比，将数据密度值小于密度偏差阈值的频谱特征切分数据进行聚类，得到频谱分类数据，所述频谱分类数据包括幅值特征分类数据、频谱信号的变化趋势特征分类数据、相位变化趋势特征分类数据。
本方案中，所述根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息，具体为：
根据所述工作模式变化情况数据对各个工作模式下的异常输出电流、电压、功率进行识别，得到异常输出数据；
根据电源输出信号数据对车载充电器的工作状态进行稳态分析，得到电源输出稳定性数据；
预设车载充电器的健康状况评估规则和评估等级，根据所述健康状况评估规则和评估等级对异常输出数据和电源输出稳定性数据进行健康状况分析，得到车载充电器的健康状况等级信息。
本发明公开了一种车载充电器的健康状况检测方法及系统，通过分析实时电源输出信号数据，评估车载充电器工作状态及健康状况，为用户提供安全性评估和可复用性建议。首先获取车载充电器的实时电源输出信号数据。通过傅立叶变换将电源输出信号数据转化为频谱信号，获得电源输出信号的频谱特征。采用聚类算法对频谱特征进行分类，识别车载充电器的工作模式。根据工作模式变化情况数据，评估车载充电器的健康状况，并得到健康状况等级信息。通过该信息进行安全性评估，为用户提供可复用性建议。
附图说明
图1示出了本发明一种车载充电器的健康状况检测方法的流程图；
图2示出了本发明得到频谱分类数据的流程图；
图3示出了本发明得到车载充电器的健康状况等级信息的流程图；
图4示出了本发明一种车载充电器的健康状况检测系统的框图。
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。
图1示出了本发明一种车载充电器的健康状况检测方法的流程图。
如图1所示，本发明第一方面提供了一种车载充电器的健康状况检测方法，包括：
S102，获取预设时间段内的车载充电器实时电源输出信号数据，所述电源输出信号数据包括车车载充电器输出的电流、电压、功率数据；
S104，基于傅立叶变换方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征；
S106，通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据；
S108，根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据；
S110，根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息；
S112，根据所述健康状况等级信息对车载充电器进行安全性评估，并根据安全性对用户做出可复用性建议。
需要说明的是，通过获取车载充电器的实时电源输出信号数据，根据傅立叶变化方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征，有助于了解车载充电器在工作状态下的输出电压、电路、功率的频率分布情况；使用聚类算法对频谱特征进行分类，将相似的频谱特征归为一类，以便更好地理解充电器在不同工作状态下的频谱表现；通过对频谱分类数据进行分析，能够辨别车载充电器在预设时间段内的工作模式变化，包括充电、待机、故障等状态，提供对车载充电器工作行为的详细认知；通过对工作模式变化情况数据的分析，评估车载充电器的健康状况。这有助于检测潜在的问题或故障，并提供有关充电器整体健康状况的等级信息；根据健康状况等级信息，进行车载充电器的安全性评估，以确定是否可以继续使用。根据评估结果，向用户提供有关充电器可复用性的建议，确保用户的安全和设备的可靠性。
根据本发明实施例，所述获取预设时间段内的车载充电器实时电源输出信号数据，所述电源输出信号数据包括车载充电器输出的电流、电压、功率数据，具体为：
通过电源传感器获取预设时间段内车载充电器的输出电流、电压、功率数据，得到电源输出信号数据；
计算预设时间段内电源输出信号数据中每项数据的平均值和标准差；
引入高斯分布算法，通过高斯分布算法的概率密度函数计算每项数据的中每个数据点的概率密度；
预设概率密度阈值，根据每个数据点的概率密度和概率密度阈值对电源输出信号进行异常检测，将异常值进行标记；
将标记的异常值进行均值替换操作，得到数据异常处理后的电源输出信号数据。
需要说明的是，由于通过电源传感器获取电源输出信号可能会造成数据采集具有异常值出现，通过高斯分布算法能够有效地识别与正态分布偏离较大的数据点，因此能够迅速发现潜在的异常值，提高了异常值检测的准确性，根据电源输出信号数据的平均值对异常值数据进行替换操作，减小异常数据的采集影响，为后续的数据分析提高准确性。
根据本发明实施例，所述基于傅立叶变换方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征，具体为：
将预设时间段内连续的电源输出信号进行离散化操作，得到离散时域信号数据；
基于快速傅立叶变换方法将离散时域信号数据转化为频域信号，得到频谱信号数据；
将频谱信号数据进行频域图绘制，根据频域图通过傅立叶逆变换进行频谱信号的幅值分析，得到电源输出信号的幅值特征；
预设时间窗口长度，根据时间窗口长度将所述频谱信号数据切分为多个时间窗口，对每个时间窗口进行时域分析，得到频谱信号的变化趋势特征；
计算频谱信号数据的相位，并频谱信号数据中相邻频率点的相位差，根据所述相位差分析相位变化趋势，得到频谱信号的相位变化趋势特征；
将所述幅值特征、频谱信号的变化趋势特征、相位变化趋势特征整合为电源输出信号的频谱特征。
需要说明的是，将电源输出信号转化为频谱信号通过傅立叶变换，可以将时域的电源波形转换为频域的频谱图，使在不同频率范围内的特征变化更加清晰可见；频谱特征能够更准确地描述电源输出信号的特性，从而提高了后续健康状况检测的准确性，与传统的时域分析相比，频域分析更容易区分不同的频率成分，使得对设备健康状况的判断更为精确；所述幅值特征为电源输出信号中每项数据的振幅特征。
图2示出了本发明得到频谱分类数据的流程图。
根据本发明实施例，所述通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据，具体为：
S202，根据电源输出信号对车载充电器的工作模式切换时间点进行识别，将电源输出信号的频谱特征中的每项特征数据根据工作模式切换时间点进行切分，得到多个频谱特征切分数据；
S204，引入DBSCAN算法，初始化邻域半径、邻域最小点数，依次将频谱特征切分数据中的相同类型特征的数据进行初始化为聚类数据集；
S206，根据DBSCAN算法计算聚类数据集中每个频谱特征切分数据的区域数据密度，得到每个频谱特征切分数据的数据密度值；
S208，预设每个频谱特征分类的密度偏差阈值，将每个频谱特征切分数据的数据密度值进行对比，将数据密度值小于密度偏差阈值的频谱特征切分数据进行聚类，得到频谱分类数据，所述频谱分类数据包括幅值特征分类数据、频谱信号的变化趋势特征分类数据、相位变化趋势特征分类数据。
需要说明的是，由于车载充电的工作模式的切换，电压和电流的输出会存在较大的差别，因此根据电源输出信号的突变来对车载充电器的工作模式来进行识别，例如在车载充电器快充模式下，电源输出功率大于100W，而在慢充模式下电源输出功率在50W以下；所述聚类数据集包括幅值特征、频谱信号的变化趋势特征、相位变化趋势特征进行切分后形成的数据集。
根据本发明实施例，所述根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据，具体为：
获取车载充电器在各个工作模式下的历史频谱特征数据，从频谱分类数据中的每项分类数据中各随机抽取一个工作模式待识别数据；
基于指纹算法将历史频谱特征数据和工作模式待识别数据创建哈希对象，将所创建的哈希对象的数据格式转化为字节流格式，得到更新哈希对象；
根据指纹算法将更新哈希对象生成历史频谱特征数据指纹和工作模式待识别数据指纹；
将工作模式待识别数据指纹与历史频谱特征数据指纹进行对比，得到频谱分类数据中每项分类数据所属工作模式；
根据每项分类数据所属工作模式在预设时间段内的车载充电器实时电源输出信号数据中进行工作模式标记，得到工作模式标记数据；
根据工作模式标记数据计算车载充电器在预设时间段内的工作模式切换次数、频率、工作模式持续时间，得到预设时间内车载充电器的工作模式变化情况数据。
需要说明的是，所述各个工作模式包括快速充电模式、慢速充电模式、待机模式、故障模式；所述工作模式待识别数据为在频谱分类数据中的每一项分类数据中都抽取一个数据进行工作模式的识别，由于频谱分类数据中每项数据都是按数据密度来分类的，而不同工作模式下的车载充电器的频谱特征数据的数据密度都是不同的，因此根据数据密度对频谱特征数据进行聚类，得到的聚类结果即为将相同工作模式的频谱特征进行聚类的结果；通过聚类算法对频谱特征数据进行分类，然后对频谱特征分类数据随机提取一个分类数据进行识别，先对频谱特征数据进行分类，分类后的数据是处于相同工作模式下的频谱特征，因此只需随机抽取一个分类数据与历史频谱特征数据进行对比，便可得到频谱分类数据中每一类数据中的频谱特征所属的工作模式下产生的频谱特征，避免了对大量的数据进行对比操作，提高了数据处理的效率和性能，避免了因大量数据对比操作造成资源的浪费，大大优化了数据处理的性能，具有突出的数据处理性能效果；所述指纹算法能够能够准确的将历史频谱特征数据和工作模式待识别数据进行匹配。
图3示出了本发明得到车载充电器的健康状况等级信息的流程图。
根据本发明实施例，所述根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息，具体为：
S302，根据所述工作模式变化情况数据对各个工作模式下的异常输出电流、电压、功率进行识别，得到异常输出数据；
S304，根据电源输出信号数据对车载充电器的工作状态进行稳态分析，得到电源输出稳定性数据；
S306，预设车载充电器的健康状况评估规则和评估等级，根据所述健康状况评估规则和评估等级对异常输出数据和电源输出稳定性数据进行健康状况分析，得到车载充电器的健康状况等级信息。
需要说明的是，通过对车载充电器的各个工作模式下的异常输出数据进行识别，并判断电源输出的稳定性，通过综合考虑工作模式变化情况数据、异常输出数据和电源输出稳定性数据，能够更全面地评估车载充电器的健康状况，减少漏诊和误诊的可能性，及时发现并响应异常情况，从而提高了系统的可靠性和稳定性；所述健康状况等级包括优秀、良好、一般、差。
根据本发明实施例，所述根据所述健康状况等级信息对车载充电器进行安全性评估，并根据安全性对用户做出可复用性建议，具体为：
根据所述健康状况等级信息对车载充电器的安全性进行评估，得到安全性评估数据；
预设第一安全阈值和第二安全阈值，根据所述安全性评估数据，若安全性低于第一安全阈值，做出可复用性低预警，建议用户对车载充电器进行更新操作；
若安全性大于第一安全阈值小于第二安全阈值，对车载充电器进行降低输出功率处理，并提醒用户避免长时间持续使用；
若安全性大于第二安全阈值则认定为可复用性高，得到可复用性建议数据。
需要说明的是，通过对车载充电器的安全性进行评估，并做出车载充电器的可复用性建议，提高了车载充电器的安全性，使用户了解车载充电器的安全状态。
根据本发明实施例，还包括：
获取车载充电器的过载保护装置的实时工作参数数据、正常工作参数数据；
根据实时工作参数数据与正常工作参数数据进行实时对比，计算实时工作参数数据与正常工作参数的偏离程度；
基于模糊评价方法对偏离程度进行模糊风险分析，得到过载保护装置的工作风险参数；
根据所述工作风险参数和偏离程度对过载保护装置进行故障评估，得到故障等级数据；
根据所述故障等级数据对车载充电器进行可复用性建议补充操作。
需要说明的是，由于每个车载充电器都需要安装过载保护装置，在过载保护装置故障的情况下，在车辆行驶的过程中，损坏的可能不止是车载充电器本身，而且可能损坏车辆供电系统，导致车辆突然失控的情况，因此通过对车载充电器的过载保护进行故障评价，并确定故障等级，通过故障等级来再次评估车载充电器的可复用性，对可复用性建议进行补充操纵，能够进一步提高对车载充电器的健康状况的评估准确性，提高车辆行驶的安全性。
根据本发明实施例，还包括：
实时获取电子设备通过车载充电器充电过程中的实时电量变化数据；
基于线性回归算法构建电量识别模型，获取电子设备正常充电状态下的历史电量变化数据；
将历史电量变化数据导入电量识别模型中进行历史电量变化数据的线性变化学习，得到电子设备正常充电情况下的电量线性变化特征，将所述电量线性变化特征作为电量识别模型的识别基础；
将所述实时电量变化数据导入电量识别模型中，分析实时电量变化数据的变化情况，判断所述变化情况是否处于正常状态；
若不属于正常状态，根据实时电量变化数据进行电流倒灌识别，若出现电流倒灌情况，对车载充电器进行停止充电操作。
需要说明的是，在车载充电器工作的状态下，由于车载充电器芯片的损坏，导致又电子设备流向车载充电器的电流过大，形成电流倒灌的现象，当出现电流倒灌的情况时，会严重影响电子设备的使用时长和电池的使用寿命，因此通过对车载充电器电流倒灌情况的识别，若出现电流倒灌的情况对车载充电器进行停止充电操作，避免了因电流倒灌故障造成电子设备的损坏，避免因车载充电器的故障造成更大范围的损失。
图4示出了本发明一种车载充电器的健康状况检测系统的框图。
本发明第二方面还提供了一种车载充电器的健康状况检测系统4，该系统包括：存储器41、处理器42，所述存储器中包括车载充电器的健康状况检测方法程序，所述车载充电器的健康状况检测方法程序被所述处理器执行时，实现如下步骤：
获取预设时间段内的车载充电器实时电源输出信号数据，所述电源输出信号数据包括车车载充电器输出的电流、电压、功率数据；
基于傅立叶变换方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征；
通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据；
根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据；
根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息；
根据所述健康状况等级信息对车载充电器进行安全性评估，并根据安全性对用户做出可复用性建议。
需要说明的是，通过获取车载充电器的实时电源输出信号数据，根据傅立叶变化方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征，有助于了解车载充电器在工作状态下的输出电压、电路、功率的频率分布情况；使用聚类算法对频谱特征进行分类，将相似的频谱特征归为一类，以便更好地理解充电器在不同工作状态下的频谱表现；通过对频谱分类数据进行分析，能够辨别车载充电器在预设时间段内的工作模式变化，包括充电、待机、故障等状态，提供对车载充电器工作行为的详细认知；通过对工作模式变化情况数据的分析，评估车载充电器的健康状况。这有助于检测潜在的问题或故障，并提供有关充电器整体健康状况的等级信息；根据健康状况等级信息，进行车载充电器的安全性评估，以确定是否可以继续使用。根据评估结果，向用户提供有关充电器可复用性的建议，确保用户的安全和设备的可靠性。
根据本发明实施例，所述获取预设时间段内的车载充电器实时电源输出信号数据，所述电源输出信号数据包括车载充电器输出的电流、电压、功率数据，具体为：
通过电源传感器获取预设时间段内车载充电器的输出电流、电压、功率数据，得到电源输出信号数据；
计算预设时间段内电源输出信号数据中每项数据的平均值和标准差；
引入高斯分布算法，通过高斯分布算法的概率密度函数计算每项数据的中每个数据点的概率密度；
预设概率密度阈值，根据每个数据点的概率密度和概率密度阈值对电源输出信号进行异常检测，将异常值进行标记；
将标记的异常值进行均值替换操作，得到数据异常处理后的电源输出信号数据。
需要说明的是，由于通过电源传感器获取电源输出信号可能会造成数据采集具有异常值出现，通过高斯分布算法能够有效地识别与正态分布偏离较大的数据点，因此能够迅速发现潜在的异常值，提高了异常值检测的准确性，根据电源输出信号数据的平均值对异常值数据进行替换操作，减小异常数据的采集影响，为后续的数据分析提高准确性。
根据本发明实施例，所述基于傅立叶变换方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征，具体为：
将预设时间段内连续的电源输出信号进行离散化操作，得到离散时域信号数据；
基于快速傅立叶变换方法将离散时域信号数据转化为频域信号，得到频谱信号数据；
将频谱信号数据进行频域图绘制，根据频域图通过傅立叶逆变换进行频谱信号的幅值分析，得到电源输出信号的幅值特征；
预设时间窗口长度，根据时间窗口长度将所述频谱信号数据切分为多个时间窗口，对每个时间窗口进行时域分析，得到频谱信号的变化趋势特征；
计算频谱信号数据的相位，并频谱信号数据中相邻频率点的相位差，根据所述相位差分析相位变化趋势，得到频谱信号的相位变化趋势特征；
将所述幅值特征、频谱信号的变化趋势特征、相位变化趋势特征整合为电源输出信号的频谱特征。
需要说明的是，将电源输出信号转化为频谱信号通过傅立叶变换，可以将时域的电源波形转换为频域的频谱图，使在不同频率范围内的特征变化更加清晰可见；频谱特征能够更准确地描述电源输出信号的特性，从而提高了后续健康状况检测的准确性，与传统的时域分析相比，频域分析更容易区分不同的频率成分，使得对设备健康状况的判断更为精确；所述幅值特征为电源输出信号中每项数据的振幅特征。
根据本发明实施例，所述通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据，具体为：
根据电源输出信号对车载充电器的工作模式切换时间点进行识别，将电源输出信号的频谱特征中的每项特征数据根据工作模式切换时间点进行切分，得到多个频谱特征切分数据；
引入DBSCAN算法，初始化邻域半径、邻域最小点数，依次将频谱特征切分数据中的相同类型特征的数据进行初始化为聚类数据集；
根据DBSCAN算法计算聚类数据集中每个频谱特征切分数据的区域数据密度，得到每个频谱特征切分数据的数据密度值；
预设每个频谱特征分类的密度偏差阈值，将每个频谱特征切分数据的数据密度值进行对比，将数据密度值小于密度偏差阈值的频谱特征切分数据进行聚类，得到频谱分类数据，所述频谱分类数据包括幅值特征分类数据、频谱信号的变化趋势特征分类数据、相位变化趋势特征分类数据。
需要说明的是，由于车载充电的工作模式的切换，电压和电流的输出会存在较大的差别，因此根据电源输出信号的突变来对车载充电器的工作模式来进行识别，例如在车载充电器快充模式下，电源输出功率大于100W，而在慢充模式下电源输出功率在50W以下；所述聚类数据集包括幅值特征、频谱信号的变化趋势特征、相位变化趋势特征进行切分后形成的数据集。
根据本发明实施例，所述根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据，具体为：
获取车载充电器在各个工作模式下的历史频谱特征数据，从频谱分类数据中的每项分类数据中各随机抽取一个工作模式待识别数据；
基于指纹算法将历史频谱特征数据和工作模式待识别数据创建哈希对象，将所创建的哈希对象的数据格式转化为字节流格式，得到更新哈希对象；
根据指纹算法将更新哈希对象生成历史频谱特征数据指纹和工作模式待识别数据指纹；
将工作模式待识别数据指纹与历史频谱特征数据指纹进行对比，得到频谱分类数据中每项分类数据所属工作模式；
根据每项分类数据所属工作模式在预设时间段内的车载充电器实时电源输出信号数据中进行工作模式标记，得到工作模式标记数据；
根据工作模式标记数据计算车载充电器在预设时间段内的工作模式切换次数、频率、工作模式持续时间，得到预设时间内车载充电器的工作模式变化情况数据。
需要说明的是，所述各个工作模式包括快速充电模式、慢速充电模式、待机模式、故障模式；所述工作模式待识别数据为在频谱分类数据中的每一项分类数据中都抽取一个数据进行工作模式的识别，由于频谱分类数据中每项数据都是按数据密度来分类的，而不同工作模式下的车载充电器的频谱特征数据的数据密度都是不同的，因此根据数据密度对频谱特征数据进行聚类，得到的聚类结果即为将相同工作模式的频谱特征进行聚类的结果；通过聚类算法对频谱特征数据进行分类，然后对频谱特征分类数据随机提取一个分类数据进行识别，先对频谱特征数据进行分类，分类后的数据是处于相同工作模式下的频谱特征，因此只需随机抽取一个分类数据与历史频谱特征数据进行对比，便可得到频谱分类数据中每一类数据中的频谱特征所属的工作模式下产生的频谱特征，避免了对大量的数据进行对比操作，提高了数据处理的效率和性能，避免了因大量数据对比操作造成资源的浪费，大大优化了数据处理的性能，具有突出的数据处理性能效果；所述指纹算法能够能够准确的将历史频谱特征数据和工作模式待识别数据进行匹配。
根据本发明实施例，所述根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息，具体为：
根据所述工作模式变化情况数据对各个工作模式下的异常输出电流、电压、功率进行识别，得到异常输出数据；
根据电源输出信号数据对车载充电器的工作状态进行稳态分析，得到电源输出稳定性数据；
预设车载充电器的健康状况评估规则和评估等级，根据所述健康状况评估规则和评估等级对异常输出数据和电源输出稳定性数据进行健康状况分析，得到车载充电器的健康状况等级信息。
需要说明的是，通过对车载充电器的各个工作模式下的异常输出数据进行识别，并判断电源输出的稳定性，通过综合考虑工作模式变化情况数据、异常输出数据和电源输出稳定性数据，能够更全面地评估车载充电器的健康状况，减少漏诊和误诊的可能性，及时发现并响应异常情况，从而提高了系统的可靠性和稳定性；所述健康状况等级包括优秀、良好、一般、差。
根据本发明实施例，所述根据所述健康状况等级信息对车载充电器进行安全性评估，并根据安全性对用户做出可复用性建议，具体为：
根据所述健康状况等级信息对车载充电器的安全性进行评估，得到安全性评估数据；
预设第一安全阈值和第二安全阈值，根据所述安全性评估数据，若安全性低于第一安全阈值，做出可复用性低预警，建议用户对车载充电器进行更新操作；
若安全性大于第一安全阈值小于第二安全阈值，对车载充电器进行降低输出功率处理，并提醒用户避免长时间持续使用；
若安全性大于第二安全阈值则认定为可复用性高，得到可复用性建议数据。
需要说明的是，通过对车载充电器的安全性进行评估，并做出车载充电器的可复用性建议，提高了车载充电器的安全性，使用户了解车载充电器的安全状态。
根据本发明实施例，还包括：
获取车载充电器的过载保护装置的实时工作参数数据、正常工作参数数据；
根据实时工作参数数据与正常工作参数数据进行实时对比，计算实时工作参数数据与正常工作参数的偏离程度；
基于模糊评价方法对偏离程度进行模糊风险分析，得到过载保护装置的工作风险参数；
根据所述工作风险参数和偏离程度对过载保护装置进行故障评估，得到故障等级数据；
根据所述故障等级数据对车载充电器进行可复用性建议补充操作。
需要说明的是，由于每个车载充电器都需要安装过载保护装置，在过载保护装置故障的情况下，在车辆行驶的过程中，损坏的可能不止是车载充电器本身，而且可能损坏车辆供电系统，导致车辆突然失控的情况，因此通过对车载充电器的过载保护进行故障评价，并确定故障等级，通过故障等级来再次评估车载充电器的可复用性，对可复用性建议进行补充操纵，能够进一步提高对车载充电器的健康状况的评估准确性，提高车辆行驶的安全性。
根据本发明实施例，还包括：
实时获取电子设备通过车载充电器充电过程中的实时电量变化数据；
基于线性回归算法构建电量识别模型，获取电子设备正常充电状态下的历史电量变化数据；
将历史电量变化数据导入电量识别模型中进行历史电量变化数据的线性变化学习，得到电子设备正常充电情况下的电量线性变化特征，将所述电量线性变化特征作为电量识别模型的识别基础；
将所述实时电量变化数据导入电量识别模型中，分析实时电量变化数据的变化情况，判断所述变化情况是否处于正常状态；
若不属于正常状态，根据实时电量变化数据进行电流倒灌识别，若出现电流倒灌情况，对车载充电器进行停止充电操作。
需要说明的是，在车载充电器工作的状态下，由于车载充电器芯片的损坏，导致又电子设备流向车载充电器的电流过大，形成电流倒灌的现象，当出现电流倒灌的情况时，会严重影响电子设备的使用时长和电池的使用寿命，因此通过对车载充电器电流倒灌情况的识别，若出现电流倒灌的情况对车载充电器进行停止充电操作，避免了因电流倒灌故障造成电子设备的损坏，避免因车载充电器的故障造成更大范围的损失。
本发明公开了一种车载充电器的健康状况检测方法及系统，通过分析实时电源输出信号数据，评估车载充电器工作状态及健康状况，为用户提供安全性评估和可复用性建议。首先获取车载充电器的实时电源输出信号数据。通过傅立叶变换将电源输出信号数据转化为频谱信号，获得电源输出信号的频谱特征。采用聚类算法对频谱特征进行分类，识别车载充电器的工作模式。根据工作模式变化情况数据，评估车载充电器的健康状况，并得到健康状况等级信息。通过该信息进行安全性评估，为用户提供可复用性建议。
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、RAM、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所述权利要求的保护范围为准。

Claims (9)

1.一种车载充电器的健康状况检测方法，其特征在于，包括以下步骤：
获取预设时间段内的车载充电器实时电源输出信号数据，所述电源输出信号数据包括车载充电器输出的电流、电压、功率数据；
基于傅立叶变换方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征；
通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据；
根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据；
根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息；
根据所述健康状况等级信息对车载充电器进行安全性评估，并根据安全性对用户做出可复用性建议；
所述根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据，具体为：
获取车载充电器在各个工作模式下的历史频谱特征数据，从频谱分类数据中的每项分类数据中各随机抽取一个工作模式待识别数据；
基于指纹算法将历史频谱特征数据和工作模式待识别数据创建哈希对象，将所创建的哈希对象的数据格式转化为字节流格式，得到更新哈希对象；
根据指纹算法将更新哈希对象生成历史频谱特征数据指纹和工作模式待识别数据指纹；
将工作模式待识别数据指纹与历史频谱特征数据指纹进行对比，得到频谱分类数据中每项分类数据所属工作模式；
根据每项分类数据所属工作模式在预设时间段内的车载充电器实时电源输出信号数据中进行工作模式标记，得到工作模式标记数据；
根据工作模式标记数据计算车载充电器在预设时间段内的工作模式切换次数、频率、工作模式持续时间，得到预设时间内车载充电器的工作模式变化情况数据。
2.根据权利要求1所述的一种车载充电器的健康状况检测方法，其特征在于，所述获取预设时间段内的车载充电器实时电源输出信号数据，所述电源输出信号数据包括车载充电器输出的电流、电压、功率数据，具体为：
通过电源传感器获取预设时间段内车载充电器的输出电流、电压、功率数据，得到电源输出信号数据；
计算预设时间段内电源输出信号数据中每项数据的平均值和标准差；
引入高斯分布算法，通过高斯分布算法的概率密度函数计算每项数据的中每个数据点的概率密度；
预设概率密度阈值，根据每个数据点的概率密度和概率密度阈值对电源输出信号进行异常检测，将异常值进行标记；
将标记的异常值进行均值替换操作，得到数据异常处理后的电源输出信号数据。
3.根据权利要求1所述的一种车载充电器的健康状况检测方法，其特征在于，所述基于傅立叶变换方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征，具体为：
将预设时间段内连续的电源输出信号进行离散化操作，得到离散时域信号数据；
基于快速傅立叶变换方法将离散时域信号数据转化为频域信号，得到频谱信号数据；
将频谱信号数据进行频域图绘制，根据频域图通过傅立叶逆变换进行频谱信号的幅值分析，得到电源输出信号的幅值特征；
预设时间窗口长度，根据时间窗口长度将所述频谱信号数据切分为多个时间窗口，对每个时间窗口进行时域分析，得到频谱信号的变化趋势特征；
计算频谱信号数据的相位，并频谱信号数据中相邻频率点的相位差，根据所述相位差分析相位变化趋势，得到频谱信号的相位变化趋势特征；
将所述幅值特征、频谱信号的变化趋势特征、相位变化趋势特征整合为电源输出信号的频谱特征。
4.根据权利要求1所述的一种车载充电器的健康状况检测方法，其特征在于，所述通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据，具体为：
根据电源输出信号对车载充电器的工作模式切换时间点进行识别，将电源输出信号的频谱特征中的每项特征数据根据工作模式切换时间点进行切分，得到多个频谱特征切分数据；
引入DBSCAN算法，初始化邻域半径、邻域最小点数，依次将频谱特征切分数据中的相同类型特征的数据进行初始化为聚类数据集；
根据DBSCAN算法计算聚类数据集中每个频谱特征切分数据的区域数据密度，得到每个频谱特征切分数据的数据密度值；
预设每个频谱特征分类的密度偏差阈值，将每个频谱特征切分数据的数据密度值进行对比，将数据密度值小于密度偏差阈值的频谱特征切分数据进行聚类，得到频谱分类数据，所述频谱分类数据包括幅值特征分类数据、频谱信号的变化趋势特征分类数据、相位变化趋势特征分类数据。
5.根据权利要求1所述的一种车载充电器的健康状况检测方法，其特征在于，所述根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息，具体为：
根据所述工作模式变化情况数据对各个工作模式下的异常输出电流、电压、功率进行识别，得到异常输出数据；
根据电源输出信号数据对车载充电器的工作状态进行稳态分析，得到电源输出稳定性数据；
预设车载充电器的健康状况评估规则和评估等级，根据所述健康状况评估规则和评估等级对异常输出数据和电源输出稳定性数据进行健康状况分析，得到车载充电器的健康状况等级信息。
6.根据权利要求1所述的一种车载充电器的健康状况检测方法，其特征在于，所述根据所述健康状况等级信息对车载充电器进行安全性评估，并根据安全性对用户做出可复用性建议，具体为：
根据所述健康状况等级信息对车载充电器的安全性进行评估，得到安全性评估数据；
预设第一安全阈值和第二安全阈值，根据所述安全性评估数据，若安全性低于第一安全阈值，做出可复用性低预警，建议用户对车载充电器进行更新操作；
若安全性大于第一安全阈值小于第二安全阈值，对车载充电器进行降低输出功率处理，并提醒用户避免长时间持续使用；
若安全性大于第二安全阈值则认定为可复用性高，得到可复用性建议数据。
7.一种车载充电器的健康状况检测系统，其特征在于，所述车载充电器的健康状况检测系统包括储存器以及处理器，所述储存器包括车载充电器的健康状况检测方法程序，所述车载充电器的健康状况检测方法程序被所述处理器执行时，实现如下步骤：
获取预设时间段内的车载充电器实时电源输出信号数据，所述电源输出信号数据包括车载充电器输出的电流、电压、功率数据；
基于傅立叶变换方法将电源输出信号转化为频谱信号，以获取电源输出信号的频谱特征；
通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据；
根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据；
根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息；
根据所述健康状况等级信息对车载充电器进行安全性评估，并根据安全性对用户做出可复用性建议；
所述根据频谱分类数据识别车载充电器的工作模式，得到预设时间段内车载充电器的工作模式变化情况数据，具体为：
获取车载充电器在各个工作模式下的历史频谱特征数据，从频谱分类数据中的每项分类数据中各随机抽取一个工作模式待识别数据；
基于指纹算法将历史频谱特征数据和工作模式待识别数据创建哈希对象，将所创建的哈希对象的数据格式转化为字节流格式，得到更新哈希对象；
根据指纹算法将更新哈希对象生成历史频谱特征数据指纹和工作模式待识别数据指纹；
将工作模式待识别数据指纹与历史频谱特征数据指纹进行对比，得到频谱分类数据中每项分类数据所属工作模式；
根据每项分类数据所属工作模式在预设时间段内的车载充电器实时电源输出信号数据中进行工作模式标记，得到工作模式标记数据；
根据工作模式标记数据计算车载充电器在预设时间段内的工作模式切换次数、频率、工作模式持续时间，得到预设时间内车载充电器的工作模式变化情况数据。
8.根据权利要求7所述的一种车载充电器的健康状况检测系统，其特征在于，所述通过聚类算法对所述电源输出信号的频谱特征进行分类操作，得到频谱分类数据，具体为：
根据电源输出信号对车载充电器的工作模式切换时间点进行识别，将电源输出信号的频谱特征中的每项特征数据根据工作模式切换时间点进行切分，得到多个频谱特征切分数据；
引入DBSCAN算法，初始化邻域半径、邻域最小点数，依次将频谱特征切分数据中的相同类型特征的数据进行初始化为聚类数据集；
根据DBSCAN算法计算聚类数据集中每个频谱特征切分数据的区域数据密度，得到每个频谱特征切分数据的数据密度值；
预设每个频谱特征分类的密度偏差阈值，将每个频谱特征切分数据的数据密度值进行对比，将数据密度值小于密度偏差阈值的频谱特征切分数据进行聚类，得到频谱分类数据，所述频谱分类数据包括幅值特征分类数据、频谱信号的变化趋势特征分类数据、相位变化趋势特征分类数据。
9.根据权利要求7所述的一种车载充电器的健康状况检测系统，其特征在于，所述根据所述工作模式变化情况数据评估车载充电器的健康状况进行分析，得到车载充电器的健康状况等级信息，具体为：
根据所述工作模式变化情况数据对各个工作模式下的异常输出电流、电压、功率进行识别，得到异常输出数据；
根据电源输出信号数据对车载充电器的工作状态进行稳态分析，得到电源输出稳定性数据；
预设车载充电器的健康状况评估规则和评估等级，根据所述健康状况评估规则和评估等级对异常输出数据和电源输出稳定性数据进行健康状况分析，得到车载充电器的健康状况等级信息。
CN202410042920.3A 2024-01-11 2024-01-11 一种车载充电器的健康状况检测方法及系统 Active CN117554737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410042920.3A CN117554737B (zh) 2024-01-11 2024-01-11 一种车载充电器的健康状况检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410042920.3A CN117554737B (zh) 2024-01-11 2024-01-11 一种车载充电器的健康状况检测方法及系统

Publications (2)

Publication Number Publication Date
CN117554737A CN117554737A (zh) 2024-02-13
CN117554737B true CN117554737B (zh) 2024-03-26

Family

ID=89813285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410042920.3A Active CN117554737B (zh) 2024-01-11 2024-01-11 一种车载充电器的健康状况检测方法及系统

Country Status (1)

Country Link
CN (1) CN117554737B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109001649A (zh) * 2018-07-21 2018-12-14 成都光电传感技术研究所有限公司 一种电源智能诊断系统及保护方法
CN109633310A (zh) * 2018-12-14 2019-04-16 山东鲁能智能技术有限公司 面向电动汽车充电设施的互联互通检测云平台
CN110428020A (zh) * 2019-08-13 2019-11-08 树根互联技术有限公司 刀具健康评估模型训练方法、装置及电子设备
CN113687257A (zh) * 2021-08-27 2021-11-23 广东省科学院电子电器研究所 电源健康状态动态评估方法及装置
CN114204626A (zh) * 2021-11-22 2022-03-18 华为数字能源技术有限公司 充电控制方法及相关设备
CN114812796A (zh) * 2022-04-22 2022-07-29 中国人民解放军63811部队 设备状况评估方法以及相关设备
KR20220133695A (ko) * 2021-03-25 2022-10-05 (주)오렌지아이 리튬이온 전지를 제조 또는 평가하기 위한 충방전기 데이터를 기초로 충방전기 이상을 감지하는 방법
CN115392782A (zh) * 2022-09-22 2022-11-25 上海核工程研究设计院有限公司 一种核电厂工艺系统健康状态监测和诊断方法及系统
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
CN116629413A (zh) * 2023-05-10 2023-08-22 金陵科技学院 基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法
CN116653672A (zh) * 2023-05-08 2023-08-29 重庆市计量质量检测研究院 一种充电桩健康状态预测分析方法
CN117171655A (zh) * 2023-07-21 2023-12-05 四川省安全科学技术研究院 一种基于频谱分析的煤矿生产状态智能判别方法及装置
CN117289070A (zh) * 2023-11-27 2023-12-26 黑龙江惠达科技股份有限公司 一种动力电池充电器的测试装置、测试方法和电子设备
CN117348601A (zh) * 2023-11-13 2024-01-05 东莞市佰增软件科技有限公司 一种车载状况实时诊断系统及其诊断方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109001649A (zh) * 2018-07-21 2018-12-14 成都光电传感技术研究所有限公司 一种电源智能诊断系统及保护方法
CN109633310A (zh) * 2018-12-14 2019-04-16 山东鲁能智能技术有限公司 面向电动汽车充电设施的互联互通检测云平台
CN110428020A (zh) * 2019-08-13 2019-11-08 树根互联技术有限公司 刀具健康评估模型训练方法、装置及电子设备
KR20220133695A (ko) * 2021-03-25 2022-10-05 (주)오렌지아이 리튬이온 전지를 제조 또는 평가하기 위한 충방전기 데이터를 기초로 충방전기 이상을 감지하는 방법
CN113687257A (zh) * 2021-08-27 2021-11-23 广东省科学院电子电器研究所 电源健康状态动态评估方法及装置
CN114204626A (zh) * 2021-11-22 2022-03-18 华为数字能源技术有限公司 充电控制方法及相关设备
CN114812796A (zh) * 2022-04-22 2022-07-29 中国人民解放军63811部队 设备状况评估方法以及相关设备
CN115392782A (zh) * 2022-09-22 2022-11-25 上海核工程研究设计院有限公司 一种核电厂工艺系统健康状态监测和诊断方法及系统
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
CN116653672A (zh) * 2023-05-08 2023-08-29 重庆市计量质量检测研究院 一种充电桩健康状态预测分析方法
CN116629413A (zh) * 2023-05-10 2023-08-22 金陵科技学院 基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法
CN117171655A (zh) * 2023-07-21 2023-12-05 四川省安全科学技术研究院 一种基于频谱分析的煤矿生产状态智能判别方法及装置
CN117348601A (zh) * 2023-11-13 2024-01-05 东莞市佰增软件科技有限公司 一种车载状况实时诊断系统及其诊断方法
CN117289070A (zh) * 2023-11-27 2023-12-26 黑龙江惠达科技股份有限公司 一种动力电池充电器的测试装置、测试方法和电子设备

Also Published As

Publication number Publication date
CN117554737A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN111669375B (zh) 一种电力工控终端在线安全态势评估方法及系统
CN116112292B (zh) 基于网络流量大数据的异常行为检测方法、系统和介质
CN101720453A (zh) 利用时序信号处理进行电池组件预测维护的系统和方法
CN116366374B (zh) 基于大数据的电网网络管理的安全评估方法、系统及介质
CN115814686B (zh) 一种镭射气体混配生产系统的状态监控方法及系统
CN110866616A (zh) 一种变电站二次设备故障预警方法及装置
CN117131110B (zh) 一种基于关联分析的容性设备介质损耗监测方法及系统
CN115796708B (zh) 一种工程建设用的大数据智能质检方法、系统和介质
CN111383128A (zh) 一种用于监测电网嵌入式终端设备运行状态的方法及系统
KR102315580B1 (ko) 건물의 화재 예측 분석 장치 및 방법
CN116720324A (zh) 基于预测模型的牵引变电所关键设备故障预警方法及系统
CN115222303A (zh) 基于大数据的行业风险数据分析方法、系统及存储介质
CN114666117A (zh) 一种面向电力互联网的网络安全态势度量和预测方法
CN117233645B (zh) 一种储能逆变器电池异常判定方法、系统及介质
CN117554737B (zh) 一种车载充电器的健康状况检测方法及系统
CN116664015A (zh) 一种智能充电桩管理系统及其方法
CN113220799A (zh) 一种大数据预警管理系统
CN116923188A (zh) 一种新能源车的充电保护系统
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN115759408B (zh) 一种输变电设备寿命预测方法、装置、设备及存储介质
CN116845863A (zh) 基于时空轨迹的末端电网异常设备接入告警方法及装置
CN115150206B (zh) 一种信息安全用的入侵检测安全预警系统及其方法
CN116108376A (zh) 一种反窃电的监测系统、方法、电子设备及介质
CN108761250A (zh) 一种基于工控设备电压电流的入侵检测方法
CN113486535A (zh) 一种基于环境信息的电网信息检测分析方法

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
GR01 Patent grant
GR01 Patent grant