CN117554773A - 一种ipm模块寿命预测系统 - Google Patents

一种ipm模块寿命预测系统 Download PDF

Info

Publication number
CN117554773A
CN117554773A CN202410041778.0A CN202410041778A CN117554773A CN 117554773 A CN117554773 A CN 117554773A CN 202410041778 A CN202410041778 A CN 202410041778A CN 117554773 A CN117554773 A CN 117554773A
Authority
CN
China
Prior art keywords
temperature
working
ipm module
layer
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410041778.0A
Other languages
English (en)
Other versions
CN117554773B (zh
Inventor
孔亮
徐勇
谭龙军
石伟
寇艳涛
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.)
Qingdao Zhongmiao Invasive Core Electronics Co ltd
Original Assignee
Qingdao Zhongmiao Invasive Core 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 Qingdao Zhongmiao Invasive Core Electronics Co ltd filed Critical Qingdao Zhongmiao Invasive Core Electronics Co ltd
Priority to CN202410041778.0A priority Critical patent/CN117554773B/zh
Publication of CN117554773A publication Critical patent/CN117554773A/zh
Application granted granted Critical
Publication of CN117554773B publication Critical patent/CN117554773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2601—Apparatus or methods therefor
    • 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
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2642—Testing semiconductor operation lifetime or reliability, e.g. by accelerated life tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

本发明公开了一种IPM模块寿命预测系统，属于数据处理技术领域，包括温度集合生成单元、指标温度获取单元和工作寿命预测单元；温度集合生成单元用于生成IPM模块的工作温度变化集合和环境温度变化集合；指标温度获取单元用于获取IPM模块的允许工作温度范围；工作寿命预测单元用于确定IPM模块的剩余工作寿命。本发明全方面考虑IPM模块的工作情况，在其允许工作温度范围内充分考虑环境温度对IPM工作温度的潜在影响，精准预测IPM模块的剩余工作寿命，为用户提供理论参考。

Description

一种IPM模块寿命预测系统
技术领域
本发明属于数据处理技术领域，具体涉及一种IPM模块寿命预测系统。
背景技术
智能功率模块（IPM模块）作为集成电路封装功率器件的高端产品，具有开关速度快、功耗低、短路保护、过热保护、栅极驱动欠压封锁和抗干扰能力强、无须采取防静电措施等优点，已被广泛应用于交流电机变频调速和直流电机斩波调速以及各种高性能电源、工业电气自动化等领域。对于集成电路器件来说，高温环境下集成电路器件工作寿命的预测可以帮助用户了解IPM模块的使用性能，提前预判，因此，如何预测IPM模块的寿命成为急需解决的问题。
发明内容
本发明为了解决以上问题，提出了一种IPM模块寿命预测系统。
本发明的技术方案是：一种IPM模块寿命预测系统包括温度集合生成单元、指标温度获取单元和工作寿命预测单元；
温度集合生成单元用于生成IPM模块的工作温度变化集合和环境温度变化集合；
指标温度获取单元用于获取IPM模块的允许工作温度范围；
工作寿命预测单元用于构建工作寿命预测模型，将IPM模块的工作温度变化集合、环境温度变化集合以及允许工作温度范围输入至工作寿命预测模型中，确定IPM模块的剩余工作寿命。
IPM模块的允许工作温度范围由IPM模块自身特性决定。
进一步地，温度集合生成单元生成工作温度变化集合的具体方法为：通过温度传感器采集IPM模块工作时各个时刻的工作温度，生成工作温度变化集合。
进一步地，温度集合生成单元生成环境温度变化集合的具体方法为：采集IPM模块工作时各个时刻的环境温度，生成环境温度变化集合。
上述进一步方案的有益效果是：在本发明中，温度是影响 IPM 模块性能和寿命的重要因素。IPM 模块在工作过程中会产生一定的热量，如果温度过高，会导致器件内部的电子元件受损，甚至引发故障。同时，IPM工作所处环境的温度变化也会允许IPM工作温度的变化。因此， 本发明采用上述两种温度作为变量，来对IPM模块的寿命进行预测。
进一步地，工作寿命预测模型包括工作温度卷积层、环境温度卷积层、特征温度融合层、运算器u1、归一化层和全连接层；
工作温度卷积层的输入端和环境温度卷积层的输入端分别作为工作寿命预测模型的第一输入端和第二输入端；工作温度卷积层的第一输出端和特征温度融合层的第一输入端连接；环境温度卷积层的第一输出端和特征温度融合层的第二输入端连接；工作温度卷积层的第二输出端和运算器u1的第一输入端连接；环境温度卷积层的第二输出端和运算器u1的第二输入端连接；特征温度融合层的输出端和运算器u1的第三输入端连接；运算器u1的输出端连接和归一化层的输入端连接；归一化层的输出端和全连接层的输入端连接；全连接层的输出端作为工作寿命预测模型的输出端。
上述进一步方案的有益效果是：在本发明中，工作温度卷积层的作用是提取所有采集时刻的工作温度的特征，指标温度卷积层的作用是提取所有采集时刻的环境温度的特征。环境温度的变化会影响IPM模块工作温度的变化，因此本发明采用包含神经元的特征温度融合层对两种温度特征进行融合处理，再利用归一化层消除可能存在的量纲差异，最后经过全连接层的激活函数即可完成寿命预测。
进一步地，工作温度卷积层的表达式为：；式中，P为工作温度卷积层的输出，x1为IPM模块在初始时刻的工作温度，xn为IPM模块在n时刻的工作温度，xN为IPM模块在N时刻的工作温度，N为采集时刻总数。
进一步地，环境温度卷积层的表达式为：；式中，Q为环境温度卷积层的输出，y1为IPM模块在初始时刻的环境温度，yn为IPM模块在n时刻的环境温度，yN为IPM模块在N时刻的环境温度，N为采集时刻总数。
进一步地，特征温度融合层的表达式为：；式中，W为特征温度融合层的输出，/>为求和运算，P为工作温度卷积层的输出，Q为环境温度卷积层的输出，J为特征温度融合层的神经元个数，θj为特征温度融合层中第j个神经元的脉冲值，b为特征温度融合层的偏置，w为特征温度融合层的权重。
进一步地，运算器u1的表达式为：；式中，U为运算器u1的输出，W为特征温度融合层的输出，/>为求和运算，P为工作温度卷积层的输出，Q为环境温度卷积层的输出，pm为工作温度卷积层输出的第m个元素，qm为环境温度卷积层输出的第m个元素，M为工作温度卷积层和指标温度卷积层的输出元素个数，max(·)为最大值运算，min(·)为最小值运算。
进一步地，全连接层的表达式为：；式中，L为全连接层的输出，G为归一化层的输出，Tmax为允许工作温度范围的最大值，Tmin为允许工作温度范围的最小值，sigmoid(·)为激活函数，xN为IPM模块在N时刻的工作温度，yN为IPM模块在N时刻的环境温度，N为采集时刻总数。
本发明的有益效果是：本发明可以对IPM模块已工作时长的工作温度和环境温度进行卷积处理、融合处理以及归一化处理等，提取温度特征，全方面考虑IPM模块的工作情况，在其允许工作温度范围内充分考虑环境温度对IPM工作温度的潜在影响，精准预测IPM模块的剩余工作寿命，为用户提供理论参考。
附图说明
图1为IPM模块寿命预测系统的结构示意图；
图2为工作寿命预测模型的结构示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种IPM模块寿命预测系统，包括温度集合生成单元、指标温度获取单元和工作寿命预测单元；
温度集合生成单元用于生成IPM模块的工作温度变化集合和环境温度变化集合；
指标温度获取单元用于获取IPM模块的允许工作温度范围；
工作寿命预测单元用于构建工作寿命预测模型，将IPM模块的工作温度变化集合、环境温度变化集合以及允许工作温度范围输入至工作寿命预测模型中，确定IPM模块的剩余工作寿命。
IPM模块的允许工作温度范围由IPM模块自身特性决定。
在本发明实施例中，温度集合生成单元生成工作温度变化集合的具体方法为：通过温度传感器采集IPM模块工作时各个时刻的工作温度，生成工作温度变化集合。
在本发明实施例中，温度集合生成单元生成环境温度变化集合的具体方法为：采集IPM模块工作时各个时刻的环境温度，生成环境温度变化集合。
在本发明中，温度是影响 IPM 模块性能和寿命的重要因素。IPM 模块在工作过程中会产生一定的热量，如果温度过高，会导致器件内部的电子元件受损，甚至引发故障。同时，IPM工作所处环境的温度变化也会允许IPM工作温度的变化。因此， 本发明采用上述两种温度作为变量，来对IPM模块的寿命进行预测。
在本发明实施例中，如图2所示，工作寿命预测模型包括工作温度卷积层、环境温度卷积层、特征温度融合层、运算器u1、归一化层和全连接层；
工作温度卷积层的输入端和环境温度卷积层的输入端分别作为工作寿命预测模型的第一输入端和第二输入端；工作温度卷积层的第一输出端和特征温度融合层的第一输入端连接；环境温度卷积层的第一输出端和特征温度融合层的第二输入端连接；工作温度卷积层的第二输出端和运算器u1的第一输入端连接；环境温度卷积层的第二输出端和运算器u1的第二输入端连接；特征温度融合层的输出端和运算器u1的第三输入端连接；运算器u1的输出端连接和归一化层的输入端连接；归一化层的输出端和全连接层的输入端连接；全连接层的输出端作为工作寿命预测模型的输出端。
在本发明中，工作温度卷积层的作用是提取所有采集时刻的工作温度的特征，指标温度卷积层的作用是提取所有采集时刻的环境温度的特征。环境温度的变化会影响IPM模块工作温度的变化，因此本发明采用包含神经元的特征温度融合层对两种温度特征进行融合处理，再利用归一化层消除可能存在的量纲差异，最后经过全连接层的激活函数即可完成寿命预测。
在本发明实施例中，工作温度卷积层的表达式为：；式中，P为工作温度卷积层的输出，x1为IPM模块在初始时刻的工作温度，xn为IPM模块在n时刻的工作温度，xN为IPM模块在N时刻的工作温度，N为采集时刻总数。
在本发明实施例中，环境温度卷积层的表达式为：；式中，Q为环境温度卷积层的输出，y1为IPM模块在初始时刻的环境温度，yn为IPM模块在n时刻的环境温度，yN为IPM模块在N时刻的环境温度，N为采集时刻总数。
在本发明实施例中，特征温度融合层的表达式为：；式中，W为特征温度融合层的输出，/>为求和运算，P为工作温度卷积层的输出，Q为环境温度卷积层的输出，J为特征温度融合层的神经元个数，θj为特征温度融合层中第j个神经元的脉冲值，b为特征温度融合层的偏置，w为特征温度融合层的权重。
在本发明实施例中，运算器u1的表达式为：；式中，U为运算器u1的输出，W为特征温度融合层的输出，/>为求和运算，P为工作温度卷积层的输出，Q为环境温度卷积层的输出，pm为工作温度卷积层输出的第m个元素，qm为环境温度卷积层输出的第m个元素，M为工作温度卷积层和指标温度卷积层的输出元素个数，max(·)为最大值运算，min(·)为最小值运算。
M=N，实际上，工作温度卷积层输出的第1个元素为，第2个元素为/>，依次类推，指标温度卷积层同理。
在本发明实施例中，全连接层的表达式为：；式中，L为全连接层的输出，G为归一化层的输出，Tmax为允许工作温度范围的最大值，Tmin为允许工作温度范围的最小值，sigmoid(·)为激活函数，xN为IPM模块在N时刻的工作温度，yN为IPM模块在N时刻的环境温度，N为采集时刻总数。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种IPM模块寿命预测系统，其特征在于，包括温度集合生成单元、指标温度获取单元和工作寿命预测单元；
所述温度集合生成单元用于生成IPM模块的工作温度变化集合和环境温度变化集合；
所述指标温度获取单元用于获取IPM模块的允许工作温度范围；
所述工作寿命预测单元用于构建工作寿命预测模型，将IPM模块的工作温度变化集合、环境温度变化集合以及允许工作温度范围输入至工作寿命预测模型中，确定IPM模块的剩余工作寿命。
2.根据权利要求1所述的IPM模块寿命预测系统，其特征在于，所述温度集合生成单元生成工作温度变化集合的具体方法为：通过温度传感器采集IPM模块工作时各个时刻的工作温度，生成工作温度变化集合。
3.根据权利要求1所述的IPM模块寿命预测系统，其特征在于，所述温度集合生成单元生成环境温度变化集合的具体方法为：采集IPM模块工作时各个时刻的环境温度，生成环境温度变化集合。
4.根据权利要求1所述的IPM模块寿命预测系统，其特征在于，所述工作寿命预测模型包括工作温度卷积层、环境温度卷积层、特征温度融合层、运算器u1、归一化层和全连接层；
所述工作温度卷积层的输入端和环境温度卷积层的输入端分别作为工作寿命预测模型的第一输入端和第二输入端；所述工作温度卷积层的第一输出端和特征温度融合层的第一输入端连接；所述环境温度卷积层的第一输出端和特征温度融合层的第二输入端连接；所述工作温度卷积层的第二输出端和运算器u1的第一输入端连接；所述环境温度卷积层的第二输出端和运算器u1的第二输入端连接；所述特征温度融合层的输出端和运算器u1的第三输入端连接；所述运算器u1的输出端连接和归一化层的输入端连接；所述归一化层的输出端和全连接层的输入端连接；所述全连接层的输出端作为工作寿命预测模型的输出端。
5.根据权利要求4所述的IPM模块寿命预测系统，其特征在于，所述工作温度卷积层的表达式为：；式中，P为工作温度卷积层的输出，x1为IPM模块在初始时刻的工作温度，xn为IPM模块在n时刻的工作温度，xN为IPM模块在N时刻的工作温度，N为采集时刻总数。
6.根据权利要求4所述的IPM模块寿命预测系统，其特征在于，所述环境温度卷积层的表达式为：；式中，Q为环境温度卷积层的输出，y1为IPM模块在初始时刻的环境温度，yn为IPM模块在n时刻的环境温度，yN为IPM模块在N时刻的环境温度，N为采集时刻总数。
7.根据权利要求4所述的IPM模块寿命预测系统，其特征在于，所述特征温度融合层的表达式为：；式中，W为特征温度融合层的输出，/>为求和运算，P为工作温度卷积层的输出，Q为环境温度卷积层的输出，J为特征温度融合层的神经元个数，θj为特征温度融合层中第j个神经元的脉冲值，b为特征温度融合层的偏置，w为特征温度融合层的权重。
8.根据权利要求4所述的IPM模块寿命预测系统，其特征在于，所述运算器u1的表达式为：；式中，U为运算器u1的输出，W为特征温度融合层的输出，/>为求和运算，P为工作温度卷积层的输出，Q为环境温度卷积层的输出，pm为工作温度卷积层输出的第m个元素，qm为环境温度卷积层输出的第m个元素，M为工作温度卷积层和指标温度卷积层的输出元素个数，max(·)为最大值运算，min(·)为最小值运算。
9.根据权利要求4所述的IPM模块寿命预测系统，其特征在于，所述全连接层的表达式为：；式中，L为全连接层的输出，G为归一化层的输出，Tmax为允许工作温度范围的最大值，Tmin为允许工作温度范围的最小值，sigmoid(·)为激活函数，xN为IPM模块在N时刻的工作温度，yN为IPM模块在N时刻的环境温度，N为采集时刻总数。
CN202410041778.0A 2024-01-11 2024-01-11 一种ipm模块寿命预测系统 Active CN117554773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410041778.0A CN117554773B (zh) 2024-01-11 2024-01-11 一种ipm模块寿命预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410041778.0A CN117554773B (zh) 2024-01-11 2024-01-11 一种ipm模块寿命预测系统

Publications (2)

Publication Number Publication Date
CN117554773A true CN117554773A (zh) 2024-02-13
CN117554773B CN117554773B (zh) 2024-03-29

Family

ID=89823595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410041778.0A Active CN117554773B (zh) 2024-01-11 2024-01-11 一种ipm模块寿命预测系统

Country Status (1)

Country Link
CN (1) CN117554773B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117907790A (zh) * 2024-03-19 2024-04-19 青岛中微创芯电子有限公司 一种ipm模块老化监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104566817A (zh) * 2014-12-26 2015-04-29 广东美的制冷设备有限公司 空调器温度应力的监控方法和系统
KR102213394B1 (ko) * 2019-09-02 2021-02-05 단국대학교 천안캠퍼스 산학협력단 기계학습 기반 열영상 분석을 통한 절화식물의 수명 예측 장치 및 방법
CN112630665A (zh) * 2020-12-18 2021-04-09 北京理工大学 一种基于智能网联的锂电池寿命预测系统
WO2021098307A1 (zh) * 2019-11-18 2021-05-27 许继变压器有限公司 一种干式变压器剩余寿命的检测方法、装置及存储介质
CN114170446A (zh) * 2021-12-10 2022-03-11 中国兵器工业第五九研究所 一种基于深层融合神经网络的温度、亮度特征提取方法
CN114740390A (zh) * 2022-03-01 2022-07-12 广州科技贸易职业学院 一种ups电源健康状态监测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104566817A (zh) * 2014-12-26 2015-04-29 广东美的制冷设备有限公司 空调器温度应力的监控方法和系统
KR102213394B1 (ko) * 2019-09-02 2021-02-05 단국대학교 천안캠퍼스 산학협력단 기계학습 기반 열영상 분석을 통한 절화식물의 수명 예측 장치 및 방법
WO2021098307A1 (zh) * 2019-11-18 2021-05-27 许继变压器有限公司 一种干式变压器剩余寿命的检测方法、装置及存储介质
CN112630665A (zh) * 2020-12-18 2021-04-09 北京理工大学 一种基于智能网联的锂电池寿命预测系统
CN114170446A (zh) * 2021-12-10 2022-03-11 中国兵器工业第五九研究所 一种基于深层融合神经网络的温度、亮度特征提取方法
CN114740390A (zh) * 2022-03-01 2022-07-12 广州科技贸易职业学院 一种ups电源健康状态监测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117907790A (zh) * 2024-03-19 2024-04-19 青岛中微创芯电子有限公司 一种ipm模块老化监测方法
CN117907790B (zh) * 2024-03-19 2024-05-24 青岛中微创芯电子有限公司 一种ipm模块老化监测方法

Also Published As

Publication number Publication date
CN117554773B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN117554773B (zh) 一种ipm模块寿命预测系统
CN101588079B (zh) 一种电子设备的供电方法、供电装置及电子设备
CN111430844B (zh) 一种电池包充电时的热管理方法、装置及汽车
CN204559175U (zh) 一种电动汽车充电桩智能监控装置
CN101286646B (zh) 携带式装置的充电装置
CN109217488A (zh) 充电电路、电子设备、充电方法及存储介质
CN206575328U (zh) 一种支持电池热插拔带电池管理的dc‑dc变换器
Rachi et al. Local measurement-based protection coordination system for a standalone DC microgrid
CN110703893A (zh) 一种云数据中心能耗管理方法及系统
CN201335880Y (zh) 发电机轴电流检测装置
Nigam et al. Applications of supercapacitors
CN104836512A (zh) 一种光伏组件热斑效应的控制方法
CN111864793B (zh) 面向电力能源互联网的基于模型预测算法的电网控制方法
CN201550051U (zh) 一种基于太阳能的传感器电源装置
CN104097530B (zh) 一种整车控制器及其控制方法
Gu et al. Optimisation for unit restarting sequence considering decreasing trend of unit start‐up efficiency after a power system blackout
CN205138410U (zh) 发电机监测系统
CN205068052U (zh) 一种太阳能光伏发电装置
CN102393792A (zh) 一种利用红外侦测系统管理电力及选择启动功能的系统及方法
CN220857648U (zh) 一种欠压保护电路及系统
CN107276038B (zh) 一种功率优化器的过温保护方法及控制器
CN207339234U (zh) 一种接触器保护装置及交流充电桩
Wang et al. Design of lithium battery management system for underwater robot
CN105322633A (zh) 一种电源产生方法及电路，无线通信装置和传感器
CN217159347U (zh) 一种用于手持移动设备的充电控制电路和手持移动设备

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