CN117741321B - 移动式储充系统故障诊断方法及系统 - Google Patents
移动式储充系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117741321B CN117741321B CN202410181710.2A CN202410181710A CN117741321B CN 117741321 B CN117741321 B CN 117741321B CN 202410181710 A CN202410181710 A CN 202410181710A CN 117741321 B CN117741321 B CN 117741321B
- Authority
- CN
- China
- Prior art keywords
- target
- vibration
- early warning
- mobile storage
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 76
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000007689 inspection Methods 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims description 15
- 239000003570 air Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000005236 sound signal Effects 0.000 claims description 10
- 230000003213 activating effect Effects 0.000 claims description 7
- 239000012080 ambient air Substances 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本公开提供了一种移动式储充系统故障诊断方法及系统,涉及移动储充技术领域,方法包括:当初始目标设备信息达到预定条件时,对目标移动储充系统进行移动,并实时监测得到目标移动速度;在目标移动速度下进行动态监测,得到目标振动信号;对作业环境进行动态监测,得到目标环境信息;通过智能预警模型对目标振动信号和目标环境信息进行分析诊断,生成目标故障预警信息;基于所述目标故障预警信息进行检查运维处理。能够解决传统的移动式储充系统故障诊断方法存在故障识别预警准确性和时效性较低的技术问题,可以提高移动式储充系统故障识别预警的效率和准确性,及时发现潜在故障问题,保障设备运行的稳定性和安全性。
Description
技术领域
本公开涉及移动储充技术领域,并且更具体地,涉及一种移动式储充系统故障诊断方法及系统。
背景技术
现有的移动式储充系统在进行故障诊断时,通常是使用多个检测设备对储充系统运行参数进行检测,然后根据检测结果进行故障异常识别,但是,由于移动式储充系统内部结构较为复杂,这种方法可操作性和实用性较低,同时不能及时发现储充系统存在的潜在异常问题,导致移动式储充系统故障识别预警的准确率和时效性较低,不能满足日常的电力运行需求。
现有的移动式储充系统故障诊断方法存在的不足之处在于:由于移动式储充系统内部结构较为复杂,导致使用传统的故障诊断方法进行故障识别预警存在预警准确性和时效性较低的技术问题。
发明内容
因此,为了解决上述技术问题,本公开的实施例采用的技术方案如下:
移动式储充系统故障诊断方法,包括以下步骤:在移动前,对目标移动储充系统的目标硬件设备集依次进行检查,得到初始目标设备信息,所述初始目标设备信息是指所述目标硬件设备集中各硬件设备的性能状态和连接情况;当所述初始目标设备信息达到预定条件时,对所述目标移动储充系统进行移动,并实时监测得到目标移动速度;在所述目标移动速度下启动振动监测设备对所述目标移动储充系统进行动态监测,得到目标振动信号;通过环境监测设备对所述目标移动储充系统的作业环境进行动态监测,得到目标环境信息;通过智能预警模型对所述目标振动信号和所述目标环境信息进行分析诊断,生成目标故障预警信息;基于所述目标故障预警信息对所述目标移动储充系统进行检查运维处理。
移动式储充系统故障诊断系统,包括:初始目标设备信息得到模块,所述初始目标设备信息得到模块用于在移动前,对目标移动储充系统的目标硬件设备集依次进行检查,得到初始目标设备信息,所述初始目标设备信息是指所述目标硬件设备集中各硬件设备的性能状态和连接情况;目标移动速度得到模块,所述目标移动速度得到模块用于当所述初始目标设备信息达到预定条件时,对所述目标移动储充系统进行移动,并实时监测得到目标移动速度;目标振动信号得到模块,所述目标振动信号得到模块用于在所述目标移动速度下启动振动监测设备对所述目标移动储充系统进行动态监测,得到目标振动信号;目标环境信息得到模块,所述目标环境信息得到模块用于通过环境监测设备对所述目标移动储充系统的作业环境进行动态监测,得到目标环境信息;目标故障预警信息生成模块,所述目标故障预警信息生成模块用于通过智能预警模型对所述目标振动信号和所述目标环境信息进行分析诊断,生成目标故障预警信息;检查运维处理模块,所述检查运维处理模块用于基于所述目标故障预警信息对所述目标移动储充系统进行检查运维处理。
由于采用了上述技术方法,本公开相对于现有技术来说,取得的技术进步有如下几点:
可以解决由于移动式储充系统内部结构较为复杂,导致使用传统的故障诊断方法进行故障识别预警存在预警准确性和时效性较低的技术问题,首先,在目标移动储充系统进行移动前,对目标移动储充系统的目标硬件设备集依次进行检查,根据检查结果获得初始目标设备信息,其中所述初始目标设备信息是指所述目标硬件设备集中各硬件设备的性能状态和连接情况;对所述初始目标设备信息进行判断,当所述初始目标设备信息达到预定条件时,对所述目标移动储充系统进行移动,并实时监测得到所述目标移动储充系统的目标移动速度;然后在所述目标移动速度下启动振动监测设备对所述目标移动储充系统进行动态监测,得到目标振动信号;并通过环境监测设备对所述目标移动储充系统的作业环境进行动态监测,得到目标环境信息;进一步将所述目标振动信号和所述目标环境信息输入智能预警模型进行分析诊断,获得目标故障预警信息;最后根据所述目标故障预警信息对所述目标移动储充系统进行检查运维处理。通过上述方法可以及时发现移动式储充系统的潜在故障问题,提高移动式储充系统故障识别预警的时效性和准确性,保障储充系统运行的稳定性和安全性。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种移动式储充系统故障诊断方法的流程示意图;
图2为本申请提供了一种移动式储充系统故障诊断方法中设置预定速度阈值的流程示意图;
图3为本申请提供了一种移动式储充系统故障诊断系统的结构示意图。
附图标记说明:初始目标设备信息得到模块01、目标移动速度得到模块02、目标振动信号得到模块03、目标环境信息得到模块04、目标故障预警信息生成模块05、检查运维处理模块06。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
基于上述描述,如图1所示,本公开提供了一种移动式储充系统故障诊断方法,包括:
移动式储充系统是一种创新的能源存储方案,可以提高电力使用的灵活性和便捷性,被广泛应用于交通领域、建筑领域、农业领域、户外探险等多个方面,其中移动式储充系统包括蓄电池储充系统、超级电容储充系统、氢燃料储充系统等类型。
本申请提供的方法用于对移动式储充系统进行智能故障诊断,用于及时发现移动式储充系统的潜在故障问题,达到提高移动式储充系统故障识别预警的时效性和准确性,保障储充系统安全平稳运行的技术效果,在本申请中的移动式储充系统是指移动式蓄电池储充系统,所述方法具体实施于一种移动式储充系统故障诊断系统。
在移动前,对目标移动储充系统的目标硬件设备集依次进行检查,得到初始目标设备信息,所述初始目标设备信息是指所述目标硬件设备集中各硬件设备的性能状态和连接情况;
在本申请实施例中,首先,在对目标移动储充系统进行移动前,对所述目标移动储充系统的目标硬件设备集依次进行性能状态和连接情况检查,其中所述目标移动储充系统是指待进行故障诊断的移动储充系统,其中所述目标硬件设备集本领域技术人员可根据目标移动储充系统的实际类型进行设置,例如:当目标移动储充系统为蓄电池移动储充系统时,目标硬件设备集包括电源、充电器、电池、电路板、显示屏、保险丝、断路器等硬件;其中性能状态是指目标移动储充系统多个性能参数,例如:储能容量、充/放电电压、充/放电电流等,连接情况是指目标移动储充系统中连接器的运行状态,其中连接器用于连接电池、逆变器、充电器等设备;得到初始目标设备信息,其中所述初始目标设备信息包括所述目标硬件设备集中各硬件设备的性能状态检查结果和连接情况检查结果。
通过获得初始目标设备信息,可以首先判断目标移动储充系统中的硬件设备是否存在异常情况,提高目标移动储充系统故障诊断的精度,同时为下一步进行储充系统的智能故障预警识别提供了依据。
当所述初始目标设备信息达到预定条件时,对所述目标移动储充系统进行移动,并实时监测得到目标移动速度;
在本申请实施例中,根据预定条件对所述初始目标设备信息进行判断,其中所述预定条件包括目标移动储充系统的标准硬件性能指标和标准连接性能指标,本领域技术人员可根据实际情况进行设置,当所述初始目标设备信息中的性能状态检查结果大于所述标准硬件性能指标且连接情况检查结果大于所述标准连接性能指标时,则表征目标移动储充系统的性能状态和连接情况符合运行要求,则对所述目标移动储充系统进行移动,并通过速度传感器对目标移动储充系统进行实时速度监测,得到所述目标移动储充系统的目标移动速度。通过获得目标移动速度,为对目标移动储充系统进行振动状态的精准分析提供了数据支持。
在所述目标移动速度下启动振动监测设备对所述目标移动储充系统进行动态监测,得到目标振动信号;
在本申请实施例中,根据所述目标移动速度选择振动监测设备类型,并启动对应的振动监测设备对所述目标移动储充系统进行动态监测,获得目标振动信号。
在一个实施例中,所述方法还包括:
设置预定速度阈值;
如图2所示,在一个实施例中,所述方法还包括:
调取移动储充振动数据库中的第一记录,所述第一记录包括第一振动记录;
对所述第一振动记录中的第一传感器监测信号和第一实际振动信号进行对比,得到第一信号一致性指数;
对所述第一振动记录中的第一激光仪监测信号和所述第一实际振动信号进行对比,得到第二信号一致性指数;
若所述第一信号一致性指数大于所述第二信号一致性指数,将所述第一振动记录中的第一移动速度作为所述预定速度阈值的下限;
对所述移动储充振动数据库中的第二振动记录进行迭代分析,直至达到预定次数阈值,输出所述预定速度阈值的预定下限;
设置所述预定速度阈值的预定上限为0,并结合所述预定下限确定所述预定速度阈值。
在本申请实施例中,设置预定速度阈值,首先,调取移动储充振动数据库中的第一记录,其中所述移动储充振动数据库中存储有移动式储充系统的历史移动振动数据,所述第一记录为所述移动储充振动数据库中多条历史移动振动数据中的任意一条,其中所述第一记录包括第一振动记录。
提取所述第一振动记录中的第一传感器监测信号和第一实际振动信号,其中第一传感器监测信号为通过振动传感器监测获得的振动数据,其中第一实际振动信号为移动式储充系统的实际振动数据,包括振动幅度、振动频率等;然后将所述第一传感器监测信号和所述第一实际振动信号进行偏差比对,得到第一振动偏差绝对值,并将所述第一振动偏差绝对值的倒数作为第一信号一致性指数,获得第一信号一致性指数,其中第一振动偏差越小,表征振动传感器的数据监测偏差越小,则第一信号一致性指数越大。
提取所述第一振动记录中的第一激光仪监测信号和所述第一实际振动信号,其中所述第一激光仪监测信号为通过激光测振仪监测获得的振动信号,然后将所述第一激光仪监测信号和所述第一实际振动信号进行偏差比对,得到第二振动偏差绝对值,并将所述第二振动偏差绝对值的倒数设定为第二信号一致性指数;其中第二振动偏差越小,表征振激光测振仪的数据监测偏差越小,则第二信号一致性指数越大。
将所述第一信号一致性指数和所述第二信号一致性指数进行比对,当所述第一信号一致性指数大于所述第二信号一致性指数,则将所述第一振动记录中的第一移动速度作为预定速度阈值的下限;提取所述移动储充振动数据库中的第二振动记录,其中所述第二振动记录为所述移动储充振动数据库中除所述第一振动记录中的任意一条振动记录,并对所述第二振动记录进行迭代分析,获取预定次数阈值,所述预定次数阈值为迭代分析次数,本领域技术人员可根据实际需求进行设置,其中需求精度越高,则预定次数阈值越大;直到当前迭代分析次数等于所述预定次数阈值,则获得多个可作为预定速度阈值下限的移动速度,然后对多个移动速度进行均值计算,并将移动速度均值作为预定速度阈值的预定下限。
设置预定速度阈值的预定上限为0,并基于所述预定上限和所述预定下限得到预定速度阈值,其中在所述预定速度阈值的速度范围内,振动传感器监测数据的精准度大于激光测振仪监测数据的精准度。通过获得所述预定速度阈值,为进行振动监测信号设定提供了依据,同时可以提高振动信号获得的准确率。
若所述目标移动速度处于所述预定速度阈值,激活所述振动监测设备中的振动传感器对所述目标移动储充系统进行动态监测,得到第一振动信号;
将所述第一振动信号作为所述目标振动信号。
在本申请实施例中,根据所述预定速度阈值对所述目标移动速度进行判断,当所述目标移动速度处于所述预定速度阈值的范围内时,则激活所述振动监测设备中的振动传感器对所述目标移动储充系统进行动态监测,获得第一振动信号,其中所述第一振动信号包括第一振幅、第一振动频率等数据;然后将所述第一振动信号作为目标振动信号。
在一个实施例中,所述方法还包括:
若所述目标移动速度未处于所述预定速度阈值,激活所述振动监测设备中的激光测振仪对所述目标移动储充系统进行动态监测,得到第二振动信号;
将所述第二振动信号作为所述目标振动信号。
在本申请实施例中,当所述目标移动速度不处于所述预定速度阈值的范围内时,则激活所述振动监测设备中的激光测振仪对所述目标移动储充系统进行动态监测,得到第二振动信号,所述第二振动信号包括第二振幅和第二振动频率,并将所述第二振动信号作为所述目标振动信号,通过获得目标振动信号,为下一步进行目标移动储充系统的智能故障预测提供了数据支持。
在一个实施例中,所述方法还包括:
通过声音传感器对所述目标移动储充系统进行动态监测,得到目标声音信号;
通过位置传感器对所述目标移动储充系统进行动态监测,得到目标位置信息;
基于所述目标声音信号的目标声音特征参数和所述目标位置信息对所述目标移动储充系统进行振动预测,得到预测目标振动信号;
所述预测目标振动信号用于对所述目标振动信号进行校验。
在本申请实施例中,首先,通过声音传感器对所述目标移动储充系统进行动态监测,获得目标声音信号,其中所述目标声音信号包括目标声音特征参数,所述目标声音特征参数包括响度、音色等参数;同时通过位置传感器对所述目标移动储充系统进行动态监测,获得目标位置信息,其中所述目标位置信息包括目标移动储充系统的位置坐标和对应的数据监测时间节点。
基于BP神经网络构建振动预测模型,其中所述振动预测模型为机器学习中可以进行迭代优化的神经网络模型,通过训练数据集进行监督训练获得,所述振动预测模型的输入数据为目标移动储充系统的声音特征参数和位置信息,输出数据为目标移动储充系统的预测振动信号。从所述移动储充振动数据库中提取多个样本训练数据,其中所述样本训练数据包括样本声音特征参数、样本位置信息和样本振动信号,且所述样本声音特征参数、所述样本位置信息和所述样本振动信号具有对应关系。通过所述多个样本训练数据对所述振动预测模型进行监督训练,详细训练过程可参考下文中电池状态预警模型的监督训练过程,获得训练完成的振动预测模型。然后将所述目标声音信号的目标声音特征参数和所述目标位置信息输入训练完成的振动预测模型中进行振动预测,输出预测目标振动信号。通过基于BP神经网络构建振动预测模型进行振动预测,可以提高预测振动信号获得的效率和准确率,从而可以提高目标振动信号校正的准确性。
根据所述预测目标振动信号对所述目标振动信号进行校正,首先,获取多个历史预测振动信号与多个历史实际振动信号,并对所述多个历史预测振动信号与所述多个历史实际振动信号进行关联分析,建立预测振动信号与实际振动信号的映射关系。然后将所述预测目标振动信号输入所述映射关系中进行匹配,得到实际振动信号。分别为所述实际振动信号和所述目标振动信号设置权重占比,其中所述权重占比本领域技术人员可根据数据类型的可信度进行设置,其中可信度越高,则权重占比越大,通常情况下所述目标振动信号的权重占比远大于所述实际振动信号的权重占比。然后根据所述权重占比对所述实际振动信号和所述目标振动信号进行加权计算,并将加权计算结果作为更新后的目标振动信号。
通过生成预测目标振动信号对目标振动信号进行校验,可以进一步提高目标振动信号获得的准确性,从而可以进一步提高目标故障识别预警的准确性。
通过环境监测设备对所述目标移动储充系统的作业环境进行动态监测,得到目标环境信息;
在本申请实施例中,通过环境监测设备对所述目标移动储充系统的作业环境进行动态数据采集,其中环境监测设备包括温度传感器、湿度传感器、气压传感器,获得目标环境信息,其中所述目标环境信息包括环境温度、环境湿度和环境气压,通过获得目标环境信息,为下一步进行目标移动储充系统的智能故障识别预警提供了数据支持。
通过智能预警模型对所述目标振动信号和所述目标环境信息进行分析诊断,生成目标故障预警信息;
在本申请实施例中,基于BP神经网络构建智能预警模型,并通过所述智能预警模型对所述目标振动信号和所述目标环境信息进行故障智能识别,得到目标故障预警信息。
在一个实施例中,所述方法还包括:
获取所述第一记录中的第一环境信息记录,所述第一环境信息记录包括第一环境温度、第一环境湿度和第一环境气压;
基于所述第一环境温度、所述第一环境湿度和所述第一环境气压,并结合所述第一记录中的第一电池续航指数组建第一数据集;
将对所述第一数据集进行有监督学习、检验得到的电池状态预警模型内嵌于所述智能预警模型。
在本申请实施例中,首先,获取所述第一记录中的第一环境信息记录,其中所述第一环境信息记录包括第一环境温度、第一环境湿度和第一环境气压;提取所述第一记录中的第一电池续航指数,其中电池续航指数越高,表征电池续航能力越强,然后根据所述第一环境温度、所述第一环境湿度、所述第一环境气压和所述第一续航指数组建第一数据集。通过获得所述第一数据集的方法依次组建多个数据集。
首先,基于BP神经网络构建电池状态预警模型,其中所述电池状态预警模型为神经网络中可以进行迭代优化的神经网络模型,通过训练数据集进行监督训练获得,所述电池状态预警模型的输入数据为环境温度、环境湿度和环境气压,输出数据为电池续航指数。然后通过所述多个数据集对所述电池状态预警模型进行监督训练,其训练过程如下:首先,在所述多个数据集中选取第一数据集,并通过所述第一数据集对所述电池状态预警模型进行监督训练,输出第一预测电池续航指数;然后将所述第一预测电池续航指数与所述第一电池续航指数进行比对,当两者一致时,则通过第二数据集继续对所述电池状态预警模型进行监督训练;当两个不一致时,则获得两者之间的指数偏差,并根据指数偏差对所述电池状态预警模型的权重参数进行校正,然后继续进行第二数据集的监督训练;通过多个数据集不断进行迭代训练,直到所述电池状态预警模型趋于收敛状态时,得到训练完成的电池状态预警模型,并将训练完成的电池状态预警模型内嵌于所述智能预警模型中。
在一个实施例中,所述方法还包括:
通过所述智能预警模型中内嵌的硬件状态预警模型对所述目标振动信号的目标信号特征参数进行分析,得到硬件状态指数,其中,所述目标信号特征参数包括信号频率、信号振幅、信号相位和信号能量;
当所述硬件状态指数跌至第一预定指数阈值时,发出硬件预警信息;
通过所述电池状态预警模型对所述目标环境信息进行分析,得到电池续航指数,其中,所述目标环境信息包括环境温度、环境湿度和环境气压;
当所述电池续航指数跌至第二预定指数阈值时,发出电池预警信息;
将所述硬件预警信息和所述电池预警信息添加至所述目标故障预警信息。
在本申请实施例中,利用构建所述电池状态预警模型相同的方法构建硬件状态预警模型,其中所述电池状态预警模型的输入数据为信号特征参数,其中信号特征参数包括信号频率、信号振幅、信号相位和信号能量,输出数据为硬件状态指数,其中所述硬件状态指数越高,表征硬件状态性能越好,并将训练完成的硬件状态预警模型内嵌于所述智能预警模型中。然后通过所述智能预警模型中内嵌的硬件状态预警模型对所述目标振动信号的目标信号特征参数进行硬件状态预测分析,得到硬件状态指数。
根据第一预定指数阈值对所述硬件状态指数进行判断,所述第一预定指数阈值本领域技术人员可根据故障检测精度需求进行设置,其中故障检测需求精度越高,则第一预定指数阈值越大,当所述硬件状态指数小于等于所述第一预定指数阈值时,则发出硬件预警信息。
通过所述电池状态预警模型对所述目标环境信息进行电池续航分析,其中所述目标环境信息包括环境温度、环境湿度和环境气压,获得电池续航指数。获取第二预定指数阈值,所述第二预定指数阈值可根据故障检测精度需求进行设置,其中需求精度越高,则第二预定指数阈值越大,然后根据所述第二预定指数阈值对所述电池续航指数进行判断,当所述电池续航指数小于等于所述第二预定指数阈值时,则发出电池预警信息。
通过基于BP神经网络构建硬件状态预警模型和电池状态预警模型,可以提高硬件状态指数和电池续航指数获得的准确率和效率,同时可以提高目标移动储充系统故障预警识别的准确率和效率。
最后将所述硬件预警信息和所述电池预警信息作为目标故障预警信息进行输出,获得目标故障预警信息。
基于所述目标故障预警信息对所述目标移动储充系统进行检查运维处理。
在本申请实施例中,最后将所述目标故障预警信息输入预警信息-故障部件匹配表中进行匹配获得目标故障部件,并基于所述目标故障部件对所述目标移动储充系统进行检查运维处理,通过上述方法可以解决由于移动式储充系统内部结构较为复杂,导致使用传统的故障诊断方法进行故障识别预警存在预警准确性和时效性较低的技术问题,可以及时发现移动式储充系统的潜在故障问题,提高移动式储充系统故障识别预警的时效性和准确性,保障储充系统运行的稳定性和安全性。
在一个实施例中,如图3所示提供了一种移动式储充系统故障诊断系统,包括:初始目标设备信息得到模块01、目标移动速度得到模块02、目标振动信号得到模块03、目标环境信息得到模块04、目标故障预警信息生成模块05、检查运维处理模块06、其中:
初始目标设备信息得到模块01,所述初始目标设备信息得到模块01用于在移动前,对目标移动储充系统的目标硬件设备集依次进行检查,得到初始目标设备信息,所述初始目标设备信息是指所述目标硬件设备集中各硬件设备的性能状态和连接情况;
目标移动速度得到模块02,所述目标移动速度得到模块02用于当所述初始目标设备信息达到预定条件时,对所述目标移动储充系统进行移动,并实时监测得到目标移动速度;
目标振动信号得到模块03,所述目标振动信号得到模块03用于在所述目标移动速度下启动振动监测设备对所述目标移动储充系统进行动态监测,得到目标振动信号;
目标环境信息得到模块04,所述目标环境信息得到模块04用于通过环境监测设备对所述目标移动储充系统的作业环境进行动态监测,得到目标环境信息;
目标故障预警信息生成模块05,所述目标故障预警信息生成模块05用于通过智能预警模型对所述目标振动信号和所述目标环境信息进行分析诊断,生成目标故障预警信息;
检查运维处理模块06,所述检查运维处理模块06用于基于所述目标故障预警信息对所述目标移动储充系统进行检查运维处理。
在一个实施例中,所述系统还包括:
预定速度阈值设置模块,所述预定速度阈值设置模块用于设置预定速度阈值;
第一振动信号得到模块,所述第一振动信号得到模块用于若所述目标移动速度处于所述预定速度阈值,激活所述振动监测设备中的振动传感器对所述目标移动储充系统进行动态监测,得到第一振动信号;
目标振动信号设定模块,所述目标振动信号设定模块用于将所述第一振动信号作为所述目标振动信号。
在一个实施例中,所述系统还包括:
第二振动信号得到模块,所述第二振动信号得到模块用于若所述目标移动速度未处于所述预定速度阈值,激活所述振动监测设备中的激光测振仪对所述目标移动储充系统进行动态监测,得到第二振动信号;
目标振动信号设定模块,所述目标振动信号设定模块用于将所述第二振动信号作为所述目标振动信号。
在一个实施例中,所述系统还包括:
第一振动记录调取模块,所述第一振动记录调取模块用于调取移动储充振动数据库中的第一记录,所述第一记录包括第一振动记录;
第一信号一致性指数得到模块,所述第一信号一致性指数得到模块用于对所述第一振动记录中的第一传感器监测信号和第一实际振动信号进行对比,得到第一信号一致性指数;
第二信号一致性指数得到模块,所述第二信号一致性指数得到模块用于对所述第一振动记录中的第一激光仪监测信号和所述第一实际振动信号进行对比,得到第二信号一致性指数;
预定速度阈值下限设定模块,所述预定速度阈值下限设定模块用于若所述第一信号一致性指数大于所述第二信号一致性指数,将所述第一振动记录中的第一移动速度作为所述预定速度阈值的下限;
预定下限输出模块,所述预定下限输出模块用于对所述移动储充振动数据库中的第二振动记录进行迭代分析,直至达到预定次数阈值,输出所述预定速度阈值的预定下限;
预定速度阈值确定模块,所述预定速度阈值确定模块用于设置所述预定速度阈值的预定上限为0,并结合所述预定下限确定所述预定速度阈值。
在一个实施例中,所述系统还包括:
目标声音信号得到模块,所述目标声音信号得到模块用于通过声音传感器对所述目标移动储充系统进行动态监测,得到目标声音信号;
目标位置信息得到模块,所述目标位置信息得到模块用于通过位置传感器对所述目标移动储充系统进行动态监测,得到目标位置信息;
振动预测模块,所述振动预测模块用于基于所述目标声音信号的目标声音特征参数和所述目标位置信息对所述目标移动储充系统进行振动预测,得到预测目标振动信号;
目标振动信号校验模块,所述目标振动信号校验模块用于所述预测目标振动信号用于对所述目标振动信号进行校验。
在一个实施例中,所述系统还包括:
第一环境信息记录获取模块,所述第一环境信息记录获取模块用于获取所述第一记录中的第一环境信息记录,所述第一环境信息记录包括第一环境温度、第一环境湿度和第一环境气压;
第一数据集组建模块,所述第一数据集组建模块用于基于所述第一环境温度、所述第一环境湿度和所述第一环境气压,并结合所述第一记录中的第一电池续航指数组建第一数据集;
电池状态预警模型得到模块,所述电池状态预警模型得到模块用于将对所述第一数据集进行有监督学习、检验得到的电池状态预警模型内嵌于所述智能预警模型。
在一个实施例中,所述系统还包括:
硬件状态指数得到模块,所述硬件状态指数得到模块用于通过所述智能预警模型中内嵌的硬件状态预警模型对所述目标振动信号的目标信号特征参数进行分析,得到硬件状态指数,其中,所述目标信号特征参数包括信号频率、信号振幅、信号相位和信号能量;
硬件预警信息发出模块,所述硬件预警信息发出模块用于当所述硬件状态指数跌至第一预定指数阈值时,发出硬件预警信息;
电池续航指数得到模块,所述电池续航指数得到模块用于通过所述电池状态预警模型对所述目标环境信息进行分析,得到电池续航指数,其中,所述目标环境信息包括环境温度、环境湿度和环境气压;
电池预警信息发出模块,所述电池预警信息发出模块用于当所述电池续航指数跌至第二预定指数阈值时,发出电池预警信息;
目标故障预警信息得到模块,所述目标故障预警信息得到模块用于将所述硬件预警信息和所述电池预警信息添加至所述目标故障预警信息。
综上所述,与现有技术相比,本公开的实施例具有以下技术效果:
(1)通过对目标移动储充系统移动时的振动状态和环境信息进行预测得到目标故障预警信息,并根据所述目标故障预警信息进行检查运维,可以及时发现移动式储充系统的潜在故障问题,提高移动式储充系统故障识别预警的时效性和准确性,保障储充系统运行的稳定性和安全性。
(2)通过设置预定速度阈值,为进行振动监测信号设定提供了依据,同时可以提高振动信号获得的准确率;通过生成预测目标振动信号对目标振动信号进行校验,可以进一步提高目标振动信号获得的准确性,从而可以进一步提高目标故障识别预警的准确性。
(3)通过基于BP神经网络构建硬件状态预警模型和电池状态预警模型,可以提高硬件状态指数和电池续航指数获得的准确率和效率,同时可以提高目标移动储充系统故障预警识别的准确率和效率。
以上所述实施例仅表达了本公开的几种实施方式,但并不能因此而理解为对发明专利范围的限制。因此,在不脱离如由所附权利要求限定的本公开构思的范围的情况下,本领域普通技术人员可做出各种类型的替换、修改和变更,并且这些替换、修改和变更都属于本公开的保护范围。
Claims (4)
1.移动式储充系统故障诊断方法,其特征在于,包括:
在移动前,对目标移动储充系统的目标硬件设备集依次进行检查,得到初始目标设备信息,所述初始目标设备信息是指所述目标硬件设备集中各硬件设备的性能状态和连接情况;
当所述初始目标设备信息达到预定条件时,对所述目标移动储充系统进行移动,并实时监测得到目标移动速度;
在所述目标移动速度下启动振动监测设备对所述目标移动储充系统进行动态监测,得到目标振动信号;
通过环境监测设备对所述目标移动储充系统的作业环境进行动态监测,得到目标环境信息;
通过智能预警模型对所述目标振动信号和所述目标环境信息进行分析诊断,生成目标故障预警信息;
基于所述目标故障预警信息对所述目标移动储充系统进行检查运维处理;
在所述目标移动速度下启动振动监测设备对所述目标移动储充系统进行动态监测,得到目标振动信号,包括:
设置预定速度阈值;
若所述目标移动速度处于所述预定速度阈值,激活所述振动监测设备中的振动传感器对所述目标移动储充系统进行动态监测,得到第一振动信号;
将所述第一振动信号作为所述目标振动信号;
所述设置预定速度阈值,还包括:
调取移动储充振动数据库中的第一记录,所述第一记录包括第一振动记录;
对所述第一振动记录中的第一传感器监测信号和第一实际振动信号进行对比,得到第一信号一致性指数;
对所述第一振动记录中的第一激光仪监测信号和所述第一实际振动信号进行对比,得到第二信号一致性指数;
若所述第一信号一致性指数大于所述第二信号一致性指数,将所述第一振动记录中的第一移动速度作为所述预定速度阈值的下限;
对所述移动储充振动数据库中的第二振动记录进行迭代分析,直至达到预定次数阈值,输出所述预定速度阈值的预定下限;
设置所述预定速度阈值的预定上限为0,并结合所述预定下限确定所述预定速度阈值;
所述通过智能预警模型对所述目标振动信号和所述目标环境信息进行分析诊断,之前还包括:
获取所述第一记录中的第一环境信息记录,所述第一环境信息记录包括第一环境温度、第一环境湿度和第一环境气压;
基于所述第一环境温度、所述第一环境湿度和所述第一环境气压,并结合所述第一记录中的第一电池续航指数组建第一数据集;
将对所述第一数据集进行有监督学习、检验得到的电池状态预警模型内嵌于所述智能预警模型;
所述生成目标故障预警信息,还包括:
通过所述智能预警模型中内嵌的硬件状态预警模型对所述目标振动信号的目标信号特征参数进行分析,得到硬件状态指数,其中,所述目标信号特征参数包括信号频率、信号振幅、信号相位和信号能量;
当所述硬件状态指数跌至第一预定指数阈值时,发出硬件预警信息;
通过所述电池状态预警模型对所述目标环境信息进行分析,得到电池续航指数,其中,所述目标环境信息包括环境温度、环境湿度和环境气压;
当所述电池续航指数跌至第二预定指数阈值时,发出电池预警信息;
将所述硬件预警信息和所述电池预警信息添加至所述目标故障预警信息。
2.根据权利要求1所述方法,其特征在于,在所述目标移动速度下启动振动监测设备对所述目标移动储充系统进行动态监测,得到目标振动信号,包括:
若所述目标移动速度未处于所述预定速度阈值,激活所述振动监测设备中的激光测振仪对所述目标移动储充系统进行动态监测,得到第二振动信号;
将所述第二振动信号作为所述目标振动信号。
3.根据权利要求2所述方法,其特征在于,所述方法还包括:
通过声音传感器对所述目标移动储充系统进行动态监测,得到目标声音信号;
通过位置传感器对所述目标移动储充系统进行动态监测,得到目标位置信息,所述目标位置信息包括所述目标移动储充系统的位置坐标和对应的数据监测时间节点;
基于所述目标声音信号的目标声音特征参数和所述目标位置信息对所述目标移动储充系统进行振动预测,得到预测目标振动信号;
所述预测目标振动信号用于对所述目标振动信号进行校验。
4.移动式储充系统故障诊断系统,其特征在于,用于执行权利要求1-3中所述的移动式储充系统故障诊断方法中任意一项方法的步骤,包括:
初始目标设备信息得到模块,所述初始目标设备信息得到模块用于在移动前,对目标移动储充系统的目标硬件设备集依次进行检查,得到初始目标设备信息,所述初始目标设备信息是指所述目标硬件设备集中各硬件设备的性能状态和连接情况;
目标移动速度得到模块,所述目标移动速度得到模块用于当所述初始目标设备信息达到预定条件时,对所述目标移动储充系统进行移动,并实时监测得到目标移动速度;
目标振动信号得到模块,所述目标振动信号得到模块用于在所述目标移动速度下启动振动监测设备对所述目标移动储充系统进行动态监测,得到目标振动信号;
目标环境信息得到模块,所述目标环境信息得到模块用于通过环境监测设备对所述目标移动储充系统的作业环境进行动态监测,得到目标环境信息;
目标故障预警信息生成模块,所述目标故障预警信息生成模块用于通过智能预警模型对所述目标振动信号和所述目标环境信息进行分析诊断,生成目标故障预警信息;
检查运维处理模块,所述检查运维处理模块用于基于所述目标故障预警信息对所述目标移动储充系统进行检查运维处理;
所述目标振动信号得到模块,还用于:
设置预定速度阈值;
若所述目标移动速度处于所述预定速度阈值,激活所述振动监测设备中的振动传感器对所述目标移动储充系统进行动态监测,得到第一振动信号;
将所述第一振动信号作为所述目标振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410181710.2A CN117741321B (zh) | 2024-02-19 | 2024-02-19 | 移动式储充系统故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410181710.2A CN117741321B (zh) | 2024-02-19 | 2024-02-19 | 移动式储充系统故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117741321A CN117741321A (zh) | 2024-03-22 |
CN117741321B true CN117741321B (zh) | 2024-05-24 |
Family
ID=90279575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410181710.2A Active CN117741321B (zh) | 2024-02-19 | 2024-02-19 | 移动式储充系统故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117741321B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6424157B1 (en) * | 1998-07-20 | 2002-07-23 | Alliedsignal, Inc. | System and method for monitoring a vehicle battery |
WO2015185802A1 (en) * | 2014-06-06 | 2015-12-10 | Polar Heater Oy | Accumulator state indicator |
CN207250095U (zh) * | 2017-06-21 | 2018-04-17 | 深圳骑彩智能科技有限公司 | 一种用于自行车的远程移动显示装置 |
CN116131412A (zh) * | 2023-02-28 | 2023-05-16 | 深圳朗越行科技有限公司 | 一种移动电源充放电异常报警系统 |
CN117382465A (zh) * | 2023-10-12 | 2024-01-12 | 安徽中科源起科技有限公司 | 一种移动充电车的充电异常诊断评估系统 |
CN117491899A (zh) * | 2024-01-03 | 2024-02-02 | 强钧能源技术(深圳)有限公司 | 一种移动式储能电源的可靠性诊断系统 |
-
2024
- 2024-02-19 CN CN202410181710.2A patent/CN117741321B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6424157B1 (en) * | 1998-07-20 | 2002-07-23 | Alliedsignal, Inc. | System and method for monitoring a vehicle battery |
WO2015185802A1 (en) * | 2014-06-06 | 2015-12-10 | Polar Heater Oy | Accumulator state indicator |
CN207250095U (zh) * | 2017-06-21 | 2018-04-17 | 深圳骑彩智能科技有限公司 | 一种用于自行车的远程移动显示装置 |
CN116131412A (zh) * | 2023-02-28 | 2023-05-16 | 深圳朗越行科技有限公司 | 一种移动电源充放电异常报警系统 |
CN117382465A (zh) * | 2023-10-12 | 2024-01-12 | 安徽中科源起科技有限公司 | 一种移动充电车的充电异常诊断评估系统 |
CN117491899A (zh) * | 2024-01-03 | 2024-02-02 | 强钧能源技术(深圳)有限公司 | 一种移动式储能电源的可靠性诊断系统 |
Non-Patent Citations (2)
Title |
---|
孙长库 等.激光测量.天津大学出版社,2001,53-55. * |
应急电源车运行状态远程在线监测管理系统;黄俊 等;机电工程技术;20211130;第50卷(第11期);148-152 * |
Also Published As
Publication number | Publication date |
---|---|
CN117741321A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102106775B1 (ko) | 딥러닝을 이용한 전지 진단 방법 | |
CN104953583B (zh) | 基于变点探测和Prony方法相结合的电力系统低频振荡在线监测方法 | |
CN113561853B (zh) | 燃料电池系统在线故障诊断方法及装置 | |
CN113037589B (zh) | 网关设备的压力测试方法、装置、测试平台及存储介质 | |
CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN114460439A (zh) | 一种数字集成电路测试系统 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN117554736B (zh) | 一种在线检测通讯系统及工作方法 | |
CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
CN117741321B (zh) | 移动式储充系统故障诊断方法及系统 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
CN117347796B (zh) | 一种基于智能网关的开关设备局部放电诊断系统及方法 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
Chen et al. | Improved Interpretation of Impulse Frequency Response Analysis for Synchronous Machine Using Life long Learning Based on iCaRL | |
CN114779029A (zh) | 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法 | |
CN114398940A (zh) | 一种面向车联网的设备故障诊断方法及系统 | |
CN113537288B (zh) | 基于样本信号的修改对目标模型进行训练的方法及系统 | |
Ma et al. | Abnormal detection of power transformer based on generative adversarial network and stacked auto encoder | |
CN116796276B (zh) | 一种基于人工智能算法的电驱动故障诊断装置 | |
CN113537289B (zh) | 通过样本掺杂来训练目标设备的设备模型的方法及系统 | |
CN116819377B (zh) | 电池组异常识别诊断方法和系统 | |
CN117949884B (zh) | 一种基于机器学习的电能质量和电压监测校准方法及系统 | |
CN115080445B (zh) | 一种游戏测试管理方法及其系统 | |
CN117171659B (zh) | 一种智能化配变高压侧故障诊断方法 |
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 |