CN105334472A - 矿用本安电源在线剩余寿命预测方法 - Google Patents
矿用本安电源在线剩余寿命预测方法 Download PDFInfo
- Publication number
- CN105334472A CN105334472A CN201510705414.9A CN201510705414A CN105334472A CN 105334472 A CN105334472 A CN 105334472A CN 201510705414 A CN201510705414 A CN 201510705414A CN 105334472 A CN105334472 A CN 105334472A
- Authority
- CN
- China
- Prior art keywords
- output voltage
- wavelet
- renyi
- elm
- intrinsic safety
- 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
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种矿用本安电源在线剩余寿命预测方法,对利用自相关法去噪后的电路输出电压、电流信号计算,获取输出电压均值、输出电流均值、负载阻抗、输出电压纹波比、Renyi小波包能量熵;基于极端学习机构建输出电压纹波比δ与负载阻抗ZL、Renyi小波包能量熵pr的关系函数δ=f1(pr,ZL);基于历史及当前的pr,利用ELM-PF算法构建对pr的预测模型,并预测出未来的pr;利用负载阻抗、预测的未来第q时刻的pr(q),及关系函数δ=f1(pr,ZL),求取未来第q时刻输出电压纹波比,并由规定的δ失效阈值,获取待测本安电源剩余寿命。本发明可用于开关电源电路故障诊断或故障预测技术领域中,能在线准确评估矿用本安电源剩余寿命。
Description
技术领域
本发明涉及电路故障预测与健康管理技术领域,尤其涉及一种矿用本安电源在线剩余寿命预测方法。
背景技术
本安电源是煤矿本安***中不可缺少的部分,其质量与可靠性直接影响负载设备的稳定性、可靠性与准确性,甚至关系到整个矿井的生产安全。作为电气化装置的供电核心,对矿用本安电源开展准确有效的故障预测与剩余寿命评估,能确定当前或预知电源电路未来的健康状况(如故障、健康或亚健康等),可为设备的维护维修提供决策依据,从而降低故障风险,为***的安全、可靠运行提供保障。
矿用本安电源工作环境存在强电磁干扰,电源电路信号既与电路健康状况有关,又受负载影响,因此,对矿用本安电源的剩余寿命的有效准确预测较为困难。为此,本发明结合本安电源的性能指标要求,提出一种矿用本安电源寿命在线寿命预测新方法。该方法通过对在线监测的电源电路信号进行自相关去噪,计算电源输出电压Renyi小波包能量熵,构建本安电源寿命预测模型,建立输出电压Renyi小波包能量熵、负载阻抗与输出电压纹波比关系函数,最终评估待测电源剩余寿命。本发明能够解决矿用本安电源的强电磁干扰、负载波动等影响矿用本安电源剩余寿命预测准确度的问题,能够实现矿用本安电源的高精度剩余寿命预测及可靠性评估。
发明内容
本发明的目的在于提供一种矿用本安电源在线剩余寿命预测方法,用于判定本安电源的健康状况,为实现高效准确的预测及健康管理提供保障,以及时采取措施,保障用电***的安全可靠运行。
为了达成上述目的,本发明的解决方案是:
矿用本安电源在线剩余寿命预测方法,包括以下步骤(1)~(7):
(1)在线检测电源输出电压信号uo(t),输出电流信号io(t),利用自相关法分别对所测输出电压uo(t)、电流信号io(t)去噪,得到无噪声输出电压信号uo *(t)与无噪声输出电流信号io *(t);
(2)利用uo *(t)、io *(t)计算输出电压均值Uo、输出电流均值Io、负载阻抗ZL、输出电压纹波比δ,其中umax、umin分别为输出电压最大值和最小值;
(3)计算无噪声输出电压信号uo *(t)的Renyi小波包能量熵pr;
(4)利用极端学习机(ExtremeLearningMachine,ELM)构建输出电压纹波比δ与负载阻抗ZL、Renyi小波包能量熵pr的关系函数,即为δ=f1(pr,ZL);
(5)基于pr历史及当前数据,利用ELM-MPF(ExtremeLearningMachine-MultiParticleFilter)算法构建对pr的预测模型,并预测出未来第q时刻的Renyi小波包能量熵pr(q);
(6)利用负载阻抗ZL(q)、步骤(5)预测所得的未来第q时刻的Renyi小波包能量熵pr(q),步骤(4)中所建立的δ=f1(pr,ZL),求取未来第q时刻输出电压纹波比δ(q);
(7)根据规定的δ失效阈值,利用步骤(6)中所得的输出电压纹波比δ(q),求取出本安电源剩余寿命。
本发明的矿用本安电源在线剩余寿命预测方法,所述步骤(1)中利用自相关法去除输出电压、输出电流噪声的具体步骤为(1.1)~(1.2):
(1.1)分别求取电源输出电压信号uo(t)、输出电流信号io(t)的自相关函数,记为Ru(τ)、Ri(τ),即:
其中T为截取信号的时间区间,τ为延时参数;
(1.2)uo(t)、io(t)去除延时τ=0及τ最大值附近的数据即为无噪声输出电压信号uo *(t)与无噪声输出电流信号io *(t)。
本发明的矿用本安电源在线剩余寿命预测方法,所述步骤(3)中,计算无噪声输出电压信号uo *(t)的Renyi小波包能量熵的计算步骤为(2.1)~(2.3):
(2.1)对uo *(t)进行4层小波包分解,小波基函数采用db4函数,小波包分解为现有成熟技术,具体不再赘述:
(2.2)计算小波包分解后的各频带能量,即其中i=1,2,…,16,表示经小波包分解后节点S(j,n)所对应的第m个系数,N为信号长度;
(2.3)计算Renyi小波包能量熵pr,具体为其中0<α<1,此处优选α=0.45。
本发明的矿用本安电源在线剩余寿命预测方法,所述步骤(4)中,构建输出电压纹波比δ与Renyi小波包能量熵pr、负载阻抗ZL的关系函数的具体步骤为(3.1)~(3.3):
(3.1)选取c组历史时刻的Renyi小波包能量熵pr、输出电压纹波比δ及负载阻抗ZL,记为{pr(k-c+1),pr(k-c+2),…,pr(k)},{δ(k-c+1),δ(k-c+2),…,δ(k)},{ZL(k-c+1),ZL(k-c+2),…,ZL(k)},其中1≤c≤k,k为当前时刻;
(3.2)设置极端学习机ELM的结构为输入层、输出层和1个隐层,其中2个输入量、1个输出量,隐层神经元个数为15;
(3.3)以pr(i)、ZL(i)作为ELM的输入、以δ(i)作为极端学习机的输出,共c组样本训练ELM,训练后的ELM作为输出电压纹波比δ与Renyi小波包能量熵pr、负载阻抗ZL的关系函数δ=f1(pr,ZL),其中i=k-c+1,…,k。
本发明的矿用本安电源在线剩余寿命预测方法,所述步骤(5)中,利用ELM-MPF算法构建对pr的预测模型,并预测出未来第q时刻的Renyi小波包能量熵pr(q)的具体步骤为(4.1)~(4.3):
(4.1)选取l组历史时刻的输出电压Renyi小波包能量熵pr,记为{pr(k-l+1),pr(k-l+2),…,pr(k)},其中1≤l≤k,k为当前时刻;
(4.2)设置ELM结构为输入层、输出层和1个隐层,其中4个输入量,单个输出量、隐层神经元个数为20,以pr(i-4)、pr(i-3)、pr(i-2)和pr(i-1)作为ELM的输入、以pr(i)作为ELM的输出,训练ELM,训练后的ELM作为Renyi小波包能量熵pr的状态转换函数,即pr(i)=f2(pr(i-1),pr(i-2),pr(i-3),pr(i-4)),其中i=k-l+1,…,k;
(4.3)利用步骤(4.2)中所建立的Renyi小波包能量熵pr状态转换函数pr(i)=f2(pr(i-1),pr(i-2),pr(i-3),pr(i-4)),采用多阶粒子滤波算法(MultiParticleFilter,MPF)预测第q时刻的Renyi小波包能量熵pr(q),具体实现为:
(4.3.1)使用pr(i)=f2(pr(i-1),pr(i-2),pr(i-3),pr(i-4))状态转换,得到***状态空间模型如式(3),
式(3)中,wi-1为***噪声,vi-1为观测噪声,y(i)为观测值;
(4.3.2)随机生成初始粒子j=1,2,…,Ns,Ns为粒子数,令i=k,k为当前时刻点;
(4.3.3)将步骤(4.3.2)中的代入式(3),计算得到yj(i);
(4.3.4)由已知状态参数pr(i-1),pr(i-2),pr(i-3),pr(i-4),利用式(3)计算得pr(i),y(i);
(4.3.5)计算每个粒子误差ej=yj(i)-y(i),j=1,2,…,Ns;
(4.3.6)由每个粒子误差大小,确定每个粒子权重wj,即:
(4.3.7)计算pr(i)的预测值
(4.3.8)粒子重采样、粒子更新,具体方法为:
有效粒子数为有效粒子阈值若则进行重采样,具体步骤为:
对第j个粒子j=1,2,…,Ns,计算权重累加和NR=1,2,…,Ns,若 则
(4.3.9)令i=i+1,转步骤(4.3.3),进行下一步预测,若进行前向s步预测,则循环执行s次,得到预测值pr(q)=pr(k+s)=pr(i)。
本发明的矿用本安电源在线剩余寿命预测方法,所述步骤(7)中,求取本安电源剩余寿命的具体实现为:
若当前时刻为k时刻,待测本安电源故障阈值设置为电源输出电压纹波比δ0=10%,
(5.1)利用本发明的矿用本安电源在线剩余寿命预测方法步骤(5)中的ELM-MPF算法进行前向s步预测,得到(k+s)时刻的输出电压Renyi小波包能量熵pr(k+s);
(5.2)利用本发明的矿用本安电源在线剩余寿命预测方法步骤(4)建立的输出电压纹波比δ与Renyi小波包能量熵pr、负载阻抗ZL的关系函数δ=f1(pr,ZL),步骤(5.1)所得的pr(k+s),求解出(k+s)时刻的输出电压纹波比δ(k+s);
(5.3)将步骤(5.2)中计算的前向s步输出电压纹波比预测值δ(k+s)与δ0相比,若δ(k+s)≥δ0,则待测本安电源剩余寿命为tRUL=s·Δh,其中Δh为pr的历史及当前时间序列数据的时间间隔。
附图说明
图1是矿用本安电源在线剩余寿命预测方法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
本发明提供一种矿用本安电源在线寿命预测方法,其总体思路为,首先利用自相关法对电路输出电压、电流信号去噪,利用去噪后的输出电压和电流信号计算得到输出电压均值、输出电流均值、负载阻抗、输出电压纹波比、Renyi小波包能量熵;然后,基于极端学习机构建输出电压纹波比δ与负载阻抗ZL、Renyi小波包能量熵pr的关系函数δ=f1(pr,ZL);基于pr历史及当前数据,利用ELM-PF(ExtremeLearningMachine-ParticleFilter)算法构建对pr的预测模型,并预测出未来时刻的Renyi小波包能量熵;最后,利用负载阻抗ZL、预测的未来第q时刻的Renyi小波包能量熵pr(q),及关系函数δ=f1(pr,ZL),求取未来第q时刻输出电压纹波比δ(q),并根据规定的δ失效阈值,获取待测本安电源剩余寿命。本发明方法尤其适用于煤矿等存在强电磁干扰工作环境的本安电源、且不受电路输入电压及负载波动等工作条件影响,能够实现矿用本安电源的剩余寿命的准确预测。
如图1所示,本发明的矿用本安电源在线剩余寿命预测方法,具体实施包括以下步骤:
(1)在线检测电源输出电压信号uo(t),输出电流信号io(t),利用自相关法分别对所测输出电压uo(t)、电流信号io(t)去噪,得到无噪声输出电压信号uo *(t)与无噪声输出电流信号io *(t),具体步骤为(1.1)~(1.2):
(1.1)分别求取电源输出电压信号uo(t)、输出电流信号io(t)的自相关函数,记为Ru(τ)、Ri(τ),即:
其中T为截取信号的时间区间,τ为延时参数;
(1.2)uo(t)、io(t)去除延时τ=0及τ最大值附近的数据即为无噪声输出电压信号uo *(t)与无噪声输出电流信号io *(t)。
(2)利用uo *(t)、io *(t)计算输出电压均值Uo、输出电流均值Io、负载阻抗ZL、输出电压纹波比δ,其中umax、umin分别为输出电压最大值和最小值;
(3)计算无噪声输出电压信号uo *(t)的Renyi小波包能量熵pr,具体实现步骤为(3.1)~(3.3):
(3.1)对uo *(t)进行4层小波包分解,小波基函数采用db4函数,小波包分解为现有成熟技术,具体不再赘述;
(3.2)计算小波包分解后的各频带能量,即其中i=1,2,…,16,表示经小波包分解后节点S(j,n)所对应的第m个系数,N为信号长度;
(3.3)计算Renyi小波包能量熵pr,具体为其中0<α<1,此处优选α=0.45。
(4)利用极端学习机(ExtremeLearningMachine,ELM)构建输出电压纹波比δ与负载阻抗ZL、Renyi小波包能量熵pr的关系函数,即为δ=f1(pr,ZL),具体实现步骤为(4.1)~(4.3):
(4.1)选取c组历史时刻的Renyi小波包能量熵pr、输出电压纹波比δ及负载阻抗ZL,记为{pr(k-c+1),pr(k-c+2),…,pr(k)},{δ(k-c+1),δ(k-c+2),…,δ(k)},{ZL(k-c+1),ZL(k-c+2),…,ZL(k)},其中1≤c≤k,k为当前时刻;
(4.2)设置极端学习机ELM的结构为输入层、输出层和1个隐层,其中2个输入量、1个输出量,隐层神经元个数为15;
(4.3)以pr(i)、ZL(i)作为ELM的输入、以δ(i)作为极端学习机的输出,共c组样本训练ELM,训练后的ELM作为输出电压纹波比δ与Renyi小波包能量熵pr、负载阻抗ZL的关系函数δ=f1(pr,ZL),其中i=k-c+1,…,k。
(5)基于pr历史及当前数据,利用ELM-MPF(ExtremeLearningMachine-MultiParticleFilter)算法构建对pr的预测模型,并预测出未来第q时刻的Renyi小波包能量熵pr(q),具体实现步骤为(5.1)~(5.3):
(5.1)选取l组历史时刻的输出电压Renyi小波包能量熵pr,记为{pr(k-l+1),pr(k-l+2),…,pr(k)},其中1≤l≤k,k为当前时刻;
(5.2)设置ELM结构为输入层、输出层和1个隐层,其中4个输入量,单个输出量、隐层神经元个数为20,以pr(i-4)、pr(i-3)、pr(i-2)和pr(i-1)作为ELM的输入、以pr(i)作为ELM的输出,训练ELM,训练后的ELM作为Renyi小波包能量熵pr的状态转换函数,即pr(i)=f2(pr(i-1),pr(i-2),pr(i-3),pr(i-4)),其中i=k-l+1,…,k;
(5.3)利用步骤(5.2)中所建立的Renyi小波包能量熵pr状态转换函数pr(i)=f2(pr(i-1),pr(i-2),pr(i-3),pr(i-4)),采用多阶粒子滤波算法(MultiParticleFilter,MPF)预测第q时刻的Renyi小波包能量熵pr(q),具体实现为:
(5.3.1)使用pr(i)=f2(pr(i-1),pr(i-2),pr(i-3),pr(i-4))状态转换,得到***状态空间模型如式(3),
式(3)中,wi-1为***噪声,vi-1为观测噪声,y(i)为观测值;
(5.3.2)随机生成初始粒子j=1,2,…,Ns,Ns为粒子数,令i=k,k为当前时刻点;
(5.3.3)将步骤(5.3.2)中的代入式(3),计算得到yj(i);
(5.3.4)由已知状态参数pr(i-1),pr(i-2),pr(i-3),pr(i-4),利用式(3)计算得pr(i),y(i);
(5.3.5)计算每个粒子误差ej=yj(i)-y(i),j=1,2,…,Ns;
(5.3.6)由每个粒子误差大小,确定每个粒子权重wj,即:
(5.3.7)计算pr(i)的预测值
(5.3.8)粒子重采样、粒子更新,具体方法为:
有效粒子数为有效粒子阈值若Neff<Nth,则进行重采样,具体步骤为:
对第j个粒子j=1,2,…,Ns,计算权重累加和NR=1,2,…,Ns,若 则
(5.3.9)令i=i+1,转步骤(5.3.3),进行下一步预测,若进行前向s步预测,则循环执行s次,得到预测值pr(q)=pr(k+s)=pr(i)。
(6)利用负载阻抗ZL(q)、步骤(5)预测所得的未来第q时刻的Renyi小波包能量熵pr(q),代入步骤(4)中所建立基于ELM的δ=f1(pr,ZL),求取未来第q时刻输出电压纹波比δ(q),δ(q)即为对应ELM的输出值。
(7)根据规定的δ失效阈值,利用步骤(6)中所得的输出电压纹波比δ(q),求取出本安电源剩余寿命,具体步骤为:
若当前时刻为k时刻,待测本安电源故障阈值设置为电源输出电压纹波比δ0=10%,
(7.1)利用本发明的矿用本安电源在线剩余寿命预测方法步骤(5)中的ELM-MPF算法进行前向s步预测,得到(k+s)时刻的输出电压Renyi小波包能量熵pr(k+s);
(7.2)利用本发明的矿用本安电源在线剩余寿命预测方法步骤(4)建立的输出电压纹波比δ与Renyi小波包能量熵pr、负载阻抗ZL的关系函数δ=f1(pr,ZL),步骤(5.1)所得的pr(k+s),求解出(k+s)时刻的输出电压纹波比δ(k+s);
(7.3)将步骤(7.2)中计算的前向s步输出电压纹波比预测值δ(k+s)与δ0相比,若δ(k+s)≥δ0,则待测本安电源剩余寿命为tRUL=s·Δh,其中Δh为pr的历史及当前时间序列数据的时间间隔。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (6)
1.一种矿用本安电源在线剩余寿命预测方法,其特征在于,包括以下步骤:
(1)在线检测电源输出电压信号uo(t),输出电流信号io(t),利用自相关法分别对所测输出电压uo(t)、电流信号io(t)去噪,得到无噪声输出电压信号uo *(t)与无噪声输出电流信号io *(t);
(2)利用uo *(t)、io *(t)计算输出电压均值Uo、输出电流均值Io、负载阻抗ZL、输出电压纹波比δ,其中umax、umin分别为输出电压最大值和最小值;
(3)计算无噪声输出电压信号uo *(t)的Renyi小波包能量熵pr;
(4)利用极端学习机(ExtremeLearningMachine,ELM)构建输出电压纹波比δ与负载阻抗ZL、Renyi小波包能量熵pr的关系函数,即为δ=f1(pr,ZL);
(5)基于pr历史及当前数据,利用ELM-MPF(ExtremeLearningMachine-MultiParticleFilter)算法构建对pr的预测模型,并预测出未来第q时刻的Renyi小波包能量熵pr(q);
(6)利用负载阻抗ZL(q)、步骤(5)预测所得的未来第q时刻的Renyi小波包能量熵pr(q),步骤(4)中所建立的δ=f1(pr,ZL),求取未来第q时刻输出电压纹波比δ(q);
(7)根据规定的δ失效阈值,利用步骤(6)中所得的输出电压纹波比δ(q),求取出本安电源剩余寿命。
2.如权利要求1所述矿用本安电源在线剩余寿命预测方法,其特征在于,所述步骤(1)中利用自相关法去除输出电压、输出电流噪声的具体步骤为:
(2.1)分别求取电源输出电压信号uo(t)、输出电流信号io(t)的自相关函数,记为Ru(τ)、Ri(τ),即:
其中T为截取信号的时间区间,τ为延时参数;
(2.2)uo(t)、io(t)去除延时τ=0及τ最大值附近的数据即为无噪声输出电压信号uo *(t)与无噪声输出电流信号io *(t)。
3.如权利要求1所述矿用本安电源在线剩余寿命预测方法,其特征在于,所述步骤(3)中,计算无噪声输出电压信号uo *(t)的Renyi小波包能量熵的计算步骤为:
(3.1)对uo *(t)进行4层小波包分解,小波基函数采用db4函数,小波包分解为现有成熟技术,具体不再赘述;
(3.2)计算小波包分解后的各频带能量,即其中i=1,2,…,16,表示经小波包分解后节点S(j,n)所对应的第m个系数,N为信号长度;
(3.3)计算Renyi小波包能量熵pr,具体为其中0<α<1,此处优选α=0.45。
4.如权利要求1所述矿用本安电源在线剩余寿命预测方法,其特征在于,所述步骤(4)中,构建输出电压纹波比δ与Renyi小波包能量熵pr、负载阻抗ZL的关系函数的具体步骤为:
(4.1)选取c组历史时刻的Renyi小波包能量熵pr、输出电压纹波比δ及负载阻抗ZL,记为{pr(k-c+1),pr(k-c+2),…,pr(k)},{δ(k-c+1),δ(k-c+2),…,δ(k)},{ZL(k-c+1),ZL(k-c+2),…,ZL(k)},其中1≤c≤k,k为当前时刻;
(4.2)设置极端学习机ELM的结构为输入层、输出层和1个隐层,其中2个输入量、1个输出量,隐层神经元个数为15;
(4.3)以pr(i)、ZL(i)作为ELM的输入、以δ(i)作为极端学习机的输出,共c组样本训练ELM,训练后的ELM作为输出电压纹波比δ与Renyi小波包能量熵pr、负载阻抗ZL的关系函数δ=f1(pr,ZL),其中i=k-c+1,…,k。
5.如权利要求1所述矿用本安电源在线剩余寿命预测方法,其特征在于,所述步骤(5)中,利用ELM-MPF算法构建对pr的预测模型,并预测出未来第q时刻的Renyi小波包能量熵pr(q)的具体步骤为:
(5.1)选取l组历史时刻的输出电压Renyi小波包能量熵pr,记为{pr(k-l+1),pr(k-l+2),…,pr(k)},其中1≤l≤k,k为当前时刻;
(5.2)设置ELM结构为输入层、输出层和1个隐层,其中4个输入量,单个输出量、隐层神经元个数为20,以pr(i-4)、pr(i-3)、pr(i-2)和pr(i-1)作为ELM的输入、以pr(i)作为ELM的输出,训练ELM,训练后的ELM作为Renyi小波包能量熵pr的状态转换函数,即pr(i)=f2(pr(i-1),pr(i-2),pr(i-3),pr(i-4)),其中i=k-l+1,…,k;
(5.3)利用步骤(5.2)中所建立的Renyi小波包能量熵pr状态转换函数pr(i)=f2(pr(i-1),pr(i-2),pr(i-3),pr(i-4)),采用多阶粒子滤波算法(MultiParticleFilter,MPF)预测第q时刻的Renyi小波包能量熵pr(q),具体实现为:
(5.3.1)使用pr(i)=f2(pr(i-1),pr(i-2),pr(i-3),pr(i-4))状态转换,得到***状态空间模型如式(3),
式(3)中,wi-1为***噪声,vi-1为观测噪声,y(i)为观测值;
(5.3.2)随机生成初始粒子j=1,2,…,Ns,Ns为粒子数,令i=k,k为当前时刻点;
(5.3.3)将步骤(5.3.2)中的代入式(3),计算得到yj(i);
(5.3.4)由已知状态参数pr(i-1),pr(i-2),pr(i-3),pr(i-4),利用式(3)计算得pr(i),y(i);
(5.3.5)计算每个粒子误差ej=yj(i)-y(i),j=1,2,…,Ns;
(5.3.6)由每个粒子误差大小,确定每个粒子权重wj,即:
(5.3.7)计算pr(i)的预测值
(5.3.8)粒子重采样、粒子更新,具体方法为:
有效粒子数为有效粒子阈值若Neff<Nth,则进行重采样,具体步骤为:
对第j个粒子j=1,2,...,Ns,计算权重累加和NR=1,2,...,Ns,若 则
(5.3.9)令i=i+1,转步骤(5.3.3),进行下一步预测,若进行前向s步预测,则循环执行s次,得到预测值pr(q)=pr(k+s)=pr(i)。
6.如权利要求1所述矿用本安电源在线剩余寿命预测方法,其特征在于,所述步骤(7)中,求取本安电源剩余寿命的具体实现为:
若当前时刻为k时刻,待测电源故障阈值设置为输出电压纹波比δ0=10%,
(6.1)利用步骤(5)中的ELM-MPF算法进行前向s步预测,得到(k+s)时刻的输出电压Renyi小波包能量熵pr(k+s);
(6.2)利用步骤(4)建立的输出电压纹波比δ与Renyi小波包能量熵pr、负载阻抗ZL的关系函数δ=f1(pr,ZL),步骤(6.1)所得的pr(k+s),求解出(k+s)时刻的输出电压纹波比δ(k+s);
(6.3)将步骤(6.2)中计算的前向s步输出电压纹波比预测值δ(k+s)与δ0相比,若δ(k+s)≥δ0,则待测电源剩余寿命为tRUL=s·Δh,其中Δh为pr的历史及当前时间序列数据的时间间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510705414.9A CN105334472B (zh) | 2015-10-26 | 2015-10-26 | 矿用本安电源在线剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510705414.9A CN105334472B (zh) | 2015-10-26 | 2015-10-26 | 矿用本安电源在线剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105334472A true CN105334472A (zh) | 2016-02-17 |
CN105334472B CN105334472B (zh) | 2018-06-26 |
Family
ID=55285115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510705414.9A Active CN105334472B (zh) | 2015-10-26 | 2015-10-26 | 矿用本安电源在线剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105334472B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491840A (zh) * | 2017-08-21 | 2017-12-19 | 浙江理工大学 | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 |
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 |
CN111308960A (zh) * | 2020-01-20 | 2020-06-19 | 广西玉柴机器股份有限公司 | 一种负载监控方法及*** |
CN113689044A (zh) * | 2021-08-26 | 2021-11-23 | 北京航空航天大学 | 一种开关电源剩余使用寿命预测方法及*** |
CN116882303A (zh) * | 2023-09-06 | 2023-10-13 | 深圳市联明电源有限公司 | 一种激光电源的寿命预测方法、***及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060250137A1 (en) * | 2003-06-25 | 2006-11-09 | Bernd Frey | Method for predicting the residual service life of an electric energy accumulator |
CN102749572A (zh) * | 2012-06-26 | 2012-10-24 | 南京航空航天大学 | 基于iecmac参数辨识的功率电子电路故障预测方法 |
CN102867132A (zh) * | 2012-10-16 | 2013-01-09 | 南京航空航天大学 | 基于分数阶小波变换的航空直流变换器在线故障组合预测方法 |
CN102879728A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | Dc-dc变换器健康评估指标与故障预测方法 |
CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
CN104537444A (zh) * | 2015-01-13 | 2015-04-22 | 安徽理工大学 | 一种基于emd和elm的瓦斯突出预测方法 |
-
2015
- 2015-10-26 CN CN201510705414.9A patent/CN105334472B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060250137A1 (en) * | 2003-06-25 | 2006-11-09 | Bernd Frey | Method for predicting the residual service life of an electric energy accumulator |
CN102749572A (zh) * | 2012-06-26 | 2012-10-24 | 南京航空航天大学 | 基于iecmac参数辨识的功率电子电路故障预测方法 |
CN102867132A (zh) * | 2012-10-16 | 2013-01-09 | 南京航空航天大学 | 基于分数阶小波变换的航空直流变换器在线故障组合预测方法 |
CN102879728A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | Dc-dc变换器健康评估指标与故障预测方法 |
CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
CN104537444A (zh) * | 2015-01-13 | 2015-04-22 | 安徽理工大学 | 一种基于emd和elm的瓦斯突出预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491840A (zh) * | 2017-08-21 | 2017-12-19 | 浙江理工大学 | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 |
CN107491840B (zh) * | 2017-08-21 | 2020-06-05 | 浙江理工大学 | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 |
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 |
CN109615003B (zh) * | 2018-12-06 | 2022-11-08 | 哈尔滨工业大学 | 一种基于elm-chmm的电源故障预测方法 |
CN111308960A (zh) * | 2020-01-20 | 2020-06-19 | 广西玉柴机器股份有限公司 | 一种负载监控方法及*** |
CN111308960B (zh) * | 2020-01-20 | 2024-01-12 | 广西玉柴机器股份有限公司 | 一种负载监控方法及*** |
CN113689044A (zh) * | 2021-08-26 | 2021-11-23 | 北京航空航天大学 | 一种开关电源剩余使用寿命预测方法及*** |
CN116882303A (zh) * | 2023-09-06 | 2023-10-13 | 深圳市联明电源有限公司 | 一种激光电源的寿命预测方法、***及存储介质 |
CN116882303B (zh) * | 2023-09-06 | 2023-12-22 | 深圳市联明电源有限公司 | 一种激光电源的寿命预测方法、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105334472B (zh) | 2018-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
CN105334472A (zh) | 矿用本安电源在线剩余寿命预测方法 | |
CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
CN102867132B (zh) | 基于分数阶小波变换的航空直流变换器在线故障组合预测方法 | |
CN103711523B (zh) | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 | |
Zhang et al. | A Wiener process model with dynamic covariate for degradation modeling and remaining useful life prediction | |
CN102779230B (zh) | 一种电力变压器***状态分析和维修决策判断方法 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN103810328A (zh) | 一种基于混合模型的变压器维修决策方法 | |
CN105300692A (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN102663412A (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
CN103699668B (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
CN103793854A (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
CN103675525A (zh) | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 | |
CN112883634B (zh) | 基于多维度分析的直流测量***状态预测方法及*** | |
CN110287543B (zh) | 一种继电保护装置寿命预测方法 | |
CN103942735A (zh) | 一种继电保护状态评估的方法 | |
CN104915552A (zh) | 一种预测***故障的方法及装置 | |
CN104976139A (zh) | 一种基于高斯模型的机械设备状态诊断方法 | |
CN105116344A (zh) | 基于二进制编码的电池开路电压估算方法 | |
CN106203693A (zh) | 一种风电场输出功率爬坡事件预测的***及方法 | |
CN104615866A (zh) | 一种基于物理统计模型的寿命预测方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN114325395A (zh) | 一种电池状态的确定方法及装置 | |
Wei et al. | Remaining useful life estimation based on gamma process considered with measurement error |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |