CN114154760A - 开关电源的故障预测方法、装置、计算机设备、存储介质 - Google Patents
开关电源的故障预测方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN114154760A CN114154760A CN202111665224.0A CN202111665224A CN114154760A CN 114154760 A CN114154760 A CN 114154760A CN 202111665224 A CN202111665224 A CN 202111665224A CN 114154760 A CN114154760 A CN 114154760A
- Authority
- CN
- China
- Prior art keywords
- transient
- power supply
- switching power
- time
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 120
- 230000001052 transient effect Effects 0.000 claims abstract description 187
- 230000008569 process Effects 0.000 claims abstract description 76
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 description 10
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 9
- 229910052782 aluminium Inorganic materials 0.000 description 9
- 239000003990 capacitor Substances 0.000 description 9
- 230000015556 catabolic process Effects 0.000 description 7
- 238000006731 degradation reaction Methods 0.000 description 7
- 239000000306 component Substances 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Dc-Dc Converters (AREA)
Abstract
本申请涉及一种开关电源故障预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：基于预设采样频率采集开关电源在预设时间段内的多个电压信号，其中，所述预设时间段的起始时间点早于负载瞬态过程的起始点，所述预设时间段的结束时间点晚于所述负载瞬态过程的结束点；根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长；按照预设时序获取开关电源在多个所述预设时间段内一一对应的多个所述瞬态时长，得到瞬态时长时间序列；根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间。采用本方法能够对开关电源的剩余正常工作时间进行预测。
Description
技术领域
本申请涉及电子电气技术领域，特别是涉及一种开关电源故障预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
现代社会中各类电子电气设备的正常运行都离不开可靠的电源，随着电力电子技术的发展，开关电源由于其转换效率高、功率密度大、稳定性能好和体积重量小的优点得到广泛应用。开关电源利用现代电力电子技术，通过控制功率开关管开通的占空比，维持输出电压稳定，与传统的线性电源相比，有着明显的转换效率优势。
DC-DC开关电源作为众多电子电气设备的供电单元，往往是故障发生率最高、可靠性最低的组成部分之一，而且其一旦发生故障，通常会直接造成整个电子电气设备无法工作，因此迫切需要对开关电源进行故障预测以开展预防性维修，降低其故障发生率。
一般，对于开关电源的故障预测方法通过将正常额定负载工作状态下的开关电源定期放置在温度可自动调节、控制的高温试验箱中，首先控制高温试验箱温度从环境温度T1开始，升温1～1.5h至设计温度T2，运行2～2.5h后，测量并记录开关电源输出电压值；随后控制高温试验箱温度从设计温度T2开始，升温1～1.5h至极限温度T3，运行2～2.5h后，测量并记录开关电源输出电压值，然后停止试验；最后将T2和T3温度下测得的电压值进行做差处理得到相对变化值，然后做出电压值的相对变化量随时间的变化曲线，如果相对变化量相对于起始状态变化超过10％，则说明该开关电源即将出现故障，应该进行维修或更换。
但该方法需要不定期将开关电源放置于高温试验箱进行试验和测试，试验和测试过程较复杂且耗时较长，且以开关电源输出电压的稳态值作为特征量进行故障预测，其前提是输出电压稳态值能呈现出退化趋势，但实际上开关电源普遍存在闭环控制，其输出电压稳态值通常很难出现较明显退化趋势，此时将无法进行故障预测。
发明内容
基于此，有必要针对上述技术问题，提供一种能够对开关电源的故障进行预测的方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种开关电源故障预测方法，所述方法包括：
基于预设采样频率采集开关电源在预设时间段内的多个电压信号，其中，所述预设时间段的起始时间点早于负载瞬态过程的起始点，所述预设时间段的结束时间点晚于所述负载瞬态过程的结束点；
根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长；
按照预设时序获取开关电源在多个所述预设时间段内一一对应的多个所述瞬态时长，得到瞬态时长时间序列；
根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间。
在其中一个实施例中，根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长，包括：
获取每个所述电压信号与参考电压之间的电压变化量；
确定目标变化量的数量，所述目标变化量为大于预设阈值的所述电压变化量；
根据所述目标变化量的数量和所述预设采样频率确定所述负载瞬态过程对应的瞬态时长。
在其中一个实施例中，所述获取开关电源在预设时间段内的多个电压信号，包括：
设置所述开关电源在所述起始时间点的负载电流为第一电流，基于所述第一电流采集所述开关电源在所述起始时间点与所述负载瞬态过程的起始点之间的多个第一电压信号；
在所述负载瞬态过程的起始点改变所述负载电流为第二电流，基于所述第二电流采集所述开关电源在所述负载瞬态过程的起始点与所述结束时间点之间的多个第二电压信号，其中，所述第二电流小于所述第一电流；多个所述电压信号包括多个第一电压信号和多个所述第二电压信号。
在其中一个实施例中，所述电压信号的采样频率大于所述瞬态时长的倒数的5倍；所述预设时间段大于或等于所述瞬态时长的1.2倍。
在其中一个实施例中，所述按照预设时序获取开关电源在多个所述预设时间段内一一对应的多个所述瞬态时长，得到电瞬态时长时间序列，包括：
按照预设时序设置所述开关电源的多个所述预设时间段；
针对每一所述预设时间段分别获取所述负载瞬态过程对应的瞬态时长；
按照所述预设时序对每一所述负载瞬态过程对应的所述瞬态时长依次排列，得到所述瞬态时长时间序列。
在其中一个实施例中，所述根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间，包括：
采用时间序列拟合算法对所述瞬态时长时间序列进行拟合，得到拟合曲线；
根据所述拟合曲线和预设参数阈值预测所述开关电源的剩余正常工作时间。
第二方面，本申请还提供了一种开关电源故障预测装置，所述装置包括：
信号采集模块，用于基于预设采样频率采集开关电源在预设时间段内的多个电压信号，其中，所述预设时间段的起始时间点早于负载瞬态过程的起始点，所述预设时间段的结束时间点晚于所述负载瞬态过程的结束点；
瞬态获取模块，用于根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长；
时间序列获取模块，用于按照预设时序获取开关电源在多个所述预设时间段一一对应的多个所述瞬态时长，得到瞬态时长时间序列；
预测模块，用于根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述任一项开关电源故障预测方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述任一项开关电源故障预测方法的步骤。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述任一项开关电源故障预测方法的步骤。
上述开关电源的故障预测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取开关电源的多个电压信号并基于电压信号获取负载瞬态过程对应的瞬态时长，按照预设时序获取瞬态时长时间序列，根据瞬态时长时间序列和预设参数阈值来预测开关电源的剩余正常工作时间，其监测参数少，只需对输出电压信号进行监测即可对开关电源的进行故障预测，有利于对开关电源开展预防性维修，降低其故障发生率。
附图说明
图1为一个实施例中开关电源的负载瞬态过程示意图；
图2为一个实施例中开关电源的故障预测方法的流程示意图；
图3为一个实施例中开关电源的故障预测步骤的流程示意图；
图4另一个实施例中开关电源的故障预测步骤的流程示意图；
图5另一个实施例中开关电源的故障预测步骤的流程示意图；
图6另一个实施例中开关电源的故障预测步骤的流程示意图；
图7另一个实施例中开关电源的故障预测步骤的流程示意图；
图8为一个实施例中开关电源的故障预测装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
DC-DC开关电源的核心组成部分是DC-DC变换器，即一种输入和输出都为直流的高频开关功率变换电路，由采样网络、控制器、脉宽调制环节、驱动器等控制电路组成***闭环运行，其主要作用是进行能量传递与变换。DC-DC开关电源可通过多种拓扑结构实现，典型的有Buck、Boost、Buck-Boost、反激、正激、推挽、全桥、半桥等拓扑。在其输出滤波电路中，大部分都会采用铝电解电容进行储能和滤波，吸收开关频率及其高次谐波频率的电流分量而滤除其纹波电压分量。铝电解电容的滤波功能与它的主要参数电容量C和等效串联电阻(Equivalent Series Resistance，ESR)有关，铝电解电容在使用过程中会发生退化，主要表现为电容量C下降、ESR增大等。
铝电解电容的ESR和C变化时，会改变电源反馈环路的极点和零点位置，进而影响整个电源的工作稳定性，此时控制芯片输出的脉宽调制信号将会使开关管偏离正常工作点，电源的响应特性随之变差，输出直流电压稳定性下降。
典型拓扑(BUCK)电源在负载突然减轻时的瞬态响应波形如图1所示。t0时刻，负载电流阶跃减小，输出电压Vo突然增大，然后由于控制逐渐回归至参考值，这个过程即为负载瞬态过程。负载瞬态时长TLT会随着铝电解电容的退化明显减小，可作为退化特征参数用于进行故障预测。另外，由于此负载瞬态过程的时间跨度经常为数十毫秒量级，因此约200kHz的采样率即可实现采集，比采用纹波作为退化特征参数的故障预测方法采样率低得多，且本申请提供的方法适用于所有采用铝电解电容进行滤波的DC-DC开关电源，与功率变换主电路拓扑结构无关，应用范围较广。
在一个实施例中，如图2所示，提供了一种开关电源故障预测方法，以该方法应用于图1中的负载瞬态过程为例进行说明，包括步骤202-步骤208：
步骤202，基于预设采样频率获取开关电源在预设时间段内的多个电压信号，其中，所述预设时间段的起始时间点早于负载瞬态过程的起始点，所述预设时间段的结束时间点晚于所述负载瞬态过程的结束点。
其中，所述负载瞬态过程是开关电源带负载工作时，当负载发生变化时出现的一个过程，本申请中在进行故障预测时，可以通过外部受控负载如电子负载或电阻切换等方法实现测试；所述预设采样频率根据历史经验确定；所述预设时间段为进行电压信号采集的时间段，且包括所述负载瞬态过程对应的时间段，具体的，负载瞬态过程对应的时间段为如图1所示的t0-t1时间段，预设时间段为如图1所示的T0-T1时间段；所述多个电压信号为所述开关电源的输出电压信号。
步骤204，根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长。
其中，所述瞬态时长为负载瞬态过程对应的时长，对多个所述电压信号进行处理可获取所述瞬态时长。
步骤206，按照预设时序获取开关电源在多个所述预设时间段内一一对应的多个所述瞬态时长，得到瞬态时长时间序列。
按照预设时序多次获取负载瞬态过程的瞬态时长，并按照预设时序排列，可得到所述瞬态时长时间序列。
步骤208，根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间。
根据所述瞬态时长时间序列可以得到瞬态时长随时间变化的拟合曲线，基于所述拟合曲线以及预设参数阈值可以预测所述开关电源的剩余正常工作时间。
本实施例中，通过获取开关电源的多个电压信号并基于电压信号获取负载瞬态过程对应的瞬态时长，按照预设时序获取瞬态时长时间序列，根据瞬态时长时间序列和预设参数阈值来预测开关电源的剩余正常工作时间，其监测参数少，只需对输出电压信号进行监测即可实现对开关电源的故障预测，有利于对开关电源开展预防性维修，降低其故障发生率。
在其中一个实施例中，如图3所示，所述根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长，包括步骤302-步骤306：
步骤302，获取每个所述电压信号与参考电压之间的电压变化量。
其中，所述参考电压根据历史经验确定，所述开关电源输出的电压信号为连续信号，采样得到的信号为输出电压信号序列，将输出电压信号序列中的每一电压减去参考电压得到多个电压变化量。
步骤304，确定目标变化量的数量，所述目标变化量为大于预设阈值的所述电压变化量。
其中，所述预设阈值为一个大于0的变化量判断阈值，其初始值可人为设定后根据实际测量情况进行修改。
步骤306，根据所述目标变化量的数量和所述预设采样频率确定所述负载瞬态过程对应的瞬态时长。
具体的，所述负载瞬态时长为所述目标变化量的个数与所述采样频率的商。
本实施例中，对采集到的电压信号进行处理得到电压变化量，确定大于预设阈值的目标电压变化量的个数，可以根据目标电压变化量的个数计算出故障预测所需要的退化特征参数瞬态时长。
在其中一个实施例中，如图4所示，所述获取开关电源在预设时间段内的多个电压信号，包括步骤402-步骤404：
步骤402，设置所述开关电源在所述起始时间点的负载电流为第一电流，基于所述第一电流采集所述开关电源在所述起始时间点与所述负载瞬态过程的起始点之间的多个第一电压信号。
具体的，请继续参考图1，在起始时间点，设置DC-DC开关电源在常温、连接负载情况下工作，初始负载电流为第一电流I1(优选的I1>0.5*If，If为满载电流)，基于所述第一电流采集多个第一电压信号。
步骤404，在所述负载瞬态过程的起始点改变所述负载电流为第二电流，基于所述第二电流采集所述开关电源在所述负载瞬态过程的起始点与所述结束时间点之间的多个第二电压信号，其中，所述第二电流小于所述第一电流；多个所述电压信号包括多个第一电压信号和多个所述第二电压信号。
在所述负载瞬态过程的起始点T0，改变该负载电流为第二电流I2(I2<I1,且优选的ΔI＝I1-I2≧0.5*If)。基于所述第二电流采集第二输出电压信号，直至负载瞬态过程结束。假设该负载瞬态时长为TLT，则其采样频率应高于5/TLT，采样精度应高于5mV，单次采集时间tc，即所述预设时间段不低于1.2*TLT。
本实施例中，通过设置开关电源在所述起始时间点的负载电流为第一电流，并在某一时刻改变其负载电流为第二电流，可以实现对开关电源的负载瞬态过程的模拟，并达到了分别基于第一电流和第二电流采集开关电源的输出电压信号的目的。
在其中一个实施例中，如图5所示，所述根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间，包括步骤502-步骤504：
步骤502，采用时间序列拟合算法对所述瞬态时长时间序列进行拟合，得到拟合曲线。
其中，所述时间序列拟合算法可以为多项式拟合算法和其他时间序列数据拟合算法、统计类算法或人工智能算法，通过算法对所述瞬态时长时间序列进行拟合，可以得到瞬态时长随时间变化的拟合曲线，且所述拟合曲线可用具体的表达式进行表示。
步骤504，根据所述拟合曲线和预设参数阈值预测所述开关电源的剩余正常工作时间。
所述预设参数阈值可以根据历史经验设置，或根据实测数据进行调整，具体的，可以为瞬态时长阈值。根据所述拟合曲线及其表达式，以及所述预设参数阈值可以预测所述开关电源的剩余正常工作时间。
本实施例中，对所述瞬态时长时间序列进行拟合处理，结合预设参数阈值可以实现对开关电源的剩余正常工作时间的预测。
在其中一个实施例中，如图6所示，所述按照预设时序获取开关电源在多个所述预设时间段内的一一对应的多个所述瞬态时长，得到瞬态时长时间序列，包括步骤602-步骤606：
步骤602，按照预设时序设置所述开关电源的多个预设时间段。
具体的，当DC-DC开关电源每工作一段时间Δt，多次重复改变其负载电流，并采集每一所述预设时间段内的开关电源的第一电压信号和第二电压信号。
步骤604，针对每一所述预设时间段分别获取所述负载瞬态过程对应的瞬态时长。
计算每一预设时间段对应获取的所述第一电压信号与参考电压的差值、以及所述第二电压信号与参考电压的差值，得到电压变化量，根据大于预设阈值的目标变化量数量以及预设采样频率确定每一所述负载瞬态过程对应的瞬态时长。
步骤606，按照所述预设时序对每一所述负载瞬态过程对应的所述瞬态时长依次排列，得到所述瞬态时长时间序列。
具体的，DC-DC开关电源负载瞬态过程的瞬态时长时间序列可记为TLT1、TLT2、TLT3…TLTn。
本实施例中，通过多次在开关电源的负载电流为第一电流时改变其负载电流为第二电流，可以多次模拟负载瞬态过程，获取多个瞬态时长，得到瞬态时长时间序列。
在其中一个实施例中，所述开关电源的故障预测方法包括步骤702-步骤710：
步骤702，在预设时间段的起始点设置开关电源在常温、连接负载情况下工作，初始负载电流为第一电流I1，在某一时刻T0，改变所述负载电流为第二电流I2，并从预设时间段的起始点基于预设采样频率开始采集输出电压信号V，直至负载瞬态过程结束。
其中，假设负载瞬态过程的初始时长为TLT0，(TLT0可根据初始测试结果人为观察给出，或直接确定一个能覆盖绝大多数情况的经验值，比如200ms)，电压信号的预设采样频率应高于5/TLT0，采样精度应高于5mV，单次采集时间tc应不低于1.2TLT0。优选的，I1>0.5If，If为满载电流，I2<I1，且优选的ΔI＝I1-I2≥0.5If。
可选的，所述初始负载电流也可设置为I2，优选的I2<0.5If，If为满载电流。在某一时刻T0，改变所述负载电流为I1(I1>I2，且优选的ΔI＝I1-I2≥0.5If)。
其中，在所述预设时间段仅需采集输出电压信号，所需监测的参数少，可简化监测流程，且可在开关电源开机空载状态下进行，具有非侵入特点。
步骤704，获取各所述输出电压信号与参考电压的电压变化量，并基于所述电压变化量和预设采样频率确定瞬态时长。
具体的，对采集到的数据序列电压信号V，将每一电压信号对应的电压值减去参考电压Vref得到多个电压变化量，记为ΔVx(x＝1，2，3，…N)，确定大于预设阈值ΔVxth的ΔVx的个数x。其中，ΔVxth为一个大于0的变化量判断阈值，初始值可人为设定后根据实际测量值修改。根据公式TLT＝X/f计算得到瞬态时长TLT，其中，f为预设采样频率。
通常，所述负载瞬态过程的时间跨度经常为数十毫秒量级，基于约200kHz的预设采样频率即可实现输出电压信号的采集，比采用其他退化特征参数来进行故障预测方法时所要求的采样频率低得多。
步骤706，获取所述开关电源负载瞬态过程的瞬态时长时间序列。
DC-DC开关电源每工作一段时间Δt，重复所述步骤702-所述步骤704，获取DC-DC开关电源负载瞬态过程的瞬态时长时间序列，记为TLT1、TLT2、TLT3…TLTn。
步骤708，对所述瞬态时长时间序列进行拟合，得到拟合曲线。
其中，可以采用多项式拟合算法、统计类算法、人工智能算法等方法对DC-DC开关电源负载瞬态过程的瞬态时长时间序列进行拟合，以得到拟合曲线，且所述拟合曲线可用具体表达式表示。
步骤710，根据预设瞬态时长阈值和所述拟合曲线计算所述开关电源的剩余正常工作时间。
根据历史经验确定DC-DC开关电源故障状态的负载瞬态过程的瞬态时长阈值为TLT_failure，结合所述拟合曲线和所述瞬态时长阈值TLT_failure可以计算得到开关电源的剩余正常工作时间。
本实施例中，通过多次改变开关电源的负载电流并获取输出电压信号，根据输出电压信号计算得到瞬态时长时间序列，对瞬态时长时间序列进行拟合，并结合预设瞬态时长阈值进行分析，其检测参数少，且可以在开关电源开机空载状态下进检测，可以对所有采用铝电解电容进行滤波的DC-DC开关电源的寿命进行预测。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的开关电源故障预测方法的开关电源故障预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个开关电源故障预测装置实施例中的具体限定可以参见上文中对于开关电源故障预测方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种开关电源故障预测装置，包括信号采集模块802、瞬态获取模块804、时间序列获取模块806、预测模块808。
信号采集模块802，用于基于预设采样频率采集开关电源在预设时间段内的多个电压信号，其中，所述预设时间段的起始时间点早于负载瞬态过程的起始点，所述预设时间段的结束时间点晚于所述负载瞬态过程的结束点。
瞬态获取模块804，用于根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长。
时间序列获取模块806，用于按照预设时序获取开关电源在多个所述预设时间段一一对应的多个所述瞬态时长，得到瞬态时长时间序列。
预测模块808，用于根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间。
本实施例中，通过信号采集模块获取开关电源的多个电压信号，瞬态获取模块基于电压信号获取负载瞬态过程对应的瞬态时长，时间序列获取模块按照预设时序获取瞬态时长时间序列，预测模块根据瞬态时长时间序列和预设参数阈值来预测开关电源的剩余正常工作时间，其监测参数少，只需对输出电压信号进行监测即可实现对开关电源的进行故障预测，有利于对开关电源开展预防性维修，降低其故障发生率。
在其中一个实施例中，所述信号采集模块802，用于获取开关电源在预设时间段内的多个电压信号，包括：
设置所述开关电源在所述起始时间点的负载电流为第一电流，基于所述第一电流采集所述开关电源在所述起始时间点与所述负载瞬态过程的起始点之间的多个第一电压信号。
在所述负载瞬态过程的起始点改变所述负载电流为第二电流，基于所述第二电流采集所述开关电源在所述负载瞬态过程的起始点与所述结束时间点之间的多个第二电压信号，其中，所述第二电流小于所述第一电流；多个所述电压信号包括多个第一电压信号和多个所述第二电压信号。
在其中一个实施例中，所述瞬态获取模块804，用于根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长，包括：
获取每个所述电压信号与参考电压之间的电压变化量。
确定目标变化量的数量，所述目标变化量为大于预设阈值的所述电压变化量。
根据所述目标变化量的数量和所述预设采样频率确定所述负载瞬态过程对应的瞬态时长。
在其中一个实施例中，所述时间序列获取模块806，用于按照预设时序获取开关电源在多个所述预设时间段内一一对应的多个所述瞬态时长，得到瞬态时长时间序列，包括：
按照预设时序设置所述开关电源的多个所述预设时间段。
针对每一所述预设时间段分别获取所述负载瞬态过程对应的瞬态时长。
按照所述预设时序对每一所述负载瞬态过程对应的所述瞬态时长依次排列，得到所述瞬态时长时间序列。
在其中一个实施例中，所述预测模块808，用于根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间，包括：
采用时间序列拟合算法对所述瞬态时长时间序列进行拟合，得到拟合曲线。
根据所述拟合曲线和预设参数阈值预测所述开关电源的剩余正常工作时间。
上述开关电源的故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种开关电源故障预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种开关电源故障预测方法，其特征在于，所述方法包括：
基于预设采样频率采集开关电源在预设时间段内的多个电压信号，其中，所述预设时间段的起始时间点早于负载瞬态过程的起始点，所述预设时间段的结束时间点晚于所述负载瞬态过程的结束点；
根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长；
按照预设时序获取开关电源在多个所述预设时间段内一一对应的多个所述瞬态时长，得到瞬态时长时间序列；
根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间。
2.根据权利要求1所述的方法，其特征在于，根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长，包括：
获取每个所述电压信号与参考电压之间的电压变化量；
确定目标变化量的数量，所述目标变化量为大于预设阈值的所述电压变化量；
根据所述目标变化量的数量和所述预设采样频率确定所述负载瞬态过程对应的所述瞬态时长。
3.根据权利要求1所述的方法，其特征在于，所述获取开关电源在预设时间段内的多个电压信号，包括：
设置所述开关电源在所述起始时间点的负载电流为第一电流，基于所述第一电流采集所述开关电源在所述起始时间点与所述负载瞬态过程的起始点之间的多个第一电压信号；
在所述负载瞬态过程的起始点改变所述负载电流为第二电流，基于所述第二电流采集所述开关电源在所述负载瞬态过程的起始点与所述结束时间点之间的多个第二电压信号，其中，所述第二电流小于所述第一电流；多个所述电压信号包括多个第一电压信号和多个所述第二电压信号。
4.根据权利要求3所述的方法，其特征在于，所述电压信号的所述预设采样频率大于所述瞬态时长的倒数的5倍；所述预设时间段大于或等于所述瞬态时长的1.2倍。
5.根据权利要求1所述的方法，其特征在于，所述按照预设时序获取开关电源在多个所述预设时间段内一一对应的多个所述瞬态时长，得到瞬态时长时间序列，包括：
按照预设时序设置所述开关电源的多个所述预设时间段；
针对每一所述预设时间段分别获取所述负载瞬态过程对应的瞬态时长；
按照所述预设时序对每一所述负载瞬态过程对应的所述瞬态时长依次排列，得到所述瞬态时长时间序列。
6.根据权利要求1所述的方法，其特征在于，所述根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间，包括：
采用时间序列拟合算法对所述瞬态时长时间序列进行拟合，得到拟合曲线；
根据所述拟合曲线和预设参数阈值预测所述开关电源的剩余正常工作时间。
7.一种开关电源故障预测装置，其特征在于，所述装置包括：
信号采集模块，用于基于预设采样频率采集开关电源在预设时间段内的多个电压信号，其中，所述预设时间段的起始时间点早于负载瞬态过程的起始点，所述预设时间段的结束时间点晚于所述负载瞬态过程的结束点；
瞬态获取模块，用于根据多个所述电压信号确定所述负载瞬态过程对应的瞬态时长；
时间序列获取模块，用于按照预设时序获取开关电源在多个所述预设时间段一一对应的多个所述瞬态时长，得到瞬态时长时间序列；
预测模块，用于根据所述瞬态时长时间序列和预设参数阈值，预测所述开关电源的剩余正常工作时间。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111665224.0A CN114154760A (zh) | 2021-12-30 | 2021-12-30 | 开关电源的故障预测方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111665224.0A CN114154760A (zh) | 2021-12-30 | 2021-12-30 | 开关电源的故障预测方法、装置、计算机设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114154760A true CN114154760A (zh) | 2022-03-08 |
Family
ID=80449454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111665224.0A Pending CN114154760A (zh) | 2021-12-30 | 2021-12-30 | 开关电源的故障预测方法、装置、计算机设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154760A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4352137A (en) * | 1980-03-01 | 1982-09-28 | The General Electric Company Limited | Methods and apparatus for fault detection |
| US6081123A (en) * | 1996-11-18 | 2000-06-27 | Schneider Electric Sa | Device for preventive detection of faults with identification of the type of load |
| US20080143315A1 (en) * | 2006-12-14 | 2008-06-19 | Square D Company | Method and apparatus to evaluate transient characteristics in an electrical power system |
| RU2389121C1 (ru) * | 2008-12-19 | 2010-05-10 | Федеральное государственное образовательное учреждение высшего профессионального образования "Калининградский пограничный институт Федеральной службы безопасности Российской Федерации" | Способ определения технического состояния электродвигателя переменного тока и устройство для его осуществления |
| US20160041216A1 (en) * | 2013-03-29 | 2016-02-11 | Beijing Inhand Networks Technology Co., Ltd. | Method and system for detecting and locating single-phase ground fault on low current grounded power-distribution network |
| CN110175388A (zh) * | 2019-05-21 | 2019-08-27 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 开关电源故障预测方法、装置、计算机设备和存储介质 |
| CN111258303A (zh) * | 2020-02-18 | 2020-06-09 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 伺服***故障检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-30 CN CN202111665224.0A patent/CN114154760A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4352137A (en) * | 1980-03-01 | 1982-09-28 | The General Electric Company Limited | Methods and apparatus for fault detection |
| US6081123A (en) * | 1996-11-18 | 2000-06-27 | Schneider Electric Sa | Device for preventive detection of faults with identification of the type of load |
| US20080143315A1 (en) * | 2006-12-14 | 2008-06-19 | Square D Company | Method and apparatus to evaluate transient characteristics in an electrical power system |
| RU2389121C1 (ru) * | 2008-12-19 | 2010-05-10 | Федеральное государственное образовательное учреждение высшего профессионального образования "Калининградский пограничный институт Федеральной службы безопасности Российской Федерации" | Способ определения технического состояния электродвигателя переменного тока и устройство для его осуществления |
| US20160041216A1 (en) * | 2013-03-29 | 2016-02-11 | Beijing Inhand Networks Technology Co., Ltd. | Method and system for detecting and locating single-phase ground fault on low current grounded power-distribution network |
| CN110175388A (zh) * | 2019-05-21 | 2019-08-27 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 开关电源故障预测方法、装置、计算机设备和存储介质 |
| CN111258303A (zh) * | 2020-02-18 | 2020-06-09 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 伺服***故障检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王文;: "利用电子负载测试电源的瞬态响应", 电子测试, no. 08, 3 August 2000 (2000-08-03) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2018278995B2 (en) | Efficient battery tester | |
| CN111095008B (zh) | 用于电化学阻抗谱的电气架构 | |
| CN103675637B (zh) | 功率mosfet健康状态评估与剩余寿命预测方法 | |
| US9201119B2 (en) | Battery fuel gauge | |
| Chai et al. | A practical supercapacitor model for power management in wireless sensor nodes | |
| CN108075656A (zh) | Dc-dc转换器控制器 | |
| Fouda et al. | Supercapacitor discharge under constant resistance, constant current and constant power loads | |
| KR101516419B1 (ko) | 연료전지용 전력변환장치 및 그 제어방법 | |
| CN112287514B (zh) | 超级电容剩余寿命预测方法、装置、介质和设备 | |
| JP2006516326A (ja) | 電気エネルギー蓄積器のための複数の部分モデルを用いた状態量およびパラメータの推定装置 | |
| Siano et al. | Designing fuzzy logic controllers for DC–DC converters using multi-objective particle swarm optimization | |
| CN110175388A (zh) | 开关电源故障预测方法、装置、计算机设备和存储介质 | |
| Yang et al. | Estimation of supercapacitor energy using a linear capacitance for applications in wireless sensor networks | |
| JP2020125968A (ja) | 電池劣化診断装置、電池劣化解析回路及び電池劣化診断プログラム | |
| CN114154760A (zh) | 开关电源的故障预测方法、装置、计算机设备、存储介质 | |
| CN114325461A (zh) | 开关电源的故障预测方法、装置、计算机设备、存储介质 | |
| CN114325119B (zh) | 新能源汽车高压***电容健康度预测方法、***及汽车 | |
| CN116184036A (zh) | 基于神经网络的电力电子变换器参数在线辨识方法及*** | |
| CN110912230B (zh) | 基于寻优预测的多模块充电变流器控制装置及方法 | |
| US7483798B2 (en) | Real-time high-speed monitoring of steady state | |
| JP2006078215A (ja) | 電解コンデンサの劣化予測方法 | |
| JP6086768B2 (ja) | 充放電検査システム | |
| CN111896817A (zh) | 一种在线式电容寿命估算***和方法 | |
| da Luz et al. | Maximum power point tracking technique based on sweeping the characteristic curve of the photovoltaic module | |
| Gao et al. | Online health monitoring of the electrolytic capacitor in DC-DC converters |
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 |