CN116628633A - 一种igbt实时监测与使用寿命预测评估方法 - Google Patents
一种igbt实时监测与使用寿命预测评估方法 Download PDFInfo
- Publication number
- CN116628633A CN116628633A CN202310919125.3A CN202310919125A CN116628633A CN 116628633 A CN116628633 A CN 116628633A CN 202310919125 A CN202310919125 A CN 202310919125A CN 116628633 A CN116628633 A CN 116628633A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- model
- igbt
- module
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 92
- 238000011156 evaluation Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 71
- 238000005457 optimization Methods 0.000 claims description 52
- 239000002245 particle Substances 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 28
- 230000013016 learning Effects 0.000 claims description 25
- 230000000670 limiting effect Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 22
- 230000002787 reinforcement Effects 0.000 claims description 19
- 238000002955 isolation Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 7
- 230000004083 survival effect Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010223 real-time analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 2
- 239000003795 chemical substances by application Substances 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
- G01R31/2607—Circuits therefor
- G01R31/263—Circuits therefor for testing thyristors
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种IGBT实时监测与使用寿命预测评估方法,涉及无线通信和数据处理技术领域,解决了IGBT实时监测力度差、通信能力滞后、数据处理滞后的问题;一种IGBT实时监测与使用寿命预测评估方法,包括以下步骤:步骤1:通过多模态数据采集***实时获取IGBT的工作信息;步骤2:通过实时监测计算模块提取有效特征;步骤3:通过机器学***台实现数据共享和远程监控。本发明提高了数据通信、处理能力。
Description
技术领域
本发明涉及无线通信和数据处理技术领域,且更具体地涉及一种IGBT实时监测与使用寿命预测评估方法。
背景技术
IGBT(Insulated-gate Bipolar Transistor)是一种双向晶闸管,也被称为可控硅。与传统的硅晶闸管不同,IGBT 具有双向可控性,可以在反向电压下工作。在具体实施例中,IGBT是一种常用的功率半导体器件,广泛应用于工业电力和电子领域。为了确保电力***的可靠性和安全性,对IGBT进行实时监测和使用寿命预测评估至关重要。其中IGBT 通常用于电源、电机控制、电子设备、电焊机等领域。它们具有高输入阻抗、低噪声、低失真、快速响应等特点,因此被广泛使用。其中的结构包括一个可调节的栅极、一个输入级的晶闸管和一个输出级的绝缘栅双极晶体管。在输入级和输出级之间,还有一个可控硅的控制电路。通过控制控制电路,可以实现IGBT 的开关控制,以达到所需的电路功能。
在具体应用过程中,IGBT是一种功率开关器件,具有高电压、高电流和高频率特性。它结合了金属氧化物半导体场效应晶体管的控制能力和功率BJT双极型晶体管的低导通压降特性。但其监测能力存在较大的挑战,其中比如:
1. 温度监测:IGBT的温度是其可靠性和寿命的关键因素之一。通过在IGBT上安装温度传感器,可以实时监测其温度。当温度超过安全阈值时,可以及时采取措施,如降低负载或增加散热器的风扇速度,以避免过热,现有技术对IGBT运行状态存在较大的问题;
2. 电流监测:IGBT的电流是其工作状态的指示器。通过在电流路径上安装电流传感器,可以实时监测IGBT的电流。异常的电流波形可能表明IGBT存在故障或负载不平衡。现有技术对电流监测力度不足;
3. 电压监测:IGBT的电压也应实时监测。异常的电压波形可能表明IGBT与其他电力设备之间存在电压应力导致的故障或不匹配。现有技术存在较大难度;
综上所述,实时监测和使用寿命预测评估方法可以提高IGBT的可靠性和寿命,但仍存在成本高、复杂性高、准确性不足以及数据采集困难、实时性不足的问题;因此,本发明公开一种IGBT实时监测与使用寿命预测评估方法。
发明内容
针对现有技术的不足,本发明公开了一种IGBT实时监测与使用寿命预测评估方法,本发明通过多模态数据采集***实时获取IGBT的工作信息;通过特征提取模块提取IGBT工作状态特征;通过实时监测计算模块提取有效特征;通过使用寿命预测模型对使用寿命进行预测;通过寿命优化单元评估使用寿命;通过实时预警***对IGBT实时监控;通过更新优化单元对预测模型和算法进行更新优化;通过云计算平台实现数据共享和远程监控,大大提高了检测和评估能力。
为了实现上述技术效果,本发明采用以下技术方案:
一种IGBT实时监测与使用寿命预测评估方法,其中所述方法包括:
作为本发明进一步的技术方案,包括以下步骤:
步骤1:通过多模态数据采集***实时获取IGBT的工作信息;所述多模态数据采集***通过电流传感器、温度传感器或振动传感器实时获取IGBT的工作参数、温度或振动信息;
步骤2:通过实时监测计算模块提取有效特征;所述实时监测计算模块利用算数运算软件MATLAB对采集到的IGBT数据进行实时数据处理和分析,所述数据处理包括去噪处理、滤波处理和特征提取,以获得高质量的数据和有价值的特征;
步骤3:通过机器学***均模型ARIMA模型和粒子群优化算法模型实现准确预测IGBT的使用寿命;
步骤4:使用寿命预测模型对实时监测计算模块提取到的实时监测数据进行预测,所述实时监测数据的预测通过残差分析、误差分析和生存分析预测评估IGBT的寿命;
步骤5:通过寿命优化单元评估使用寿命;所述寿命优化单元根据寿命预测结果数据内容,将检测到的数据信息与标准数据信息进行比较;利用强化学习框架TensorForce动态调整IGBT的工作参数和工作状态;
步骤6:通过实时预警***对IGBT实时监控,所述实时预警***通过实时数据分析和寿命预测数据实现对IGBT的实时监控,通过阈值限定方法自动触发报警,以防止潜在故障的发生;所述阈值限定方法包括温度阈值限定、电流阈值限定和振动阈值限定;
步骤7:通过更新优化单元对预测模型和算法进行更新优化;所述更新优化单元通过数据科学工具Jupyter Notebook对预测模型和算法进行持续更新和优化,以提高预测和评估的准确性和可靠性。
步骤8:通过云计算平台实现数据共享和远程监控;所述云计算平台使用云端数据库Apache Hadoop对大规模数据进行存储和分析,以改进预测模型、提高评估准确性。
作为本发明进一步的技术方案,所述机器学习方法包括以下步骤:
步骤1:通过多模态数据采集***收集并整理IGBT的监测数据和使用寿命数据,其中所述多模态数据采集***包括电流数据采集,温度数据采集和振动数据采集;其中所述多模态数据采集***包括基于STM32F103RBT6芯片的主控模块、载波通信模块、隔离模块、不间断信息迭代模块、多模态接口模块和可视化显示模块,其中所述主控模块分别与所述载波通信模块、多模态接口模块、隔离模块、不间断信息迭代模块和可视化显示模块连接,所述主控模块用于控制不同的模块处于工作状态,所述载波通信模块用于传输采集到的数据信息,所述隔离模块用于将采集到的数据信息进行信息隔离,所述不间断信息迭代模块用于实时采集或获取现场数据信息,所述多模态接口模块用于接收***中的数据信息,所述可视化显示模块用于显示监控的数据信息;
步骤2:将检测输入数据进行数据处理,所述数据处理包括数据归一化、特征选择和特征提取,以提高模型性能;
步骤3:使用TensorFlow提供的API,将准备好的数据通过模型优化算法模块输入到模型中进行训练;再通过迭代优化参数优化模型,以实现更准确的预测IGBT的实时状态和寿命;其中所述模型优化算法模块包括信息识别模块、特征选择模块、参数设置模块、评估模块和分类模块,其中所述信息识别模块用于识别监测到的数据信息,所述特征选择模块用于获取数据信息,所述参数设置模块用于设置计算的参数数据信息,所述评估模块用于对输入的数据信息进行评估和计算,所述分类模块用于分类评估后的数据信息,其中所述信息识别模块的输出端与所述特征选择模块的输入端连接,所述特征选择模块的输出端与参数设置模块的输入端连接,所述参数设置模块的输出端与评估模块的输入端连接,所述评估模块的输出端与分类模块的输入端连接;
步骤4:进行模型评估,所述模型评估使用均方根误差评估模型的性能和预测准确度。
作为本发明进一步的技术方案,所述算数运算软件MATLAB通过信号处理工具和实时信号处理函数实现对采集到的IGBT数据进行实时处理和分析,所述信号处理工具通过滤波、频谱分析、相关性分析、傅里叶变换或小波变换以实现对IGBT数据的信号增强、噪声去除和频域特征提取;所述实时信号处理函数包括滤波器函数和时域频域分析函数以实现对数据的实时分析。
作为本发明进一步的技术方案,所述自回归滑动平均模型ARIMA模型包括自回归模块、滑动平均模块和差分模块;其中,所述自回归模块通过自回归方程反映过去观测值对当前值的影响;所述滑动平均模块通过误差预测方法反映过去观测值的误差对当前值的影响;所述差分模块通过差分方法对时间序列数据进行多阶差分,将非平稳序列转化为平稳序列,以实现更简单的建立模型与更加准确的预测;所述自回归滑动平均模型ARIMA模型通过调整自回归阶数、滑动平均阶数和差分阶数,以实现对时间序列数据的拟合和预测;所述自回归滑动平均模型ARIMA模型的关系式为:
(1)
在公式(1)中, B表示滞后操作符,p表示AR模型的阶数,c表示差分的次数,q表示MA模型的阶数,, />, ..., />表示AR模型的系数, />, />, ..., />表示MA模型的系数,/>表示模型的误差项; ARIMA模型预测利用历史时间序列数据来建立模型,并通过拟合和预测来评估IGBT的剩余寿命。
作为本发明进一步的技术方案,所述粒子群优化算法模型通过调整模型参数和优化指标,实现参数优化和模型拟合的过程,所述粒子群优化算法模型至少包括参数优化、特征选择和接口优化,粒子群优化算法模型的公式如下所示:
对于每个粒子,其位置表示为/>,速度表示为/>,其中/>为问题的维度;每个粒子/>根据当前位置和速度进行更新,关系表达式为:
(2)
在公式(2)中,是惯性权重,/>和/>分别是个体学习因子和社会学习因子,/>和是0到1之间的随机数;/>是粒子/>曾经经历的最佳位置,/>是整个粒子群曾经经历的最佳位置;
通过迭代更新粒子位置和速度,直到满足收敛条件,得到最优解或近似最优解。
作为本发明进一步的技术方案,所述强化学习框架TensorForce通过强化学习算法预测评估数据,以实现智能的决策和优化,通过智能体与环境的交互学习以提高IGBT的性能和使用寿命。
作为本发明进一步的技术方案,所述云端数据库Apache Hadoop用于对大量IGBT实时监测数据,并使用寿命预测评估数据;所述云端数据库包括分布式文件***和分布式计算框架,所述分布式文件***通过分布式数据存储将数据分散存储在多个节点上,以实现大规模数据存储的可扩展性和冗余备份;所述分布式计算框架通过映射归约函数MapReduce对IGBT的监测数据进行处理、聚合和分析。
作为本发明进一步的技术方案,所述阈值限定方法通过阈值设定、实时监测、状态判断和报警实现自动触发并报警,所述阈值设定通过训练样本数据以设定温度极限阈值、电流极限阈值、功率因数阈值和损耗指标阈值,所述实时监测通过数据对比方法自动对比数据采集***的数据与设定的阈值数据,通过状态判断进行触发报警。
本发明区别现有技术积极有益效果在于:
通过实时监测和预测模型,能够及时检测到IGBT的潜在故障或健康状态下的异常情况,并发出预警信号。通过评估剩余寿命和提供维护策略,能够实现对IGBT使用寿命的科学管理和优化维护;通过收集和整合大量的实时监测数据,并基于预测模型的分析和评估,能够为决策者提供可靠的数据支持和决策依据。这将有助于优化设备运行策略、调整工作条件、提升工作效率和产品质量。通过实时监测和寿命预测,能够合理安排维护时间和计划,提前预防设备故障,减少非计划停机时间。同时,针对预警信号提供的维护策略,能够快速响应维修需求,降低停机时间,确保生产运行的稳定性和可持续性。通过对实时监测数据的分析和评估,能够合理评估设备资源的利用率和工作状态,优化资源分配和调度,有效控制成本。同时,通过优化维护策略和提高设备寿命,能够减少维护成本、降低设备更换频率,进一步节约成本和资源。通过实时监测和预测模型的应用,能够及时发现和解决IGBT可能存在的问题和风险,避免生产过程中的中断和故障,提高生产效率和产品质量的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明的流程步骤示意图;
图2为本发明的机器学习流程图;
图3为本发明的自回归滑动平均模型ARIMA模型的预测原理。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种IGBT实时监测与使用寿命预测评估方法,包括以下步骤:
步骤1:通过多模态数据采集***实时获取IGBT的工作信息;所述多模态数据采集***通过电流传感器、温度传感器或振动传感器实时获取IGBT的工作参数、温度或振动信息;在具体实施例中,可以将多模态数据采集***设置在IGBT工作场所附近,或通过支撑架设置在IGBT的工作场所内;
步骤2:通过实时监测计算模块提取有效特征;所述实时监测计算模块利用算数运算软件MATLAB对采集到的IGBT数据进行实时数据处理和分析,所述数据处理包括去噪处理、滤波处理和特征提取,以获得高质量的数据和有价值的特征;
在本步骤中,可以通过硬件结构采集数据信息特征,也可以将硬件数据特征输入到学习算法模型中,对输入的数据信息进行学习和训练,以提高数据信息分析和应用能力;算数运算软件MATLAB可以将获取的数据信息通过数据信息计算的方式,将宏观数据信息转换为微观数据分析,以提高数据分析和应用能力;
步骤3:通过机器学***均模型ARIMA模型和粒子群优化算法模型实现准确预测IGBT的使用寿命;
在具体实施例中,机器学习算法中用于筛选训练数据的一个组件,它可以用于筛选数据中的某些特征或元素,从而只保留需要的样本数据。过滤模块通常使用一些常见的机器学习技术,如高斯混合模型、决策树、支持向量机等,来对训练数据进行优化和筛选。在使用过滤模块时,需要先定义需要保留的特征和元素,然后将其作为输入参数传递给过滤模块。过滤模块会根据预定义的规则和算法,对输入数据进行计算和处理,并输出保留的样本数据。过滤模块在现代机器学习中非常重要,它能够有效地减少训练数据的数量,提高模型的泛化能力和准确性;
在具体实施例中,所述机器学习流程包括以下内容:
1. 确定目标:明确机器学习项目的目标和业务需求。例如,分类、回归、聚类等。
2. 数据收集与清洗:收集所需的数据,并进行数据清洗和预处理。这包括数据采集、特征提取、数据清洗、缺失值处理等。
3. 特征工程:在数据预处理后,进行特征工程,选择和提取与目标相关的特征。这包括特征选择、特征构建、特征缩放等。
4. 数据集划分:将数据集分为训练集、验证集和测试集。训练集用于模型的训练,验证集用于调整模型的超参数,测试集用于评估模型的性能。
5. 模型选择与训练:选择适合任务的机器学习模型,并使用训练集对模型进行训练。这包括模型的选择、模型的建立、模型的训练等。
6. 模型评估与调优:使用验证集对训练好的模型进行评估,并基于评估结果对模型进行调优。这包括性能指标的计算、模型参数的调整、特征调整等。
7. 模型验证与测试:使用测试集对最终调优的模型进行验证和测试,评估模型在未知数据上的性能和泛化能力。
8. 模型部署与应用:将训练好的模型部署到实际应用环境中,用于实际的预测和决策。这可能涉及模型的集成、性能优化、实时预测等。
9. 持续监测与维护:对部署的模型进行定期的监测和维护,以确保模型的性能和准确性。如果有需要,可以进行模型的更新和迭代。
在具体实施例中,可以参考该模块进行设置;自回归滑动平均模型ARIMA模型是一种常用的时间序列建模方法,可以用于建模自回归滑动平均模型。自回归滑动平均模型是一种描述时间序列的常用模型,其中自回归是指时间序列中自变量之间存在的线性关系,滑动平均是指时间序列中的变量以不同的方式进行平均。该模型通常包含三个环节:自回归、滑动和平均。AR 是自回归环节,表示自变量的滞后项; MA 是滑动环节,表示,自变量的值发生了平滑变化; ARMA 是自回归滑动平均环节,将 AR 和 MA 结合起来,既考虑了自回归的特点,又考虑了滑动的特点。使用ARIMA模型可以对自回归滑动平均模型进行建模,以便更好地描述时间序列数据。在IGBT实时监测与使用寿命预测评估中,采用自回归滑动平均模型ARIMA模型对IGBT运行过程中的温度、电压、电流、运动状态等数据信息进行评估,这种方法在其他参考文件中并未所见。
在具体实施例中,自回归滑动平均模型预测原理包括以下内容:
1. 平稳性检验:首先对时间序列数据进行平稳性检验。平稳性要求数据的统计特性(如均值、方差)在时间上保持稳定,不随时间变化。如果序列不平稳,需要进行差分操作以使其平稳化。
2. 参数选择:根据平稳化后的时间序列数据,通过观察自相关图(ACF)和偏自相关图(PACF)来选择ARIMA模型的参数。ACF图用于确定移动平均(MA)模型的参数,PACF图用于确定自回归(AR)模型的参数。
3. 模型拟合:根据选定的ARIMA参数,对时间序列数据进行模型拟合。模型拟合的过程中,会使用最大似然估计(Maximum Likelihood Estimation,MLE)等方法来估计模型的参数。
4. 模型诊断:对拟合的ARIMA模型进行残差分析,以确保模型的拟合质量。常用的诊断方法包括检查残差序列的平稳性、白噪声性、自相关等。
5. 预测:利用拟合好的ARIMA模型进行预测。预测时,使用训练集的历史观测值来预测未来的值。预测的结果是基于历史数据和模型的统计性质得出的。
步骤4:使用寿命预测模型对实时监测计算模块提取到的实时监测数据进行预测,所述实时监测数据的预测通过残差分析、误差分析和生存分析预测评估IGBT的寿命;
在本步骤中,残差是预测值与实际观测值之间的差异。残差分析用于检查预测模型是否能够捕捉到IGBT寿命数据的变化趋势。通过绘制残差图和观察残差的分布,可以发现任何***性的误差或异常情况。如果残差近似符合零均值和常数方差的正态分布,那么模型可能是可靠的。误差分析是对寿命预测结果与实际观测值之间的误差进行定量评估。可以计算不同指标,例如均方根误差(RMSE)或平均绝对误差(MAE),来衡量预测模型的准确性。较小的误差值表示模型与实际数据更接近,而较大的误差值则可能表明模型存在较大的偏差。生存分析是一种用于预测可靠性和寿命的统计方法。它基于事件发生时间和事件发生前后的危险率(即事件发生的概率)。在IGBT寿命预测中,可以利用生存分析方法来估计IGBT在不同时间点可能发生故障的概率。生存函数和危险函数是生存分析中常用的概念,它们可以帮助在不同时间点对IGBT的失效风险进行综合评估。
步骤5:通过寿命优化单元评估使用寿命;所述寿命优化单元根据寿命预测结果数据内容,利用强化学习框架TensorForce动态调整IGBT的工作参数和工作状态;
在本步骤中,由于IGBT(Insulated-Gate Bipolar Transistor)在电力电子领域应用过程中,结合了MOSFET和普通双极性晶体管(BJT)的优点,具有高输入阻抗、低开关损耗和高电流承载能力等特点,其运行状态多样,粒子群优化算法(Particle SwarmOptimization, PSO)是一种基于群体智能的优化算法,模拟了鸟群或鱼群等生物集体行为。在PSO中,通过使用一群粒子的位置和速度来搜索问题的最优解。每个粒子代表问题的一个候选解,根据自身经验和群体经验进行位置和速度的更新,逐步优化搜索过程,直到找到最优解。在本发明中,在IGBT运行状态中的数据函数优化、参数优化、机器学习中的模型参数调整中,具有收敛速度快、易于实现和适用于全局优化等优点。在应用PSO算法时,需要确定合适的参数设置和适当的停止条件,以确保算法的有效性和鲁棒性,在数据信息计算过程中,能够大大提高数据信息的计算能力和应用能力,尤其是数据信息比较多的情况下,其效果尤其明显;
步骤6:通过实时预警***对IGBT实时监控,所述实时预警***通过实时数据分析和寿命预测数据实现对IGBT的实时监控,通过阈值限定方法自动触发报警,以防止潜在故障的发生;所述阈值限定方法包括温度阈值限定、电流阈值限定和振动阈值限定;
在本发明中具体实施例中,实时预警***可以通过24小时不间断更新数据信息,不断获取数据信息,并通过声光报警的方式实现数据信息预测;
步骤7:通过更新优化单元对预测模型和算法进行更新优化;所述更新优化单元通过数据科学工具Jupyter Notebook对预测模型和算法进行持续更新和优化,以提高预测和评估的准确性和可靠性。
在具体实施例中,更新优化单元可以通过时间、工作状态、温度、电流、电压等不同的信息属性进行设置,以提高数据信息计算和更新能力;
步骤8:通过云计算平台实现数据共享和远程监控;所述云计算平台使用云端数据库Apache Hadoop对大规模数据进行存储和分析,以改进预测模型、提高评估准确性。
在上述实施例中,基本的强化学习框架包含以下几个部分:智能体模型,用于描述智能体的状态、动作和状态-动作路径。奖励函数,用于计算智能体在达成某些目标时的奖励,这是强化学习中的核心概念。训练算法,用于根据智能体模型和奖励函数来训练智能体的行为策略。代理模型,用于接收智能体发给它的信号,并根据这些信号来做出决策。数据集,用于训练和评估智能体和代理模型的性能。强化学习框架的这四个组成部分通常通过编程实现,并可以组合使用以完成不同的强化学习任务。常见的强化学习框架包括Q-learning、REINFORCE、Deep Q-Networks等。
在上述实施例中,所述机器学习方法包括以下步骤:
步骤1:通过多模态数据采集***收集并整理IGBT的监测数据和使用寿命数据,其中所述多模态数据采集***包括电流数据采集,温度数据采集和振动数据采集;其中所述多模态数据采集***包括基于STM32F103RBT6芯片的主控模块、载波通信模块、隔离模块、不间断信息迭代模块、多模态接口模块和可视化显示模块,其中所述主控模块分别与所述载波通信模块、多模态接口模块、隔离模块、不间断信息迭代模块和可视化显示模块连接,所述主控模块用于控制不同的模块处于工作状态,所述载波通信模块用于传输采集到的数据信息,所述隔离模块用于将采集到的数据信息进行信息隔离,所述不间断信息迭代模块用于实时采集或获取现场数据信息,所述多模态接口模块用于接收***中的数据信息,所述可视化显示模块用于显示监控的数据信息;
在本步骤中,STM32F103RBT6芯片的主控模块包含高性能ARM Cortex -M3 32位RISC核心,工作时在72 MHz频率,高速嵌入式内存(Flash内存高达128 Kbytes, SRAM高达20 Kbytes),以及广泛的增强I/ o和外设连接到两个APB总线。所有设备提供两个12位adc,三个通用16位定时器加上一个PWM定时器,以及标准和先进的通信接口:多达两个i2c和spi,三个USARTs,一个USB和一个CAN。设备使用2.0 ~ 3.6 V电源供电。它们可用于-40到+85°C的温度范围和-40到+105°C扩展温度范围。一套全面的节电模式,允许设计低功耗应用。通过该模块控制具有突出的技术优势。
在具体实施例中,载波通信模块是一种用于调制和解调载波通信的模块,通常用于数字通信***中。在载波通信中,信号通过在信号之间添加额外的波来进行传输,这种波被称为载波。载波信号被用于将数据信号调制到传输线上,并因此产生信号的移动。载波通信模块通常包括一个或多个载波输入和输出端口,用于将信号从输入到输出进行调制和解调。此外,载波通信模块通常还包括一个输入/输出比较器,用于检测输入和输出信号之间的差异。载波通信模块还具有一些其他功能,如数字信号处理、时序控制和自适应调制等。
在具体实施例中,隔离模块比如隔离模块,设置在该模块中将干扰GBT实时数据信息隔离掉。
在具体实施例中,不间断信息迭代模块比如设置循环检测信息,2小时、4小时、6小时或者8小时循环等。
在具体实施例中,多模态接口模块指的是一种允许多个不同类型的数据源(例如不同的传感器、不同的设备或不同的应用程序)通过相同的接口进行通信的接口。这种接口可以允许多个数据源共享同一个数据,并利用这些数据进行协作和决策。例如,一个多模态接口可以允许一个应用程序与多个传感器进行通信,以便从这些传感器收集到的数据中获取信息。这个接口还可以通过将多个传感器数据整合到一个中央数据集上,提供更全面的信息,以便进行更深入的决策。多模态接口是促进不同数据源之间的协作和信息共享。在具体实施例中,可以设置兼容新多数据通信接口。在具体实施例中,可视化显示模块可以为实时显示的显示模块。
步骤2:将检测输入数据进行数据处理,所述数据处理包括数据归一化、特征选择和特征提取,以提高模型性能;
步骤3:使用TensorFlow提供的API,将准备好的数据通过模型优化算法模块输入到模型中进行训练;再通过迭代优化参数优化模型,以实现更准确的预测IGBT的实时状态和寿命;其中所述模型优化算法模块包括信息识别模块、特征选择模块、参数设置模块、评估模块和分类模块,其中所述信息识别模块用于识别监测到的数据信息,所述特征选择模块用于获取数据信息,所述参数设置模块用于设置计算的参数数据信息,所述评估模块用于对输入的数据信息进行评估和计算,所述分类模块用于分类评估后的数据信息,其中所述信息识别模块的输出端与所述特征选择模块的输入端连接,所述特征选择模块的输出端与参数设置模块的输入端连接,所述参数设置模块的输出端与评估模块的输入端连接,所述评估模块的输出端与分类模块的输入端连接;
步骤4:进行模型评估,所述模型评估使用均方根误差评估模型的性能和预测准确度。
在具体实施例中,机器学***台和设备上运行,具有很强的可扩展性和灵活性,适用于各种实际应用场景。同时,TensorFlow内置了许多强大的深度学习算法和模型,包括卷积神经网络、循环神经网络等,这些深度学习模型在处理复杂数据和提取高级特征方面具有出色的性能。对于IGBT实时监测与使用寿命预测评估来说,深度学习方法可以更好地挖掘数据中的潜在模式和规律。另外,TensorFlow支持分布式计算,可以将大规模的训练任务分配到多个计算节点上进行并行处理,提高训练速度和效率。这对于IGBT实时监测与使用寿命预测评估中需要处理大量数据和复杂模型训练的情况非常有用。
在上述实施例中,所述算数运算软件MATLAB通过信号处理工具和实时信号处理函数实现对采集到的IGBT数据进行实时处理和分析,所述信号处理工具通过滤波、频谱分析、相关性分析、傅里叶变换或小波变换以实现对IGBT数据的信号增强、噪声去除和频域特征提取;所述实时信号处理函数包括滤波器函数和时域频域分析函数以实现对数据的实时分析。
在具体实施例中,算数运算软件MATLAB提供了丰富的工具箱和函数库,包括信号处理、统计分析、机器学习、最优化功能。这些工具箱和函数库用于处理IGBT实时监测数据、建立预测模型和评估指标等,方便快速地实现算法和模型的开发;同时,MATLAB拥有直观的可视化工具和交互式编程界面,可以显示和操作数据、图形和结果。这对于IGBT实时监测与使用寿命预测评估来说,能够方便地展示数据趋势、模型输出和评估结果,更直观地理解模型的性能和效果。在数值计算能力上:MATLAB也是一款高效的数值计算软件,具有高度优化的矩阵运算和数值计算功能;对于IGBT实时监测与使用寿命预测评估中的数据处理、模型训练和推理计算等任务,MATLAB能够提供快速而准确的计算能力。
在上述实施例中,所述自回归滑动平均模型ARIMA模型包括自回归模块、滑动平均模块和差分模块;其中,所述自回归模块通过自回归方程反映过去观测值对当前值的影响;所述滑动平均模块通过误差预测方法反映过去观测值的误差对当前值的影响;所述差分模块通过差分方法对时间序列数据进行多阶差分,将非平稳序列转化为平稳序列,以实现更简单的建立模型与更加准确的预测;所述自回归滑动平均模型ARIMA模型通过调整自回归阶数、滑动平均阶数和差分阶数,以实现对时间序列数据的拟合和预测;所述自回归滑动平均模型ARIMA模型的关系式为:
(1)
在公式(1)中, B表示滞后操作符,p表示AR模型的阶数,c表示差分的次数,q表示MA模型的阶数,, />, ..., />表示AR模型的系数, />, />, ..., />表示MA模型的系数,/>表示模型的误差项;ARIMA模型预测利用历史时间序列数据来建立模型,并通过拟合和预测来评估IGBT的剩余寿命。
在具体实施例中,自回归滑动平均模型ARIMA模型是一种用于处理时间序列数据的统计模型,在时序数据中广泛应用于建模和预测;对于IGBT实时监测数据,ARIMA模型可以捕捉到时间序列数据的自相关性和移动平均性,提供准确的预测结果;在具体实施例中,ARIMA模型具有分析和建模时间序列的随机性和趋势性的能力;IGBT实时监测数据通常包含随机噪声和趋势变动,ARIMA模型可以对这些特征进行建模和提取,实现对数据的适应性建模和预测;同时,ARIMA模型具有灵活的参数调整和模型识别能力,根据时间序列数据的特征,确定最佳的自回归、滑动平均和差分阶数等参数配置,以及合适的模型阶数。这样可以确保模型在实时监测与使用寿命预测评估中有较好的拟合和预测性能;ARIMA模型的预测结果具有较好的解释性,可以直观地显示趋势、周期性和噪声等模式信息。这对于IGBT实时监测与使用寿命预测评估来说,能够方便地理解和分析数据的状态和变动趋势,提供决策支持;在具体实施例中,ARIMA模型可以作为IGBT实时监测与使用寿命预测评估的一个组成部分,为其他模型和算法提供数据预处理和特征提取的支持;通过ARIMA模型的分析和预测,可以提取数据的趋势信息,并用作后续模型的输入特征。并通过表1进行IGBT实时监测与使用寿命预测评估的分析和预测;
表1 IGBT实时监测数据的测试数据表格
表1中包括7个时间点的数据,其中包括温度、电流和振动三个特征。这些特征可以用于建立自回归滑动平均模型ARIMA模型,进行IGBT实时监测与使用寿命预测评估的分析和预测。
在上述实施例中,所述粒子群优化算法模型通过调整模型参数和优化指标,实现参数优化和模型拟合的过程,所述粒子群优化算法模型至少包括参数优化、特征选择和接口优化,粒子群优化算法模型的公式如下所示:
对于每个粒子,其位置表示为/>,速度表示为/>,其中/>为问题的维度;每个粒子/>根据当前位置和速度进行更新,关系表达式为:/>
(2)
在公式(2)中,是惯性权重,/>和/>分别是个体学习因子和社会学习因子,/>和是0到1之间的随机数;/>是粒子/>曾经经历的最佳位置,/>是整个粒子群曾经经历的最佳位置;
通过迭代更新粒子位置和速度,直到满足收敛条件,得到最优解或近似最优解。
在具体实施例中,粒子群优化算法模型通过模拟鸟群中的群体行为,寻找问题的全局最优解。它能够避免陷入局部最优解,具有较好的全局搜索能力;同时,粒子群优化算法模型中的粒子可以并行地搜索解空间,加速搜索过程,每个粒子以自己历史最佳位置和群体中的最佳位置为参考,通过更新速度和位置,迭代地进行搜索;在具体实施例中,粒子群优化算法模型能够自适应地调整搜索速度和方向,根据粒子自身的搜索经验和群体的协作信息。这样使得算法能够更好地适应问题的特性和变化,提高搜索效率;粒子群优化算法模型不需要问题的导数或梯度信息,只需要问题的目标函数即可。这样使得算法在处理复杂问题时更加灵活和便捷。
下面是粒子群优化算法模型数据表,用于IGBT实时监测与使用寿命预测评估方法的粒子群优化算法模型:
表2 粒子群优化算法模型数据表
这个数据表2中,特征1表示温度特征,特征2表示电流特征,特征3表示振动特征,目标函数值代表根据这些特征计算得到的某个评估指标。在粒子群优化算法模型中,通过更新粒子的速度和位置,根据目标函数值的最小化或最大化,优化算法逐步搜索出最优的特征组合,用于IGBT实时监测与使用寿命预测评估。
在上述实施例中,所述强化学习框架TensorForce通过强化学习算法预测评估数据,以实现智能的决策和优化,通过智能体与环境的交互学习以提高IGBT的性能和使用寿命。
在具体实施例中,强化学习框架TensorForce框架提供了灵活的强化学习算法和模型构建选项,使得可以根据具体问题定制和构建适合的强化学习模型。它支持多种强化学习算法(如DQN、PPO、A2C等)以及不同的神经网络结构和多线程和分布式计算,可以在具备多个计算资源的环境中进行并行化的训练和评估。这样可以加快训练速度,提高算法的效率;TensorForce框架提供了易于扩展的接口和可插拔的组件,使得可以很容易地添加自定义的环境、奖励函数、探索策略等;这样可以根据实际需求来扩展强化学习模型;同时,TensorForce框架支持自动调参功能,可以通过自动化搜索来寻找最佳的超参数配置,从而提升算法的性能;TensorForce拥有庞大的社区支持,用户可以在社区中获得帮助、分享经验和讨论问题。这使得使用TensorForce进行IGBT实时监测与使用寿命预测评估的开发和调试更加便捷。
在上述实施例中,所述云端数据库Apache Hadoop用于对大量IGBT实时监测数据,并使用寿命预测评估数据;所述云端数据库包括分布式文件***和分布式计算框架,所述分布式文件***通过分布式数据存储将数据分散存储在多个节点上,以实现大规模数据存储的可扩展性和冗余备份;所述分布式计算框架通过映射归约函数MapReduce对IGBT的监测数据进行处理、聚合和分析。
在具体实施例中,云端数据库Apache Hadoop是一个分布式计算框架,可以在多个节点上进行数据存储和处理;这使得它具有良好的水平可扩展性,能够处理大规模的数据集,适用于IGBT实时监测的高频数据存储和处理;Apache Hadoop采用了容错机制,即使在某些节点发生故障时,也能够保证数据的可靠性和***的稳定性。这对于IGBT实时监测的数据安全性和可靠性非常重要;Apache Hadoop拥有高速数据处理能力,能够使用并行计算和分布式存储来高效地处理大量的数据。这使得它能够实时地对IGBT的监测数据进行处理和分析,提供实时的使用寿命预测评估;Apache Hadoop基于分布式文件***HDFS,可以存储和管理海量的数据。它能够以低成本的方式存储IGBT实时监测的大规模数据,并具备高可用性和数据备份的功能。
在上述实施例中,所述阈值限定方法通过阈值设定、实时监测、状态判断和报警实现自动触发并报警,所述阈值设定通过训练样本数据以设定温度极限阈值、电流极限阈值、功率因数阈值和损耗指标阈值,所述实时监测通过数据对比方法自动比数据采集***的数据与设定的阈值数据,通过状态判断进行触发报警
在具体实施例中,阈值限定方法是一种常见且直观的方法,通过设置合理的阈值来判断IGBT的状态。根据不同的监测指标(如温度、电流、振动等),可以确定各个指标的上下限阈值。当指标超过或接近设定的阈值时,可以判断IGBT处于异常状态或快要故障。同时,阈值限定方法具有实时性,能够实时监测IGBT的状态。通过对实时数据进行快速的阈值判断,可以及时发现IGBT的异常情况,采取相应的措施进行处理,从而减少故障风险。另外,阈值限定方法具有一定的灵活性,可以根据IGBT型号、运行环境等因素来调整阈值,以适应不同的工况和性能要求。在实施中,阈值限定方法可以通过实际的监测数据和故障经验进行不断的调优和优化。根据历史数据分析和***运行情况,可以不断修订和更新阈值设置,提高预测准确性和判断可靠性。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和***的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (9)
1.一种IGBT实时监测与使用寿命预测评估方法,其特征在于:包括以下步骤:
步骤1:通过多模态数据采集***实时获取IGBT的工作信息;所述多模态数据采集***通过电流传感器、温度传感器或振动传感器实时获取IGBT的工作参数、温度或振动信息;
步骤2:通过实时监测计算模块提取有效特征;所述实时监测计算模块利用算数运算软件MATLAB对采集到的IGBT数据进行实时数据处理和分析,
步骤3:通过机器学习算法构建一个寿命预测模型;所述机器学习算法通过对历史工作状态信息数据的训练以构建寿命预测模型;
步骤4:使用寿命预测模型对实时监测计算模块提取到的实时监测数据进行预测,所述实时监测数据的预测通过残差分析、误差分析和生存分析预测评估IGBT的寿命;
步骤5:通过寿命优化单元评估使用寿命;所述寿命优化单元根据寿命预测结果数据内容,将检测到的数据信息与标准数据信息进行比较;利用强化学习框架TensorForce动态调整IGBT的工作参数和工作状态;
步骤6:通过实时预警***对IGBT实时监控;
步骤7通过更新优化单元对预测模型和算法进行更新优化;
步骤8:通过云计算平台实现数据共享和远程监控。
2.根据权利要求1所述的一种IGBT实时监测与使用寿命预测评估方法,其特征在于:所述多模态数据采集***包括基于STM32F103RBT6芯片的主控模块、载波通信模块、隔离模块、不间断信息迭代模块、多模态接口模块和可视化显示模块,其中所述主控模块分别与所述载波通信模块、多模态接口模块、隔离模块、不间断信息迭代模块和可视化显示模块连接,所述主控模块用于控制不同的模块处于工作状态,所述载波通信模块用于传输采集到的数据信息,所述隔离模块用于将采集到的数据信息进行信息隔离,所述不间断信息迭代模块用于实时采集或获取现场数据信息,所述多模态接口模块用于接收***中的数据信息,所述可视化显示模块用于显示监控的数据信息;
所述数据处理包括去噪处理、滤波处理和特征提取,以获得高质量的数据和有价值的特征;
所述寿命预测模型通过自回归滑动平均模型ARIMA模型和粒子群优化算法模型实现准确预测IGBT的使用寿命;
所述实时预警***通过实时数据分析和寿命预测数据实现对IGBT的实时监控,通过阈值限定方法自动触发报警,以防止潜在故障的发生;所述阈值限定方法包括温度阈值限定、电流阈值限定和振动阈值限定;
所述更新优化单元通过数据科学工具Jupyter Notebook对预测模型和算法进行持续更新和优化,以提高预测和评估的准确性和可靠性;
所述云计算平台使用云端数据库Apache Hadoop对大规模数据进行存储和分析,以改进预测模型、提高评估准确性。
3.根据权利要求1所述的一种IGBT实时监测与使用寿命预测评估方法,其特征在于:所述机器学习方法包括以下步骤:
步骤1:通过所述多模态数据采集***收集并整理IGBT的监测数据和使用寿命数据,
步骤2:将检测输入数据进行数据处理,所述数据处理包括数据归一化、特征选择和特征提取,以提高模型性能;
步骤3:使用TensorFlow提供的API,将准备好的数据通过模型优化算法模块输入到模型中进行训练;再通过迭代优化参数优化模型,以实现更准确的预测IGBT的实时状态和寿命;
步骤4:进行模型评估,模型评估时使用均方根误差评估模型的性能和预测准确度。
4.根据权利要求1所述的一种IGBT实时监测与使用寿命预测评估方法,其特征在于:所述算数运算软件MATLAB通过信号处理工具和实时信号处理函数实现对采集到的IGBT数据进行实时数据处理和分析,所述信号处理工具通过滤波、频谱分析、相关性分析、傅里叶变换或小波变换以实现对IGBT数据的信号增强、噪声去除和频域特征提取;所述实时信号处理函数包括滤波器函数和时域频域分析函数以实现对数据的实时分析。
5.根据权利要求2所述的一种IGBT实时监测与使用寿命预测评估方法,其特征在于:所述自回归滑动平均模型ARIMA模型包括自回归模块、滑动平均模块和差分模块;其中所述自回归模块通过自回归方程反映过去观测值对当前值的影响;所述滑动平均模块通过误差预测方法反映过去观测值的误差对当前值的影响;所述差分模块通过差分方法对时间序列数据进行多阶差分,将非平稳序列转化为平稳序列,以实现更简单的建立模型与更加准确的预测;所述自回归滑动平均模型ARIMA模型通过调整自回归阶数、滑动平均阶数和差分阶数,以实现对时间序列数据的拟合和预测;所述自回归滑动平均模型ARIMA模型的关系式为:
(1)
在公式(1)中,B表示滞后操作符,p表示AR模型的阶数,c表示差分的次数,q表示MA模型的阶数,, />,..., />表示AR模型的系数,/>, />, ..., />表示MA模型的系数,/>表示模型的误差项; ARIMA模型预测利用历史时间序列数据来建立模型,并通过拟合和预测来评估IGBT的剩余寿命。
6.根据权利要求2所述的一种IGBT实时监测与使用寿命预测评估方法,其特征在于:所述粒子群优化算法模型通过调整模型参数和优化指标,实现参数优化和模型拟合的过程,所述粒子群优化算法模型至少包括参数优化、特征选择和接口优化,粒子群优化算法模型的公式如下所示:
对于每个粒子,粒子位置表示为/>,粒子速度表示为/>,其中/>为问题的维度;每个粒子/>根据当前位置和速度进行更新,关系表达式为:
(2)
在公式(2)中,是惯性权重,/>和/>分别是个体学习因子和社会学习因子,/>和/>是0到1之间的随机数;/>是粒子/>曾经经历的最佳位置,/>是整个粒子群曾经经历的最佳位置;
通过迭代更新粒子位置和速度,直到满足收敛条件为止,得到最优解或近似最优解。
7.根据权利要求1所述的一种IGBT实时监测与使用寿命预测评估方法,其特征在于:所述强化学习框架TensorForce通过强化学习算法预测评估数据。
8.根据权利要求2所述的一种IGBT实时监测与使用寿命预测评估方法,其特征在于:所述云端数据库包括分布式文件***和分布式计算框架,所述分布式文件***通过分布式数据存储将数据分散存储在多个节点上,以实现大规模数据存储的可扩展性和冗余备份;所述分布式计算框架通过映射归约函数MapReduce对IGBT的监测数据进行处理、聚合和分析。
9.根据权利要求2所述的一种IGBT实时监测与使用寿命预测评估方法,其特征在于:所述阈值限定方法通过阈值设定、实时监测、状态判断和报警实现自动触发并报警,所述阈值设定通过训练样本数据以设定温度极限阈值、电流极限阈值、功率因数阈值和损耗指标阈值,所述实时监测通过数据对比方法自动对比数据采集***的数据与设定的阈值数据,通过状态判断进行触发报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310919125.3A CN116628633A (zh) | 2023-07-26 | 2023-07-26 | 一种igbt实时监测与使用寿命预测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310919125.3A CN116628633A (zh) | 2023-07-26 | 2023-07-26 | 一种igbt实时监测与使用寿命预测评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116628633A true CN116628633A (zh) | 2023-08-22 |
Family
ID=87597711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310919125.3A Pending CN116628633A (zh) | 2023-07-26 | 2023-07-26 | 一种igbt实时监测与使用寿命预测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628633A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149584A (zh) * | 2023-10-31 | 2023-12-01 | 国合通用(青岛)测试评价有限公司 | 基于大数据的多试样标距标记设备的运行监管*** |
CN117435939A (zh) * | 2023-12-14 | 2024-01-23 | 广东力宏微电子有限公司 | 基于大数据的igbt健康状态评估方法 |
CN117575986A (zh) * | 2024-01-05 | 2024-02-20 | 大连亚明汽车部件股份有限公司 | 一种车辆压铸配件成品监测方法、装置、设备及介质 |
CN117828482A (zh) * | 2024-03-04 | 2024-04-05 | 北京航空航天大学 | 基于鸡群算法和马尔科夫法的灰色模型芯片寿命预测方法 |
CN117971929A (zh) * | 2024-03-29 | 2024-05-03 | 天津旗领机电科技有限公司 | 一种减速电机数据值分析*** |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489053A (zh) * | 2013-05-13 | 2014-01-01 | 湖南云控科技有限公司 | 一种基于云计算与专家***的智能水资源管控平台 |
CN105787248A (zh) * | 2014-10-10 | 2016-07-20 | 三星Sds株式会社 | 基于时间序列数据的分析的异常感测和预测***及方法 |
CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
CN112632843A (zh) * | 2020-12-30 | 2021-04-09 | 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)) | 电子元器件故障管理方法以及装置 |
CN112782499A (zh) * | 2019-11-11 | 2021-05-11 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的状态评估方法及装置 |
CN113759225A (zh) * | 2020-06-01 | 2021-12-07 | 上海交通大学 | Igbt剩余寿命预测和状态评估实现方法 |
CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
CN114462820A (zh) * | 2022-01-14 | 2022-05-10 | 西安交通大学 | 一种轴承状态监测与健康管理***性能测试及优化方法和*** |
CN114707423A (zh) * | 2022-04-28 | 2022-07-05 | 河北工业大学 | 一种igbt剩余寿命预测的方法 |
CN114995348A (zh) * | 2022-06-15 | 2022-09-02 | 杜成物联(杭州)有限公司 | 一种变频传动全寿命周期管理方法 |
CN115355942A (zh) * | 2022-08-16 | 2022-11-18 | 华珑(沈阳)智能电气有限公司 | 适用于kyn开关柜的健康管理方法 |
CN115495924A (zh) * | 2022-10-10 | 2022-12-20 | 国营芜湖机械厂 | 基于arima模型的mosfet寿命预测方法 |
CN115600423A (zh) * | 2022-10-31 | 2023-01-13 | 重庆大学(Cn) | 一种电机控制器寿命评估方法 |
CN115659768A (zh) * | 2022-09-09 | 2023-01-31 | 国网智能电网研究院有限公司 | 一种igbt剩余使用寿命预测方法及装置 |
CN115994486A (zh) * | 2022-12-30 | 2023-04-21 | 天津商业大学 | 一种基于深度时序迁移特征的igbt功率模块的剩余寿命预测方法 |
CN116205140A (zh) * | 2023-03-02 | 2023-06-02 | 重庆邮电大学 | 一种基于lstm-arima的igbt剩余使用寿命预测方法 |
-
2023
- 2023-07-26 CN CN202310919125.3A patent/CN116628633A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489053A (zh) * | 2013-05-13 | 2014-01-01 | 湖南云控科技有限公司 | 一种基于云计算与专家***的智能水资源管控平台 |
CN105787248A (zh) * | 2014-10-10 | 2016-07-20 | 三星Sds株式会社 | 基于时间序列数据的分析的异常感测和预测***及方法 |
CN112782499A (zh) * | 2019-11-11 | 2021-05-11 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的状态评估方法及装置 |
CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
CN113759225A (zh) * | 2020-06-01 | 2021-12-07 | 上海交通大学 | Igbt剩余寿命预测和状态评估实现方法 |
CN112632843A (zh) * | 2020-12-30 | 2021-04-09 | 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)) | 电子元器件故障管理方法以及装置 |
CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
CN114462820A (zh) * | 2022-01-14 | 2022-05-10 | 西安交通大学 | 一种轴承状态监测与健康管理***性能测试及优化方法和*** |
CN114707423A (zh) * | 2022-04-28 | 2022-07-05 | 河北工业大学 | 一种igbt剩余寿命预测的方法 |
CN114995348A (zh) * | 2022-06-15 | 2022-09-02 | 杜成物联(杭州)有限公司 | 一种变频传动全寿命周期管理方法 |
CN115355942A (zh) * | 2022-08-16 | 2022-11-18 | 华珑(沈阳)智能电气有限公司 | 适用于kyn开关柜的健康管理方法 |
CN115659768A (zh) * | 2022-09-09 | 2023-01-31 | 国网智能电网研究院有限公司 | 一种igbt剩余使用寿命预测方法及装置 |
CN115495924A (zh) * | 2022-10-10 | 2022-12-20 | 国营芜湖机械厂 | 基于arima模型的mosfet寿命预测方法 |
CN115600423A (zh) * | 2022-10-31 | 2023-01-13 | 重庆大学(Cn) | 一种电机控制器寿命评估方法 |
CN115994486A (zh) * | 2022-12-30 | 2023-04-21 | 天津商业大学 | 一种基于深度时序迁移特征的igbt功率模块的剩余寿命预测方法 |
CN116205140A (zh) * | 2023-03-02 | 2023-06-02 | 重庆邮电大学 | 一种基于lstm-arima的igbt剩余使用寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
ZHONGYUE SU 等: "A new hybrid model optimized by an intelligent optimization algorithm for wind speed forecasting", 《ENERGY CONVERSION AND MANAGEMENT》, pages 443 - 452 * |
索马 哈尔德 等: "《网络安全之机器学习》", vol. 1, 机械工业出版社, pages: 46 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149584A (zh) * | 2023-10-31 | 2023-12-01 | 国合通用(青岛)测试评价有限公司 | 基于大数据的多试样标距标记设备的运行监管*** |
CN117435939A (zh) * | 2023-12-14 | 2024-01-23 | 广东力宏微电子有限公司 | 基于大数据的igbt健康状态评估方法 |
CN117435939B (zh) * | 2023-12-14 | 2024-03-08 | 广东力宏微电子有限公司 | 基于大数据的igbt健康状态评估方法 |
CN117575986A (zh) * | 2024-01-05 | 2024-02-20 | 大连亚明汽车部件股份有限公司 | 一种车辆压铸配件成品监测方法、装置、设备及介质 |
CN117828482A (zh) * | 2024-03-04 | 2024-04-05 | 北京航空航天大学 | 基于鸡群算法和马尔科夫法的灰色模型芯片寿命预测方法 |
CN117828482B (zh) * | 2024-03-04 | 2024-05-07 | 北京航空航天大学 | 基于鸡群算法和马尔科夫法的灰色模型芯片寿命预测方法 |
CN117971929A (zh) * | 2024-03-29 | 2024-05-03 | 天津旗领机电科技有限公司 | 一种减速电机数据值分析*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116628633A (zh) | 一种igbt实时监测与使用寿命预测评估方法 | |
US20230034511A1 (en) | Cloud and edge integrated energy optimizer | |
US10914608B2 (en) | Data analytic engine towards the self-management of complex physical systems | |
Langarica et al. | An industrial internet application for real-time fault diagnosis in industrial motors | |
US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
WO2020046286A1 (en) | Integrated cybersecurity risk assessment and state monitoring for electrical power grid | |
US11409962B2 (en) | System and method for automated insight curation and alerting | |
US20100030521A1 (en) | Method for analyzing and classifying process data | |
EP2978095A1 (en) | Power system operation | |
US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
CN109388678B (zh) | 使用异构源进行电梯状况监测 | |
Gouriveau et al. | Strategies to face imbalanced and unlabelled data in PHM applications. | |
CN116823227A (zh) | 一种基于物联网的智能设备管理***及方法 | |
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
US20210055719A1 (en) | System for predictive maintenance using generative adversarial networks for failure prediction | |
EP3843338B1 (en) | Monitoring and analyzing communications across multiple control layers of an operational technology environment | |
CN116070802A (zh) | 一种基于数据孪生的智能监控运维方法和*** | |
CN116501444B (zh) | 智能网联汽车域控制器虚拟机异常云边协同监测和恢复***及方法 | |
Sharma et al. | The fundamentals and strategies of maintenance, repair, and overhaul (MRO) in Industry 4.0 | |
Novilla et al. | The use of fuzzy logic for online monitoring of manufacturing machine: An intelligent system | |
Ringler et al. | Machine learning based real time predictive maintenance at the edge for manufacturing systems: A practical example | |
KRAVETS | MODERN INFORMATIZATION PROBLEMS IN SIMULATION AND SOCIAL TECHNOLOGIES (MIP-2023'SCT) | |
Sychugov et al. | Design method for distributed adaptive systems providing data security for automated process control systems | |
CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 | |
US11899440B2 (en) | Remote monitoring |
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 |