CN117310351B - 一种用于工厂充电线pd协议的检测设备 - Google Patents
一种用于工厂充电线pd协议的检测设备 Download PDFInfo
- Publication number
- CN117310351B CN117310351B CN202311616436.9A CN202311616436A CN117310351B CN 117310351 B CN117310351 B CN 117310351B CN 202311616436 A CN202311616436 A CN 202311616436A CN 117310351 B CN117310351 B CN 117310351B
- Authority
- CN
- China
- Prior art keywords
- voltage
- waveform
- semantic
- local
- voltage waveform
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 108700025151 PD protocol Proteins 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 112
- 238000011084 recovery Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims 1
- 230000003111 delayed effect Effects 0.000 abstract description 16
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000011176 pooling Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007306 turnover Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- HEZMWWAKWCSUCB-PHDIDXHHSA-N (3R,4R)-3,4-dihydroxycyclohexa-1,5-diene-1-carboxylic acid Chemical compound O[C@@H]1C=CC(C(O)=O)=C[C@H]1O HEZMWWAKWCSUCB-PHDIDXHHSA-N 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
- G06F11/221—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test buses, lines or interfaces, e.g. stuck-at or open line faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
公开了一种用于工厂充电线PD协议的检测设备。其首先获取检测设备在运行过程中的预定时间段的电压信号,接着,对所述电压信号进行局部波形特征提取以得到电压局部波形特征向量的序列,然后,提取所述电压局部波形特征向量的序列之间的语义关联特征以得到全局电压波形语义特征向量,最后,基于所述全局电压波形语义特征向量,确定是否启动延时自恢复电源保护芯片。这样,可以智能地判断何时需要启动延时自恢复电源保护芯片,不受固定的延时时间的限制。
Description
技术领域
本公开涉及充电线检测领域,且更为具体地,涉及一种用于工厂充电线PD协议的检测设备。
背景技术
Type-C接口是业内通用的标准接口,现在具有代表性的是Keysight、Keithley等整机仪器厂商,他们的仪器产品具有高精度、快速以及便于操作等特点,主要用于验证线材的性能和通信质量测试,但是其具有高昂的应用成本、体积庞大且笨重等缺点。对于Type-C充电线这种大批量生产的消费品,工厂最关注的经济与快速的方式保证满足测量性能稳定生产出货。为此,开发一款低成本,小尺寸,多通道,可基于PD协议根据客户需求快速烧录和读写电子标签的测试仪器设备显得尤为重要。
但在检测设备的实际运行过程中,会遇到过压,欠压,过流等异常情况,这可能会导致仪器设备和被测产品受到损坏。因此,期待一种解决方案。
发明内容
有鉴于此,本公开提出了一种用于工厂充电线PD协议的检测设备,其可以智能地判断何时需要启动延时自恢复电源保护芯片,不受固定的延时时间的限制。
根据本公开的一方面,提供了一种用于工厂充电线PD协议的检测设备,其包括电脑、电源适配器、SOC主控板、PD通信模块、底板和外壳,所述底板包括延时自恢复电源保护模块,其中,所述延时自恢复电源保护模块,包括:电压信号获取单元,用于获取所述检测设备在运行过程中的预定时间段的电压信号;局部波形特征提取单元,用于对所述电压信号进行局部波形特征提取以得到电压局部波形特征向量的序列;语义关联特征提取单元,用于提取所述电压局部波形特征向量的序列之间的语义关联特征以得到全局电压波形语义特征向量;以及芯片启动判断单元,用于基于所述全局电压波形语义特征向量,确定是否启动延时自恢复电源保护芯片。
根据本公开的实施例,其首先获取检测设备在运行过程中的预定时间段的电压信号,接着,对所述电压信号进行局部波形特征提取以得到电压局部波形特征向量的序列,然后,提取所述电压局部波形特征向量的序列之间的语义关联特征以得到全局电压波形语义特征向量,最后,基于所述全局电压波形语义特征向量,确定是否启动延时自恢复电源保护芯片。这样,可以智能地判断何时需要启动延时自恢复电源保护芯片,不受固定的延时时间的限制。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的用于工厂充电线PD协议的检测设备中所述延时自恢复电源保护模块的框图。
图2示出根据本公开的实施例的用于工厂充电线PD协议的检测设备中所述局部波形特征提取单元的框图。
图3示出根据本公开的实施例的用于工厂充电线PD协议的检测设备中所述语义关联特征提取单元的框图。
图4示出根据本公开的实施例的用于工厂充电线PD协议的检测设备中所述芯片启动判断单元的框图。
图5示出根据本公开的实施例的用于工厂充电线PD协议的检测设备中所述判断子单元的框图。
图6示出根据本公开的实施例的用于工厂充电线PD协议的检测方法的流程图。
图7示出根据本公开的实施例的用于工厂充电线PD协议的检测方法的架构示意图。
图8示出根据本公开的实施例的用于工厂充电线PD协议的检测设备的应用场景图。
图9和图10示出根据本公开的实施例的检测设备外形示意图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在检测设备的实际运行过程中,会遇到过压,欠压,过流等异常情况,这可能会导致仪器设备和被测产品受到损坏。针对这一情况,传统的保护做法是设定延时自恢复电源保护功能,以能够保护仪器设备和被测产品不受损坏。但是,现有技术中,延时自恢复电源保护功能存在的问题是,延时时间不可调节,可能导致电源恢复过早或过晚,影响检测结果的准确性和稳定性。
针对上述技术问题,本公开的技术构思是结合基于深度学习的人工智能技术,对检测设备在运行过程中的电压信号进行分析,以智能地判断何时需要启动延时自恢复电源保护芯片,而不受固定的延时时间的限制。
基于此,本公开提供了一种用于工厂充电线PD协议的检测设备,其包括电脑、电源适配器、SOC主控板、PD通信模块、底板和外壳,所述底板包括延时自恢复电源保护模块100。图1示出根据本公开的实施例的用于工厂充电线PD协议的检测设备中所述延时自恢复电源保护模块的框图示意图。其中,如图1所示,所述延时自恢复电源保护模块100,包括:电压信号获取单元110,用于获取所述检测设备在运行过程中的预定时间段的电压信号;局部波形特征提取单元120,用于对所述电压信号进行局部波形特征提取以得到电压局部波形特征向量的序列;语义关联特征提取单元130,用于提取所述电压局部波形特征向量的序列之间的语义关联特征以得到全局电压波形语义特征向量;以及,芯片启动判断单元140,用于基于所述全局电压波形语义特征向量,确定是否启动延时自恢复电源保护芯片。
具体地,在本公开的技术方案中,首先,获取所述检测设备在运行过程中的预定时间段的电压信号。
考虑到电压信号的波形可能会因为各种因素而发生变化,例如过压,欠压,过流等。这些变化可能会影响电压信号的幅值,频率,相位,峰值,谷值等特征。如果对整个电压信号进行全局特征提取,可能会忽略掉一些细微的波形变化,导致无法准确地判断电压是否存在异常。因此,在本公开的技术方案中,对所述电压信号进行局部波形特征提取以得到电压局部波形特征向量的序列。
在本公开的一个具体示例中,对所述电压信号进行局部波形特征提取以得到电压局部波形特征向量的序列的编码过程,包括:先对所述电压信号进行信号切分以得到电压局部信号的序列;再将所述电压局部信号的序列分别通过基于卷积神经网络模型的电压波形特征提取器以得到电压局部波形特征向量的序列。
接着,提取所述电压局部波形特征向量的序列之间的语义关联特征以得到全局电压波形语义特征向量。也就是,将缺乏特征信息交互的各个电压局部波形特征向量进行语义关联构建,以表征各个局部波形特征之间的关联。
在本公开的一个具体示例中,提取所述电压局部波形特征向量的序列之间的语义关联特征以得到全局电压波形语义特征向量的实现方式是将所述电压局部波形特征向量的序列通过基于转换器模块的电压模式特征时序上下文编码器以得到全局电压波形语义特征向量。
相应地,如图2所示,所述局部波形特征提取单元120,包括:信号切分子单元121,用于对所述电压信号进行信号切分以得到电压局部信号的序列;以及,电压波形特征提取子单元122,用于将所述电压局部信号的序列分别通过基于卷积神经网络模型的电压波形特征提取器以得到所述电压局部波形特征向量的序列。应可以理解,所述局部波形特征提取单元120包含信号切分子单元121和电压波形特征提取子单元122两个子单元。信号切分子单元121的主要功能是将输入的电压信号分段处理,以便后续的特征提取。电压波形特征提取子单元122使用基于卷积神经网络模型的电压波形特征提取器,对每个局部信号进行处理,以得到相应的电压局部波形特征向量的序列,它的主要功能是对每个局部信号进行特征提取,提取出有用的波形特征,以便后续的分析和处理。综合来说,信号切分子单元121用于将电压信号切分成局部信号序列,而电压波形特征提取子单元122则用于对每个局部信号进行特征提取,提取出相应的波形特征向量序列。这些特征向量可以用于进一步的分析、处理和应用,例如模式识别、故障检测等。
值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学***移不变性。全连接层(FullyConnected Layer)将池化层输出的特征图转换为模型的最终输出。它的每个神经元都与前一层的所有神经元相连,通过学习权重和偏置来进行分类、回归等任务。卷积神经网络模型通过多个卷积层、池化层和全连接层的堆叠,逐渐提取输入数据的高级特征,并生成最终的输出。在训练过程中,卷积神经网络通过反向传播算法来调整网络参数,使其能够更好地拟合训练数据。总结起来,卷积神经网络模型是一种通过卷积、池化和全连接等层次化操作,对输入数据进行特征提取和分类的深度学习模型。它在图像处理和模式识别等领域具有出色的性能和广泛的应用。
更具体地,所述语义关联特征提取单元130,用于:将所述电压局部波形特征向量的序列通过基于转换器模块的电压模式特征时序上下文编码器以得到所述全局电压波形语义特征向量。值得一提的是,转换器模块(Transformer Module)是一种用于处理序列数据的深度学习模型,它的核心思想是通过自注意力机制(Self-Attention)来捕捉输入序列中不同位置之间的关联信息,从而实现对序列的全局建模。在语义关联特征提取单元130中,转换器模块被用作电压模式特征时序上下文编码器,用于处理电压局部波形特征向量的序列,并生成全局电压波形语义特征向量。转换器模块的主要作用是对序列数据进行编码,以捕捉序列中的语义关联和上下文信息。转换器模块的基本结构包括以下几个重要组件:1.自注意力机制(Self-Attention):自注意力机制用于计算输入序列中每个位置与其他位置之间的关联权重。它通过将输入序列的每个元素作为查询(Query)、键(Key)和值(Value)来计算关联权重,并根据权重对值进行加权求和。自注意力机制能够捕捉序列中不同位置之间的依赖关系,并强调重要的上下文信息。2.多头注意力机制(Multi-HeadAttention):多头注意力机制是一种扩展的自注意力机制,它使用多个独立的注意力头来并行计算关联权重。每个注意力头学习不同的关联模式,从而增强了模型的表达能力和泛化能力。3.前馈神经网络(Feed-Forward Neural Network):前馈神经网络是转换器模块中的另一个组件,用于在自注意力计算之后对特征进行非线性变换和维度映射。它通过多层感知机(Multi-Layer Perceptron)结构来处理每个位置的特征,增强模型的表示能力。通过堆叠多个转换器模块,可以逐步编码输入序列的语义关联和上下文信息,从而生成全局电压波形语义特征向量。这些特征向量可以在后续的任务中进行进一步的分析和应用,例如模式识别、异常检测等。总结起来,转换器模块是一种用于处理序列数据的深度学习模型,通过自注意力机制和前馈神经网络等组件,实现对输入序列的全局建模和特征提取。在语义关联特征提取单元中,转换器模块被用于编码电压局部波形特征向量的序列,生成全局电压波形语义特征向量。
更具体地,如图3所示,所述语义关联特征提取单元130,包括:上下文编码子单元131,用于将所述电压局部波形特征向量的序列输入所述基于转换器模块的电压模式特征时序上下文编码器以得到多个局部电压波形语义特征向量;以及,级联子单元132,用于将所述多个局部电压波形语义特征向量进行级联以得到所述全局电压波形语义特征向量。
进一步地,将所述全局电压波形语义特征向量通过分类器以得到分类结果,所述分类结果用于表示电压是否存在异常;并基于所述分类结果,确定是否启动延时自恢复电源保护芯片。相应地,如图4所示,所述芯片启动判断单元140,包括:特征分布优化子单元141,用于对所述全局电压波形语义特征向量进行逐位置特征值优化以得到优化全局电压波形语义特征向量;以及,判断子单元142,用于基于所述优化全局电压波形语义特征向量,确定是否启动延时自恢复电源保护芯片。应可以理解,在芯片启动判断单元140中,包括特征分布优化子单元141和判断子单元142。特征分布优化子单元141的目的是通过对特征向量的优化,提高特征的表达能力和区分度,使得后续的判断过程更加准确和可靠。判断子单元142基于优化后的全局电压波形语义特征向量,用于确定是否启动延时自恢复电源保护芯片,它的主要功能是对优化特征向量进行判断和分类,判断芯片是否需要启动延时自恢复电源保护。具体的判断过程可以是根据预先定义的阈值或者通过训练得到的分类模型进行决策。总结起来,特征分布优化子单元141用于对全局电压波形语义特征向量进行优化,以提高特征的表达能力和区分度;而判断子单元142则基于优化后的特征向量,进行具体的判断和分类,确定是否启动延时自恢复电源保护芯片。这两个子单元共同完成了对电压波形特征的优化和判断过程,以实现对芯片启动的判断和保护功能。
更具体地,如图5所示,所述判断子单元142,包括:分类二级子单元1421,用于将所述优化全局电压波形语义特征向量通过分类器以得到分类结果,所述分类结果用于表示电压是否存在异常;以及,确认二级子单元1422,用于基于所述分类结果,确定是否启动延时自恢复电源保护芯片。
更具体地,所述分类二级子单元1421,进一步用于:使用所述分类器的全连接层对所述优化全局电压波形语义特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括电压存在异常(第一标签),以及,电压不存在异常(第二标签),其中,所述分类器通过软最大值函数来确定所述优化全局电压波形语义特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“电压是否存在异常”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,电压是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“电压是否存在异常”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
值得一提的是,全连接编码(Fully Connected Encoding)是指将输入向量通过全连接层进行线性变换和非线性激活,从而得到编码后的特征向量。在所述芯片启动判断单元中,全连接编码被用于对优化后的全局电压波形语义特征向量进行编码,生成编码分类特征向量,用于后续的分类任务。全连接层是深度学习中常见的一种层类型,其每个神经元与前一层的所有神经元相连接。在全连接编码过程中,输入特征向量的每个维度都与全连接层中的神经元相连。全连接层通过学习一组权重参数,对输入特征进行线性变换,并通过激活函数引入非线性变换。全连接编码的作用有以下几点:1.特征组合与抽象:全连接层可以将输入特征的不同维度进行组合和抽象,从而产生更高层次的特征表示。通过学习适当的权重参数,全连接层能够发现输入特征之间的复杂关系,提取更具有判别性的特征。2.维度映射与降维:全连接编码可以通过调整全连接层的神经元数量来实现特征维度的映射和降维。通过适当设置全连接层的维度,可以将高维输入特征映射到低维特征空间,从而减少计算复杂性和存储需求。3.非线性变换:全连接层中的激活函数引入了非线性变换,使得编码后的特征具有更强的表达能力。非线性激活函数能够捕捉输入特征的非线性关系,增加模型的灵活性和表达能力。在芯片启动判断单元中,全连接编码将优化后的全局电压波形语义特征向量映射到一个更具有判别性的编码分类特征向量空间。这样的编码特征向量可以更好地表示输入特征的关键信息,为后续的分类任务提供更有利的特征表示。将编码分类特征向量输入Softmax分类函数可以得到分类结果,通过对不同类别的概率进行比较,确定输入样本的分类标签。
这里,所述电压局部波形特征向量的序列中的每个电压局部波形特征向量表达所述电压信号在局部时域下的波形图像语义特征,由此,将所述电压局部波形特征向量的序列通过基于转换器模块的电压模式特征时序上下文编码器后,可以进一步提取全局时域下的各局部时域之间的图像语义特征上下文关联,使得得到的所述全局电压波形语义特征向量具有局部时域-全局时域下的多样化的图像语义特征表示。这样,所述全局电压波形语义特征向量在时域空间内的多样化的特征表示会给所述全局电压波形语义特征向量的整体特征表示带来局部特征分布稀疏化,即相对于整体高维特征流形的分布外稀疏化子流形,这会使得在将所述全局电压波形语义特征向量通过分类器进行类概率回归映射时,所述全局电压波形语义特征向量到概率空间内的预定回归概率表示的收敛性差,影响分类结果的准确性。
因此,优选地,对所述全局电压波形语义特征向量进行逐位置特征值优化,具体为:所述特征分布优化子单元,用于:以如下优化公式对所述全局电压波形语义特征向量进行逐位置特征值优化以得到所述优化全局电压波形语义特征向量;其中,所述优化公式为:其中,/>是所述全局电压波形语义特征向量,/>是所述全局电压波形语义特征向量/>的第/>个位置的特征值,/>是所述全局电压波形语义特征向量/>的第/>个位置的特征值。
也就是,通过基于重概率的正则化来处理高维特征空间内的稀疏分布,以激活所述全局电压波形语义特征向量在高维特征空间内的几何流形到概率空间的自然分布转移,从而通过对所述全局电压波形语义特征向量/>的高维特征流形的分布稀疏子流形进行基于重概率化的平滑正则的方式,提高具有高空间稀疏性的复杂高维特征流形在预定回归概率分布下的收敛性,从而提升所述全局电压波形语义特征向量/>通过分类器得到的分类结果的准确性。
综上,基于本公开实施例的用于工厂充电线PD协议的检测设备被阐明,其可以智能地判断何时需要启动延时自恢复电源保护芯片,不受固定的延时时间的限制。
如上所述,根据本公开实施例的所述用于工厂充电线PD协议的检测设备可以实现在各种终端设备中,例如具有用于工厂充电线PD协议的检测算法的服务器等。在一个示例中,用于工厂充电线PD协议的检测设备可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该用于工厂充电线PD协议的检测设备可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该用于工厂充电线PD协议的检测设备同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于工厂充电线PD协议的检测设备与该终端设备也可以是分立的设备,并且该用于工厂充电线PD协议的检测设备可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图6示出根据本公开的实施例的用于工厂充电线PD协议的检测方法的流程图。图7示出根据本公开的实施例的用于工厂充电线PD协议的检测方法的***架构的示意图。如图6和图7所示,根据本公开实施例的用于工厂充电线PD协议的检测方法,其包括:S110,获取检测设备在运行过程中的预定时间段的电压信号;S120,对所述电压信号进行局部波形特征提取以得到电压局部波形特征向量的序列;S130,提取所述电压局部波形特征向量的序列之间的语义关联特征以得到全局电压波形语义特征向量;以及,S140,基于所述全局电压波形语义特征向量,确定是否启动延时自恢复电源保护芯片。
在一种可能的实现方式中,对所述电压信号进行局部波形特征提取以得到电压局部波形特征向量的序列,包括:对所述电压信号进行信号切分以得到电压局部信号的序列;以及,将所述电压局部信号的序列分别通过基于卷积神经网络模型的电压波形特征提取器以得到所述电压局部波形特征向量的序列。
在一种可能的实现方式中,提取所述电压局部波形特征向量的序列之间的语义关联特征以得到全局电压波形语义特征向量,包括:将所述电压局部波形特征向量的序列通过基于转换器模块的电压模式特征时序上下文编码器以得到所述全局电压波形语义特征向量。
这里,本领域技术人员可以理解,上述用于工厂充电线PD协议的检测方法中的各个步骤的具体操作已经在上面参考图1到图5的用于工厂充电线PD协议的检测设备的描述中得到了详细介绍,并因此,将省略其重复描述。
图8示出根据本公开的实施例的用于工厂充电线PD协议的检测设备的应用场景图。如图8所示,在该应用场景中,首先,获取所述检测设备在运行过程中的预定时间段的电压信号(例如,图8中所示意的D),然后,将所述电压信号输入至部署有用于工厂充电线PD协议的检测算法的服务器中(例如,图8中所示意的S),其中,所述服务器能够使用所述用于工厂充电线PD协议的检测算法对所述电压信号进行处理以得到用于表示电压是否存在异常的分类结果。
应可以理解,携带电子标签的60W以上功率Type-C充电线在工厂出货测试着重与电子标签的烧录与读写,检测设备需要与成品Type-C线连接,检测产品的状态自动切换CC线并给产品供电以及通过CC线烧录和读取产品电子标签的信息,产品正常测试的数据结果需要实时返回服务器存储,对整个仪器测量通信的速度和时间有一定要求。
本公开的检测设备由电脑,12V电源适配器,SOC主控板,PD通信模块,底板和外壳组成,具有体积小轻便灵活特点,总共有4个独立的通道可用于测量测量Type-C线,其中底板负责提供电源保护,提供电源给SOC主控模块和PD通信模块及其切换CC线的逻辑,SOC模块通过网口与电脑通信可控制底板与PD通信模块执行测量动作与收发信息,PD通信模块负责提供电源给被测产品与及通过CC线通信协商烧录和读取客户需要的信息。
现有的高精密检测设备主要侧重于Type-C线的线材损耗和性能与及标准协议检测,主要用于产品前期的性能验证,大体积,昂贵的价格与及无法根据客户需求定制烧录信息无法用于工厂的大批量出货测试***中。而一些厂商做的检测设备做的测试***往往采用串口或者RS232等低速总线传输数据,测量结果显示在仪器显示器上,造成体积过大,产品测量和传输数据效率低而无法适用于工厂测量产线上。
本公开的检测设备与电脑通信方式为千兆网口,用户可在电脑上实时操作读写Type-C充电线产品所需要的信息,内部有4个独立通道可同时测量4个产品或者2个产品充电线的两端,极大的提升了生产效率,体检小不占用空间利于工厂测试环境。
其中,图9和图10示出了检测设备的外形示意图。本公开的检测设备***由电脑、12V电源适配器,Xilinx 7000系列SOC主控模块、PD通信模块,外壳等构成。
Xavier是一款基于Xilinx 7000系列的可编程SOC模块,内部拥有丰富的逻辑资源,支持多种数字接口,丰富的IO资源可编译成I2C,SPI等总线通过底板连接PD模块交互通信,自带千兆PHY可通过底板的RJ45与电脑交互通信实时上传数据。
PD通信模块主要用于烧录或读取被测产品的电子标签芯片的信息,模块内部集成有2个PD控制器,其中TI的TPS65983控制器用于做DFP给被测产品的VBUS供应5V电压与及给被测产品电子标签的VCONN供电。NXP的PTN5110主要通过CC线与被测产品基于PD协议进行烧录和读取数据。
仪器底板内部自带延时自恢复电源保护芯片可以防止检测设备在运行过程中出现过压,欠压,过流等故障损坏仪器设备和被测产品,整个***以12V供电给底板,经过底板的DCDC和LDO电源芯片转换出对应的12V,-12V,5V,3.3V给模块和底板电路使用。主控模块的千兆PHY通过底板的RJ45网口连接电脑通信,PD模块和底板电路也通过主控模块控制切换。
进一步地,关于被测产品Type-C充电线实现原理:检测设备作为DFP,被测产品作为UFP,4根独立的被测产品分别***检测设备的1-4通道的Type-C接口,电脑与SOC主控模块通信控制底板的继电器切换电路连通CC线,VBUS,GND,控制PD通讯模块内部的控制器TPS6983与PTN5110协商进入RD状态,读取PD模块的寄存器信息检测CC线是否连接正确并自动进行切换翻转CC1和CC2的状态,当检测到CC1为RD,CC2为RA状态时,PD通信模块会输出5V给到产品的VBUS和VCONN,此时代表检测到被测产品的电子标签芯片正常连接,后续电脑发送命令控制PD通信模块的CC线进行烧录或读取产品信息判断被测产品是否正常并上传数据到上位机***存储。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (5)
1.一种用于工厂充电线PD协议的检测设备,其包括电脑、电源适配器、SOC主控板、PD通信模块、底板和外壳,所述底板包括延时自恢复电源保护模块,其特征在于,所述延时自恢复电源保护模块,包括:
电压信号获取单元,用于获取所述检测设备在运行过程中的预定时间段的电压信号;
局部波形特征提取单元,用于对所述电压信号进行局部波形特征提取以得到电压局部波形特征向量的序列;
语义关联特征提取单元,用于提取所述电压局部波形特征向量的序列之间的语义关联特征以得到全局电压波形语义特征向量;以及
芯片启动判断单元,用于基于所述全局电压波形语义特征向量,确定是否启动延时自恢复电源保护芯片;
其中,所述芯片启动判断单元,包括:
特征分布优化子单元,用于对所述全局电压波形语义特征向量进行逐位置特征值优化以得到优化全局电压波形语义特征向量;以及
判断子单元,用于基于所述优化全局电压波形语义特征向量,确定是否启动延时自恢复电源保护芯片;
其中,所述特征分布优化子单元,用于:
以如下优化公式对所述全局电压波形语义特征向量进行逐位置特征值优化以得到所述优化全局电压波形语义特征向量;
其中,所述优化公式为:
,
其中,是所述全局电压波形语义特征向量,/>是所述全局电压波形语义特征向量/>的第/>个位置的特征值,/>是所述优化全局电压波形语义特征向量的第/>个位置的特征值。
2.根据权利要求1所述的用于工厂充电线PD协议的检测设备,其特征在于,所述局部波形特征提取单元,包括:
信号切分子单元,用于对所述电压信号进行信号切分以得到电压局部信号的序列;以及
电压波形特征提取子单元,用于将所述电压局部信号的序列分别通过基于卷积神经网络模型的电压波形特征提取器以得到所述电压局部波形特征向量的序列。
3.根据权利要求2所述的用于工厂充电线PD协议的检测设备,其特征在于,所述语义关联特征提取单元,用于:
将所述电压局部波形特征向量的序列通过基于转换器模块的电压模式特征时序上下文编码器以得到所述全局电压波形语义特征向量。
4.根据权利要求3所述的用于工厂充电线PD协议的检测设备,其特征在于,所述语义关联特征提取单元,包括:
上下文编码子单元,用于将所述电压局部波形特征向量的序列输入所述基于转换器模块的电压模式特征时序上下文编码器以得到多个局部电压波形语义特征向量;以及
级联子单元,用于将所述多个局部电压波形语义特征向量进行级联以得到所述全局电压波形语义特征向量。
5.根据权利要求4所述的用于工厂充电线PD协议的检测设备,其特征在于,所述判断子单元,包括:
分类二级子单元,用于将所述优化全局电压波形语义特征向量通过分类器以得到分类结果,所述分类结果用于表示电压是否存在异常;以及
确认二级子单元,用于基于所述分类结果,确定是否启动延时自恢复电源保护芯片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616436.9A CN117310351B (zh) | 2023-11-30 | 2023-11-30 | 一种用于工厂充电线pd协议的检测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616436.9A CN117310351B (zh) | 2023-11-30 | 2023-11-30 | 一种用于工厂充电线pd协议的检测设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117310351A CN117310351A (zh) | 2023-12-29 |
CN117310351B true CN117310351B (zh) | 2024-03-19 |
Family
ID=89285193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311616436.9A Active CN117310351B (zh) | 2023-11-30 | 2023-11-30 | 一种用于工厂充电线pd协议的检测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117310351B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002027796A (ja) * | 2000-05-04 | 2002-01-25 | Bayerische Motoren Werke Ag | 自動車のジェネレータとバッテリの間の充填ケーブルの中断を検出する装置と方法 |
JP2011173574A (ja) * | 2010-02-25 | 2011-09-08 | Denso Corp | 車両用異常検出装置 |
CN203133253U (zh) * | 2013-02-21 | 2013-08-14 | 林建阳 | 电池充电线路监控装置 |
CN203205908U (zh) * | 2013-03-01 | 2013-09-18 | 麦华彬 | 一种用于多种移动终端的充电器及充电线 |
CN204012676U (zh) * | 2014-09-01 | 2014-12-10 | 威海凯瑞电气股份有限公司 | 一种电池检测和保护电路 |
CN110979078A (zh) * | 2019-11-28 | 2020-04-10 | 芜湖雪影实业有限公司 | 一种充电设备插头电压检测***及其检测方法 |
CN217563378U (zh) * | 2022-03-29 | 2022-10-11 | 浙江圣博创新科技有限公司 | 一种实现定时回头看的智能电源模块 |
CN116420941A (zh) * | 2023-05-11 | 2023-07-14 | 深圳中科云信息技术有限公司 | 电子雾化设备的微波加热控制***及其方法 |
CN116647946A (zh) * | 2023-07-27 | 2023-08-25 | 济宁九德半导体科技有限公司 | 基于半导体的加热控制***及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4395770B2 (ja) * | 2004-11-25 | 2010-01-13 | 株式会社デンソー | バッテリ充電装置の充電線断線検出方法及びバッテリ充電装置 |
-
2023
- 2023-11-30 CN CN202311616436.9A patent/CN117310351B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002027796A (ja) * | 2000-05-04 | 2002-01-25 | Bayerische Motoren Werke Ag | 自動車のジェネレータとバッテリの間の充填ケーブルの中断を検出する装置と方法 |
JP2011173574A (ja) * | 2010-02-25 | 2011-09-08 | Denso Corp | 車両用異常検出装置 |
CN203133253U (zh) * | 2013-02-21 | 2013-08-14 | 林建阳 | 电池充电线路监控装置 |
CN203205908U (zh) * | 2013-03-01 | 2013-09-18 | 麦华彬 | 一种用于多种移动终端的充电器及充电线 |
CN204012676U (zh) * | 2014-09-01 | 2014-12-10 | 威海凯瑞电气股份有限公司 | 一种电池检测和保护电路 |
CN110979078A (zh) * | 2019-11-28 | 2020-04-10 | 芜湖雪影实业有限公司 | 一种充电设备插头电压检测***及其检测方法 |
CN217563378U (zh) * | 2022-03-29 | 2022-10-11 | 浙江圣博创新科技有限公司 | 一种实现定时回头看的智能电源模块 |
CN116420941A (zh) * | 2023-05-11 | 2023-07-14 | 深圳中科云信息技术有限公司 | 电子雾化设备的微波加热控制***及其方法 |
CN116647946A (zh) * | 2023-07-27 | 2023-08-25 | 济宁九德半导体科技有限公司 | 基于半导体的加热控制***及其方法 |
Non-Patent Citations (1)
Title |
---|
220kV母线失电后试送电方案的分析;赵兴泉;山西电力(第1期);第16-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117310351A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102156885B (zh) | 基于级联式码本生成的图像分类方法 | |
CN110717554B (zh) | 图像识别方法、电子设备及存储介质 | |
CN111915437B (zh) | 基于rnn的反洗钱模型的训练方法、装置、设备及介质 | |
CN116934304B (zh) | 智能配电房设备运行维护管理***及其方法 | |
CN105675038A (zh) | 一种仪表的故障预测装置 | |
CN116893336B (zh) | 高低压开关设备及其方法 | |
Wei et al. | Mixed-type wafer defect recognition with multi-scale information fusion transformer | |
CN116299051B (zh) | 一种过流短路检测电路及检测保护*** | |
CN116862320A (zh) | 一种农村生态环境评估监管方法、***及存储介质 | |
CN114418980A (zh) | 印刷线路板缺陷识别的深度学习方法、***、设备及介质 | |
CN117113218A (zh) | 可视化的数据分析***及其方法 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN111143835B (zh) | 基于机器学习的电力计量***业务逻辑非侵入式防护方法 | |
CN114722794A (zh) | 数据提取方法和数据提取装置 | |
CN117310351B (zh) | 一种用于工厂充电线pd协议的检测设备 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
Saini et al. | Pq events classification and detection-a survey | |
Gopinath et al. | Scalable fault models for diagnosis of synchronous generators | |
EP4198777A1 (en) | Sample classification method and apparatus, electronic device and storage medium | |
CN116520154A (zh) | 锂电池极片检测的性能评估方法及其*** | |
CN112505531B (zh) | 基于支持向量优选的电路故障诊断方法及其装置 | |
CN116432027A (zh) | 基于振动信号的变压器运行状态检测方法及*** | |
Raut et al. | Mood-Based Emotional Analysis for Music Recommendation | |
CN117686890B (zh) | 用于毫米波治疗仪的单板测试方法及*** | |
Chung | Machine learning classification techniques for non-intrusive load 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |