本申请实施例提供一种用于电源模块的故障预测方法、装置、存储介质及处理器。包括：获取电源模块在多个状态下的历史运行数据；分析并选取符合预设条件的历史运行数据作为正样本数据；处理正样本数据并将处理后的正样本数据输入至故障预测数据模型，以训练故障预测数据模型得到训练完成的故障预测数据模型，获取待预测电源模块的实时运行数据；将实时运行数据输入至训练完成的故障预测数据模型，以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型，以实现对电源模块内部元件的状态监测和故障预测，构建准确的故障预测数据模型，对电源模块潜在故障进行及时、精准地预测，且预测更为全面，更大程度上降低了故障带来的损失。来的损失。来的损失。
【技术实现步骤摘要】
用于电源模块的故障预测方法、装置、存储介质及处理器
[0001]本申请涉及工程设备电源模块控制
，具体涉及一种用于电源模块的故障预测方法、装置、存储介质及处理器。
技术介绍
[0002]工程机械设备的作业工况复杂，其电气系统经常因元件故障、外部电压冲击等因素影响，造成电源模块发生故障，导致设备无法正常工作。为了保证设备的正常工作，亟需对电源模块的故障进行提前检测预警。而本申请的技术人员在研发过程中发现现有的预测模型只是在电源发生异常的情况下，才能进行故障预测，且只是通过对整个电源模块的输出电流电压进行分析来确定电源模块是否存在异常的，没有涉及电源模块和其内部元件的状态监测，导致故障的预测的及时性和精度准确度有限，无法对电源模块进行全面准确地预测，不能够及时地确定出电源模块是否发生故障，导致设备损失严重。
技术实现思路
[0003]本申请实施例的目的是提供一种用于电源模块的故障预测方法、装置、存储介质及处理器。
[0004]为了实现上述目的，本申请第一方面提供一种用于电源模块的故障预测方法，包括：
[0005]获取电源模块在多个状态下的历史运行数据，历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流，和电源模块内部的关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线；
[0006]分析历史运行数据，并选取符合预设条件的历史运行数据作为正样本数据；
[0007]对正样本数据进行处理，并将处理后的正样本数据输入至故障预测数据模型，以对故障预测数据模型进行训练得到训练完成的故障预测数据模型；
[0008]获取待预测电源模块的实时运行数据；
[0009]将实时运行数据输入至训练完成的故障预测数据模型，以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型。
[0010]在本申请实施例中，故障预测方法还包括：根据输出的故障类型执行对应的控制策略。
[0011]在本申请实施例中，在满足以下全部条件的情况下，确定历史运行数据符合预设条件：通过电压电流异常判定模型确定各个支路的电压和电流符合电压电流条件；通过温升异常判定模型确定关键元件的温度符合预设温升条件；通过动作时间异常模型确定关键元件的动作时间符合预设动作条件；通过寿命与触点电流模型确定关键元件的寿命曲线符合预设寿命条件。
[0012]在本申请实施例中，关键元件的温度包括关键元件的实时环境温度和实时线圈温度值，通过温升异常判定模型确定关键元件的温度符合预设温升条件包括：针对任意一个
历史运行数据，根据关键元件的实时电流和实时电压确定关键元件的额定温升值；根据关键元件的实时环境温度、实时线圈温度值以及额定温升值确定关键元件的标定温度；在标定温度大于第一温度阈值且小于第二温度阈值，且持续时长大于预设时长阈值的情况下，确定不符合预设温升条件；或在标定温度大于第二温度阈值的情况下，确定不符合预设温升条件；剔除历史运行数据中不符合预设温升条件的数据，以筛选出符合预设温升条件的历史运行数据。
[0013]在本申请实施例中，根据关键元件的实时电流和实时电压确定关键元件的额定温升值包括根据公式(1)计算额定温升值T0：
[0014]T0＝1V+ηI+a1,(V>V1)
[0015]T0＝k2V+ηI+a2,(V≤V1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0016]其中，V为实时电压，I为实时电流，V1为电压阈值，k1、k2、η为权重系数，a1、a2为常数。
[0017]在本申请实施例中，通过动作时间异常模型确定关键元件的动作时间符合预设动作条件包括：在动作时间与预设时间的差值大于第一动作时间且小于第二动作时间的情况下，确定电源模块的异常次数增一；在电源模块的异常次数大于预设次数阈值，或动作时间与预设时间的差值大于或等于第二动作时间的情况下，确定不符合预设动作条件；剔除历史运行数据中不符合预设动作条件的数据，以筛选出符合预设动作条件的历史运行数据。
[0018]在本申请实施例中，通过寿命与触点电流模型确定关键元件的寿命曲线符合预设寿命条件包括：根据历史运行数据确定关键元件在不同的电流下的第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数；在第一累计等效寿命消耗次数、第二累计等效寿命消耗次数以及第三累计等效寿命消耗次数的和大于预设异常寿命次数的情况下，确定不符合预设寿命条件；剔除历史运行数据中不符合预设寿命条件的数据，以筛选出符合预设寿命条件的历史运行数据。
[0019]在本申请实施例中，根据公式(2)计算第一累计等效寿命消耗次数s
e1
、第二累计等效寿命消耗次数s
e2
以及第三累计等效寿命消耗次数s
e3
：
[0020][0021]其中，I
i
为关键元件的实时电流，I0为关键元件的额定电流，k1,k2为等效寿命消耗次数系数，ε1,ε2分别为第一比值阈值和第二比值阈值，s0为额定寿命次数。
[0022]在本申请实施例中，将处理后的正样本数据输入至故障预测数据模型，以对故障预测数据模型进行训练得到训练完成的故障预测数据模型包括：依次将每个处理后的正样本数据输入至故障预测数据模型，并获取故障预测数据模型输出的预测值，其中，每个预测值对应一个故障类型；根据每个处理后的正样本数据的标准值与预测值确定故障预测数据模型的预测偏差值；在预测偏差值大于第一偏差阈值且小于第二偏差阈值的情况下，再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤；在预测偏差值大于
第二偏差阈值的情况下，通过spread仿生优化算法确定故障预测数据模型的模型参数，并再次执行依次将每个处理后的正样本数据输入至故障预测数据模型的步骤；直到预测偏差值小于第一偏差阈值，确定得到训练完成的故障预测数据模型。
[0023]本申请第二方面提供一种处理器，被配置成执行上述的用于电源模块的故障预测方法。
[0024]本申请第三方面提供一种用于电源模块的故障预测装置，包括上述处理器。
[0025]本申请第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的用于电源模块的故障预测方法。
[0026]上述技术方案，通过获取电源模块在多个状态下的历史运行数据，历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流，和电源模块内部的关键元件在多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线；分析历史运行数据，并选取符合预设条件的历史运行数据作为正样本数据；对正样本数据进行处理，并将处理后的正样本数据输入至故障预测数据模型，以对故障预测数据模型进行训练得到训练完成的故障预测数据模型；获取待预测电源模块的实时运行数据；将实时运行数据输入至训练完成的故障预测数据模型，以通过训练完成的故障预测数据模型输出待预测电源模块的故障类型。采用上本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于电源模块的故障预测方法，其特征在于，所述故障预测方法包括：获取电源模块在多个状态下的历史运行数据，所述历史运行数据包括电源模块的各个支路在多个历史时间点的电压和电流，和电源模块内部的关键元件在所述多个历史时间点的实时电流、实时电压、温度、动作时间以及寿命曲线；分析所述历史运行数据，并选取符合预设条件的历史运行数据作为正样本数据；对所述正样本数据进行处理，并将处理后的正样本数据输入至故障预测数据模型，以对所述故障预测数据模型进行训练得到训练完成的故障预测数据模型；获取待预测电源模块的实时运行数据；将所述实时运行数据输入至所述训练完成的故障预测数据模型，以通过所述训练完成的故障预测数据模型输出所述待预测电源模块的故障类型。2.根据权利要求1所述的用于电源模块的故障预测方法，其特征在于，所述故障预测方法还包括：根据输出的故障类型执行对应的控制策略。3.根据权利要求1所述的用于电源模块的故障预测方法，其特征在于，在满足以下全部条件的情况下，确定所述历史运行数据符合预设条件：通过电压电流异常判定模型确定各个支路的电压和电流符合电压电流条件；通过温升异常判定模型确定所述关键元件的温度符合预设温升条件；通过动作时间异常模型确定所述关键元件的动作时间符合预设动作条件；通过寿命与触点电流模型确定所述关键元件的寿命曲线符合预设寿命条件。4.根据权利要求3所述的用于电源模块的故障预测方法，其特征在于，所述关键元件的温度包括所述关键元件的实时环境温度和实时线圈温度值，所述通过温升异常判定模型确定所述关键元件的温度符合预设温升条件包括：针对任意一个历史运行数据，根据所述关键元件的实时电流和实时电压确定所述关键元件的额定温升值；根据所述关键元件的实时环境温度、实时线圈温度值以及所述额定温升值确定所述关键元件的标定温度；在所述标定温度大于第一温度阈值且小于第二温度阈值，且持续时长大于预设时长阈值的情况下，确定不符合预设温升条件；或在所述标定温度大于所述第二温度阈值的情况下，确定不符合预设温升条件；剔除所述历史运行数据中不符合预设温升条件的数据，以筛选出符合预设温升条件的历史运行数据。5.根据权利要求4所述的用于电源模块的故障预测方法，其特征在于，所述根据所述关键元件的实时电流和实时电压确定所述关键元件的额定温升值包括根据公式(1)计算所述额定温升值T0：T0＝1V+ηI+a1,(V>V1)T0＝k2V+ηI+a2,(V≤V1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，V为实时电压，I为实时电流，V1为电压阈值，k1、k2、η为权重系数，a1、a2为常数。6.根据权利要求3所述的用于电源模块的故障预测方法，其特征在于，所述通过动作时间异常模型确定所述关键元件的动作时间预设动作条件包括：
在所述动作时间与预设时间的差值大于第一动作时间且小于第二动作...
【专利技术属性】
技术研发人员：刘龙，万梁，陈东，谭语，
申请(专利权)人：中联重科股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。