读书笔记12.27 12.28 12.29（数据驱动状态监测）

Enabling Data-Driven Condition Monitoring of Power Electronic Systems With Artificial Intelligence: Concepts, Tools, and Development
by Shuai Zhao and Huai Wang

Power Electronic Systems (PES)与AI结合

介绍
状态监测可以监测PES的健康状态，以识别和减轻潜在风险。还可用于PES的运行优化。
状态监测方法可分为基于模型和数据驱动两种。基于模型由于很多不确定性而受限。
数据驱动：应用Al算法和一组现有的输入数据(有或没有输出数据)来生成假设模型。然后，这些生成的模型被用来为新的输入数据集获得相应的输出。
数据驱动的状态监测解决方案已经成为一个很有前途的方向，有很多优点。成本、实现复杂性、准确性和对现有系统运行的影响是影响基准状态监测方法的主要因素。同时需减小为实现状态监测而增加的硬件电路或软件算法给系统带来新的风险。
PES数据驱动状态监测的几个挑战：
1）数据集的大小有限：与其他数据驱动应用（如图像识别或自然语言处理）相比，PES不是数据密集型区域。例如，由于设备退化是一个非常长的过程，在正常使用过程中需要几年以上，因此故障时间数据很少；加速测试实验也会消耗资源（例如，时间、设备、人力）。此外，PES通常处于高频运行状态，所采样数据无法满足所需分辨率和采样频率。
2）异构的（Heterogeneous）运行环境：PES通常在广泛的气候条件和动态加载条件下运行，这些外部因素会影响收集到的数据的模式，产生具有高变异性的数据，包括系统对系统变异性、时间变异性、测量误差等。
3）计算能力有限
4）对结果的可靠性要求高：PES上的大多数条件监控应用程序都是任务关键型的，对错误预测的容忍度很低。因此，它要求数据驱动解决方案的可解释性、可靠性和可信度。
概念和工具
图2展示了用数据和AI进行RUL（remaining useful lifetime）预测、异常检测和退化状态识别的过程。两步：获取相关参数或特征、预测
在步骤1中，有两种情况。第一个是直接使用初始数据作为步骤2的输入。第二，初始数据本身往往不能直接用作健康指标或特征，以确保步骤2中足够的预测准确性，此时可以用数据驱动或基于模型的方法。
步骤二有监督学习和无监督学习。监督学习应用一组已知数据标记数据并训练，目的是建立输入-输出对之间的函数关系。如果训练数据集中没有目标输出，则为无监督学习。无监督学习的目标包括数据聚类和数据压缩（data clustering and data compression）。例如，根据历史数据的相似性或不同PES之间的相似性来确定降解状态。
图2所示的Al应用程序可以考虑解决四类问题：优化、回归、分类和数据结构探索。通常，工具分为专家系统（expert systemES）、模糊逻辑（fuzzy logicFL）、元启发式方法（metaheuristic methods）和机器学习（machinelearningML）。PES的AI应用最活跃的领域是ML。
State-of-the-art Developments
Case Studies
A. PSO（particle swarm optimization） for Optimization Problem in Estimating
Health Indicators of a Buck Converter
提出一个类似于系统模型的概念：a digital twin :includes mathematical models of the power stage, feedback signal conditioning stage, and control stage.
通过传感器信息 inductor current IL and output voltage Vo，利用粒子群算法实现以下目标，得到模型。

从而能实现，不用增加传感器得到其他感兴趣的数据。
B. Composite Failure Precursor (CFP) Optimization 复合失效前兆（CFP）优化
for SiC MOSFETs Based on Information Fusion 基于信息融合的SiC-mosfet集成电路设计
怎么利用多种相关数据获得健康的指标。[10]使用genetic programming 集成Sic MOSFET的多个物理参数（如输入电容Ciss、输出电容Coss、反向转移电容Crss、漏源极导通电阻Rdson、栅极阈值电压Vgsth和二极管正向电压Vsd）来获得CFP。作为一种符号编程方法，GP可以自动搜索物理参数的非线性组合形式，使特定目标函数最小化，例如在这种情况下的预测误差。候选组合形式由显式的数学运算(如加减乘除对数三角函数等）。更高级的操作可以添加进来使GP更灵活和有力。如此，一个复合故障前兆就产生了。与广泛应用的R_ds(on)参数相比，所开发的复合材料失效前兆的预测精度提高了35。3%，相关不确定性水平降低了16.3%，表明信息融合具有很大的潜力。值得一提的是，图4中的融合函数没有物理意义。他的功能是从数据驱动的角度出发的

C. Early Degradation Prediction and Testing 早期退化预测和测试
Time Reduction of Batteries
从224个charging protocols 中选那个high-cycle-life charging protocols，直接做费资源时间。
ML：建立前100个cycle与最终电池寿命的关系，实现用 first few cycles of data预测寿命。
Bayesian optimization：optimize the design parameter space by balancing the exploration of high uncertainty area and the exploitation of the predicted high-cycle-life. Bayesian optimization can purposefully search for the input space with a high-level uncertainty where there is a high probability to obtain the optimal high-cycle life. 最后 the recommended charging protocols are obtained from the optimization results。减少试验次数

D. Online Anomaly Detection in DC/DC Converters
Based on Multiple Statistical Features
Gaussian process regression (GPR)：首先将前300个输出电压的采样数据点用于模型训练，得到一个表明变换器正常行为的模型。该模型可以产生正常电压输出。GPR还提供了正常电压的95%置信区间，以指示正常工作范围，即不确定性量化能力。利用这七个统计特征的极值来确定异常行为。一般来说，从多个时间序列中计算极值需要跟大计算量。遗传算法是一种优化工具，用于加速从这些输出电压时间序列中寻找最大极值。

A Conceptual Framework for Hardware Implementation
AI用于装态检测两个阶段：model training 、 model inference 模型训练通常是资源密集型的，这需要一个高性能的平台，具有强大的计算单元和海量存储。在某些情况下，例如异常检测，模型推理是延迟严格的，需要be performed locally on the PES。一旦状态监测数据偏离训练的模型。本地PES模型需要重新训练以获得更好的性能，即模型更新能力，可以用最新的数据动态地完善自己。所述实现可通过分层架构来完成，该架构包括三层，包括cloud platform, fog platform, and edge platform.

layer1:数据收集和预处理。该平台可以进行实时决策，如故障检测、保护、运行优化和应力估计。此外，脱机训练的模型可以通过使用转换器特定数据进行在线训练进行微调。
layer2:从单个转换器收集的数据可以组合和分析，用于模型训练和模型更新。RUL预测和退化分类等相对不敏感的应用可以在该平台上执行。
layer3:收集大量数据进行模型训练。云平台是为计算和数据密集型处理而设计的，一般配备强大的计算单元和数据仓库技术.由于它可以被远程访问和控制，因此对这个平台实现的地理需求较少。需要复杂计算的维护计划可以在这一层上制定。
fog platform is complementary to the cloud platform.它被设计成一个接入点，由网络网关和数据中心组成，在地理位置上靠近edge platform。它可以协调互操作性，并为edge platform上的单元之间分配资源，实现紧密连接的结构。同时，在云连接中断的情况下，fog platform对系统的恢复能力至关重要。
然后介绍了他们的硬件实现，不重要。
Outlook on Data-Driven Condition ——Monitoring for PES
人工智能在PES数据驱动状态监测中的应用，虽然文献有不少，但在电力变换器中的商业实现是非常少的。以下总结了未来趋势的几个有前景的方向。

Data-Light AI Tools
the PES is not a data-intensive field to date .没有公认的数据集作为基准测试数据集。因此，它需要能够在有限的数据下有效训练的数据的工具。转移学习（Transfer learning）可能有助于解决这一挑战，因为它可以有效地利用来自不同领域的微小数据，从而形成相对大的数据集。
Computation-Light AI Tools
PES中的计算单元具有有限的计算能力。因此，需要能够在常规计算单元上高效实现的轻计算AI工具。另一方面，在计算资源受限的情况下，如何利用模型压缩、推理加速等方法来加速现有的Al工具是至关重要的
Reliable AI Tools
一种可行的方法是在贝叶斯框架内建立AI工具，以实现不确定性量化能力
Physics-Informed AI Tools
将完善的物理知识和领域经验整合到Al工具中。三优点：物理知识的结合将为有针对性地收集数据进行模型训练提供系统的指导，其中具有更深刻信息的数据可以集中，而缺乏信息的数据将被淘汰。其次，结合物理知识，简化模型结构;计算密集的部分可以用物理模型代替，提出了计算轻AI工具。第三，结合物理知识，提高模型的透明性和可解释性，使模型具有可靠的Al tools。对于这个方向，一个例子是在神经网络的训练过程中添加物理知识作为正则化项，即物理信息神经网络。
Distributed Optimization
提高相邻PES与其他计算单元之间的通信能力。这种互联将形成一个多智能体框架，密集的计算可以灵活地分布在每个智能体上，从而加快任务的执行速度。这样的实现可以实现分布式优化。这样，多个PES可以协同高效地完成一项优化任务。

读书笔记12.27 12.28 12.29（数据驱动状态监测）相关推荐

第 27、28、29 节接口、抽象类、SOLID、单元测试、反射
第27.28.29节接口.抽象类.SOLID.单元测试.反射什么是接口和抽象类 SOLID 接口依赖反转原则和单元测试什么是接口和抽象类 1)接口和抽象类都是"软件工程产物" ...
【Effection C++】读书笔记条款10～条款12
[Effection C++]读书笔记 Part2 构造/析构/赋值运算条款09:绝不在构造和析构函数中调用virtual函数构造函数和析构函数期间不要调用virtual函数,虽然语法上并不会有错 ...
【Effection C++】读书笔记条款27：尽量少做转型动作
[Effective C++]读书笔记 Part5 实现条款27:尽量少做转型动作 C++中的类型转换语法类型转换语法主要有三种不同的形式: (T)expression //将expression ...
2021年12月27日|28日|29日|30日|31日|
2021年12月第五周学习周记二叉树二叉树节点结构: class Node <V>{V value;Node left;Node right; } 当可以通过左树和右树获得信息来解决问 ...
读书笔记----10日摘抄整理(12)
<平凡的世界>:谁让你读了这么多书,又知道了双水村以外还有个大世界--如果从小你就在这个天地里日出而作,日落而息,那你现在就会和众乡亲抱同一理想:经过几年的辛劳,像大哥一样娶个满意的媳妇, ...
《斯坦福数据挖掘教程·第三版》读书笔记（英文版）Chapter 12 Large-Scale Machine Learning
来源:<斯坦福数据挖掘教程·第三版>对应的公开英文书和PPT Chapter 12 Large-Scale Machine Learning Algorithms called " ...
《图解HTTP》读书笔记--第4章返回结果的HTTP状态码
写在前面:本文仅供个人学习使用,如有侵权,请联系删除.文章中所用图片绝大多数来源于<图解HTTP>,请读者支持原版. 文章目录 4.1状态码告知从服务器端返回的请求结果 4.2 2xx成功 ...
【Effection C++】读书笔记条款28：避免返回handles指向对象内部成分
[Effective C++]读书笔记 Part5 实现条款28:避免返回handles指向对象内部成分避免返回handles(包括references,指针,迭代器)指向对象内部.遵守这个条款可 ...
【读书笔记】数据出现多重共线性情况：岭回归，lasso回归，适应性lasso回归，偏最小二乘回归
# 2.2.3 数据出现多重共线性情况:岭回归,lasso回归,适应性lasso回归,偏最小二乘回归 # 有一些关于多重共线性的度量,其中之一是容忍度(tolerance)或(等价的)方差膨胀因子(v ...

读书笔记12.27 12.28 12.29（数据驱动状态监测）

读书笔记12.27 12.28 12.29（数据驱动状态监测）相关推荐

最新文章

热门文章