基于FPGA的功率组件系统故障数据采集方法及系统与流程

本发明涉及功率组件系统技术领域，尤其涉及一种基于fpga的功率组件系统故障数据采集方法及系统。

背景技术：

功率组件系统是以功率器件为核心，并集成驱动和控制为一体的电能变换系统，是电力电子产业的核心。功率组件系统的故障，集中表现为三大类：电气故障、因电气引起的热故障及因电气或热引发的功率器件故障。随着智能时代的到来，现代工业和科学技术发展迅速，电子技术不断革新，现代设备结构、系统越来越复杂，而数据作为智能控制、实例分析、产品性能分析的基础，因此，功率组件系统的数据实时性关系到财产和人员的安全。

然而，目前的功率组件系统故障数据采集系统主要是借助功率组件外部的检测设备或者上层控制系统进行故障数据处理，即借助功率组件系统内部配置的数据采集装置或者通信装置完成故障数据处理，但功率组件本身不具备数据采集、处理、存储和传输的功能。因此，现有的功率组件系统故障数据采集系统具有封装性差、可靠性低等缺点。此外，由于各个功能模块零散分布于整个故障数据采集系统中，一旦其中某个模块发生异常，会使整个故障数据采集系统出现数据失真，甚至无数据的状态，维护成本高。

因此，需要提供一种功率组件本身具备数据采集、处理、存储和传输功能的功率组件系统故障数据采集方法及系统。

技术实现要素：

本发明所要解决的技术问题是：现有的功率组件系统故障数据采集系统主要是借助功率组件外部的检测设备或者上层控制系统进行故障数据处理，即借助功率组件系统内部配置的数据采集装置或者通信装置完成故障数据处理，但功率组件本身不具备数据采集、处理、存储和传输的功能，从而导致封装性差、可靠性低。

为了解决上述技术问题，本发明提供了一种基于fpga的功率组件系统故障数据采集方法及系统。

根据本发明的一个方面，提供了一种基于fpga的功率组件系统故障数据采集方法，该方法包括：

获取功率组件系统的状态信息；

根据所述功率组件系统的状态信息，判断所述功率组件系统是否出现故障或存在出现故障的风险；

在判断出所述功率组件系统出现故障或存在出现故障的风险的情况下，由所述功率组件系统具有的fpga执行故障数据的采集、处理、存储和传输操作。

在本发明一优选实施例中，所述故障数据包括第一故障数据和第二故障数据，所述故障数据的采集操作包括：

由所述fpga采集由机器学习智能模块发出的第一故障数据；

由所述fpga记录与所述功率组件系统的状态信息对应的第一时间点，并根据所述第一时间点，采集该第一时间点前后预设时间段内的功率组件系统的第一状态信息，得到包括所述第一时间点和所述第一状态信息的第二故障数据。

在本发明一优选实施例中，所述故障数据的处理操作包括：

对所述第一故障数据和所述第二故障数据进行数据整合，生成第三故障数据。

在本发明一优选实施例中，所述故障数据的存储操作包括：

将所述第三故障数据存储在所述fpga具有的数据存储模块中。

在本发明一优选实施例中，所述数据存储模块为非易失性存储器。

在本发明一优选实施例中，所述故障数据的传输操作包括：

由fpga具有的数据传输模块将所述第三故障数据传输给上位机，以对所述第三故障数据进行分析。

在本发明一优选实施例中，所述数据传输模块为以太网通信模块。

在本发明一优选实施例中，由机器学习智能模块根据所述功率组件系统的状态信息，从机器学习智能算法库中选择与所述功率组件系统的状态信息的类型对应的机器学习算法，并基于该算法判断所述功率组件系统是否出现故障或存在出现故障的风险。

在本发明一优选实施例中，该方法还包括：

将获取的功率组件系统的状态信息转换为能够被机器学习智能模块识别的信号，以便由该机器学习智能模块判断所述功率组件系统是否出现故障或存在出现故障的风险。

根据本发明的另一个方面，提供了一种基于fpga的功率组件系统故障数据采集系统，该系统包括彼此电连接的机器学习智能模块和嵌入至所述功率组件系统内部的fpga，

其中，所述机器学习智能模块用于根据所述功率组件系统的状态信息，判断所述功率组件系统是否出现故障或存在出现故障的风险；

所述fpga用于在判断出所述功率组件系统出现故障或存在出现故障的风险的情况下，执行故障数据的采集、处理、存储和传输操作。

在本发明一优选实施例中，所述fpga包括用于实现故障数据的采集操作的数据采集模块，该数据采集模块用于：

在判断出所述功率组件系统出现故障或存在出现故障的风险的情况下，采集由机器学习智能模块发出的第一故障数据；

记录与所述功率组件系统的状态信息对应的第一时间点，并根据所述第一时间点，采集该第一时间点前后预设时间段内的功率组件系统的第一状态信息，得到包括所述第一时间点和所述第一状态信息的第二故障数据。

在本发明一优选实施例中，所述fpga还包括用于实现故障数据的处理操作的数据处理模块，该数据处理模块用于对所述第一故障数据和所述第二故障数据进行数据整合，生成第三故障数据。

在本发明一优选实施例中，所述fpga还包括用于实现故障数据的存储操作的数据存储模块，该数据存储模块为非易失性存储器。

在本发明一优选实施例中，所述fpga还包括用于实现故障数据的传输操作的数据传输模块，该数据传输模块为以太网通信模块。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

应用本发明实施例提供的基于fpga的功率组件系统故障数据采集方法，通过机器学习智能模块根据获取的功率组件系统的状态信息，智能判断功率组件系统是否出现故障或存在出现故障的风险。在判断出功率组件系统出现故障或存在出现故障的风险的情况下，通过功率组件系统具有的fpga实现故障数据的采集、处理、存储和传输操作，实现了整个功率组件系统的高度资源整合。如此设置，不仅能够减少外围模块电路的数量，降低成本，而且还能够降低外围电路pcb布线布局的复杂程度，提高系统的稳定性和可靠性。

本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例的基于fpga的功率组件系统故障数据采集方法的流程示意图；

图2为图1的步骤s102的流程示意图；

图3为图1的步骤s103的故障数据的采集操作的流程示意图；

图4为本发明实施例的基于fpga的功率组件系统故障数据采集系统的结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

为解决现有技术中的功率组件系统故障数据采集系统主要是借助功率组件外部的检测设备或者上层控制系统进行故障数据处理，即借助功率组件系统内部配置的数据采集装置或者通信装置完成故障数据处理，但功率组件本身不具备数据采集、处理、存储和传输的功能，从而导致封装性差、可靠性低的技术问题，本发明实施例提供了一种基于fpga的功率组件系统故障数据采集方法。

图1为本发明实施例的基于fpga的功率组件系统故障数据采集方法的流程示意图。

如图1所示，本发明实施例的基于fpga的功率组件系统故障数据采集方法，主要包括以下步骤s101至步骤s103。

在步骤s101中，获取功率组件系统的状态信息。该状态信息包括当前处于工作状态下的功率组件系统的电压、电流、温度以及其他信息。

在步骤s102中，根据功率组件系统的状态信息，判断功率组件系统是否出现故障或存在出现故障的风险。

具体地，如图2所示。首先，执行步骤s1021。通过第一数据转换模块将获取的功率组件系统的状态信息转换为能够被机器学习智能模块识别的信号，以便由该机器学习智能模块判断功率组件系统是否出现故障或存在出现故障的风险。

然后，执行步骤s1022。由机器学习智能模块根据经第一数据转换模块转换后的功率组件系统的状态信息，从机器学习智能算法库中选择与该功率组件系统的状态信息的类型对应的机器学习算法，并基于该算法判断功率组件系统是否出现故障或存在出现故障的风险。

优选地，该机器学习智能算法库中包括：支持向量机(svm)算法、决策树算法、朴素贝叶斯算法等，或者这些算法的改进算法，例如随机森林决策树算法。

具体地，由机器学习智能模块根据经第一数据转换模块转换后的功率组件系统的状态信息的类型、数量和功率组件系统要求的精度，从机器学习智能算法库中选择与该功率组件系统的状态信息的类型对应的最佳机器学习算法，并将该转换后的功率组件系统的状态信息的数值与该算法中的预设故障警示阈值和预设故障阈值进行比较。若该功率组件系统的状态信息的数值大于等于预设故障阈值，表明该功率组件系统出现故障；若该功率组件系统的状态信息的数值大于等于预设故障警示阈值且小于预设故障阈值，表明该功率组件系统存在出现故障的风险；若该功率组件系统的状态信息的数值小于预设故障警示阈值，表明该功率组件系统当前处于正常工作状态。

需要说明的是，在机器学习智能模块根据功率组件系统的状态信息，判断出功率组件系统处于正常工作状态的情况下，由机器学习智能模块向fpga发出能够被fpga识别且能够表明当前功率组件系统处于正常工作状态的信号。当fpga接收到该信号后，通过fpga具有的数据传输模块将该信号传输给上位机，以通过上位机对功率组件系统进行实时数据监测。

通过机器学习智能模块根据获取的功率组件系统的状态信息的类型、数量和功率组件系统要求的精度，从机器学习智能算法库中选择与该功率组件系统的状态信息的类型对应的最佳机器学习算法，并将该转换后的功率组件系统的状态信息的数值与该算法中的预设故障警示阈值和预设故障阈值进行比较，以智能判断功率组件系统是否出现故障或存在出现故障的风险，有效实现了故障判断方式的智能化和多样化。此外，由于机器学习智能模块对功率组件系统故障的智能判断是通过软件来实现，更易于扩展和维护。

在步骤s103中，在判断出功率组件系统出现故障或存在出现故障的风险的情况下，由功率组件系统具有的fpga执行故障数据的采集、处理、存储和传输操作。

具体地，当在步骤s102中由机器学习智能模块判断出功率组件系统出现故障或存在出现故障的风险的情况下，该机器学习智能模块向功率组件系统具有的fpga发出第一故障数据。

优选地，第一故障数据具有id编码，能够明确表示出故障属性，包括故障的类型及故障所在的功率组件的位置。

需要说明的是，该第一故障数据需要经过第二数据转换模块转换为能够被fpga识别的信号，然后再发送给fpga。

随后，fpga执行故障数据的采集操作，具体操作过程如图3所示。

首先，执行步骤s10311。由fpga采集由机器学习智能模块发出的经第二数据转换模块转换后的第一故障数据，并将该第一故障数据存储在fpga内部的随机存取存储器(ram)中。

其次，执行步骤s10312。由fpga记录与步骤s101中获取的功率组件系统的状态信息对应的第一时间点，并根据该第一时间点，采集该第一时间点前后预设时间段内的功率组件系统的第一状态信息，得到包括第一时间点和第一状态信息的第二故障数据。其中，预设时间段可根据实际情况进行设置，通过此种方式获得的功率组件系统的状态信息，更加具有针对性，且大大降低了数据的处理量。

需要说明的是，该第二故障数据需要经过fpga内部的模数转换器转换为能够被fpga识别的信号，然后根据用户需求对转换后的第二故障数据进行程序处理，例如，对信号进行放大、缩小、执行某一算法处理等，并将处理后的数据存储在fpga内部的随机存取存储器(ram)中。然后，ram与fpga内部的非易失性存储器(简称flash)进行数据交换，以将第一故障数据和第二故障数据存储在flash中，以便后续对故障数据进行整合和分析。

优选地，该模数转换器为a/dip硬核。

这里，还需要说明的是，由于ram存储容量大、可以随时读写、速度快，但断电后将丢失存储的数据，而flash在断电后，存储的数据不会丢失，但存储容量小。因此，在本发明实施例中，在fpga内部设置有两个存储器：ram和flash，ram用于存储所有数据，而flash只用于存储故障数据。

接着，对第一故障数据和第二故障数据进行数据整合，生成第三故障数据，并将该第三故障数据存储在flash中。

这里，需要说明的是，数据整合是指将第一故障数据和第二故障数据整合为mac帧(即第三故障数据)。其中，mac帧的帧头包括三个字段。前两个字段分别为6字节的长度的目的地址字段和源地址字段。目的地址字段包含目的的mac地址信息，源地址字段包含源mac地址信息。第三个字段为2字节的类型字段，里面包含的信息用来标志上层协议。在mac帧的数据部分只有一个46到1500字节的字段，这个字段包含了第一故障数据和第二故障数据。mac帧的帧尾包含一个4字节字段的帧校验序列fcs，其是使用crc循环冗余校验码来进行校验。如此设置，可以根据该第三故障数据，获知具体在某一时刻某个功率组件位置产生了某种类型的故障以及故障时间点前后的功率组件系统的运行状态信息。

通过对故障数据进行数据整合，不仅缩减了信息存储量，又能获得合理有效的信息，使得在后续进行故障分析时，数据运算处理量大大缩减，进一步满足了故障保护实时性的需求。

最后，由fpga具有的数据传输模块将该第三故障数据传输给上位机，以对该第三故障数据进行分析。

优选地，数据传输模块为以太网通信模块。更优选地，该以太网通信模块为以太网macip软核。

通过采用以太网通信模块进行第三故障数据的传输，能够实现数据传输量大、传输距离远、传输速率快、抗干扰性好等优点，弥补了多数传输方式的不足。

在本发明一优选实施例中，上位机包括有线设备和无线设备，以通过有线方式和无线方式接收第三故障数据，实现了通信方式的多样化。其中，该第三故障数据的传输方式可为串行传输，也可为并行传输。

在本发明一优选实施例中，在判断出功率组件系统出现故障或存在出现故障的风险的情况下，由功率组件系统具有的与fpga电连接的指示模块执行故障的指示操作和报警操作。

具体地，当fpga采集经第二数据转换模块转换后的第一故障数据之后，fpga将该第一故障数据传输给指示模块，该指示模块便执行故障的指示操作和报警操作(即指示模块的红灯闪亮，表明当前功率组件系统出现故障或存在出现故障的风险)。

在机器学习智能模块根据功率组件系统的状态信息，判断出功率组件系统处于正常工作状态的情况下，由机器学习智能模块向fpga发出能够被fpga识别且能够表明当前功率组件系统处于正常工作状态的信号。当fpga接收到该信号后，将该信号传输给指示模块，该指示模块的绿灯闪亮，表明当前功率组件系统处于正常工作状态。

应用本发明实施例提供的基于fpga的功率组件系统故障数据采集方法，通过机器学习智能模块根据获取的功率组件系统的状态信息，智能判断功率组件系统是否出现故障或存在出现故障的风险。在判断出功率组件系统出现故障或存在出现故障的风险的情况下，通过功率组件系统具有的fpga实现故障数据的采集、处理、存储和传输操作，实现了整个功率组件系统的高度资源整合。如此设置，不仅能够减少外围模块电路的数量，降低成本，而且还能够降低外围电路pcb布线布局的复杂程度，提高系统的稳定性和可靠性。

相应地，本发明实施例还提供一种基于fpga的功率组件系统故障数据采集系统。

图4为本发明实施例的基于fpga的功率组件系统故障数据采集系统的结构示意图。

如图4所示，本发明实施例的基于fpga的功率组件系统故障数据采集系统，主要包括彼此电连接的机器学习智能模块101和嵌入至功率组件系统内部的fpga102。其中，机器学习智能模块101用于根据功率组件系统的状态信息，判断功率组件系统是否出现故障或存在出现故障的风险。fpga102用于在由机器学习智能模块101判断出功率组件系统出现故障或存在出现故障的风险的情况下，执行故障数据的采集、处理、存储和传输操作。

在本发明一优选实施例中，fpga102包括用于实现故障数据的采集操作的数据采集模块，该数据采集模块用于：在由机器学习智能模块101判断出功率组件系统出现故障或存在出现故障的风险的情况下，采集由机器学习智能模块101发出的第一故障数据；以及记录与功率组件系统的状态信息对应的第一时间点，并根据该第一时间点，采集该第一时间点前后预设时间段内的功率组件系统的第一状态信息，得到包括第一时间点和第一状态信息的第二故障数据。

优选地，该数据采集模块还包括：模数转换器，用于将采集的第二故障数据转换为能够被fpga识别的信号。更优选地，该模数转换器为a/dip硬核。

在本发明一优选实施例中，fpga102还包括用于实现故障数据的处理操作的数据处理模块，该数据处理模块用于对第一故障数据和第二故障数据进行数据整合，生成第三故障数据。

在本发明一优选实施例中，fpga102还包括用于实现故障数据的存储操作的数据存储模块，该数据存储模块为非易失性存储器。

在本发明一优选实施例中，fpga102还包括用于实现故障数据的传输操作的数据传输模块，该数据传输模块为以太网通信模块。

优选地，该以太网通信模块为以太网macip软核。

在本发明一优选实施例中，功率组件系统还包括：指示模块，与fpga102电连接，用于在由机器学习智能模块101判断出功率组件系统出现故障或存在出现故障的风险的情况下，执行故障的指示操作和报警操作。

上述各模块中的操作的具体细化，可参见上面结合图1-图3对本发明方法的说明，在此不再详细赘述。

应用本发明实施例提供的基于fpga的功率组件系统故障数据采集系统，通过机器学习智能模块根据获取的功率组件系统的状态信息，智能判断功率组件系统是否出现故障或存在出现故障的风险。在判断出功率组件系统出现故障或存在出现故障的风险的情况下，通过功率组件系统具有的fpga实现故障数据的采集、处理、存储和传输操作，实现了整个功率组件系统的高度资源整合。如此设置，不仅能够减少外围模块电路的数量，降低成本，而且还能够降低外围电路pcb布线布局的复杂程度，提高系统的稳定性和可靠性。

本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。