具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器

摘要

本发明提出一种具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及一种适用于多个电力设备的云端服务器。所述电力设备透过其通讯模块自前述云端服务器取得电力设备的一健康指数预测模型与一健康预测指数阈值，并用以将所取得的多个感测数据与电力设备的基本数据带入健康指数预测模型来进行运算，以获得一健康预测指数。所述电力设备还用以依据健康预测指数与健康预测指数阈值的比较结果来取得电力设备的一健康状态预测数据，以便执行一后续处理。其中健康指数预测模型为前述云端服务器透过机器学习的方式来建立与训练。

说明书

技术领域

本发明涉及电力供应的技术领域，特别是涉及一种具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及一种适用于多个电力设备的云端服务器。

背景技术

电力装置，例如是不断电系统(uninterruptible power system，UPS)、电源分配单元(power distribution unit，PDU)或自动电源切换开关(auto transfer switch，ATS)，为用以提供一操作电源给至少一负载，以便这些负载能够正常操作。

然而，一旦电力装置发生故障(例如因其内部零件损坏而导致故障)，就很可能会使得电力装置无法正常供电给负载，进而使得这些负载无法正常操作。此时，若有重要的负载(例如是关键的医疗设备)无法正常操作，则其所造成的后果是难以想象的。因此，若能够预测电力装置的健康状态，使得维护人员能在电力装置的健康状态不佳时就先进行预防性的处置，这样就能够有效防止前述问题。

发明内容

本发明的其中一目的在于提供一种具有自我健康状态预测功能的电力设备。

本发明的另一目的在于提供一种电力设备的自我健康状态预测方法。

本发明的再一目的在于提供一种适用于多个电力设备的云端服务器。

为达上述目的，本发明提供一种具有自我健康状态预测功能的电力设备，其包括有多个传感器、一通讯模块、一控制单元与一存储单元。所述的多个传感器用以取得多个感测数据。所述的控制单元用以透过通讯模块自一云端服务器取得电力设备的一健康指数预测模型与一健康预测指数阈值，并用以将该些感测数据与电力设备的基本数据带入健康指数预测模型来进行运算，以获得一健康预测指数，并依据健康预测指数与健康预测指数阈值的比较结果来取得电力设备的一健康状态预测数据，以便执行一后续处理，其中健康指数预测模型为所述云端服务器透过机器学习的方式来建立与训练。至于所述存储单元，其用以储存电力设备的基本数据、健康指数预测模型与健康预测指数阈值。

为达上述目的，本发明另提供一种电力设备的自我健康状态预测方法，所述电力设备包括有多个传感器与一通讯模块，而所述方法包括有下列步骤：透过通讯模块自一云端服务器取得电力设备的一健康指数预测模型与一健康预测指数阈值，其中健康指数预测模型为所述云端服务器透过机器学习的方式来建立与训练；透过该些传感器取得多个感测数据；将该些感测数据与电力设备的基本数据带入健康指数预测模型来进行运算，以获得一健康预测指数；以及依据健康预测指数与健康预测指数阈值的比较结果来取得电力设备的一健康状态预测数据，以便执行一后续处理。

为达上述目的，本发明再提供一种云端服务器，其适用于多个电力设备。所述云端服务器包括有一通讯模块、一数据库、一预测模型训练模块与一数据搜集模块。所述数据库用以储存每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并用以储存每一电力设备的一设备型号所对应的一健康预测指数阈值。所述预测模型训练模块用以针对每一设备型号来建立与训练一健康指数预测模型，每一健康指数预测模型为依据数据库中的具有一对应设备型号的该些电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据而透过机器学习的方式来建立与训练。至于数据搜集模块，其用以透过通讯模块搜集每一电力设备的基本数据、感测数据、健康状态预测数据、异常事件数据，并依据每一电力设备的基本数据取得其对应的一寿命数据。此数据搜集模块更用以提供一网络用户界面，以透过网络用户界面搜集每一电力设备的维修数据与该些健康预测指数阈值，并将搜集到的所有数据、该些健康预测指数阈值与取得的该些寿命数据皆储存至数据库中。

为了让上述目的、技术特征以及实际实施后的增益性更为明显易懂，于下文中将以较佳的实施范例辅佐对应相关的图式来进行更详细的说明。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1绘有依照本发明一实施例的多个电力设备与依照本发明一实施例的云端服务器。

图2绘示图1的每一电力设备的内部架构。

图3为每一健康指数预测模型的建立流程。

图4为每一健康指数预测模型的训练流程。

图5为依照本发明一实施例的电力设备的自我健康状态预测方法的流程。

具体实施方式

为更清楚了解本发明的特征、内容与优点及其所能达成的功效，兹将本发明配合附图，并以实施例的表达形式详细说明如下，而其中所使用的图式，其主旨仅为示意及辅助说明书之用，未必为本发明实施后的真实比例与精准配置，故不应就所附的图式的比例与配置关系解读、局限本发明于实际实施上的权利范围。

本发明的优点、特征以及达到的技术方法将参照例示性实施例及所附图式进行更详细地描述而更容易理解，且本发明或可以不同形式来实现，故不应被理解仅限于此处所陈述的实施例，相反地，对所属技术领域具有通常知识者而言，所提供的实施例将使本揭露更加透彻与全面且完整地传达本发明的范畴，且本发明将仅为所附加的申请专利范围所定义。

图1绘有依照本发明一实施例的多个电力设备与依照本发明一实施例的云端服务器，而图2绘示图1的每一电力设备的内部架构。请同时参照图1与图2，在此例中，云端服务器110包括有预测模型训练模块112、数据库114、数据搜集模块116、警示讯息推播模块118与通讯模块120，而每一电力设备130包括有控制单元132、存储单元134、通讯模块136、多个传感器138与警报模块140。为方便说明，以下说明为以这些电力设备130皆为不断电系统为例。这些电力设备130可以是皆为在线式不断电系统(On-line UPS)、皆为离线式不断电系统(Off-line UPS)或皆为在线交互式不断电系统(Line-interactive UPS)，亦或者是由上述三种不断电系统中的至少其中二种混和组成。另外，图2仅绘示每一电力设备130中的与本发明相关的部分，以便聚焦在本发明的技术内容。

首先先说明电力设备130的操作。请参照图2，电力设备130的控制单元132用以透过这些传感器138来取得多个感测数据，其取得这些数据的方式可采用定时的方式或采用不定时的方式。而所取得的感测数据报括电力设备130的输入电压、输入电流、输出电压、输出电流、电池电压、电池充电电流、电池放电电流、环境温度、环境湿度的至少其中之一。在取得这些感测数据后，控制单元132便会据以决定是否有发生异常事件(例如输入电压过低、电池电压过低、电池内阻过高、环境温度过高等等)，以取得异常事件数据，并将所取得的这些感测数据与所取得的异常事件数据皆储存至存储单元134中。存储单元134亦储存有电力设备130的基本数据，所述的基本数据报括电力设备130的设备型号、制造日期、额定功率、额定电压与额定电流的至少其中之一。

控制单元132还用以透过通讯模块136自云端服务器110取得电力设备130的一健康指数预测模型与一健康预测指数阈值，并将所取得的健康指数预测模型与健康预测指数阈值皆储存在存储单元134中，其中健康指数预测模型为云端服务器110透过机器学习的方式来建立与训练(详后述)。在取得健康指数预测模型与健康预测指数阈值后，控制单元132便将所取得的该些感测数据与电力设备130的基本数据带入健康指数预测模型来进行运算，以获得一健康预测指数(其例如是电力设备130在未来一预定时间内会发生故障的机率)，并依据健康预测指数与健康预测指数阈值的比较结果来取得电力设备130的一健康状态预测数据，并将所取得的健康状态预测数据亦储存至存储单元134中。

在此例中，控制单元132包括有健康指数预测模块132-1与健康状态分析模块132-2。其中健康指数预测模块132-1即用以将所取得的该些感测数据与电力设备130的基本数据带入健康指数预测模型来进行运算，以获得上述的健康预测指数。而健康状态分析模块132-2即用以比较所取得的健康预测指数与健康预测指数阈值，据以取得上述的健康状态预测数据。

在取得电力设备130的健康状态预测数据后，控制单元132便据以执行一后续处理。举例来说，当所取得的健康状态预测数据呈现电力设备130的健康状态不佳时，那么所述的后续处理可包括透过通讯模块136通知一邮件服务器(未绘示)发出一警报信件、透过通讯模块136通知一简讯发报机(未绘示)发出一警报简讯以及控制警报模块140发出一警报的至少其中之一，以使得维护人员能够先进行预防性的处置，例如更换即将损坏的零件。当然，无论所取得的健康状态预测数据所呈现的电力设备130的健康状态为何，所述的后续处理亦可包括透过通讯模块136来将取得的健康状态预测数据传送至云端服务器110，以便云端服务器110依据此健康状态预测数据所呈现的电力设备130的健康状态来执行一对应处理(详后述)。

另外，在此例中，警报模块140包括一显示设备(未绘示)与一声音警示装置(未绘示)的至少其中之一，以依照实际的需求发出对应的警示讯息。此外，在此例中，控制单元132更用以透过通讯模块136自云端服务器110取得一警报执行脚本。此警报执行脚本具有由一用户设定的一警报动作与至少一判断条件。所述的判断条件例如是电池电压是否低于一第一默认值、电力设备130的输出电压是否低于一第二默认值等等。当控制单元132判断此警报执行脚本中所设定的这些条件皆被满足时，便控制警报模块140执行上述的警报动作。所述警报动作例如是控制警报模块140中的显示设备发出红色闪烁光，或是控制警报模块140中的声音警示装置发出一连串的警报声，亦或是同时执行上述二种警示方式。

接下来将说明云端服务器110的操作。请再参照图1，在此例中，云端服务器110的数据库114用以储存每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并用以储存每一电力设备130的一设备型号所对应的一健康预测指数阈值。举例来说，若图1中的这些电力设备130共具有二种设备型号，则数据库114便会储存这二种设备型号所对应的二个健康预测指数阈值。

预测模型训练模块112用以针对每一设备型号来建立与训练一健康指数预测模型，每一健康指数预测模型为依据数据库114中的具有一对应设备型号的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据而透过机器学习的方式来建立与训练。在此例中，云端服务器110所使用的机器学习算法包括类神经网络算法(Artificial neural network algorithm)、判定树算法(Decision treealgorithm)、K平均算法(K-means algorithm)、支持向量机算法(Support vector machinealgorithm)、线性回归算法(Linear regression algorithm)与逻辑回归算法(Logisticregression algorithm)的至少其中之一。

数据搜集模块116用以透过通讯模块120搜集每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据，并依据每一电力设备130的基本数据取得其对应的一寿命数据。此外，数据搜集模块116更用以提供网络用户界面(web-based userinterface)116-1，以透过网络用户界面116-1搜集每一电力设备130的维修数据与该些健康预测指数阈值，并将搜集到的所有数据、该些健康预测指数阈值与取得的该些寿命数据皆储存至数据库114中。

接下来将进一步说明每一健康指数预测模型的建立方式。图3即为每一健康指数预测模型的建立流程。请同时参照图3与图1，在开始建立健康指数预测模型之前，数据库114需先预存至少一种设备型号所对应的至少部分电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，且所预存的数据需达一定数量。此外，部分的预存数据可由用户给定，例如健康状态预测数据。而云端服务器110即是依据其数据库114所预存的现有数据来建立所需的健康指数预测模型。

在开始建立一健康指数预测模型时，预测模型训练模块112便会自数据库114中取得具有一对应设备型号的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并据以透过机器学习的方式来建立一故障发生率预测模型(如步骤S310所示)。接着，预测模型训练模块112将所取得的每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据带入上述故障发生率预测模型，以取得前述每一电力设备130的一故障发生率预测值(如步骤S312所示)。

接下来，预测模型训练模块112依据所取得的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值而透过机器学习的方式来建立一剩余寿命预测模型(如步骤S314所示)。然后，预测模型训练模块112将所取得的每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值带入上述剩余寿命预测模型，以取得前述每一电力设备130的一剩余寿命预测值(如步骤S316所示)。接下来，预测模型训练模块112依据所取得的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据、故障发生率预测值与剩余寿命预测值而透过机器学习的方式来建立一健康指数预测模型(如步骤S318所示)。

接下来将进一步说明每一健康指数预测模型的训练方式。在建立完所需的健康指数预测模型后，云端服务器110会透过通讯模块120将建立好的这些健康指数预测模型传送至对应的电力设备130，以供这些电力设备130产生新的健康状态预测数据。接着，云端服务器110会再透过数据搜集模块116搜集这些健康指数预测模型所对应的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据与维修数据，并依据前述的每一电力设备130的基本数据取得其对应的一寿命数据，并把新搜集到的数据以及新取得的这些寿命数据皆储存至数据库114中。如此一来，储存内容更新后的数据库114便储存有原来的预存数据、新搜集到的数据以及新取得的寿命数据。而云端服务器110即是依据数据库114中的原预存的数据与新储存的数据来训练前述的这些健康指数预测模型。

图4即为每一健康指数预测模型的训练流程。请同时参照图4与图1，在开始训练其中一健康指数预测模型时，预测模型训练模块112便会自储存内容更新后的数据库114中取得具有对应设备型号的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据，并据以透过机器学习的方式来训练对应的故障发生率预测模型(如步骤S410所示)。接着，预测模型训练模块112将所取得的每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据与维修数据带入训练完的故障发生率预测模型，以取得前述每一电力设备130的一故障发生率预测值(如步骤S412所示)。

接下来，预测模型训练模块112依据所取得的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值而透过机器学习的方式来训练对应的剩余寿命预测模型(如步骤S414所示)。然后，预测模型训练模块112将所取得的每一电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据与故障发生率预测值带入训练完的剩余寿命预测模型，以取得前述每一电力设备130的一剩余寿命预测值(如步骤S416所示)。接下来，预测模型训练模块112依据所取得的该些电力设备130的基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据、故障发生率预测值与剩余寿命预测值而透过机器学习的方式来训练对应的健康指数预测模型(如步骤S418所示)。

在训练完所需的这些健康指数预测模型后，云端服务器110会透过通讯模块120将训练好的这些健康指数预测模型传送至对应的电力设备130，以供这些电力设备130使用。当然，前述的训练流程可采用定期的方式或者采用不定期的方式再次执行，以便重新训练这些健康指数预测模型。而随着训练次数的增加，健康状态预测数据的精准度亦会随之增加。

请再参照图1，在此例中，当数据搜集模块116判断有任一新取得的健康状态预测数据呈现出其对应的电力设备130的健康状态不佳时，数据搜集模块116便透过警示讯息推拨模块118推拨一警示讯息至对应用户的智能型手持装置。所述智能型手持装置例如是手机、笔记本电脑或平板电脑。此外，在此例中，数据搜集模块116更透过网络用户界面116-1接收用户所设定的一警报动作与至少一判断条件，据以产生一警报执行脚本，并透过通讯模块120将此警报执行脚本传送至至少一对应电力设备130。

尽管在前述实施例中，云端服务器110具有警示讯息推拨模块118，且每一电力设备130具有警报模块140，然此并非用以限制本发明，本领域的通常知识者应知警示讯息推拨模块118与警报模块140可依据实际的设计需求来决定是否采用。此外，尽管在前述实施例中是以所有电力设备130皆为不断电系统为例，然此亦非用以限制本发明，本领域的通常知识者应知前述这些电力设备130亦可皆为电源分配单元或是皆为自动电源切换开关，亦或是由上述三种电力设备中的至少其中二种混和组成。当然，若有电力设备130采电源分配单元或是自动电源切换开关来实现，则其基本数据、感测数据、健康状态预测数据、异常事件数据、寿命数据、维修数据及对应的健康预测指数阈值的内容便需对应地调整，且其对应的健康指数预测模型、故障发生率预测模型与剩余寿命预测模型中所考虑的因子亦需对应地调整。

此外，藉由上述说明，本领域的通常知识者应可归纳出本发明的电力设备的自我健康状态预测方法的一些基本操作步骤，以图5来说明之。图5即为依照本发明一实施例的电力设备的自我健康状态预测方法的流程。所述电力设备包括有多个传感器与一通讯模块，而所述方法包括有下列步骤：首先，透过通讯模块自一云端服务器取得电力设备的一健康指数预测模型与一健康预测指数阈值(如步骤S510所示)，其中健康指数预测模型为所述云端服务器透过机器学习的方式来建立与训练。接着，透过该些传感器取得多个感测数据(如步骤S512所示)。接下来，将该些感测数据与电力设备的基本数据带入健康指数预测模型来进行运算，以获得一健康预测指数(如步骤S514所示)。然后，依据健康预测指数与健康预测指数阈值的比较结果来取得电力设备的一健康状态预测数据，以便执行一后续处理(如步骤S516所示)。当然，前述步骤S510与S512可对调。

综上所述，由于本发明的电力设备能够执行自我健康状态预测功能，并可在健康状态预测数据呈现其健康状态不佳时执行对应的后续处理，使得维护人员能在电力装置的健康状态不佳时就先进行预防性的处置。此外，由于本发明的云端服务器能不断地重新训练电力设备所需的健康指数预测模型，因此健康状态预测数据的精准度亦会不断提高。

以上所述的实施例仅为说明本发明的技术思想及特点，其目的在使熟习此项技艺的人士能够了解本发明的内容并据以实施，当不能以之限定本发明的专利范围，即凡依本发明所揭示的精神所作的均等变化或修饰，仍应涵盖在本发明的专利范围内。