一種電動汽車充電設備檢測維修管理方法和裝置與流程

本發明涉及電動汽車充電設備領域，更具體地說，涉及一種電動汽車充電設備檢測維修管理方法和裝置。

背景技術：

目前，國家已經出臺了多項優惠政策來刺激和扶持電動汽車產業的發展，但充電問題仍然是制約電動汽車發展的重要因素，受電動汽車自身充電電量、充電時間、活動范圍等原因的影響，充電設備的建設開始從集中的大型充電站向零散的離散充電樁、小型充電站的形式轉換，并開始探索5公里充電圈、10公里充電圈、高速公路充電點等業務類型，輻射范圍越來越大，極大地擴展了電動汽車的活動區域，消除用戶的電量焦慮，推動電動汽車的普及。

但是，傳統的電動汽車充電設備定期巡檢方式，因受地理位置、運維人員、時間等多種資源限制，而造成設備故障、缺陷無法及時解決，影響電動汽車充電，浪費社會資源。

技術實現要素：

有鑒于此，本發明提出一種電動汽車充電設備檢測維修管理方法和裝置，欲實現減少設備發生故障的幾率，提高設備的利用率目的。

為了實現上述目的，現提出的方案如下：

一種電動汽車充電設備檢測維修管理方法，包括：

獲取所有目標充電設備的當前運行信息；

針對每個所述目標充電設備，根據其當前運行信息，利用充電設備的狀態評價模型，得到其當前狀態，所述狀態包括正常、預警、警告和故障；

針對每個所述目標充電設備，根據其當前狀態對其檢修計劃進行相應調整；

針對當前狀態為故障的每個所述目標充電設備，根據其當前運行信息，利用維修知識庫得到與其對應的維修方案。

優選的，在所述針對每個所述目標充電設備，根據其當前運行信息，利用充電設備的狀態評價模型，得到其當前狀態后，還包括：

針對當前狀態為正常、預警或警告的每個所述目標充電設備，根據其當前運行信息，利用充電設備的劣化分析模型，預測其出現故障的時刻；

根據每個所述目標充電設備相應的故障信息，生成備件庫存管理方案。

優選的，在所述獲取所有目標充電設備的當前運行信息前，還包括：

采用決策樹算法對樣本數據進行分析，得到所述充電設備的劣化分析模型。

優選的，在所述獲取所有目標充電設備的當前運行信息前，還包括：

采用決策樹算法對樣本數據進行分析，得到所述充電設備的狀態評價模型。

一種電動汽車充電設備檢測維修管理裝置，包括：

信息獲取單元，用于獲取所有目標充電設備的當前運行信息；

狀態評估單元，用于針對每個所述目標充電設備，根據其當前運行信息，利用充電設備的狀態評價模型，得到其當前狀態，所述狀態包括正常、預警、警告和故障；

計劃調整單元，用于針對每個所述目標充電設備，根據其當前狀態對其檢修計劃進行相應調整；

維修方案單元，用于針對當前狀態為故障的每個所述目標充電設備，根據其當前運行信息，利用維修知識庫得到與其對應的維修方案。

優選的，所述裝置，還包括：

故障預測單元，用于針對當前狀態為正常、預警或警告的每個所述目標充電設備，根據其當前運行信息，利用充電設備的劣化分析模型，預測其出現故障的時刻；

庫存管理單元，用于根據每個所述目標充電設備相應的故障信息，生成備件庫存管理方案。

優選的，所述裝置，還包括：

預測模型學習單元，用于采用決策樹算法對樣本數據進行分析，得到所述充電設備的劣化分析模型。

優選的，所述裝置，還包括：

狀態模型學習單元，用于采用決策樹算法對樣本數據進行分析，得到所述充電設備的狀態評價模型。

與現有技術相比，本發明的技術方案具有以下優點：

上述技術方案提供的電動汽車充電設備檢測維修管理方法和裝置，針對每個所述目標充電設備，根據其當前狀態對其檢修計劃進行相應調整；并針對當前狀態為故障的每個所述目標充電設備，根據其當前運行信息，利用維修知識庫得到與其對應的維修方案。對處于非正常狀態的充電設備，進行及時巡檢或維修，進而減少設備發生故障的幾率，提高設備的利用率。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明實施例提供的一電動汽車充電設備檢測維修管理方法的流程圖；

圖2為本發明實施例提供的另一種電動汽車充電設備檢測維修管理方法的流程圖；

圖3為本發明實施例提供的一種電動汽車充電設備檢測維修管理裝置的示意圖；

圖4為本發明實施例提供的另一種電動汽車充電設備檢測維修管理裝置的示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

本發明實施例提供了一種電動汽車充電設備檢測維修管理方法，參見圖1所述，該方法包括：

步驟S11：獲取所有目標充電設備的當前運行信息；

目標充電設備即預先設定的需要監測的充電設備。運行信息包括但不限于以下的一種或幾種：電流數據、電壓數據、警告數據、充電狀態數據、充電設備與電動汽車的交互數據、充電設備與移動終端或服務器的交互數據等。

步驟S12：針對每個所述目標充電設備，根據其當前運行信息，利用充電設備的狀態評價模型，得到其當前狀態，所述狀態包括正常、預警、警告和故障。

步驟S13：針對每個所述目標充電設備，根據其當前狀態對其檢修計劃進行相應調整；

如果目標充電設備的當前狀態為正常，則對該目標充電設備的檢修計劃不進行調整，即對該目標充電設備執行正常巡檢周期和內容，不作調整；如果目標充電設備的當前狀態為預警，則根據預警內容在巡檢內容中添加相應部件的著重巡檢標記；如果目標充電設備的當前狀態為警告，則對該目標充電設備制定臨時檢修計劃，提前進行檢修，并根據告警內容在巡檢內容中添加對相應部件的著重檢測標記，利用維修知識庫生成故障維修方案；如果目標充電設備的當前狀態為故障，則對該目標充電設備制定臨時檢修計劃，立即對其進行檢修，并根據故障內容在巡檢內容中添加相應部件的著重檢測標記，并制定相應備件的出庫單，提醒檢修人員攜帶相應備件出發現場。

正常巡檢由定時巡檢任務觸發，在一次制定后周期性執行，有固定的執行時間和執行人、檢測設備范圍、檢測項目等。檢修計劃制定后指派給相應的執行人，具有指定時間、指定的設備和內容。巡檢結束后登記巡檢結果，通過該巡檢結果對照狀態評價模型的檢測結果，對狀態評價模型進行修正。

步驟S14：針對當前狀態為故障的每個所述目標充電設備，根據其當前運行信息，利用維修知識庫得到與其對應的維修方案。

結合維修知識庫的規則，采用FST(Finite State Transducer)算法對維修知識庫進行檢索得到相應的維修方案。維修知識庫，主要是根據專家知識和經驗形成的一系列規則。維修知識庫存放各種規則和結論，實現維修方案的存儲、管理等功能。維修知識庫的更新機制是將實際中不斷出現的新問題經過總結后添加到維修知識庫中，通過數據挖掘的方法和專家指導相結合的方式實現規則的動態維護。例如，如果現場發現維修方案有錯誤，在回來后對維修方案進行修正和記錄，對維修知識庫進行修正。

本實施例提供的電動汽車充電設備檢測維修管理方法，針對每個所述目標充電設備，根據其當前狀態對其檢修計劃進行相應調整；并針對當前狀態為故障的每個所述目標充電設備，根據其當前運行信息，利用維修知識庫得到與其對應的維修方案。對處于非正常狀態的充電設備，進行及時巡檢或維修，進而減少設備發生故障的幾率，提高設備的利用率。

在獲取所有目標充電設備的當前運行信息前，還包括：采用決策樹算法對樣本數據進行分析，得到充電設備的狀態評價模型。具體的狀態評價模型的學習過程如下：

準備各種狀態下的樣本數據，所述的樣本數據項包括充電設備的運行參數和外部環境參數，其中運行參數包括但不限于以下的一種或多種：輸出電壓、輸出電流、輔助輸出電流、輔助輸出電壓、有功功率、無功功率、溫度、電池輸入電池、電池輸入電壓、電池溫度等，外部環境參數包括以下的一種或多種：溫度、濕度、風力、風向、雨量、浸水、空氣質量(PM10及以上的風塵數量)等。

充電設備的運行狀態有啟動狀態、預充狀態、充電狀態、泄放狀態、停止狀態、待機狀態、關機狀態；充電設備的故障狀態有過流狀態、過壓狀態、過溫狀態、過充狀態、無法停止充電狀態等。采集及每種運行狀態和故障狀態的運行參數作為樣本數據。每種狀態的數據不低于100組。準備兩份這樣的數據，一份作為訓練數據，一份作為驗證數據。

一組數據＝[輸出電壓,輸出電流,輔助輸出電流,輔助輸出電壓,有功功率,無功功率,溫度,電池輸入電池,電池輸入電壓,電池溫度,等等,’正常充電’]

一組數據＝[輸出電壓,輸出電流,輔助輸出電流,輔助輸出電壓,有功功率,無功功率,溫度,電池輸入電池,電池輸入電壓,電池溫度,等等,’過流狀態’]

一組數據＝[輸出電壓,輸出電流,輔助輸出電流,輔助輸出電壓,有功功率,無功功率,溫度,電池輸入電池,電池輸入電壓,電池溫度,等等,’過壓狀態’]

一組數據＝[輸出電壓,輸出電流,輔助輸出電流,輔助輸出電壓,有功功率,無功功率,溫度,電池輸入電池,電池輸入電壓,電池溫度,等等,’過充狀態’]

一組數據＝[輸出電壓,輸出電流,輔助輸出電流,輔助輸出電壓,有功功率,無功功率,溫度,電池輸入電池,電池輸入電壓,電池溫度,等等,’過溫狀態’]

…………

對樣本數據進行數據歸一化處理。例如：

計算所有樣本數據中的輸出電壓的均值X：(組1中輸出電壓值1+組2中輸出電壓值2+組3中輸出電壓值3+……+組n中輸出電壓值n)/n

計算所有樣本數據中的輸出電壓的標準方差：(|電壓值1-均值X|+|電壓值2-均值|+|電壓值3-均值X|+……+|電壓值n-均值X|)/n后開方。

計算樣本數據對應的特征量值：(電壓值-均值X)/標準方差+0.1

對樣本中的每個數值(不包括運行狀態量)依次進行計算，獲得樣本特征量集D。

使用樣本特征量集D作為訓練元組產生決策樹模型作為狀態評價模型。具體過程如下：

(1)創建一個結點N。

(2)如果D中的元組都在同一類C中，那么{返回N作為葉結點，并用C標記它}

(3)如果候選屬性集為空，則返回N作為葉結點，標記為D的多數類，該屬性的創建終止。

(4)從D的候選屬性集中找出最好的分裂準則，劃分成合適的分裂點和分裂屬性。

(5)使用分裂準則標記結點N。

(6)如果標記成該分裂屬性的子集的值全部為離散值，則為該屬性的每個值建立一個分枝，并用該值標記。同時將這個分裂屬性刪除。

(7)挑選出最優的分裂屬性，根據該屬性的分裂點劃分元組并對每一個分區產生子樹。將D中所有滿足分裂點要求的數據元組集合作為一個分區，如果這個分區為空，則加一個樹葉到結點N，標記為D中的多數類；如果分區不為空，加一個(由該分區創建的子樹作為結點重復第二步到第八步的過程)到結點N。

使用驗證數據作為輸入運行狀態評價模型，統計模型輸出結果與驗證數據中狀態量不一致的數量，用數量除以總數量得到差異率，如果差異率在1％以上說明該模型的準確度較低。如果準確度過低，需要重新制定分裂準則進行模型繪制。重復訓練和驗證過程，并計算和查看差異率。

如果多次通過修改來重新訓練得到的差異率依然很高的話，就需要重新收集訓練樣本集和驗證樣本，增加訓練樣本集的遍布的范圍，確保參數足夠泛化，增加足夠的奇異值。重復進行訓練和驗證過程、換采集樣本、修改擴展系數的過程，直到差異率小于1％。最終獲得的符合差異率標準的模型即為該型號設備的狀態評價模型。

在使用狀態評價模型進行相應的充電設備狀態評價過程中，如果輸出結果與實際運行狀態不匹配或無法評價狀態的情況發生，則表明該狀態評價模型需要更新。用新獲取的運行數據對狀態評價模型進行更正訓練，獲得新的狀態評價模型。

本實施例提供另一種電動汽車充電設備檢測維修管理方法，進一步解決備件庫存配置不合理，達不到資源最優分配的問題。參見圖2所述，其中步驟S21、S22、S23、S24分別與步驟S11、S12、S13、S14相同，該方法包括：

步驟S21：獲取所有目標充電設備的當前運行信息；

步驟S22：針對每個所述目標充電設備，根據其當前運行信息，利用充電設備的狀態評價模型，得到其當前狀態，所述狀態包括正常、預警、警告和故障。

步驟S23：針對每個所述目標充電設備，根據其當前狀態對其檢修計劃進行相應調整；

步驟S24：針對當前狀態為故障的每個所述目標充電設備，根據其當前運行信息，利用維修知識庫得到與其對應的維修方案；

步驟S25：針對當前狀態為正常、預警或警告的每個所述目標充電設備，根據其當前運行信息，利用充電設備的劣化分析模型，預測其出現故障的時刻；

采集目標充電設備的運行信息形成歷史數據庫，采用決策樹算法從隸屬數據庫中挖掘相關信息，分析充電設備的劣化趨勢變化，推導設備劣化趨勢模型(即推理機)。使用決策樹算法的推理策略是Modus ponens邏輯規則，通過規則和已知事實推理出新的事實。

步驟S26：根據每個所述目標充電設備相應的故障信息，生成備件庫存管理方案。

故障預測完成后需要調整充電設備對應備件的庫存數量，例如，對于當前狀態為正常和預警的目標充電設備，則對該目標充電設備的采購周期和采購內容不做調整；對于當前狀態為警告的目標充電設備，則根據警告內容按照70％的概率增加采購相應數量的部件，例如對于某一部件存在警告的目標充電設備為10個，則增加采購10*70％的該部件；對于當前狀態為故障的目標充電設備，則根據故障內容按照90％的概率增加采購相應數量的部件。如果制定的檢修計劃中需要的部件在倉庫中數為0或者小于安全值，制定臨時采購計劃，并減小系統中存儲的相應部件的采購周期。

在所述獲取所有目標充電設備的當前運行信息前，還包括：采用決策樹算法對樣本數據進行分析，得到所述充電設備的劣化分析模型。具體的劣化分析模型的學習過程同狀態評價模型的學習過程類似，不同點在于訓練數據不同，劣化分析模型的訓練數據必須在時間上至少兩兩連續，并且連續的兩兩數據中第二組的設備狀態和第一組的不相同。使用第一組數據的運行數據和第二組數據的設備狀態作為訓練數據的輸入，建立和改進模型。

對于前述的各方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明并不受所描述的動作順序的限制，因為依據本發明，某些步驟可以采用其他順序或者同時進行。

下述為本發明裝置實施例，可以用于執行本發明方法實施例。對于本發明裝置實施例中未披露的細節，請參照本發明方法實施例。

本發明實施例提供一種電動汽車充電設備檢測維修管理裝置，參見圖3所示，該裝置包括：

信息獲取單元11，用于獲取所有目標充電設備的當前運行信息；

狀態評估單元12，用于針對每個所述目標充電設備，根據其當前運行信息，利用充電設備的狀態評價模型，得到其當前狀態，所述狀態包括正常、預警、警告和故障；

計劃調整單元13，用于針對每個所述目標充電設備，根據其當前狀態對其檢修計劃進行相應調整；

維修方案單元14，用于針對當前狀態為故障的每個所述目標充電設備，根據其當前運行信息，利用維修知識庫得到與其對應的維修方案。

本實施例提供的電動汽車充電設備檢測維修管理裝置，計劃調整單元13針對每個所述目標充電設備，根據其當前狀態對其檢修計劃進行相應調整；維修方案單元14針對當前狀態為故障的每個所述目標充電設備，根據其當前運行信息，利用維修知識庫得到與其對應的維修方案。對處于非正常狀態的充電設備，進行及時巡檢或維修，進而減少設備發生故障的幾率，提高設備的利用率。

優選的，該裝置還可以包括狀態模型學習單元，用于采用決策樹算法對樣本數據進行分析，得到所述充電設備的狀態評價模型。

本發明實施例提供一種電動汽車充電設備檢測維修管理裝置，參見圖4所示，該裝置包括：

信息獲取單元11，用于獲取所有目標充電設備的當前運行信息；

狀態評估單元12，用于針對每個所述目標充電設備，根據其當前運行信息，利用充電設備的狀態評價模型，得到其當前狀態，所述狀態包括正常、預警、警告和故障；

計劃調整單元13，用于針對每個所述目標充電設備，根據其當前狀態對其檢修計劃進行相應調整；

維修方案單元14，用于針對當前狀態為故障的每個所述目標充電設備，根據其當前運行信息，利用維修知識庫得到與其對應的維修方案。

故障預測單元15，用于針對當前狀態為正常、預警或警告的每個所述目標充電設備，根據其當前運行信息，利用充電設備的劣化分析模型，預測其出現故障的時刻；

庫存管理單元16，用于根據每個所述目標充電設備相應的故障信息，生成備件庫存管理方案。

該裝置，還可以包括：預測模型學習單元，用于采用決策樹算法對樣本數據進行分析，得到所述充電設備的劣化分析模型。

對于裝置實施例而言，由于其基本相應于方法實施例，所以相關之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。本領域普通技術人員在不付出創造性勞動的情況下，即可以理解并實施。

在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。

對本發明所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或范圍的情況下，在其它實施例中實現。因此，本發明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。