动图秒懂UPS原理
UPS的最基本功能是提供持续稳定的电力供应,确保设备在市电断电或异常时仍能正常运行。UPS的重要组成部件包含了整流器、蓄电池、逆变器、静态开关、控制逻辑电路等,下面我们通过四张动图秒懂在线式UPS的工作模式。
UPS,即不间断电源(Uninterruptible Power Supply),是一种含有储能装置,以逆变器为主要元件,稳压稳频输出的电源保护设备。UPS的最基本功能是提供持续稳定的电力供应,确保设备在市电断电或异常时仍能正常运行。UPS的重要组成部件包含了整流器、蓄电池、逆变器、静态开关、控制逻辑电路等,下面我们通过四张动图秒懂在线式UPS的工作模式。
市电工作模式其实就是正常工作模式(在线模式),当主电源(市电)正常输入供电时,UPS电源首先会将市电的交流电(AC)通过整流器整流为直流电(DC),接着直流电(DC)会经过逆变器逆变为交流电(AC),为负载提供稳定的电源供给。同时整流器的DC也会经过充电器给蓄电池进行充电。
当市电输入中断或异常时(含整流器故障),UPS电源会自动从市电逆变模式切换到电池逆变模式。在这种模式下,UPS内部的蓄电池组开始放电,经过逆变电路转换为交流电,继续为负载供电。UPS电池逆变供电模式是UPS电源在市电中断或异常时提供后备电力的关键模式。它确保了关键设备在市电故障时能够继续运行一段时间(一般后备时间为满载15分钟以上),为了确保UPS电源在电池逆变模式下能够正常工作,应定期检查电池的状态和UPS电源的工作情况,并及时更换老化的电池。
UPS静态旁路供电模式是指当UPS电源系统的逆变器出现故障或工作条件异常时(例如电池放电终止),系统通过静态旁路开关自动将负载从逆变器供电切换到旁路电源供电的一种模式。这种模式的主要功能是确保在逆变器无法正常工作时,负载设备仍能获得稳定的电力供应。在UPS静态旁路供电模式下,系统通过静态旁路开关将负载从逆变器供电切换到旁路电源供电。静态旁路开关是一种高速、无触点的电子开关,可以在几毫秒内完成切换过程,确保负载设备在切换过程中不会受到影响。同时,UPS电源的逻辑电路会连续监视旁路电源的可用性,以便在必要时进行切换。
UPS维修旁路供电模式是一种特殊的供电模式,主要用于UPS电源系统需要维修或维护时,确保负载设备在UPS断电维修过程中仍能获得稳定的电力供应。在维修旁路模式下,对UPS电源系统的逆变器等核心部件被隔离,可以安全地进行维修或维护操作。
由于维修旁路供电需要进行人工操作,风险程度较高。日常工作务必关注以下几点:(1)常态下维修旁路开关必须加锁并摇出,防止误操作。(2)维修旁路和静态旁路的电源必须同源。上图所示,都是蓝色的,即同源。(3)切换至维修旁路时,必须确认复核UPS已切换至静态旁路供电模式。(4)维修旁路供电模式可靠性不高,市电故障会导致末端设备掉电。
EPO模式是指UPS电源系统中的紧急电源关断功能。当遇到紧急情况,如火灾、水灾或其他需要立即切断电源的情况时,可以通过按下EPO按钮,使UPS电源迅速关闭,切断电源输出,从而避免可能发生的危险。按下EPO按钮后,整流器、逆变器等部件会迅速关闭,系统会切断负载电源,包括逆变器和旁路输出,确保负载设备完全断电。在紧急情况解除后,工作人员需要按照UPS的用户手册或操作指南中的步骤进行恢复操作。
0赞好文章,需要你的鼓励
推荐文章
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。