CN102749572B - 基于iecmac参数辨识的功率电子电路故障预测方法 - Google Patents

Abstract

本发明公开了基于IECMAC参数辨识的功率电子电路故障预测方法，属于功率电子故障测试的技术领域。本发明以设置的功率器件参数值为输入训练最小神经网络得到故障样本集；再利用信息加熵后的检测点电信号训练最小神经网络判断待测电子电路故障模态，将SVR预测的未来时刻电路性能参数与电路健康阈值比较，判定待测功率电子电路的故障模态；通过以实时监测的各检测节点电信号为输入重复训练最小神经网络来预测功率电子电路每刻的故障模态。本发明既避免了建立复杂非线性系统的数学模型，又提高了辨识器的泛化能力；利用支持向量回归SVR对系统性能参数所构成的时间序列进行回归拟合，提高了预测精度与效率，实现了在线实时预测故障。

Description

基于IECMAC参数辨识的功率电子电路故障预测方法

技术领域

本发明公开了基于IECMAC参数辨识的功率电子电路故障预测方法，属于功率电子故障测试的技术领域。

背景技术

机载功率电子装置中的功率电路都是由功率元件构成，当置于一定的空间环境中时，其元件除遭受高频启动/停止操作和过压、过流操作外，其性能也极易受到外界的机械压力(冲击)、EMI、环境温/湿度、盐碱度等应力的影响，这可能会造成器件参数的变化，如果变化较大超过了允许的范围，则往往会导致电路输出性能的恶化(例如：波形质量变差，THD增加等)，甚至造成输出功能失效，严重威胁飞行安全并最终影响飞行任务的顺利执行。机载功率电子装置必须具备高可靠性，若功率电子装置出现故障情况而未及时检测，则可能会导致飞行控制系统失效、严重影响飞行器本身的安全，后果不堪设想。机载电源设备的高可靠性、强生存力、自主诊断和健康管理是迫切需要研究解决的技术难题，也一直受到了世界上各个军事大国的极大重视，是目前国际上的学术研究前沿与热点之一。

目前，针对功率电子电路的故障预测方法主要分三种：(1)基于故障物理模型的方法；(2)基于内建“损伤标尺”的方法；(3)基于数据驱动的方法。

基于模型的方法，需要建立系统精确模型及深入了解系统工作机理。基于损伤标尺的预测方法，是针对一种或多种故障机理,以被监控产品相同的工艺过程制造出来的预期寿命比被监控对象短的产品，设计预兆单元与主器件、电路、系统集成在一起，使其按一定的机理在主电路或系统失效前提前失效，从而为宿主电路与系统的失效提供预警。基于数据驱动的方法，即对现场监控得到的数据进行异常及其趋势检测或模式检测，确定系统的健康状态，然后使用趋势分析结果来估计系统的故障发生时间。该方法无需了解电路内部物理结构，适用于复杂系统预测，应用范围广，使得实时在线预测成为可能。

目前的研究绝大多数为电路的状态预测，即在测得大量测点电压或电流数据基础上，通过时间序列预测的方法外推下一个电路状态，并没有结合电路的故障模式及电路特点。

现有故障预测方法可分为基于模型、基于数据和基于知识的故障预测三大类。基于模型的故障预测技术，有多项式曲线拟合、主观概率预测、卡尔曼滤波器、时间序列法、灰色模型等。这类方法的优点是能够深入描述对象系统本质的性质，并且能够实现实时故障预测；缺点是需要已知对象系统的数学模型，若模型的假设与实际不符，预测性能就会很差。对于复杂电子系统来说，很难建立精确的数学模型，所以该方法的应用受到一定限制。基于知识的故障预测技术，有专家系统预测、模糊逻辑预测、神经网络预测、粗糙集预测等。这类方法优点，是不需要对象精确的数学模型，同时能够有效地表达对象相关专家的经验知识，但是对于具体的定量分析，却显得无能为力。基于数据的故障预测技术，有基于数据挖掘的故障预测、基于统计过程控制的预测等。这类方法的优点，是不需要了解对象系统的先验知识(如数学模型和专家经验)，以采集的数据为基础，通过各种数据分析处理方法，挖掘其中的隐含信息进行预测操作。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了基于IECMAC参数辨识的功率电子电路故障预测方法。

本发明为实现上述发明目的采用如下技术方案：

基于IECMAC参数辨识的功率电子电路故障预测方法，包括如下步骤：

步骤A，分析功率电子电路在各个功率器件取不同参数值时所处的故障模态，构造故障样本集；

步骤B，对待测电子电路的检测节点采集电信号，识别电路性能参数，具体包括如下步骤：

步骤B-1，由待测电子电路选择检测节点，监测各检测节点的电信号；

步骤B-2,对步骤B-1所述电信号进行小波阈值去噪得到故障特征样本；

步骤B-3,以步骤B-2述的故障特征样本作为支持向量训练机的输入，利用给最小神经网络信息熵加权的方法在线辨识出当前时刻电路性能参数；

步骤C，预测未来时刻电路性能参数，将未来时刻电路性能参数与电路健康阈值比较，判定待测功率电子电路的故障模态；

步骤D，每隔一采样时间间隔，返回步骤B，实现实时在线预测待测电子电路的故障模态。

所述基于IECMAC参数辨识的功率电子电路故障预测方法中，步骤A的具体实施如下：

步骤A-1，对各功率电子电路各功率器件设置参数值，监测功率电子电路在功率器件取设置参数时的电路测点信号；

步骤A-2，以步骤A-1所述电路测点信号为最小神经网络的输入，以各功率器件的设置参数值为输出训练最小神经网络得到各功率器件取设置参数时功率电子电路对应的故障模态，其中：每一种故障模态为故障样本集的一个元素。

所述基于IECMAC参数辨识的功率电子电路故障预测方法中，步骤B-3的具体实施如下：

步骤a，计算故障节点在所有检测节点中占有的概率，构建最小神经网络信息结构表达式；

步骤b，计算每个检测节点的信息熵、各检测节点的信息熵加权系数，加权处理各检测节点的电信号；

步骤c，将加权处理后的检测节点电信号作为最小神经网络的输入进行参数识别得到当前时刻电路性能参数。

所述基于IECMAC参数辨识的功率电子电路故障预测方法中，步骤C的具体实施如下：

步骤C-1，以步骤B所得当前时电路性能参数为支持向量回归分类器的输入，预测未来时刻电路性能参数；

步骤C-2，将未来时刻电路性能参数与健康阈值比较，得出功率电子电路故障的概率：

若未来时刻电路性能参数均小于健康阈值，功率电子电路处于健康状态，故障概率为0；

若未来时刻电路性能参数中有一项指标超出健康阈值，功率电子电路处于亚健康状态，故障概率为所述超标电能性能参数导致电路故障的概率；

若未来时刻电路性能参数中有至少两项指标超出健康阈值的，功率电子电路处于故障状态，故障概率为所有超标电能性能参数导致电路故障的概率之和。

本发明采用上述技术方案，具有以下有益效果：本发明所采用的基于信息熵小脑神经网络参数辨识和支持向量回归的故障预测方法结合了现有故障预测技术的优点，利用智能算法IECMAC对电子系统进行参数辨识，既避免了建立复杂非线性系统的数学模型，又提高了辨识器的泛化能力；利用支持向量回归SVR对系统性能参数所构成的时间序列进行回归拟合，可提高预测精度与效率，使得在线实时故障预测成为可能。

附图说明

图1是基于IECMAC参数辨识的功率电子电路在线智能故障预测方法的流程图。

图2是本发明中小波阈值去噪的流程图。

图3是本发明IECMAC参数辨识器的模型结构图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

如图3所示的IECMAC参数识别器，基于IECMAC参数辨识的功率电子电路故障预测方法如图1所示，，包括如下步骤：

步骤A，通过对功率电子电路各功率器件设置不同的参数值，测试对应情况下的电路测点信号，对IECMAC进行训练。

步骤A-1，对各功率电子电路各功率器件设置参数值，监测功率电子电路在功率器件取设置参数时的电路测点信号；

步骤A-2，将步骤A-1所述电路测点信号作为最小神经网络的输入，将所设功率器件参数值作为输出，训练最小神经网络得到各功率器件取设置参数时功率电子电路对应的故障模态，其中：每一种故障模态为故障样本集的一个元素。

步骤B，对待测电子电路的检测节点采集电信号，识别电路性能参数，具体包括如下步骤：

步骤B-1，由待测电子电路选择n个检测节点，监测各检测节点的电压、电流信号U_i，i＝1,2,...,n，n为自然数；

步骤B-2,对步骤B-1所述电信号进行小波阈值去噪得到故障特征样本，如图2所示的流程图包括以下步骤：

(1)选择合适的小波函数和分解层数j，对含噪信号进行正交小波变换，得到相应的各尺度分解系数，如选用haar小波，分解层数为3；

(2)选择合适的去噪阈值及阈值函数，对各尺度小波分解系数进行阈值处理，得到估计小波系数，使得所估计小波系数尽可能接近纯净信号的小波变换系数：如去噪阈值计算公式为(其中σ为噪声标准方差，N为故障样本的大小)；阈值函数将绝对值小于阈值的小波系数置为0，大于阈值的小波系数保留，公式如下： ${\widetilde{\mathrm{\&omega;}}}_{j,k}=\left\{\begin{array}{c}{\mathrm{\&omega;}}_{j,k},\left|{\mathrm{\&omega;}}_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|{\mathrm{\&omega;}}_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$ 其中ω为小波系数；

(3)对小波分解的j层低频系数和经过阈值函数处理的多层高频系数进行小波重构，得到去噪后的信号(u₁,u₂,...,u_n)。

步骤B-3,以步骤B-2述的故障特征样本作为支持向量训练机的输入，利用给最小神经网络信息熵加权的方法在线辨识出待测功率电子电路的性能参数，具体实施如下：

步骤a，计算故障节点在所有检测节点中占有的概率构建信息结构 $S=\left(\begin{array}{c}U\\ P\end{array}\right)=\left(\begin{array}{ccc}{u}_1& u_2& ...u_n\\ p_1& p_2& ...p_n\end{array}\right);$

步骤b，计算每个检测节点的信息熵E_i＝-p_ilog₂p_i，各检测节点的信息熵加权系数加权处理后各检测节点的电信号为(u'₁,u'₂,...,u'_n)，

步骤c，将加权处理后的检测节点电信号(u'₁,u'₂,...,u'_n)作为最小神经网络的输入进行参数识别得到当前时刻电路性能参数(x₁,x₂,...,x_m)，m代表表征电路健康状况的性能参数个数，依据不同电子电路m的取值不同。

步骤C，利用SVR预测未来时刻电路性能参数，将未来时刻电路性能参数与电路健康阈值比较，判定待测功率电子电路的故障模态：

(1)用{X_c,d,X_c,d+1,...,X_c,d+p}表示待预测功率电子电路中X_c性能参数连续p时刻的性能参数序列，对{X_c,d,X_c,d+1,...,X_c,d+p}前向预测得到未来q时刻电路的性能参数{X_c,d+p+1,X_c,d+p+2,...,X_c,d+p+q}，c＝1,2,...,m。

(2)将{X_c,d+p+1,X_c,d+p+2,...,X_c,d+p+q}作为支持向量机的输入，SVR回归函数表达式为：f(x)＝w^Tx+bw∈Rⁿ,b∈R。将输入样本{X_c,d+p+1,X_c,d+p+2,...,X_c,d+p+q}用非线性函数Φ(x)映射到高维空间，令核函数K(x_i,x_j)＝Φ(x_i)^TΦ(x_j)，可得α_i，b，最终可得SVR回归函数为： $\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})K(x_i,x)+b:$

基于Support Vector的最优回归函数是指满足结构风险最小化原理，即极小化式(1)。其中是经验风险，采用ε不敏感损失函数。引入松弛因子ξ_i和变为式(2)。

$\frac{1}{2}{\left|\right|w\left|\right|}^2+C\&CenterDot;R_{\mathrm{emp}}\left(f\right)---\left(1\right)$

$\begin{array}{c}\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&xi;}}_i+{\mathrm{\&xi;}}_i^{*})\\ S.t.\left\{\begin{array}{c}{w}^T{x}_i+b_i-y_i\&le;\mathrm{\&epsiv;}+{\mathrm{\&xi;}}_i\\ y_i-w^T{x}_i-b_i\&le;\mathrm{\&epsiv;}+{\mathrm{\&xi;}}_i^{*}\\ {\mathrm{\&xi;}}_i,{\mathrm{\&xi;}}_i^{*}\&GreaterEqual;0\end{array}\right.\end{array}---\left(2\right)$

在求解上式时，一般采用对偶理论，把它转化成二次规划问题。

建立拉格朗日方程(3)：

$\begin{array}{c}L(w,{\mathrm{\&xi;}}_i,{\mathrm{\&xi;}}_i^{*})=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&xi;}}_i+{\mathrm{\&xi;}}_i^{*})-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i(\mathrm{\&epsiv;}+{\mathrm{\&xi;}}_i-w^T{x}_i-b_i+y_i)\\ -\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}(\mathrm{\&epsiv;}+{\mathrm{\&xi;}}_i^{*}+w^T{x}_i+b_i-y_i)-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&eta;}}_i{\mathrm{\&xi;}}_i+{\mathrm{\&eta;}}_i^{*}{\mathrm{\&xi;}}_i^{*})\\ S.t.{\mathrm{\&alpha;}}_i,{\mathrm{\&alpha;}}_i^{*},{\mathrm{\&eta;}}_i,{\mathrm{\&eta;}}_i^{*}\&GreaterEqual;0,i=1,...n\end{array}---\left(3\right)$

上式对ξ_i，w，b求偏导为零，从而得式(4)。

$\left\{\begin{array}{c}w=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})x_i\\ \underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})=0\\ C-{\mathrm{\&alpha;}}_i-{\mathrm{\&eta;}}_i=0\\ C-{\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&eta;}}_i^{*}=0\end{array}\right.---\left(4\right)$

带入式(3)化简后，可得此优化问题的对偶式(5)：

$\begin{array}{c}\min \frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})({\mathrm{\&alpha;}}_j-{\mathrm{\&alpha;}}_j^{*})x_i^T{x}_j-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i(y_i-\mathrm{\&epsiv;})-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}(y_i-\mathrm{\&epsiv;})\\ S.t.\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})=0\\ {\mathrm{\&alpha;}}_i,{\mathrm{\&alpha;}}_i^{*}\&Element;[0,C]\end{array}\right.\end{array}---\left(5\right)$

假设样本x用非线性函数Φ(x)映射到高维空间，则表达式变为(6)：

$\begin{array}{c}\min \frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})({\mathrm{\&alpha;}}_j-{\mathrm{\&alpha;}}_j^{*})\mathrm{\&Phi;}{\left(x_i\right)}^T\mathrm{\&Phi;}\left(x_j\right)-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i(y_i-\mathrm{\&epsiv;})-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}(y_i-\mathrm{\&epsiv;})\\ S.t.\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})=0\\ {\mathrm{\&alpha;}}_i,{\mathrm{\&alpha;}}_i^{*}\&Element;[0,C]\end{array}\right.\end{array}---\left(6\right)$

从而得令核函数K(x_i,x_j)＝Φ(x_i)TΦ(x_j),根据Karush-Kuhn-Tucker定理，可求得α_i，b，最终可得SVM回归函数为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-a_i^{*})K(x_i,x)+b.$

(3)假设各性能参数的健康阈值为{X_1th,X_2th,...,X_mth}，

(Ⅰ)若X_i均在健康范围内，则电路未来q时刻健康状态为健康，故障概率为0；

(Ⅱ)若X_i有且仅有一项超出健康阈值，则电路未来q时刻健康状态为亚健康，故障概率为 $\frac{|X_i-X_{\mathrm{ith}}|}{X_{\mathrm{ith}}}\&times;100\%;$

(Ⅲ)若X_i有大于等于两项超出健康阈值范围，则电路未来q时刻健康状态为故障，故障概率为其中k，k+1，…k+l为超出健康范围性能参数的编号，故障时间为q时刻。

步骤D，每隔一采样时间间隔，返回步骤B，实时获取电力电子电路实时运行过程中的性能参数，并作为SVR的训练输入数据重复步骤C，实时在线预测待测电子电路的故障模态。

综上所述。本发明所采用的基于信息熵小脑神经网络参数辨识和支持向量回归的故障预测方法结合了现有故障预测技术的优点，利用智能算法IECMAC对电子系统进行参数辨识，既避免了建立复杂非线性系统的数学模型，又提高了辨识器的泛化能力；利用支持向量回归SVR对系统性能参数所构成的时间序列进行回归拟合，可提高预测精度与效率，使得在线实时故障预测成为可能。

Claims (3)

1.基于IECMAC参数辨识的功率电子电路故障预测方法，其特征在于包括如下步骤：

步骤A，分析功率电子电路在各个功率器件取不同参数值时所处的故障模态，构造故障样本集：

步骤A-1，对各功率电子电路各功率器件设置参数值，监测功率电子电路在功率器件取设置参数时的电路测点信号，

步骤A-2，以步骤A-1所述电路测点信号为最小神经网络的输入，以各功率器件的设置参数值为输出训练最小神经网络得到各功率器件取设置参数时功率电子电路对应的故障模态，其中：每一种故障模态为故障样本集的一个元素；

步骤B，对待测电子电路的检测节点采集电信号，识别电路性能参数，具体包括如下步骤：

步骤B-1，由待测电子电路选择检测节点，监测各检测节点的电信号；

步骤B-2,对步骤B-1所述电信号进行小波阈值去噪得到故障特征样本；

步骤B-3,以步骤B-2述的故障特征样本作为支持向量训练机的输入，利用给最小神经网络信息熵加权的方法在线辨识出当前时刻电路性能参数；

步骤C，预测未来时刻电路性能参数，将未来时刻电路性能参数与电路健康阈值比较，判定待测功率电子电路的故障模态；

步骤D，每隔一采样时间间隔，返回步骤B，实现实时在线预测待测电子电路的故障模态。

2.根据权利要求1所述的基于IECMAC参数辨识的功率电子电路故障预测方法，其特征在于所述步骤B-3的具体实施如下：

步骤a，计算故障节点在所有检测节点中占有的概率，构建最小神经网络信息结构表达式；

步骤b，计算每个检测节点的信息熵、各检测节点的信息熵加权系数，加权处理各检测节点的电信号；

步骤c，将加权处理后的检测节点电信号作为最小神经网络的输入进行参数识别得到当前时刻电路性能参数。

3.根据权利要求1所述的基于IECMAC参数辨识的功率电子电路故障预测方法，其特征在于所述步骤C的具体实施如下：

步骤C-1，以步骤B所得当前时刻电路性能参数为支持向量回归分类器的输入，预测未来时刻电路性能参数；

步骤C-2，将未来时刻电路性能参数与健康阈值比较找出超标电能性能参数，得出功率电子电路故障的概率：

若未来时刻电路性能参数均小于健康阈值，功率电子电路处于健康状态，故障概率为0；

若未来时刻电路性能参数中有一项指标超出健康阈值，功率电子电路处于亚健康状态，故障概率为仅有的一项超标电能性能参数所导致电路故障的概率；

若未来时刻电路性能参数中有至少两项指标超出健康阈值的，功率电子电路处于故障状态，故障概率为所有超标电能性能参数导致电路故障的概率之和。