CN102879728B - Dc-dc变换器健康评估指标与故障预测方法 - Google Patents

Abstract

本发明公开一种DC-DC变换器健康评估指标与故障预测方法：首先采集DC-DC电路的输入电压、输入电流、输出电压、输出电流四路状态信号，计算各信号的平均值(U_in、I_in、U_out、I_out)、电路的等效负载阻抗模值|Z|和功耗等效电阻R_loss，利用分数阶神经网络建立U_in、|Z|与R_loss之间的关系模型；然后计算健康电路在额定输入电压额定输出功率下的等效负载阻抗模值以为模型输入，获取相应的R_loss，作为电路的健康评估指标，计算电路的健康评估指标与基准值的差值，根据差值和设定的变化阈值评估电路的健康状态；最后，对电路的健康评估指标进行时间序列预测，获取未来时刻的健康评估指标，预测电路的健康状况。本发明将额定输入电压和额定负载下的功耗等效电阻作为电路的健康评估指标，排除了输入电压和负载波动对功耗等效电阻的影响，从而准确实现电路的健康评估和故障预测。

Description

DC-DC变换器健康评估指标与故障预测方法

技术领域

本发明涉及一种DC-DC变换器健康评估指标与故障预测方法，属于可靠性评估及故障预测领域。

背景技术

随着电力电子技术的发展，各种电力电子电路不断涌现。DC-DC变换器作为电力电子电路中的一类重要变换电路，在工程系统中通常是电源的核心组成部分，是设备正常工作的基础部件，一旦其发生故障，轻则使设备停机，重则造成人员伤亡。尤其在有高可靠性要求的应用领域，如航空电子系统中，其故障将会带来更加严重的损失。因此，需要对DC-DC变换器进行实时健康评估与故障预测，以便及时预知故障发生的时间，并采取相应维护措施，降低故障损失。

DC-DC变换器整体性能的退化主要由关键元器件性能退化引起，现阶段，其健康评估多以电路中关键元器件为研究对象，选用的评估指标多为元器件的特征参数，如通过等效串联电阻预测电解电容的剩余寿命，通过阈值电压等实现功率MOSFET等开关器件的寿命评估。而在实际电路监控中，不可能对每个元器件实时监控，同时由于电路中各元器件性能退化及交互耦合作用，很难对其组成的电路或设备做准确预测，因此，需利用电路整体评估指标进行评估。目前电路级的健康评估研究很少，大多数通过监测由电容性能退化引起的电路输出参数(如纹波电压、输出电压等)实现电路健康评估。然而，电路输出参数的改变并非仅由电容性能退化引起。同时，目前的研究局限于理想工作条件下，并未考虑实际工作条件的波动对电路性能造成的影响，在一定程度上，无法实现准确的健康评估及故障预测。

发明内容

本发明为了解决目前DC-DC变换器健康评估指标多为元件级，并且未考虑电路工作条件波动的问题，提出一种新的DC-DC变换器健康评估指标，排除电路输入电压、负载波动对健康评估指标的影响，并将该指标用于健康评估与故障预测中。

本发明将DC-DC变换器的功耗等效为电阻消耗的功率，得到电路的功耗等效电阻，然后建立输入电压、等效负载阻抗模值与对应的功耗等效电阻之间的关系模型，获取电路在额定输入电压、额定等效负载阻抗模值下的功耗等效电阻，即为健康评估指标。根据电路的健康评估指标与基准值之差，评估电路当前的健康状况，并结合LS-SVM预测算法，进行健康评估指标的多步预测，实现电路的故障预测。

步骤1、将性能指标均满足设计要求的DC-DC电路定义为健康电路，从t＝0时刻开始采集健康电路的四路状态信号，即输入电压、输入电流、输出电压以及输出电流，获取各信号的平均值(U_in、I_in、U_out、I_out)，计算等效负载阻抗模值|Z|和功耗等效电阻R_loss，并利用分数阶神经网络建立U_in、|Z|与对应的R_loss之间的关系模型；然后计算健康电路在额定输入电压额定输出功率下的等效负载阻抗模值以 为模型输入，获取健康电路的功耗等效电阻以此作为健康评估指标的基准值；

步骤2、采集电路的四路状态信号，即输入电压、输入电流、输出电压以及输出电流，获取各信号的平均值(U_in、I_in、U_out、I_out)，计算等效负载阻抗模值|Z|和功耗等效电阻R_loss；利用分数阶神经网络建立U_in、|Z|与对应的R_loss之间的关系模型；然后以 为模型输入，获取电路的功耗等效电阻，即健康评估指标

步骤3、设定健康评估指标的变化阈值，计算电路的健康评估指标与基准值之差，根据差值和设定的变化阈值，确定电路的健康指数，实现电路的健康评估；

步骤4、计算不同采样时刻的电路健康评估指标，采用LS-SVM算法对其进行时间序列预测，获取电路未来时刻的健康评估指标，预测电路的性能状况。

本发明采用额定输入电压、额定负载下的功耗等效电阻作为电路健康评估指标，排除输入电压和负载的波动对电路产生的影响，通过计算差值对电路进行健康评估。同时，对健康评估指标进行时序预测，实现电路的故障预测。该方法实施简单，精度较高。

附图说明

图1是DC-DC变换器健康评估与故障预测流程图；

图2是分数阶神经网络训练算法流程图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

如图1所示，本发明基于健康评估指标对DC-DC变换器进行健康评估，并结合LS-SVM预测算法，实现电路的故障预测。主要包括采集电路信号、计算健康评估指标、进行健康评估及故障预测。本发明以纯电阻负载的DC-DC变换器为例，详细描述其实施方式：

步骤1、获取DC-DC变换器健康评估指标的基准值：

步骤1.1、将性能指标均满足设计要求的DC-DC电路定义为健康电路，从t＝0时刻开始采集健康电路的四路状态信号，分别为输入电压u_in、输入电流i_in、输出电压u_out以及输出电流i_out。

步骤1.2、获取各信号的平均值(U_in、I_in、U_out、I_out)、电路的等效负载阻抗模值和功耗等效电阻。在纯电阻负载中，等效负载阻抗模值即为负载电阻值，因此，根据式(1)计算负载电阻R，根据式(2)计算功耗等效电阻R_loss：

$R=\frac{U_{\mathrm{out}}}{I_{\mathrm{out}}}---\left(1\right)$

$R_{\mathrm{loss}}=\frac{R_{\mathrm{loss}}}{I_{\mathrm{in}}^2}=\frac{I_{\mathrm{in}}{U}_{\mathrm{in}}-I_{\mathrm{out}}{U}_{\mathrm{out}}}{I_{\mathrm{in}}^2}---\left(2\right)$

其中，P_loss为电路的功率损耗，可由监测信号计算得出。

步骤1.3、利用分数阶神经网络建立U_in、R与R_loss之间的关系模型，以U_in、R和R_loss作为分数阶神经网络的训练样本，进行模型训练，其中网络输入为U_in和R，网络输出为对应的功耗等效电阻R_loss，网络训练流程如图2所示，具体步骤如下：

a)对分数阶神经网络进行初始化：随机初始化分数阶核函数旋转角及网络连接权重，设置网络学习速度和动量因子。

b)对U_in、R以及对应的R_loss进行归一化预处理：首先找到待归一化向量的最大最小值，然后对向量值归一化：

$\stackrel{\‾}{H}\left(n\right)=\frac{H\left(n\right)-H_{\min }}{H_{\max }-H_{\min }}---\left(3\right)$

其中，H_min、H_max分别为待归一化向量的最小值和最大值，H(n)为待归一化向量的第n个值，为其归一化后得到的值，通过归一化处理，所有向量的分量被归一化到[0，1]之间。

c)以U_in、R作为网络输入，功耗等效电阻R_loss作为网络输出，计算网络预测输出以及输出误差，隐含层输出计算采用分数阶傅里叶变换核函数：

$W_j=K_{a_j}[u,\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{X}_i-b_i]$ (j＝1，2，…，l)(4)

其中，W_j为第j个隐含层节点的输出；K_aj为第j个隐含层分数阶傅里叶变换的核函数，α_j为第j个隐含层分数阶傅里叶变换对应的旋转角；l为隐含层节点数；ω_ij为输入层到隐含层权值；X_i为模型输入；b_j为第j个隐含层时域平移因子，实现时域分辨率调整。

输出层的计算公式为：

$Y=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{W}_j{v}_{\mathrm{jk}}---\left(5\right)$

其中，v_jk为隐含层到输出层权值。

d)根据输出误差修正网络权值和分数阶核函数阶次，直至满足误差条件，训练结束，获取输入电压、负载电阻与功耗等效电阻的关系模型。

步骤1.4、以额定输入电压额定负载电阻作为模型输入，获取健康电路的以此作为健康评估指标的基准值；

步骤2、实时采集电路的输入电压、输入电流、输出电压以及输出电流各信号，以步骤1.2-步骤1.4的方法计算电路的健康评估指标

步骤3、设置健康评估指标的变化阈值，计算电路的健康评估指标与基准值的差值定义ΔR_loss超过表示电路发生故障。根据ΔR_loss确定电路的健康指数，实现电路的健康评估。在范围内，电路的健康状况描述如下：

(1)当ΔR_loss在范围内，电路工作在正常状态，健康指数为1；

(2)当ΔR_loss在范围内，电路出现微弱退化，健康指数为0.9；

(3)当ΔR_loss在范围内，电路组件偏离正常状态，健康指数为0.8；以此类推；

(4)当ΔR_loss在范围内，电路基本处于故障状态，健康指数为0.1；

(5)当ΔR_loss在以上，电路处于故障状态，健康指数为0。

步骤4、根据不同时刻获取的电路健康评估指标，利用LS-SVM对其进行时间序列预测，获取未来时刻的健康评估指标，预测电路的性能状况，具体步骤为：

步骤4.1、获取历史数据：每隔h分钟对电路的输入电压、输入电流、输出电压以及输出电流进行采样，计算电路的健康评估指标，经过h*k分钟，获取连续k+1个时刻电路的健康评估指标

步骤4.2、构造输入向量：针对样本数据的特性及实际需求，确定训练样本的大小、相空间重构的延迟时间和嵌入维数，构造输入、输出向量对。

步骤4.3、确定模型参数：设定LS-SVM模型的参数，包括正则化参数以及核函数的参数。

步骤4.4、训练LS-SVM预测模型：构造核函数矩阵并求解N维线性方程组，计算出拉格朗日乘子和偏移值，最终得到回归函数

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_i)+b---\left(6\right)$

其中，α_i为拉格朗日乘子，i＝1，2，…，l代表输入量的个数，b为常值偏差，K(x，x_i)＝φ(x_i)·φ(x)为核函数，选择不同形式的核函数可以生成不同的支持向量机。

步骤4.5、进行q步预测：得到LS-SVM预测模型后，输入预测向量即可得到预测输出实现q步预测。

步骤4.6、计算之间的差值，依据步骤3中的评估方法，实现电路未来时刻的健康评估。

Claims (3)

1.DC-DC变换器健康评估指标与故障预测方法，其特征在于该方法包括如下步骤：

步骤1、获取DC-DC变换器健康评估指标的基准值，具体步骤如下：

步骤1.1、将性能指标均满足设计要求的DC-DC电路定义为健康电路，从t＝0时刻开始采集健康电路的四路状态信号，分别为输入电压u_in、输入电流i_in、输出电压u_out以及输出电流i_out；

步骤1.2、计算u_in的平均值U_in、i_in的平均值I_in、u_out的平均值U_out、i_out的平均值I_out、电路的等效负载阻抗模值|Z|和功率损耗P_loss，并将P_loss等效为电阻消耗的功率，该电阻即为功耗等效电阻R_loss；

步骤1.3、将输入电压U_in、等效负载阻抗模值|Z|和对应的功耗等效电阻R_loss作为分数阶神经网络的训练样本，以U_in、|Z|为网络输入，R_loss为网络输出，建立U_in、|Z|与R_loss之间的关系模型，具体步骤如下：

(1)初始化分数阶神经网络：随机初始化分数阶核函数旋转角及网络连接权重，设置网络学习速度和动量因子；

(2)对输入电压U_in、等效负载阻抗模值|Z|以及对应的功耗等效电阻R_loss进行归一化预处理；

(3)以归一化后的U_in、|Z|作为网络输入，对应的R_loss作为网络输出，计算网络预测输出以及输出误差；根据输出误差修正网络权值和分数阶核函数阶次，直至满足训练结束条件：

步骤1.4、计算健康电路在额定输入电压额定输出功率下的等效负载阻抗模值 以 为模型输入，获取健康电路的功耗等效电阻将其作为电路健康评估指标的基准值；

步骤2、采集DC-DC电路的输入电压、输入电流、输出电压、输出电流，采用步骤1.2-步骤1.4的方法计算电路的健康评估指标

步骤3、设置健康评估指标的变化阈值，计算电路的健康评估指标与基准值之差，根据变化阈值和差值实现电路的健康评估；

步骤4、每隔h分钟获取电路的健康评估指标，连续获取k个不同时刻的健康评估指标，对其进行时间序列预测，得到未来时刻的健康评估指标，预测电路的健康状况，其中，h＞0， k＝1，2，3，…。

2.如权利要求1所述的DC-DC变换器健康评估指标与故障预测方法，其特征在于，所述步骤1.2中，功耗等效电阻R_loss的计算公式为：

其中，P_loss为电路的功率损耗，P_in为有功输入功率，P_out为有功输出功率，均可由监测信号计算得出。

3.如权利要求1所述的DC-DC变换器健康评估指标与故障预测方法，其特征在于：所述的步骤4中每隔h分钟获取电路的健康评估指标，经过h*k分钟，获取连续k+1个时刻的健康评估指标，表示为利用LS-SVM进行q步预测，得到第i+k+q时刻电路的健康评估指标依据步骤3的方法对其进行健康评估，实现电路未来时刻的故障预测。