CN109165472A - 一种基于变拓扑自组织网络的电源健康评估方法 - Google Patents

Abstract

本发明提供一种基于变拓扑自组织网络的电源健康评估方法，步骤如下：一：建立电源仿真模型，确定能表示电源健康度的可监测特征参数；二：采集退化数据，作为网络的测试输入；三：获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征；四：计算权值向量与输入向量的欧式距离，将最小的欧式距离作为最小量化误差E_min；五：将值进行归一化处理，通过对HV设定多个阈值，将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段；本发明实现了GCS网络对复杂高维数据的灵活、有效地处理，克服了标准的SOM网络输出拓扑结构不变的局限性，克服了普通特征映射网络的固定网格拓扑不能很好地反映输入空间的结构这一问题。

Description

一种基于变拓扑自组织网络的电源健康评估方法

技术领域：

本发明提供一种基于变拓扑自组织网络的电源健康评估方法，它具体为一种基于增长型神经网络的电源健康状态评估方法，属于电源健康状态评估技术领域。

背景技术：

电源在运行中往往要承受高低温循环冲击、恒定极值温度冲击、电应力冲击等各种环境应力和工作应力，应力会导致电源内部组成元器件发生老化进而使得电源系统发生退化失效。随着科技社会的发展，我们对电源工作的要求越来越高，除了电源需具备的固有的性能以外，我们希望电源能够在承受各种应力的条件下也能稳定、可靠地工作。健康评估技术可以实现对电源现有的状态的确定和对剩余寿命的预测，通过健康评估，可以提前采取措施延长电源的使用寿命，从而有望解决电源使用时可靠性不足的问题。

现有许多针对各种系统和元器件做健康评估的研究，但未涉及到对电源做健康评估，更未出现使用变种的SOM网络做电源健康评估。我们都知道，SOM的主要优点是聚类的形成使用一个自组织过程来帮助将输入空间演绎为代表性特征空间，因此潜在的拓扑结构将得以保持，面空间的维数亦可降低。但它有一些局限性，举例来说，SOM使用的是固定拓扑的网络结构，即神经处理单元的数目及排列方法必须事先在训练前加以确定，这限制了SOM网络对动态、增量样本集的学习适应能力，对于较大的输入模式而言，要确定一个产生满意结果的网络拓扑远非易事。同时，输入空间的拓扑也要匹配有待表达的输出空间拓扑的选择，领域保持特性取决于输出空间的拓扑选择。然而，对现实的数据模式而言，输入空间所需的合适维数事先不知道，而输出格栅必须在学习前给定，这样一来，输出格栅很难与输入空间的数据结构相匹配。

发明内容：

本发明为了解决使用SOM网络做健康评估时存在需要事先定义映射的网络大小尺寸及聚类边界检测的问题，提出一种基于变拓扑自组织网络的电源健康评估方法。

本发明提供一种电源健康状态评估方法，具体为一种基于增长型神经网络(GCS,growing cell structure)的电源健康状态评估方法，即一种基于变拓扑自组织网络的电源健康评估方法，该方法具体步骤如下：

步骤一：建立电源仿真模型，确定影响电源健康的关键元器件及退化模型，确定能表示电源健康度的可监测特征参数；

步骤二：选取电源正常状态下的特征参数输出作为训练样本，监测关键元器件的特征参数的退化情况，采集退化数据，作为网络的测试输入；

步骤三：利用GCS网络对训练样本进行学习和分类，获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征；

步骤四：将步骤二中所获得退化数据作为GCS网络的测试输入向量，计算权值向量与输入向量的欧式距离，将最小的欧式距离作为最小量化误差E_min；

步骤五：将值进行归一化处理，转换为表示健康的值，用HV表示；通过对HV设定多个阈值，将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段；

通过以上步骤，获得仿真数据并对GCS网络进行训练，由于GCS网络本身变拓扑的特性，使得训练后的GCS网络不但适配神经元的权矢量，而且使输入空间对输出空间的拓扑本身进行适配；从而实现GCS网络对复杂高维数据的灵活、有效地处理，克服了标准的SOM网络输出拓扑结构不变的局限性，克服了普通特征映射网络的固定网格拓扑不能很好地反映输入空间的结构这一问题。

其中，在步骤一中所述的“建立电源仿真模型，确定影响电源健康的关键元器件及退化模型，确定能表示电源健康度的可监测特征参数”，其做法如下：根据电源工作原理建立仿真模型确定影响电源健康的关键元器件为电容、电阻和电感，确定能表示电源健康度的特征参数有电容的等效串联电阻(ESR,equivalent series resistance)、电阻的阻值、电感的电感值变化。

其中，在步骤二中所述的“选取电源正常状态下的特征参数输出作为训练样本，监测关键元器件的特征参数的退化情况，采集退化数据，作为网络的测试输入”，其具体做法为：分别监测电源正常状态和退化状态下的电容的输出纹波，电阻的温度和电感的电感值作为网络的训练输入和测试输入。

其中，在步骤三中所述的“利用GCS网络对训练样本进行学习和分类，获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征”，其做法如下：用电源正常状态的数据训练GCS网络，获得各个神经元的权重向量ω和表现数据分布的网络拓扑结构。

其中，在步骤四中所述的“将步骤二中所获得退化数据作为GCS网络的测试输入向量，计算权值向量与输入向量的欧式距离，将最小的欧式距离作为最小量化误差E_min”，其做法如下：对采集到的电容纹波、电阻阻值、电感的电感值进行融合作为m维状态监测特征数据，并作为GCS网络的数据输入向量X，输入向量X的表示法如下：

X＝(x₁,x₂,x₃,...,x_m)^T

式中，x_i(1＜i＜m)代表网络输入层的第i个神经元；X表示网络输入向量；

计算输入向量X与第j个神经元的权重向量的欧式距离d_j的公式如下：

式中：X代表输入向量，ω_j表示映射层第j个神经元，x_i(1＜i＜m)代表网络输入层的第i个神经元，ω_ij为输入层的第i个神经元和映射层的j神经元之间的权值；

将最小欧式距离作为最小量化误差(E_min)，其计算公式如下：

式中：E_min代表最小量化误差，X代表输入向量，ω_j表示映射层第j个神经元。

其中，在步骤五中所述的“将值进行归一化处理，转换为表示健康的值，用HV表示；通过对HV设定多个阈值，将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段”，其做法如下：将值用极大极小值法进行归一化处理，转换为表示健康的值，用HV表示；其中0表示失效状态，1表示健康状态，用0-1之间的一个数表示系统当前的状态；值的归一化方法如下所示：

式中，x_k第k个HV值，x_max代表最大的HV值，x_min表示最小的HV值；根据HV值划定四个状态，S1、S2、S3、S4对于的健康状态分别为：正常状态、初始退化阶段、严重退化阶段、严重退化阶段。

本发明提供一种基于变拓扑自组织神经网络的电源健康评估方法，它具体为一种基于增长型神经网络的电源健康状态评估方法，本发明具有如下优点与积极效果：

增长型神经网络在训练过程中既能优化神经元的权重，也能优化输出空间的拓扑结构，且计算速度不受输入数据量大小的影响，节点被增量地添加到规则的二维网格中，该网格在任何时候都是可绘制的，而不管输入空间的维度如何，因此，训练后的GCS网络能更好地匹配网络的输入数据，这非常适合对大规模数据的处理。自组织神经网络需要预先给定竞争层网络单元数目及结构形状，这限制了SOM网络对动态、增量样本集的学习适应能力，而GCS网络可以持续学习网络的输入特征，在竞争训练中适时调整神经元网络的拓扑结构，自适应性好则弥补了SOM网络的不足。

附图说明：

图1为本发明所述方法的基本流程图。

图中序号、符号、代号说明如下：

图1中，GCS表示增长型神经网络

具体实施方式：

下面结合附图说明本发明的实施方式；

本发明所述的一种基于变拓扑自组织网络的电源健康评估方法，即一种基于增长型神经网络的电源健康状态评估方法，见附图1所示，其具体实施步骤如下：

步骤一：根据电源工作原理建立仿真模型，根据电源仿真模型及该电源预期所处环境条件及使用状况，确定影响电源健康的关键元器件为电容、电阻和电感。由于电容的失效主要表现为电容等效串联电阻(ESR,equivalent series resistance)的增大和输出纹波的变化，电阻退化的主要表现为温度升高和阻值变化，电感退化表现为电感值的变化，因此确定电容的纹波、电阻的阻值和电感值为需要监测的特征参数。

步骤二：选取电源正常状态下的电容的输出纹波v，电阻的阻值R和电感的电感值L作为网络的训练输入X，则X＝(v,R,L)^T。然后每隔时间t监测电源退化状态时的特征参数输出，总共记录n次退化状态，分别计为v_k、R_k、L_k，其中0＜k＜n，则测试输入Y＝(Y₁,Y₂,...Y_n)^T，其中Y_k＝(v_k,R_k,L_k)。

步骤三：利用GCS网络对训练样本X＝(v,R,L)^T进行学习和分类，获得网络拓扑结构，其中我们可以观察到该网络结构总共有N个节点，每个节点表示一个神经元，每个神经元与其余神经元相连接，总共有M种连接方式，神经元与神经元之间的连接的权值向量为ω_γ(0＜γ＜M)，在GCS网络结构中，拓扑结构的节点分布是不规则的，节点处连线越密集的地方，说明该处的权值越大，节点连接越稀疏的地方其权值越小。SOM网络通过拓扑结构图中的单元颜色深浅来表示连接权重的大小，但它每个节点的位置是固定的，这就限制了SOM网络对输入空间的匹配程度。因此，GCS网络的输出层的各个神经元能更好地描述数据集的分布特征，具有很好的可视性。

步骤四：利用GCS网络，将步骤二中获取的退化数据Y_k作为GCS网络的数据测试输入向量，计算权值向量与输入向量的欧式距离，将最小的欧式距离作为最小量化误差(E_min)。

计算输入向量Y_k与第j个神经元ω_j的欧式距离d_j的公式如下：

式中，Y_k代表第k个输入向量，其中0＜k＜n，ω_j表示映射层第j个神经元，y_i(1＜i＜λ)代表网络输入向量的第i个神经元，λ表示一个输入向量中的神经元个数，ω_ij为输入层的第i个神经元和映射层的j神经元之间的权值。

将最小欧式距离作为最小量化误差(E_min)，计算公式如下：

E_min(k)＝min{||Y_k-ω_j||}

式中：E_min代表最小量化误差，E_min(k)表示第k个最小量化误差，Y_k代表第k个输入向量，ω_j表示映射层第j个神经元。

然后求取所有测试输入向量的最小量化误差，总共有n个。

步骤五：将值进行归一化处理，转换为表示健康的值，用HV表示。其中0表示失效状态，1表示健康状态，用0-1之间的一个数表示系统当前的状态。值的归一化方法如下所示：

式中，x_k第k个HV值，x_max代表最大的HV值，x_min表示最小的HV值。可以自适应的调节HV值表示；根据HV值划定四个状态，S1、S2、S3、S4对于的健康状态分别为：正常状态、初始退化阶段、严重退化阶段、失效，如表2所示。

表2

阶段	类型	判定标准
			S1	正常状态	S1<HV<1
S2	初始退化阶段	S2<HV<S1
			S3	严重退化阶段	S3<HV<S2
S4	失效状态	HV<S3

。

Claims (6)

1.一种基于变拓扑自组织网络的电源健康评估方法，即一种基于增长型神经网络的电源健康状态评估方法，其特征在于：该方法具体步骤如下：

步骤一：建立电源仿真模型，确定影响电源健康的关键元器件及退化模型，确定能表示电源健康度的可监测特征参数；

步骤二：选取电源正常状态下的特征参数输出作为训练样本，监测关键元器件的特征参数的退化情况，采集退化数据，作为网络的测试输入；

步骤三：利用GCS网络对训练样本进行学习和分类，获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征；

步骤四：将步骤二中所获得退化数据作为GCS网络的测试输入向量，计算权值向量与输入向量的欧式距离，将最小的欧式距离作为最小量化误差E_min；

步骤五：将值进行归一化处理，转换为表示健康的值，用HV表示；通过对HV设定复数个阈值，将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段；

通过以上步骤，获得仿真数据并对GCS网络进行训练，由于GCS网络本身变拓扑的特性，使得训练后的GCS网络不但适配神经元的权矢量，而且使输入空间对输出空间的拓扑本身进行适配；从而实现GCS网络对复杂高维数据的灵活、有效地处理，克服了标准的SOM网络输出拓扑结构不变的局限性，克服了普通特征映射网络的固定网格拓扑不能很好地反映输入空间的结构这一问题。

2.根据权利要求1所述的一种基于变拓扑自组织网络的电源健康评估方法，即一种基于增长型神经网络的电源健康状态评估方法，其特征在于：

在步骤一中所述的“建立电源仿真模型，确定影响电源健康的关键元器件及退化模型，确定能表示电源健康度的可监测特征参数”，其做法如下：根据电源工作原理建立仿真模型确定影响电源健康的关键元器件为电容、电阻和电感，确定能表示电源健康度的特征参数有电容的等效串联电阻即ESR电阻的阻值、电感的电感值变化。

3.根据权利要求1所述的一种基于变拓扑自组织网络的电源健康评估方法，即一种基于增长型神经网络的电源健康状态评估方法，其特征在于：

在步骤二中所述的“选取电源正常状态下的特征参数输出作为训练样本，监测关键元器件的特征参数的退化情况，采集退化数据，作为网络的测试输入”，其具体做法为：分别监测电源正常状态和退化状态下的电容的输出纹波，电阻的温度和电感的电感值作为网络的训练输入和测试输入。

4.根据权利要求1所述的一种基于变拓扑自组织网络的电源健康评估方法，即一种基于增长型神经网络的电源健康状态评估方法，其特征在于：

在步骤三中所述的“利用GCS网络对训练样本进行学习和分类，获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征”，其做法如下：用电源正常状态的数据训练GCS网络，获得各个神经元的权重向量ω和表现数据分布的网络拓扑结构。

5.根据权利要求1所述的一种基于变拓扑自组织网络的电源健康评估方法，即一种基于增长型神经网络的电源健康状态评估方法，其特征在于：

在步骤四中所述的“将步骤二中所获得退化数据作为GCS网络的测试输入向量，计算权值向量与输入向量的欧式距离，将最小的欧式距离作为最小量化误差E_min”，其做法如下：对采集到的电容纹波、电阻阻值、电感的电感值进行融合作为m维状态监测特征数据，并作为GCS网络的数据输入向量X，输入向量X的表示法如下：

X＝(x₁,x₂,x₃,...,x_m)^T

式中，x_i(1＜i＜m)代表网络输入层的第i个神经元；X表示网络输入向量；

计算输入向量X与第j个神经元的权重向量的欧式距离d_j的公式如下：

式中：X代表输入向量，ω_j表示映射层第j个神经元，x_i(1＜i＜m)代表网络输入层的第i个神经元，ω_ij为输入层的第i个神经元和映射层的j神经元之间的权值；

将最小欧式距离作为最小量化误差即E_min，其计算公式如下：

式中：E_min代表最小量化误差，X代表输入向量，ω_j表示映射层第j个神经元。

6.根据权利要求1所述的一种基于变拓扑自组织网络的电源健康评估方法，即一种基于增长型神经网络的电源健康状态评估方法，其特征在于：

在步骤五中所述的“将值进行归一化处理，转换为表示健康的值，用HV表示；通过对HV设定复数个阈值，将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段”，其做法如下：将值用极大极小值法进行归一化处理，转换为表示健康的值，用HV表示；其中0表示失效状态，1表示健康状态，用0-1之间的一个数表示系统当前的状态；值的归一化方法如下所示：

式中，x_k第k个HV值，x_max代表最大的HV值，x_min表示最小的HV值；根据HV值划定四个状态，S1、S2、S3、S4对于的健康状态分别为：正常状态、初始退化阶段、严重退化阶段、严重退化阶段。