CN109271741B - 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 - Google Patents
一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 Download PDFInfo
- Publication number
- CN109271741B CN109271741B CN201811248233.8A CN201811248233A CN109271741B CN 109271741 B CN109271741 B CN 109271741B CN 201811248233 A CN201811248233 A CN 201811248233A CN 109271741 B CN109271741 B CN 109271741B
- Authority
- CN
- China
- Prior art keywords
- power supply
- supply module
- data
- state
- buck
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种降压型DC‑DC电源模块剩余使用寿命预测与健康评估方法,其步骤如下:1.根据降压型DC‑DC电源模块在过电应力与环境应力影响下,对浪涌冲击导致的过流和短路,热冲击、振动与腐蚀等失效原因关联分析,建立故障信息分析体系;2.输入相应测试信号,监测降压型DC‑DC电源模块输出特征信号,并采集监测数据进行预处理,用作支持向量机的学习样本数据;3.建立一种支持向量机进行降压型DC‑DC电源模块输出异常的预测模型,利用采集的样本数据进行训练学习;4.建立时间序列对样本数据与预测结果误差进行训练,结果与原预测数据相加;5.根据降压型DC‑DC电源模块输出信号特征,制定健康状态分类;6.建立人工神经网络系统进行原始状态识别,利用采集的样本数据训练学习;7.将实时信号输入预测系统,再将时间序列修正的支持向量机模型与人工神经网络系统得到的结果进行综合分析。使用智能算法进行降压型DC‑DC电源模块故障预测与健康状态评估,降低电源系统维护保障技术门槛,具有一定的工程实用价值。
Description
技术领域
本发明涉及一种降压型DC-DC电源模块剩余使用寿命预测与健康评估方法,属于电子器件故障预测领域。
背景技术
直流变换(DC-DC)电源模块是电子系统的电源供应器,有升压和降压两种,可以为专用集成电路(ASIC)、数字信号处理器(DSP)、微处理器、存储器、现场可编程门阵列(FPGA)及其他数字或模拟负载供电。随着电子信息化技术的提高,降压型DC-DC电源模块在电力、工控、医疗与军工等各个方面应用广泛,其功能特性与可靠性显得非常重要。
提高电源系统及其使用的元器件在特殊工作条件下的适应性成为重点考虑情况。为了避免降压型DC-DC电源模块引起电源系统故障的情况发生,尽可能排除安全隐患,元器件生产商与元器件使用方常会在降压型DC-DC电源模块正式投入使用之前针对其开展一系列的环境模拟实验,以暴露其潜在失效和剔除不合格产品,通过损伤机理分析来指导器件级或系统级改进,确保产品能够以稳定的工作状态服务于型号。
这些模拟实验可以在前期剔除不合格产品,对型号装备在使用中的可靠性有一定保障。但是面对各种实际环境的考验,不足以解决使用中的退化情况。对于一些较为极端的应用环境更是如此,如核辐射环境,其中的高能辐射粒子或射线作用于降压型DC-DC电源模块,会与其中各个单元发生一系列辐射效应,从而导致降压型DC-DC电源模块参数超差甚至功能失效。
航空航天设备所受影响主要来源是温度应力、振动应力以及宇宙粒子等方面,这些环境影响对降压型DC-DC电源模块正常工作带来威胁,导致其性能随着工作时间增加逐步退化,降低了有效使用寿命。比如在振动应力的作用下,导致基板受力不均,MOS管、二极管等表贴器件会产生破裂,导致故障;太空环境下,单粒子烧毁或栅穿等破坏性效应对MOS管、PWM芯片等都有影响。另外,还有电应力可能造成器件瞬间击穿等失效情况,这些故障情况对型号装备的正常状态影响非常大,所以对设备维护工作提出要求。
基于数据分析的预测方法通过机器学习建立预测模型,通过监测器件输出特征信号,可识别异常变化趋势及时预测降压型DC-DC电源模块故障。因此研发一种基于支持向量机与人工神经网络的智能化降压型DC-DC电源模块故障预测方法,是目前本领域迫切需要的。
发明内容
1)发明目的
本发明的目的是为了解决现有技术中的不足,提供一种能够解决降压型DC-DC电源模块剩余使用寿命与健康状态的预测问题,基于支持向量机与人工神经网络的智能化降压型DC-DC电源模块故障预测方法。
2)技术方案
本发明所述的一种降压型DC-DC电源模块剩余使用寿命预测与健康评估方法,其步骤如下:
(1)根据降压型DC-DC电源模块在过电应力与环境应力影响下,对浪涌冲击导致的过流和短路,热冲击、振动与腐蚀等失效原因关联分析,建立故障信息分析体系;
(2)输入相应测试信号,监测降压型DC-DC电源模块输出特征信号,并采集监测数据进行预处理,用作支持向量机的学习样本数据;
(3)建立一种支持向量机进行降压型DC-DC电源模块输出异常的预测模型,利用采集的样本数据进行训练学习;
(4)建立时间序列对样本数据与预测结果误差进行训练,结果与原预测数据相加;
(5)根据降压型DC-DC电源模块输出信号特征,制定健康状态分类;
(6)建立人工神经网络系统进行原始状态识别,利用采集的样本数据训练学习;
(7)将实时信号输入预测系统,再将时间序列修正的支持向量机模型与人工神经网络系统得到的结果进行综合分析。
进一步的,步骤(1)对降压型DC-DC电源模块在过电应力与环境应力影响下失效原因分析:产生瞬态过电应力的原因主要包括:上、下电时产生的浪涌冲击;由于负载原因导致的过流和短路以及人为使用不当等。温度过高、温度过低、热循环以及热冲击等引起电参数漂移、机械变形、化学反应、增加接触电阻、介质击穿和电迁徙等。振动可能导致电气连接损坏、微电子部件的衬底断裂电子部件接触或短路、导线磨损以及出现元器件松动或接触不良等情况。湿度引起电路腐蚀、电气短路、绝缘击穿以及电阻变化。
进一步的,步骤(2)输入测试信号为降压型DC-DC电源模块输出端脉冲电流,设置向下电流脉冲500mA,初始电流为0,脉冲宽度100us。
进一步的,步骤(2)输出特征信号为降压型DC-DC电源模块输出电压波形,包括电压值和阻尼波形振动数量。
进一步的,步骤(3)建立一种支持向量机进行降压型DC-DC电源模块输出异常的预测模型对输出波形数据进行预测:
利用采集的样本数据训练支持向量机模型,对反应降压型DC-DC电源模块故障特征信号进行多步时序预测,即根据信号征兆时间预测未来时间节点的数值;
将采集的反应降压型DC-DC电源模块故障特征时序信号x1,x2,...,xk输入支持向量机,计算得到时序预测实际输出值将预测实际输出值和训练数据中对应的输入值x1,x2,...,xk形成误差,通过误差反向传播进行模型训练,建立支持向量机预测模型。
进一步的,步骤(5)降压型DC-DC电源模块输出信号特征为电压值和阻尼波形振动数量。
进一步的,步骤(5)健康状态分类:根据应用系统要求,确定失效阈值,包括输出电压值失效阈值和阻尼振动波形数量失效阈值;将正常数据与失效阈值之间的数据划分为四个阶段,包括:正常状态、1级退化状态、2级退化状态与失效状态。
进一步的,步骤(6)建立一种人工神经网络系统进行原始状态识别;输入为样本数据x1,x2,...,xk,输出为四种状态编码,建立神经网络预测模型。
进一步优化的,将电源模块健康状态分为4个阶段,分别是正常状态、1级退化状态、2级退化状态和失效状态,对每种状态进行编码为{1 0 0 0}、{0 1 0 0}、{0 0 1 0}和{0 0 0 1}。
进一步的,步骤(7)将实时信号输入预测系统,实时信号为在DC-DC电源模块输出端施加步骤(2)中的测试信号,所得输出特征信号,包括输出电压值失效阈值和阻尼振动波形数量;预测系统是利用实时信号根据步骤(3)和步骤(4)中方法训练预测模型与步骤(6)中状态识别模型所组成的预测系统。
进一步的,步骤(7)利用时间序列修正误差的支持向量机模型预测降压型DC-DC电源模块输出特征信号,得到失效阈值时间,计算剩余使用寿命;人工神经网络系统对数据进行识别,得到的降压型DC-DC电源模块所处健康状态。
进一步优化的,降压型DC-DC电源模块输出特征信号为电压值和阻尼波形振动数量。
进一步优化的,计算剩余使用寿命,其特征在于:时间序列修正误差的支持向量机模型预测出输出特征信号,确定失效阈值所处时间ti,当前器件所处时间t,计算剩余使用寿命为tRUL=ti-t,最终得到预测结果。
3)优点及作用
1.本发明使用智能算法进行降压型DC-DC电源模块故障预测,为装备电源系统提供状态监测技术,针对电源模块状态掌握有重大作用,并且对一些明显故障征兆特征的故障非常具有针对性,有较高的预测准确性。
2.本发明为军用降压型DC-DC电源模块提供剩余使用寿命预测技术。可以为电源模块提供寿命预测方法,对电源模块健康管理技术发展起到一定推动作用,可以对设备健康状态进行实时监控,采用合理的维护措施提高设备可靠性。具有重要的军事应用价值和明显的社会经济效益。
3.本发明为国内器件整体性能发展与装备器件国产化提供技术参考。为国内降压型DC-DC电源模块故障检测提供测试设备与方法流程,形成健康状态评价方法。可有效解决常规预测费时费力的缺点,满足装备需求,突破制约国产降压型DC-DC电源模块推广化使用的问题,降低系统维护保障技术门槛,使保养、更换更精准、更高效。
附图说明
图1为本发明的降压型DC-DC电源模块剩余使用寿命预测与健康状态评估流程图;
图2为本发明的降压型DC-DC电源模块瞬态分析示意图;
图3为本发明的示例输出电压波形;
图4为本发明的特征信号预测算法流程图;
图5为本发明的案例特征数据预测误差差分数据相关图;
图6为本发明的案例剩余使用寿命预测结果;
图7为本发明的案例样本数据健康状态序列图
图8为本发明的案例健康状态预测
具体实施方式
以下由特定的具体实施案例说明本发明的实施方式。
本发明所述的一种降压型DC-DC电源模块剩余使用寿命预测与健康评估方法,其步骤如下:
(1)根据降压型DC-DC电源模块在过电应力与环境应力影响下,对浪涌冲击导致的过流和短路,热冲击、振动与腐蚀等失效原因关联分析,建立故障信息分析体系;
(2)输入相应测试信号,监测降压型DC-DC电源模块输出特征信号,并采集监测数据进行预处理,用作支持向量机的学习样本数据;
(3)建立一种支持向量机进行降压型DC-DC电源模块输出异常的预测模型,利用采集的样本数据进行训练学习;
(4)建立时间序列对样本数据与预测结果误差进行训练,结果与原预测数据相加;
(5)根据降压型DC-DC电源模块输出信号特征,制定健康状态分类;
(6)建立人工神经网络系统进行原始状态识别,利用采集的样本数据训练学习;
(7)将实时信号输入预测系统,再将时间序列修正的支持向量机模型与人工神经网络系统得到的结果进行综合分析。
作为本发明的进一步优化,步骤(1)对降压型DC-DC电源模块在过电应力与环境应力影响下失效原因分析:产生瞬态过电应力的原因主要包括:上、下电时产生的浪涌冲击;由于负载原因导致的过流和短路以及人为使用不当等。温度过高、温度过低、热循环以及热冲击等引起电参数漂移、机械变形、化学反应、增加接触电阻、介质击穿和电迁徙等。振动可能导致电气连接损坏、微电子部件的衬底断裂电子部件接触或短路、导线磨损以及出现元器件松动或接触不良等情况。湿度引起电路腐蚀、电气短路、绝缘击穿以及电阻变化。
进一步的,步骤(2)输入测试信号为降压型DC-DC电源模块输出端施加脉冲电流,设置向下电流脉冲500mA,初始电流为0,脉冲宽度100us。
进一步的,步骤(2)输出特征信号为降压型DC-DC电源模块输出电压波形,包括电压值和阻尼波形振动数量。
进一步的,步骤(3)建立一种支持向量机进行降压型DC-DC电源模块输出异常的预测模型对输出波形数据进行预测:
利用采集的样本数据训练支持向量机模型,对反应降压型DC-DC电源模块故障特征信号进行多步时序预测,即根据信号征兆时间预测未来时间节点的数值;
将采集的反应降压型DC-DC电源模块故障特征时序信号x1,x2,...,xk输入支持向量机,计算得到时序预测实际输出值将预测实际输出值和训练数据中对应的输入值x1,x2,...,xk形成误差,通过误差反向传播进行模型训练,建立支持向量机预测模型。
进一步的,步骤(5)降压型DC-DC电源模块输出信号特征为电压值和阻尼波形振动数量。
进一步的,步骤(5)健康状态分类:根据应用系统要求,确定失效阈值,包括输出电压值失效阈值和阻尼振动波形数量失效阈值;将正常数据与失效阈值之间的数据划分为四个阶段,包括:正常状态、1级退化状态、2级退化状态与失效状态。
进一步的,步骤(6)建立一种人工神经网络系统进行原始状态识别;输入为样本数据x1,x2,...,xk,输出为四种状态编码,建立神经网络预测模型。
进一步优化的,将电源模块健康状态分为4个阶段,分别是正常状态、1级退化状态、2级退化状态和失效状态,对每种状态进行编码为{1 0 0 0}、{0 1 0 0}、{0 0 1 0}和{0 0 0 1}。
进一步的,步骤(7)将实时信号输入预测系统,实时信号为在DC-DC电源模块输出端施加步骤(2)中的测试信号,所得输出特征信号,包括输出电压值失效阈值和阻尼振动波形数量;预测系统是利用实时信号根据步骤(3)和步骤(4)中方法训练预测模型与步骤(6)中状态识别模型所组成的预测系统。
进一步的,步骤(7)利用时间序列修正误差的支持向量机模型预测降压型DC-DC电源模块输出特征信号,得到失效阈值时间,计算剩余使用寿命;人工神经网络系统对数据进行识别,得到的降压型DC-DC电源模块所处健康状态。
进一步优化的,降压型DC-DC电源模块输出特征信号为电压值和阻尼波形振动数量。
进一步优化的,计算剩余使用寿命,其特征在于:时间序列修正误差的支持向量机模型预测出输出特征信号,确定失效阈值所处时间ti,当前器件所处时间t,计算剩余使用寿命为tRUL=ti-t,最终得到预测结果。
实施案例
如图1所示,本发明的一种降压型DC-DC电源模块剩余使用寿命预测与健康评估方法,其步骤如下:
步骤01:降压型DC-DC电源模块故障情况:上、下电时产生的浪涌冲击;由于负载原因导致的过流和短路以及人为使用不当等。温度过高、温度过低、热循环以及热冲击等引起电参数漂移、机械变形、化学反应、增加接触电阻、介质击穿和电迁徙等。振动可能导致电气连接损坏、微电子部件的衬底断裂电子部件接触或短路、导线磨损以及出现元器件松动或接触不良等情况。湿度引起电路腐蚀、电气短路、绝缘击穿以及电阻变化。
步骤02:进行降压型DC-DC电源模块瞬态响应分析,确定测试信号类型。根据图2所示瞬态响应传递图,输出电压为:
Vout=(Vin-Vref)T(s)-I(s)Zout
整理后为:
则输出电压变化量为:
其中T(s)为环路传递函数,Zout为输入阻抗。
当在输出端施加脉冲电流,可以引起输出波形产生阻尼振动。设置向下电流脉冲500mA,初始电流为0,脉冲宽度100us。
步骤03:利用输出为5.86V的降压型DC-DC仿真电路进行分析,得到退化特征参数为随MOS管导通电阻Rd增大而减小的输出电压值与随光电耦合器电流传输比CTR减小而减少的阻尼震荡个数,波形示例如图3。下表中是所得到的具体数据(序号Q,输出电压Vout,阻尼振荡个数N)。
表1仿真数据
Q | Vout(V) | N | Q | Vout(V) | N | Q | Vout(V) | N | Q | Vout(V) | N |
1 | 5.8592 | 10.0000 | 26 | 5.8261 | 9.3467 | 51 | 5.7929 | 8.6133 | 76 | 5.7501 | 7.7067 |
2 | 5.8576 | 9.9733 | 27 | 5.8269 | 9.3200 | 52 | 5.7905 | 8.5867 | 77 | 5.7453 | 7.6933 |
3 | 5.8576 | 9.9333 | 28 | 5.8277 | 9.2667 | 53 | 5.7848 | 8.5467 | 78 | 5.7428 | 7.7200 |
4 | 5.8584 | 9.9200 | 29 | 5.8261 | 9.2933 | 54 | 5.7865 | 8.4800 | 79 | 5.7420 | 7.6667 |
5 | 5.8600 | 9.8800 | 30 | 5.8236 | 9.2667 | 55 | 5.7824 | 8.4667 | 80 | 5.7396 | 7.6267 |
6 | 5.8568 | 9.8533 | 31 | 5.8212 | 9.2267 | 56 | 5.7832 | 8.4133 | 81 | 5.7372 | 7.5867 |
7 | 5.8568 | 9.8000 | 32 | 5.8220 | 9.1600 | 57 | 5.7792 | 8.3333 | 82 | 5.7380 | 7.5333 |
8 | 5.8552 | 9.7867 | 33 | 5.8204 | 9.1733 | 58 | 5.7784 | 8.3467 | 83 | 5.7339 | 7.5200 |
9 | 5.8535 | 9.7600 | 34 | 5.8180 | 9.1200 | 59 | 5.7760 | 8.3200 | 84 | 5.7356 | 7.4933 |
10 | 5.8543 | 9.7867 | 35 | 5.8188 | 9.0800 | 60 | 5.7735 | 8.2800 | 85 | 5.7323 | 7.4533 |
11 | 5.8503 | 9.7200 | 36 | 5.8172 | 9.0400 | 61 | 5.7719 | 8.2400 | 86 | 5.7299 | 7.4267 |
12 | 5.8527 | 9.6667 | 37 | 5.8164 | 9.0667 | 62 | 5.7703 | 8.2000 | 87 | 5.7259 | 7.3733 |
13 | 5.8527 | 9.6800 | 38 | 5.8180 | 9.0000 | 63 | 5.7711 | 8.1867 | 88 | 5.7267 | 7.3467 |
14 | 5.8543 | 9.6533 | 39 | 5.8131 | 8.9867 | 64 | 5.7687 | 8.1600 | 89 | 5.7234 | 7.2667 |
15 | 5.8471 | 9.6667 | 40 | 5.8099 | 9.0000 | 65 | 5.7663 | 8.0933 | 90 | 5.7186 | 7.2533 |
16 | 5.8463 | 9.6533 | 41 | 5.8099 | 8.9467 | 66 | 5.7630 | 8.0667 | 91 | 5.7210 | 7.2800 |
17 | 5.8422 | 9.6667 | 42 | 5.8091 | 8.8800 | 67 | 5.7614 | 8.0133 | 92 | 5.7162 | 7.2133 |
18 | 5.8438 | 9.6133 | 43 | 5.8051 | 8.8667 | 68 | 5.7638 | 8.0533 | 93 | 5.7137 | 7.1333 |
19 | 5.8398 | 9.5867 | 44 | 5.8018 | 8.8267 | 69 | 5.7590 | 7.9733 | 94 | 5.7145 | 7.1467 |
20 | 5.8414 | 9.5067 | 45 | 5.8026 | 8.8933 | 70 | 5.7566 | 7.9067 | 95 | 5.7105 | 7.0800 |
21 | 5.8390 | 9.5333 | 46 | 5.8010 | 8.8133 | 71 | 5.7549 | 7.9333 | 96 | 5.7057 | 7.0000 |
22 | 5.8358 | 9.4933 | 47 | 5.8018 | 8.7733 | 72 | 5.7574 | 7.8800 | 97 | 5.7000 | 7.0133 |
23 | 5.8358 | 9.4533 | 48 | 5.7962 | 8.7333 | 73 | 5.7525 | 7.8533 | - | - | - |
24 | 5.8341 | 9.4267 | 49 | 5.7978 | 8.7067 | 74 | 5.7558 | 7.8133 | - | - | - |
25 | 5.8309 | 9.4133 | 50 | 5.7937 | 8.6400 | 75 | 5.7533 | 7.7467 | - | - | - |
仿真数据为97组,仿真过程设置为一个随着时间退化过程,每一个数据记录点记为ti,总共试验时间为t97。
步骤04:选择Vout为分析对象,进行参数预测分析。取Vout前1到57组数据为模型训练数据xtest,后面从58到97为模型仿真数据xsim。根据图4,利用时间序列(ARMA)修正支持向量机(SVM)模型对xtest训练学习。
具体方法如下:
(1)测试数据预处理,利用SVM算法进行模型计算;
(2)利用SVM模型预测训练数据,并计算误差;
(3)判断误差数据平稳性,利用ARMA模型算法,通过AIC准则函数确定模型阶数;
(4)按照先后估算法求出自回归系数和滑动系数;
(5)利用误差修正模型预测后面数据误差;
(6)预测误差与预测数据求和得到修正后预测数据。
步骤05:步骤04中利用样本数据训练SVM模型,利用得到的SVM模型对后面40组数据进行预测,预测误差在-0.002V~+0.011V之间。输出电压应该控制在±50mV,上面预测误差达到11mV,超过要求的20%。
步骤06:步骤04中通过利用ARMA模型修正误差,训练得到的SVM预测模型对xtest预测的误差训练ARMA模型,并预测xsim的误差。对原始误差数据进行一阶差分前后数据相关图如图5。自相关图与偏相关图为拖尾,初步确定为ARMA模型,设模型为ARMA(p,q),利用AIC准则进行定阶。
表2不同ARMA模型结果
模型 | p=1,q=1 | p=2,q=1 | P=2,q=2 |
α1估计值(标准差) | 0.0541(0.2710) | 0.3835(0.1310) | -0.0054(0.2752) |
α2估计值(标准差) | - | 0.2770(0.1317) | 0.4730(0.1572) |
θ1估计值(标准差) | -0.5974(0.2343) | -1.000(0.076) | -0.5796(0.3026) |
θ2估计值(标准差) | - | - | -0.4203(0.2877) |
AIC | -530.72 | -531.46 | -530.25 |
得到当p=2,q=1时,AIC有最小值-531.46,确定模型为ARMA(2,1)。模型参数检验包括:参数的显著性检验和残差的正态性和无关性检验。参数的显著性检验:用估计出的系数除以其的标准差(se)得到的商与T统计量5%的临界值(1.96)比较,商的绝对值大于1.96,则拒绝原假设,认为系数显著的不为0,否则认为系数不显著。
设置置信度α为95%。Box-Ljungtest结果:X-squared=0.0034221,df=1,p-value=0.9534>α。结果显示模型可以描述数据数据的趋势。
利用xtest误差数据预测得到xsim误差,与xsim的预测值相加得到修正后的预测值。与未经过误差优化的数据对比,最大误差从11mV减小到8mV。
步骤07:利用支持向量机进行寿命预测。设置输入量分别为原始仿真数据Vout与N,最低电压值不能比标称值小100mV以上,确定阈值为5.76V。图6(a)表明在采样序列69时,Vout达到阈值。利用修正后的退化特征参数预测模型对两组数据进行分析,选取在采样序列60截尾进行预测。根据图中所示,采样序列到达69时发生失效,原始仿真数据是在69时发生失效。按照预测起始60所对应的真实时间t60到失效时间69对应的真实时间t69进行计算,得到剩余寿命为t=t69-t60。
对于N,规定CTR不能低于额定值的80%,采样序列为67,结果如图6(b)是对阻尼振动次数N进行分析的结果。
根据预测结果,采样序列在67时发生失效,原始仿真数据在69时发生失效。同样按照预测起始时间60所对应的真实时间t60到失效时间67对应的真实时间t67进行计算,得到剩余寿命为t=t67-t60。
步骤08:将降压型DC-DC电源模块健康状态分为4个阶段,分别是正常状态、1级退化状态、2级退化状态和失效状态。对每种状态编码为:
表3将康状态编码
状态 | 正常状态 | 1级退化状态 | 2级退化状态 | 失效状态 |
编码 | {1 0 0 0} | {0 1 0 0} | {0 0 1 0} | {0 0 0 1} |
本发明采用三层神经网络进行训练,隐层神经元为10,学习算法为trainscg,其中70%的数据是训练数据,15%是测试数据,15%是验证数据。在第18次迭代时出现最好验证性能为0.0030614。图7是所处四个状态序列图,在时间序列22时系统从正常状态转到1级退化状态,43时转为2级退化状态,到达70后系统已经处于失效状态。
步骤09:利用SVM预测算法对仿真数据前60组进行建模,预测后面37组数据。用训练好的神经网络模型对新数据健康状态进行预测,得到如图8结果。采样序列60之后的预测情况显示,系统状态在70时从2级退化状态转变为失效状态,和原识别数据吻合,说明健康状态预测模型可以很好的预测模型未来的健康状态。
本发明使用智能算法进行降压型DC-DC电源模块故障预测,为装备电源系统提供状态监测技术,针对电源模块状态掌握有重大作用,并且对一些明显故障征兆特征的故障非常具有针对性,有较高的预测准确性。
本发明为军用降压型DC-DC电源模块提供剩余使用寿命预测技术。可以为电源模块提供寿命预测方法,对电源模块健康管理技术发展起到一定推动作用,可以对设备健康状态进行实时监控,采用合理的维护措施提高设备可靠性。具有重要的军事应用价值和明显的社会经济效益。
本发明为国内器件整体性能发展与装备器件国产化提供技术参考。为国内降压型DC-DC电源模块故障检测提供测试设备与方法流程,形成健康状态评价方法。可有效解决常规预测费时费力的缺点,满足装备需求,突破制约国产降压型DC-DC电源模块推广化使用的问题,降低系统维护保障技术门槛,使保养、更换更精准、更高效。
上述具体实施方式,仅为说明本发明的技术构思和结构特征,目的在于熟悉此项技术的相关人士据以实施,但以上内容并不限制本发明的保护范围,凡是依据本发明的精神实质所做的任何等效变化或修饰,均应落入本发明的保护范围。
Claims (5)
1.一种降压型DC-DC电源模块剩余使用寿命预测与健康评估方法,其特征在于:包括以下步骤:
(1)根据降压型DC-DC电源模块在过电应力与环境应力影响下,对浪涌冲击导致的过流和短路,热冲击、振动与腐蚀的失效原因关联分析,建立故障信息分析体系;
(2)输入向下电流脉冲500mA,初始电流为0,脉冲宽度100us的测试信号,监测降压型DC-DC电源模块输出包括电压值和阻尼波形振动数量的特征信号电压波形,并采集监测数据进行预处理,用作支持向量机的学习样本数据x1,x2,…,xk;
(5)根据降压型DC-DC电源模块输出信号特征,制定电源模块的四种健康状态:正常状态、1级退化状态、2级退化状态和失效状态四个阶段;
(6)建立样本数据输入,对应电源模块四种健康状态阶段的分别为{1 0 0 0}、{0 1 00}、{0 0 1 0}和{0 0 0 1}的状态编码作为输出的人工神经网络系统,利用采集的样本数据训练学习;
(7)利用基于ARMA模型建立的时间序列修正误差的支持向量机模型预测模块对降压型DC-DC电源模块输出信号进行分析得到失效阈值时间,再采用人工神经网络系统对输出信号进行识别得到模块所处健康状态,计算剩余使用寿命为失效阈值时间和当前器件所处健康状态时间之差。
2.根据权利要求1所述的一种降压型DC-DC电源模块剩余使用寿命预测与健康评估方法,其特征在于:所述步骤(2)输出特征信号为降压型DC-DC电源模块输出电压波形,包括电压值和阻尼波形振动数量;所述步骤(3)建立一种支持向量机进行降压型DC-DC电源模块输出异常的预测模型对输出波形数据进行预测:
利用采集的样本数据训练支持向量机模型,对反应降压型DC-DC电源模块故障特征信号进行多步时序预测,即根据信号征兆时间预测未来时间节点的数值;
3.根据权利要求1所述的一种降压型DC-DC电源模块剩余使用寿命预测与健康评估方法,其特征在于:所述步骤(5)降压型DC-DC电源模块输出信号特征为电压值和阻尼波形振动数量;
所述步骤(5)健康状态分类:根据应用系统要求,确定失效阈值,包括输出电压值失效阈值和阻尼振动波形数量失效阈值;将正常数据与失效阈值之间的数据划分为四个阶段,包括:正常状态、1级退化状态、2级退化状态与失效状态。
4.根据权利要求1所述的一种降压型DC-DC电源模块剩余使用寿命预测与健康评估方法,其特征在于:所述步骤(6)建立一种人工神经网络系统进行原始状态识别;输入为样本数据x1,x2,…,xk,输出为四种状态编码,建立神经网络预测模型,其中,四种编码为{1 0 00}、{0 1 0 0}、{0 0 1 0}和{0 0 0 1},分别对应电源模块健康状态的四个阶段,正常阶段、1级退化状态、2级退化状态和失效状态。
5.根据权利要求1所述的一种降压型DC-DC电源模块剩余使用寿命预测与健康评估方法,其特征在于:所述步骤(7)通过时间序列修正误差的支持向量机模型预测出输出特征信号和健康状态计算使用寿命,确定失效阈值所处时间ti,当前器件所处健康状态时间t,计算剩余使用寿命为tRUL=ti-t。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811248233.8A CN109271741B (zh) | 2018-10-25 | 2018-10-25 | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811248233.8A CN109271741B (zh) | 2018-10-25 | 2018-10-25 | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109271741A CN109271741A (zh) | 2019-01-25 |
CN109271741B true CN109271741B (zh) | 2023-06-27 |
Family
ID=65194108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811248233.8A Active CN109271741B (zh) | 2018-10-25 | 2018-10-25 | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271741B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10684634B1 (en) * | 2019-01-30 | 2020-06-16 | Quanta Computer Inc. | Method and system for compensating for temperature rise effects |
CN111614152B (zh) * | 2019-02-22 | 2023-12-19 | 季华实验室 | 一种在线更换式无间断输出电源 |
CN110533251B (zh) * | 2019-09-03 | 2020-07-31 | 北京天泽智云科技有限公司 | 提升预测性维护模型适应能力的方法及装置 |
CN111618655B (zh) * | 2019-11-29 | 2021-12-28 | 东莞先知大数据有限公司 | 一种数控机床滚珠丝杆健康程度量化评价方法 |
CN113298278B (zh) * | 2020-02-19 | 2023-12-05 | 硕天科技股份有限公司 | 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器 |
CN111506986B (zh) * | 2020-03-27 | 2023-09-12 | 上海赛昉科技有限公司 | 一种小样本电源系统的可靠性评估方法 |
CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及系统 |
CN112329270B (zh) * | 2020-11-28 | 2022-07-01 | 湖南海智机器人技术有限公司 | 一种基于加速因子模型的步降应力加速试验方法 |
CN112578891A (zh) * | 2020-12-01 | 2021-03-30 | 深圳前海有电物联科技有限公司 | 不间断电源预测性维护方法、装置及存储介质 |
CN114325461A (zh) * | 2021-12-30 | 2022-04-12 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 开关电源的故障预测方法、装置、计算机设备、存储介质 |
CN115616437B (zh) * | 2022-11-18 | 2023-03-14 | 西安弘捷电子技术有限公司 | 一种epc特种电源的智能调测控制方法及系统 |
CN116776631B (zh) * | 2023-07-05 | 2024-02-02 | 深圳市精微康投资发展有限公司 | 一种基于数据分析的连接器性能评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662142A (zh) * | 2012-03-15 | 2012-09-12 | 南京航空航天大学 | 一种基于rvm-qnn的电力电子电路多参数辨识故障预测方法 |
CN102879728A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | Dc-dc变换器健康评估指标与故障预测方法 |
CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
CN104820747A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 一种基于仿真的dc-dc开关电源故障预测方法 |
CN107315138A (zh) * | 2016-04-21 | 2017-11-03 | 深圳市智鼎自动化技术有限公司 | 功率mosfet的故障预测和健康处理方法及测试系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
-
2018
- 2018-10-25 CN CN201811248233.8A patent/CN109271741B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662142A (zh) * | 2012-03-15 | 2012-09-12 | 南京航空航天大学 | 一种基于rvm-qnn的电力电子电路多参数辨识故障预测方法 |
CN102879728A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | Dc-dc变换器健康评估指标与故障预测方法 |
CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
CN104820747A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 一种基于仿真的dc-dc开关电源故障预测方法 |
CN107315138A (zh) * | 2016-04-21 | 2017-11-03 | 深圳市智鼎自动化技术有限公司 | 功率mosfet的故障预测和健康处理方法及测试系统 |
Non-Patent Citations (2)
Title |
---|
电力电子电路故障评估新指标及基于LSSVM的预测新方法;姜媛媛等;《电工技术学报》;20121226(第12期);全文 * |
电动汽车供电系统锂电池剩余寿命预测;张吉宣等;《电子测量与仪器学报》;20180315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109271741A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271741B (zh) | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 | |
Correcher et al. | Intermittent failure dynamics characterization | |
CN107315138B (zh) | 功率mosfet的故障预测和健康处理方法及测试系统 | |
Mohagheghi et al. | Condition monitoring of power electronic circuits using artificial neural networks | |
Zhang et al. | A Wiener process model with dynamic covariate for degradation modeling and remaining useful life prediction | |
Kabir et al. | A review of data-driven prognostics in power electronics | |
CN105701350B (zh) | 间歇性工作开关电源剩余寿命预测方法 | |
Bi et al. | Identification of partial shading conditions for photovoltaic strings | |
Roland et al. | Artificial neural network approach to distribution transformers maintenance | |
CN104166886A (zh) | 一种用于辨识高危及重要用户供电风险的智能判断方法 | |
Yu et al. | Incipient fault diagnosis method for DC–DC converters based on sensitive fault features | |
Huang et al. | Wind turbine health assessment framework based on power analysis using machine learning method | |
Shangguan et al. | Board-level lifetime prediction for power board of balise transmission module in high-speed railways | |
Al-Sheikh et al. | A sensor fault diagnosis scheme for a DC/DC converter used in hybrid electric vehicles | |
CN116029165A (zh) | 一种计及雷电影响的电力电缆可靠性分析方法及系统 | |
Sun et al. | On-line component-level soft fault diagnostics for power converters | |
Nademi et al. | Fault detection method in subsea power distribution systems using statistical optimisation | |
Fu et al. | A tractable failure probability prediction model for predictive maintenance scheduling of large-scale modular-multilevel-converters | |
Li et al. | A framework for model-based diagnostics and prognostics of switched-mode power supplies | |
CN112162164A (zh) | 一种基于神经网络的电缆寿命预测系统 | |
CN110232482B (zh) | 基于神经网络的设备管理方法及装置 | |
Zhao et al. | Improved particle filter remaining life prediction method for switch mode power supply using variance of case temperature | |
Roy et al. | An alert-ambient enrolled deep learning model for current reliability prediction of weather impacted photovoltaic inverter | |
Fei et al. | Short-term prediction of GIS partial discharge based on ARMA model | |
Strobl et al. | An analytical fault model for direct current lines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |