CN110147827B - 一种基于iaalo-svm与相似性度量的故障预测方法 - Google Patents

一种基于iaalo-svm与相似性度量的故障预测方法 Download PDF

Info

Publication number
CN110147827B
CN110147827B CN201910336933.0A CN201910336933A CN110147827B CN 110147827 B CN110147827 B CN 110147827B CN 201910336933 A CN201910336933 A CN 201910336933A CN 110147827 B CN110147827 B CN 110147827B
Authority
CN
China
Prior art keywords
prediction
similarity
support vector
vector machine
fault
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
Application number
CN201910336933.0A
Other languages
English (en)
Other versions
CN110147827A (zh
Inventor
胡薇薇
范慧
孙宇锋
赵广燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201910336933.0A priority Critical patent/CN110147827B/zh
Publication of CN110147827A publication Critical patent/CN110147827A/zh
Application granted granted Critical
Publication of CN110147827B publication Critical patent/CN110147827B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于IAALO‑SVM与相似性度量的故障预测方法，步骤如下：步骤一：选取关键故障器件；步骤二：提取电路系统特征参数；步骤三：训练支持向量机回归模型；步骤四：计算相似性距离；步骤五：进行寿命融合。本发明将实测数据与离线数据相结合，针对时间序列相似性度量方法展开深入研究，有效避免了自适应蚁狮优化支持向量机单步循环迭代方法能够较多步预测实现更长时间内的准确预测，但仍具有随着预测时刻距离初始训练样本越远，预测误差越大，随之计算而出的剩余使用寿命的误差也越大的缺点。同时针对待测序列数据特点，选择动态时间规整方法挖掘待测对象与离线数据的相似度，充分利用了离线数据对待测对象进行故障预测。

Description

一种基于IAALO-SVM与相似性度量的故障预测方法
技术领域
本发明涉及一种基于IAALO-SVM与相似性度量的故障预测方法，具体是一种基于自适应蚁狮优化的支持向量机(IAALO-SVM)的单步循环迭代故障预测方法，通过对支持向量机中的参数进行优化，从而得出不同条件下电子产品的退化寿命，本发明通过利用模拟电路故障参数离线数据库，将实测数据与离线数据相结合提出基于IAALO-SVM与相似性度量的故障预测新方案。引入时间序列相似性度量方法进行相似数据库的选择，以期根据相似度的大小为故障预测结果进行融合，实现模拟电路的剩余寿命预测，属于系统工程系统可靠性技术领域。
背景技术
支持向量机是近几年发展起来的基于统计学习的机器学习方法。它以统计学习理论为基础，从小样本出发，采用结构风险最小化准则，在最小化样本点误差的同时，考虑模型的结构因素，从根本上提高了泛化能力。目前，它主要应用在模式分类和非线性回归问题中，由于其优越的学习能力，在国内外日益受到广泛的关注，已经在很多领域取得了成功应用。
支持向量机的特有优势通常表现在能够很好地解决非线性小样本的高维识别和回归问题，通过少量的训练样本就能得到较小的误差。支持向量机算法能保证局部最优解一定是全局最优解，受数据维数的影响小，可以将更多的信息作为模型的输入，以提高预测的准确性。
基于自适应蚁狮优化的支持向量机的单步循环迭代故障预测方法(IAALO-SVM)，利用蚁狮优化的支持向量机模型和训练样本，每次只预测下一个时刻的参数值，之后用其替代初始训练样本中最早的真实值，构造新的训练样本，重新训练预测模型，得到下一个时刻的参数值，不断循环迭代，最后得到未来多个时刻的预测值。
自适应蚁狮优化支持向量机单步循环迭代方法虽然能够较多步预测实现更长时间内的准确预测，但仍具有随着预测时刻距离初始训练样本越远，预测误差越大，随之计算而出的剩余使用寿命的误差也越大的缺点。
发明内容
本发明的目的是提出了一种基于IAALO-SVM与相似性度量的故障预测方法，如图1所示，由于自适应蚁狮优化的支持向量机的单步循环迭代故障预测方法(IAALO-SVM)，虽然能够较多步预测实现更长时间内的准确预测，但仍具有随着预测时刻距离初始训练样本越远，预测误差越大，随之计算而出的剩余使用寿命的误差也越大的缺点，为了解决这个问题，本发明通过利用模拟电路故障参数离线数据库，将实测数据与离线数据相结合提出基于IAALO-SVM与相似性度量的故障预测新方案，如图2所示。引入时间序列相似性度量方法进行相似数据库的选择，以期根据相似度的大小为故障预测结果进行融合，实现模拟电路的剩余寿命预测。本发明旨在提高实际生产中电子产品寿命的预测准确度，从而实现故障的提前预警，指导生产和设计，提高产品的可靠性。
首先引入几个定义。
定义1：相似性距离：即综合评定两个事物之间相近程度的一种度量。两个事物越接近，它们的相似性度量也就越大，而两个事物越疏远，它们的相似性度量也就越小。
定义2：时间序列：时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法。
将故障数据进行处理(不同温度下的性能数据进行折算)后，在相似性度量过程中，将实时监测到的性能参数与处理后的故障数据通过不同算法进行相似性度量，得到相似性列表。然后根据相似度的大小为故障预测结果分配权重。本文采用DTW算法对实时监测到的时间序列与数据库中的时间序列进行相似似度量，从而实现模拟电路剩余使用寿命的预测。
DTW采用动态规划的思想计算时间序列的相似性。需要构建一个长度为n、宽度为m(分别对应两条序列的长度)的网格。网格中每个交点代表时间序列Q和C的位置，表示两个时间序列的距离测量值d(qi,cj)(即Q的每个点与序列C中每个点的相似度，距离越小，相似度越高)，通常使用欧氏距离d(qi,cj)＝(qi,cj)2，即这种方法可以总结为寻找一条通过此网格中若干格点的路径，路径通过的网格点是计算两个序列的对齐点。
这条路径被定义为规整路径，并用W来表示，W的第k个元素定义为Wk＝(i,j)k，W＝w0,w2,…,wk,…wK,max(m,n)≤K<m+n-1，这条路径的选择需要满足以下几个约束：
(1)边界条件：
Figure BDA0002039443130000021
任何一种语音的发音快慢都有可能变化，但是其各部分的先后次序不可能改变，因此所选的路径必定是从左下角出发，在右上角结束。
(2)连续性：
若wk-0＝(a′,b′)，则路径的下一个点wk＝(a,b)需要满足
Figure BDA0002039443130000031
这说明不可能跨过某个点去匹配，只能和自己相邻的点对齐。这样可以保证Q和C中的每个坐标都在W中出现。
(3)单调性：
如果wk-0＝(a′,b′)，那么对于路径的下一个点wk＝(a,b)需要满足
Figure BDA0002039443130000032
这限制W上面的点必须是随着时间单调进行的。
综合连续性和单调性约束，每一个格点的路径就只有三个方向。如：如果路径已经通过了格点(i,j)，那么下一个通过的格点只可能是下列三种情况之一：
Figure BDA0002039443130000033
满足上面这些约束条件的路径可以有多个，我们感兴趣的是使得下面的规整代价最小的路径：
Figure BDA0002039443130000034
通过动态规划算法可以得到该规整代价最小的路径。在此路径中，通过计算通过路径的所有点的累积距离来测量序列Q和序列C之间的相似性。根据单调性和连续性约束，过程中所有距离的累积距离为两个匹配序列的距离值。该距离值用于计算时间序列Q与时间序列C之间的相似性。
累加距离f(i,j)按下式计算：
f(i,j)＝d(qi,ci)+min{r(i-1,j-1),r(i-1,j),r(i,j-1)} (6)
将d(i,j)与该点所对应的三个方向上最小的累加距离值相加，就可以得到该点最小的累加距离f(i,j)。通过上述计算，得到了网格从左下角到右上角使两个序列之间的距离最小的最佳路径。通过比较路径的距离值可以计算出相似度。
本发明针对自适应蚁狮优化支持向量机单步循环迭代方法虽然能够较多步预测实现更长时间内的准确预测，但仍具有随着预测时刻距离初始训练样本越远，预测误差越大，随之计算而出的剩余使用寿命的误差也越大的缺点，提出了通过利用模拟电路故障参数离线数据库，将实测数据与离线数据相结合基于IAALO-SVM与相似性度量来进行故障预测的新思路，然后针对时间序列相似性度量方法展开深入研究，针对待测序列数据特点，选择动态时间规整方法挖掘待测对象与离线数据的相似度，以便充分利用离线数据对待测对象进行故障预测。
本发明由以下步骤实现：
步骤一：选取关键故障器件：
根据不同电路特征，对电路进行失效模式及失效机理分析，文献调研后选取关键的故障器件。
步骤二：提取电路系统特征参数：
确定关键故障器件后，对故障器件失效机理进行分析调研，采取频响电压为特征参数，提取电路系统特征参数。
步骤三：训练支持向量机回归模型：
S31、按照步骤二的方式提取电路系统特征参数，确定频响电压的故障阈值，通过仿真得到对应的系统固定频率的频响电压值；
S32、因频响电压达到阈值时认定电路故障，截取全寿命周期直至故障发生前的特征参数值作为一条退化轨迹；
S33、通过蒙特卡罗仿真得到多条退化轨迹，分为训练集与测试集；训练集用于训练支持向量机回归模型，即输入到支持向量机回归模型中，使其进行学习其规律；测试集中的数据用于计算相似性距离，也可输入到后面已优化的支持向量机中进行预测。
步骤四：计算相似性距离：
将测试集和训练集的数据基于动态时间规整方法进行相似性度量，得到两者之间的相似性距离。
步骤五：进行寿命融合：
两个数据集的相似性距离d越小，代表两个序列的相似性越高，对应序列的预测结果所占权重就越大，即权重与距离成反比，假设序列预测结果所占权重
Figure BDA0002039443130000041
则某一时刻最终寿命预测融合结果为
Figure BDA0002039443130000042
ti为输入到不同模型中预测结果。
进一步的，可以将所述的基于IAALO-SVM与相似性度量的故障预测方法与基于IAALO-SVM的寿命预测结果进行比较，验证所述方法。
本发明一种基于IAALO-SVM与相似性度量的故障预测方法，其优点及功效在于：本发明将实测数据与离线数据相结合，针对时间序列相似性度量方法展开深入研究，有效避免了自适应蚁狮优化支持向量机单步循环迭代方法能够较多步预测实现更长时间内的准确预测，但仍具有随着预测时刻距离初始训练样本越远，预测误差越大，随之计算而出的剩余使用寿命的误差也越大的缺点。同时针对待测序列数据特点，选择动态时间规整方法挖掘待测对象与离线数据的相似度，充分利用了离线数据对待测对象进行故障预测。
附图说明
图1 IAALO-SVM流程图。
图2为本发明所述方法流程图。
图3金属膜电阻R3阻值退化曲线。
图4固体钽电解电容C1电容值退化曲线。
图5测试集1各时刻点基于两种方法的寿命预测误差对比图。
图6测试集2各时刻点基于两种方法的寿命预测误差对比图
图7测试集3各时刻点基于两种方法的寿命预测误差对比图
具体实施方式
本发明所述方法流程图见图2所示。本发明是一种基于IAALO-SVM与相似性度量的故障预测方法，其步骤如下：
步骤一：选取关键故障器件
根据不同电路特征，对电路进行失效模式及失效机理分析，文献调研后选取关键的故障器件。
步骤二：提取电路系统特征参数：
确定关键故障器件后，对故障器件失效机理进行分析调研，采取频响电压为特征参数，提取电路系统特征参数。如根据金属膜电阻R3的失效分析调研，假设其服从R3(t)＝30000+t阻值退化规律，则要根据电阻值的变化探究频响电压的变化：
步骤三：训练支持向量机回归模型：
S31、按照步骤二的方式提取电路系统特征参数，确定频响电压的故障阈值，通过仿真得到对应的系统固定频率的频响电压值；
S32、因频响电压达到阈值时认定电路故障，截取全寿命周期直至故障发生前的特征参数值作为一条退化轨迹；
S33、通过蒙特卡罗仿真得到多条退化轨迹，分为训练集与测试集；训练集用于训练支持向量机回归模型，即输入到支持向量机回归模型中，使其进行学习其规律；测试集中的数据用于计算相似性距离，也可输入到后面已优化的支持向量机中进行预测。
步骤四：计算相似性距离：
将测试集和训练集的数据基于动态时间规整方法进行相似性度量，得到两者之间的相似性距离。
步骤五：进行寿命融合：
两个数据集的相似性距离d越小，代表两个序列的相似性越高，对应序列的预测结果所占权重就越大，即权重与距离成反比，假设序列预测结果所占权重
Figure BDA0002039443130000061
则某一时刻最终寿命预测融合结果为
Figure BDA0002039443130000062
(ti为输入到不同模型中预测结果)。
最后将所述的基于IAALO-SVM与相似性度量的故障预测方法与基于IAALO-SVM的寿命预测结果进行比较，验证所述方法。
实施案例
本发明以某无人驾驶飞机自动驾驶仪舵回路中的主通道放大电路作为案例，验证所述的基于IAALO-SVM与相似性度量的故障预测方法。
以美国高空无人驾驶侦察机上飞行控制盒中的伺服放大器为模型，对舵回路中的主通道放大电路进行建模。该主通道放大电路由前置级信号放大电路、正交切除电路、中间级信号放大电路以及相敏放大电路组成。电路中的前置级信号放大电路与中间级信号放大电路均由三级放大直接耦合而成，前置级采用了深度负反馈，具有运算放大器的特点，中间级是个积分器；在前置级与中间级之间串联的正交切除电路可以把正弦信号变成脉冲信号，同时消除信号的正交分量；该部分输出的脉冲信号经过中间级积分器变成方波信号；再经过最后一级——差动式全波相敏整流放大电路的鉴相、整流和功率放大，输出相应的控制信号对舵机进行控制。
步骤一：选取关键故障器件。将金属膜电阻R3，固体钽电解电容C1作为关键故障器件，选择Vout为测试信号，首先对电路输出特性进行分析。固体钽电解电容C1标称值为220uF,对C1取±5％的变化范围，即C1取值209uF～231uF，每次增加2.2uF，对应的该电路Vout节点的频响电压定义为Vout1—Vout11，1KHz下的频响电压随电容值的变化情况如图3所示。
金属膜电阻R3标称值为30kΩ,对R3取±5％的变化范围，即R3取值28.5kΩ～31.5kΩ,每次增加300Ω，对应的对该电路Vout节点的频响电压Vout1—Vout11波形1KHz下的频响电压随电阻值的变化情况如图4所示。
由图3、4可知，选择固体钽电解电容C1，金属膜电阻R3作为关键故障器件。随着两类器件的退化，电路系统的频响电压均减小，因此选取1KHZ频率下的频响电压为特征参数，其正常值为5.58V，取频响电压上下浮动超过5％为故障判据，即超过[5.301V,5.859V]范围认为电路失效。
步骤二：提取电路系统故障特征参数。根据金属膜电阻R3的失效分析调研，假设其服从以下阻值退化规律：
R3(t)＝30000+t (7)
根据固体钽电解电容C1的失效分析调研，电容值随时间的退化模型如式(8)所示：
Figure BDA0002039443130000072
按照上述规律每间隔100小时选取R3、C1值设置在电路图中，通过仿真得到对应的系统1KHZ下的频响电压值，因频响电压达到阈值5.301V时认定电路故障，截取全寿命周期直至故障发生前的特征参数值作为一条退化轨迹，如表1所示，为前置三级放大电路全寿命周期特征参数值。
Figure BDA0002039443130000071
Figure BDA0002039443130000081
Figure BDA0002039443130000091
表1
为获得多个样本数据，在各器件标称值±2％的容差范围内进行蒙特卡洛仿真，仿真次数为9次，算上上一条样本，共10条退化轨迹。
步骤三：训练基于蚁狮优化的改进的支持向量机模型。在步骤二获得的10条退化轨迹中，选取其中的7个作为训练集分别训练基于蚁狮优化的改进的支持向量机，得到7个完整的支持向量机模型，预测出的完整SVM模型参数见表2:
SVM参数 惩罚参数C 核函数σ 不敏感函数ε
训练集1 99.99 3.558 0.047
训练集2 99.99 4.126 6.271
训练集3 100 3.586 6.570
训练集4 100 25.221 8.396
训练集5 99.99 35.326 6.187
训练集6 99.99 3.841 0.883
训练集7 99.99 4.184 9.283
表2
步骤四：计算相似性距离。另3条作为测试集，为扩充样本量，假定当前时间为i小时(i＝1600，1700，……2000，3000，3100，……,3400)，截取当前时间之前的[i-1100，i]范围内的数据与训练集的数据基于动态时间规整方法进行相似性度量，得到待测对象与每条训练集的相似性列表，见表3(测试集1不同时刻与各训练集的相似性距离列表)、表4(测试集2不同时刻与各训练集的相似性距离列表)以及表5(测试集3不同时刻与各训练集的相似性距离列表)。
当前时刻 训练集1 训练集2 训练集3 训练集4 训练集5 训练集6 训练集7
i＝1600 0.1366 0.0276 0.0772 0.0283 0.1478 0.0465 0.1026
i＝1700 0.1339 0.0268 0.0763 0.0276 0.1446 0.0457 0.1018
i＝1800 0.1313 0.0253 0.0721 0.0260 0.1421 0.0451 0.1012
i＝1900 0.1276 0.0239 0.0716 0.0252 0.1400 0.0442 0.1005
i＝2000 0.1243 0.0226 0.0702 0.0235 0.1376 0.0430 0.1001
i＝3000 0.1077 0.0196 0.0629 0.0199 0.1151 0.0375 0.0899
i＝3100 0.1060 0.0192 0.0619 0.0196 0.1132 0.0368 0.0887
i＝3200 0.1045 0.0187 0.0608 0.0191 0.1112 0.0362 0.0872
i＝3300 0.1029 0.0183 0.0599 0.0186 0.1098 0.0359 0.0865
i＝3400 0.1017 0.0178 0.0593 0.0181 0.1085 0.0353 0.0859
表3
当前时刻 训练集1 训练集2 训练集3 训练集4 训练集5 训练集6 训练集7
i＝1600 0.3332 0.1030 0.2074 0.0626 0.0648 0.1368 0.0826
i＝1700 0.3278 0.1013 0.2036 0.0609 0.0632 0.1359 0.0811
i＝1800 0.3223 0.0998 0.1991 0.0595 0.0617 0.1352 0.0802
i＝1900 0.3173 0.0988 0.1952 0.0584 0.0602 0.1347 0.0789
i＝2000 0.3124 0.0972 0.1917 0.0571 0.0586 0.1342 0.0782
i＝3000 0.2666 0.0844 0.1576 0.0453 0.0466 0.1199 0.0643
i＝3100 0.2627 0.0831 0.1549 0.0444 0.0455 0.1194 0.0637
i＝3200 0.2583 0.0819 0.1517 0.0435 0.0445 0.1187 0.0631
i＝3300 0.2547 0.0808 0.1492 0.0426 0.0437 0.1181 0.0625
i＝3400 0.2507 0.0798 0.1465 0.0418 0.0429 0.1177 0.0619
表4
当前时刻 训练集1 训练集2 训练集3 训练集4 训练集5 训练集6 训练集7
i＝1600 0.0856 0.0283 0.1025 0.1467 0.0266 0.3321 0.0478
i＝1700 0.0841 0.0276 0.1017 0.1439 0.0251 0.3268 0.0461
i＝1800 0.0837 0.0260 0.1012 0.1421 0.0237 0.3223 0.0450
i＝1900 0.0830 0.0252 0.1005 0.1400 0.0229 0.3173 0.0442
i＝2000 0.0824 0.0235 0.1001 0.1376 0.0219 0.3124 0.0430
i＝3000 0.0778 0.0199 0.0899 0.1151 0.0196 0.2666 0.0375
i＝3100 0.0769 0.0196 0.0887 0.1132 0.0189 0.2627 0.0365
i＝3200 0.0761 0.0191 0.0872 0.1112 0.0178 0.2583 0.0360
i＝3300 0.0755 0.0186 0.0865 0.1097 0.0164 0.2553 0.0353
i＝3400 0.0748 0.0181 0.0858 0.1083 0.0155 0.2510 0.0346
表5
步骤五：进行寿命融合。由步骤四所得，两个数据集的距离d越小，代表两个序列的相似性越高，对应序列的预测结果所占权重就越大，即权重与距离成反比，假设序列预测结果所占权重
Figure BDA0002039443130000111
则某一时刻最终寿命预测融合结果为
Figure BDA0002039443130000112
(ti为输入到不同模型中预测结果)。
将本发明的一种基于IAALO-SVM与相似性度量的故障预测方法与基于IAALO-SVM的寿命预测结果进行比较，如图5、图6以及图7所示。
由图可知，基于蚁狮优化支持向量机的单步循环迭代预测方法(IAALO-SVM方法)对主通道放大电路进行剩余寿命预测，在当前时刻1600小时～2000小时，3000小时～3400小时时，预测误差在16％～40％不等，而基于IAALO-SVM与相似性度量的故障预测方法对主通道放大电路进行剩余寿命预测，对应时刻预测误差均小于1％，远远低于IAALO-SVM方法，说明基于IAALO-SVM与相似性度量的故障预测方法能够将实测数据与离线数据相结合，充分挖掘离线数据中的有用信息，对待测对象的剩余寿命方便快捷精准地进行预计。

Claims (1)

1.一种基于自适应蚁狮优化的支持向量机的单步循环迭代故障预测方法，其特征在于：该方法步骤如下：
步骤一：选取关键故障器件
根据不同电路特征，对电路进行失效模式及失效机理分析，文献调研后选取关键的故障器件；
步骤二：提取电路系统特征参数
确定关键故障器件后，对故障器件失效机理进行分析调研，采取频响电压为特征参数，提取电路系统特征参数；
步骤三：训练支持向量机回归模型
S31、按照步骤二的方式提取电路系统特征参数，确定频响电压的故障阈值，通过仿真得到对应的系统固定频率的频响电压值；
S32、因频响电压达到阈值时认定电路故障，截取全寿命周期直至故障发生前的特征参数值作为一条退化轨迹；
S33、通过蒙特卡罗仿真得到多条退化轨迹，分为训练集与测试集；训练集用于训练支持向量机回归模型，即输入到支持向量机回归模型中，使其进行学习其规律；测试集中的数据用于计算相似性距离，也可输入到已优化的支持向量机中进行预测；
步骤四：计算相似性距离
将测试集和训练集的数据基于动态时间规整方法进行相似性度量，得到两者之间的相似性距离；
步骤五：进行寿命融合
两个数据集的相似性距离d越小，代表两个序列的相似性越高，对应序列的预测结果所占权重就越大，即权重与距离成反比，序列预测结果所占权重
Figure FDA0002902219700000011
则某一时刻最终寿命预测融合结果为
Figure FDA0002902219700000012
ti为输入到预测模型中的预测结果。
CN201910336933.0A 2019-04-25 2019-04-25 一种基于iaalo-svm与相似性度量的故障预测方法 Active CN110147827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910336933.0A CN110147827B (zh) 2019-04-25 2019-04-25 一种基于iaalo-svm与相似性度量的故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910336933.0A CN110147827B (zh) 2019-04-25 2019-04-25 一种基于iaalo-svm与相似性度量的故障预测方法

Publications (2)

Publication Number Publication Date
CN110147827A CN110147827A (zh) 2019-08-20
CN110147827B true CN110147827B (zh) 2021-04-30

Family

ID=67594382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910336933.0A Active CN110147827B (zh) 2019-04-25 2019-04-25 一种基于iaalo-svm与相似性度量的故障预测方法

Country Status (1)

Country Link
CN (1) CN110147827B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027642B (zh) * 2019-12-25 2023-06-30 苏州工业职业技术学院 电能表质量监测方法
CN111666714B (zh) * 2020-06-05 2023-07-28 北京百度网讯科技有限公司 自动驾驶仿真场景识别的方法及装置
CN114139482A (zh) * 2021-09-06 2022-03-04 苏州宽温电子科技有限公司 一种基于深度度量学习的eda电路失效分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104897403A (zh) * 2015-06-24 2015-09-09 北京航空航天大学 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法
CN106248381A (zh) * 2016-10-11 2016-12-21 西安交通大学 一种基于多特征和相空间的滚动轴承寿命动态预测方法
WO2018197438A1 (en) * 2017-04-24 2018-11-01 Senzagen Ab Analytical methods and arrays for use in the same
CN109460618A (zh) * 2018-11-13 2019-03-12 华中科技大学 一种滚动轴承剩余寿命在线预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104897403A (zh) * 2015-06-24 2015-09-09 北京航空航天大学 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法
CN106248381A (zh) * 2016-10-11 2016-12-21 西安交通大学 一种基于多特征和相空间的滚动轴承寿命动态预测方法
WO2018197438A1 (en) * 2017-04-24 2018-11-01 Senzagen Ab Analytical methods and arrays for use in the same
CN109460618A (zh) * 2018-11-13 2019-03-12 华中科技大学 一种滚动轴承剩余寿命在线预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SVM Classifier for Analog Fault Diagnosis using Fractal Features;Xianbai Mao等;《2008 Second International Symposium on Intelligent Information Technology Application》;20081222;第553-557页 *
带混沌侦查机制的蚁狮优化算法优化SVM参数;赵世杰等;《计算机科学与探索》;20150906;第10卷(第5期);第723-731页 *

Also Published As

Publication number Publication date
CN110147827A (zh) 2019-08-20

Similar Documents

Publication Publication Date Title
CN110147827B (zh) 一种基于iaalo-svm与相似性度量的故障预测方法
CN111222549B (zh) 一种基于深度神经网络的无人机故障预测方法
CN109709934B (zh) 一种飞行控制系统故障诊断冗余设计方法
CN110018670A (zh) 一种基于动态关联规则挖掘的工业过程异常工况预测方法
Fravolini et al. Experimental interval models for the robust fault detection of aircraft air data sensors
CN110119588B (zh) 基于扩展卡尔曼滤波状态估计值的在线优化设计方法
CN105572572A (zh) 基于wknn-lssvm的模拟电路故障诊断方法
Li et al. Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence
CN104407273A (zh) 计及监测可信度的电能质量扰动源定位方法
CN115238980A (zh) 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法
Wang et al. A DRL-aided multi-layer stability model calibration platform considering multiple events
Kabir et al. Receding-horizon ergodic exploration planning using optimal transport theory
CN113189513B (zh) 一种基于纹波的冗余电源均流状态识别方法
CN109814101B (zh) 一种航空器位置预测的方法及装置
CN112989587B (zh) 一种电容式电压互感器劣化成因在线分析方法及系统
CN112749744B (zh) 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统
Mishanov et al. Forecasting models generation of the electronic means quality
CN114357667B (zh) 一种基于resid递归结构识别的发动机起动状态故障检测方法
Wang et al. A robust state estimation method for unknown, time-varying and featureless aircraft sensor failures
CN103400201A (zh) 求解以测点正常率最大为目标的状态估计问题的方法
Kakati et al. Remaining useful life predictions for turbofan engine degradation using online long short-term memory network
Cao et al. An adaptive UKF algorithm for process fault prognostics
CN114021465A (zh) 基于深度学习的电力系统鲁棒状态估计方法及系统
CN114037012A (zh) 基于相关性分析与深度学习的飞行数据异常检测方法
CN114383648A (zh) 一种温度仪表故障诊断方法及装置

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