CN111985155A - 基于集成深度神经网络的电路健康状态预计方法及系统 - Google Patents
基于集成深度神经网络的电路健康状态预计方法及系统 Download PDFInfo
- Publication number
- CN111985155A CN111985155A CN202010796013.XA CN202010796013A CN111985155A CN 111985155 A CN111985155 A CN 111985155A CN 202010796013 A CN202010796013 A CN 202010796013A CN 111985155 A CN111985155 A CN 111985155A
- Authority
- CN
- China
- Prior art keywords
- health
- circuit
- devices
- output signal
- prediction
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
- G01R31/2848—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms using simulation
-
- 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
- G06F30/373—Design optimisation
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- 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
- G06F2119/06—Power analysis or power optimisation
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- 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)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于集成深度神经网络的电路健康状态预计方法及系统,属于电力电子电路故障预测领域,目的是实现基于历史数据通过集成深度神经网络对模拟电路的健康状态识别与诊断,包括:进行不同器件的参数老化模拟实验;利用时序变换方法提取输出信号的一系列时域特征,基于改进的角相似度建立了器件的健康指数;结合卷积自编码机和长短时记忆循环网络对退化中的模拟电路进行健康状态预计;参考相关评价指标,对电路健康状态预计方法的有效性进行评估。本发明能有效预计模拟电路的健康状态,具有精度高,易于实现的特点。
Description
技术领域
本发明属于电力电子电路故障预测领域,更具体地,涉及一种基于集成深度神经网络的电路健康状态预计方法及系统。
背景技术
在当今的信息时代,制造业、汽车、电网等的信息化程度随着集成电路的发展已经变得史无前例的复杂,这源于系统内各电子元器件的相互耦合给设备可靠、高效运行带来的挑战。且电子电路中元器件的老化和退化可能造成十分严重的灾难,需要得到充足的重视。
在模拟电路中,各个器件:电容、电阻、电感、电源开关等都有可能出现老化和性能退化。各种退化模式对于电路运行性能的影响程度不同,在电路元器件高度集成化的今天,如果不能够及时、准确预测系统故障对于整体运行电路外特性的影响,工厂无法合理安排后续生产计划,故障有一定可能会进一步扩大并影响其他元件,造成部分甚至全部功能失灵,影响系统运行。
系统健康状态预测方法一般可以分为三类:基于模型的方法、基于数据的方法和混合预测方法。首先,基于模型的方法对原系统进行1:1的物理建模,力求完整还原其内部运行机理。但是该方法对于系统参数测量的精度要求极高,同时,为了准确预测系统运行时的输出状态,还需要对运行环境进行建模和管理。因此,该方法建模成本和运算复杂度极高,且参数敏感,即若部分参数如:系统内部时变参数、环境温度和负载状况等发生变化,将对预测准确性产生较大影响。然后,基于数据的预测方法考虑系统为一个黑箱,通过使用相关方法分析输入数据与输出数据之间的内在关联,可以较快速和准确地对未来数据进行预测。最后,混合预测方法虽然融合了两种方法的优势,但是其仍会在很大程度上受到基于模型方法的影响,例如:运算复杂度高、参数敏感和建模困难等。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种基于集成深度神经网络的电路健康状态预计方法及系统,针对模拟电路的参数退化时的故障预测,能够保证准确高效的预测结果,并且实现简便。
为实现上述目的,按照本发明的一个方面,提供了一种基于集成深度神经网络的电路健康状态预计方法,包括:
(1)建立待预测的电路退化仿真模型,进行不同器件的参数老化模拟实验,并采集各器件的输出信号;
(2)利用时序变换方法提取各所述器件的输出信号的时域特征,并根据各所述时域特征建立各器件的健康指数;
(3)基于各所述器件的健康指数,结合卷积自编码机CAE和长短时记忆循环网络LSTM-RNN对退化中的所述待预测的电路进行健康状态预计。
优选地,由建立各器件的健康指数,其中,x1=(x1 (1),x1 (2),...,x1 (n))指的是器件健康状态下的输出信号的时域特征,x2=(x2 (1),x2 (2),...,x2 (n))指的是老化过程中器件的输出信号的时域特征,n表示时域特征向量长度。
优选地,在步骤(2)中,提取的十个时域特征指标为:tf1=max(st)、 及其中,st是当前次退化过程中t点的输出信号值,N是该次退化样本的输出信号点总数,并将输出信号分为两组,tf1-tf3从输出信号的能量累积影响对原始输出信号进行描述,tf4-tf10从统计分布的角度对原始输出信号进行描述,表示该次退化样本输出信号的算术平均值。
优选地,所述卷积自编码机CAE包含卷积层、池化层和反卷积层三种类型的隐含层,表示为:其中,P(·)、conv(·)及de_conv(·)分别是池化、卷积和反卷积操作的符号,AF(·)、AG(·)是不同隐含层对应的激活函数,b1、b2是不同隐含层对应的偏置项,X和分别是原始输入数据与自编码机预测数据,D(·)计算并反映了X和之间的差异程度,Ω是用来避免预测过拟合的正则化项,L表示代价函数。
优选地,步骤(3)包括:
通过卷积自编码机CAE对各所述器件的健康指数进行处理,卷积自编码机CAE内部隐含层特征信息被提取送入长短时记忆循环网络LSTM-RNN进行回归运算操作,并采用Adam算法更新网络参数。
优选地,所述方法还包括:
采用相关评价指标对预测效果进行评估,其中,所述评价指标包括:评分函数和均方根误差。
按照本发明的另一方面,提供了一种基于集成深度神经网络的电路健康状态预计系统,包括:
数据采集模块,用于建立待预测的电路退化仿真模型,进行不同器件的参数老化模拟实验,并采集各器件的输出信号;
数据处理模块,用于利用时序变换方法提取各所述器件的输出信号的时域特征,并根据各所述时域特征建立各器件的健康指数;
预测模块,用于基于各所述器件的健康指数,结合卷积自编码机CAE和长短时记忆循环网络LSTM-RNN对退化中的所述待预测的电路进行健康状态预计。
优选地,所述系统还包括:
评价模块,用于采用相关评价指标对预测效果进行评估,其中,所述评价指标包括:评分函数和均方根误差。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明通过建立待预测的电路退化仿真模型,进行不同器件的参数老化模拟实验,并采集各器件的输出信号;利用时序变换方法提取各器件的输出信号的时域特征向量,并根据各时域特征向量建立各器件的健康指数;基于各器件的健康指数,结合卷积自编码机CAE和长短时记忆循环网络LSTM-RNN对退化中的待预测的电路进行健康状态预计。能有效预计模拟电路的健康状态,具有精度高,易于实现的特点。
附图说明
图1是本发明实施例提供的一种电路健康状态预计方法的流程示意图;
图2是本发明实施例提供的一种模拟电路退化仿真拓扑图;
图3是本发明实施例提供的一种放电电压波形图;
图4是本发明实施例提供的一种健康指数曲线示例图,其中,(a)为L2-1健康指数曲线,(b)为L1-1健康指数曲线;(c)为C2-1健康指数曲线;(d)为C1-1健康指数曲线;(e)为L3-1健康指数曲线;(f)为K1-1健康指数曲线;
图5是本发明实施例提供的一种一维卷积神经网络示意图,其中,(a)表示一维卷积层;(b)表示卷积神经网络运算步骤;
图6是本发明实施例提供的一种单个LSTM单元运算示意图;
图7是本发明实施例提供的一种集成神经网络结构图;
图8是本发明实施例提供的一种部分健康指数预测结果图,其中,(a)测试样本#31;(b)测试样本#62;(c)测试样本#81;(d)测试样本#106;
图9是本发明实施例提供的一种系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明的一种基于集成深度神经网络的电路健康状态预计方法,包含以下步骤:
(1)建立待预测的电路退化仿真模型,进行不同器件的参数老化模拟实验,并选择三条支路的电流或电压作为观测量监测电路,并采集各器件的输出信号;
在本发明实施例中,可以基于中国工程物理研究院的某大型点火设备的核心能量组件电路,进行不同器件的参数老化模拟实验,具体如下:
该模拟电路的拓扑是健康状态诊断预测的核心部分,Simulink仿真拓扑结构如图2,其中预电离电路直流电源由电容供电,电压为12kV;主电离电路供压电容电压为23kV。首先,对于电路的供电电容充电至给定电压,闭合开关S1时长120μs完成预电离过程。然后,等待130μs后,闭合开关S2完成主电离过程,最终点亮末端放电线路上的氙灯。放电电压波形示例如图3所示,由图3可知,预电离和主电离过程在时间和能量幅度上具有明显差异,两个放电过程应该被独立分析。
RT-LAB可以直接将利用MATLAB/Simulink建立的动态系统数学模型应用于实时仿真、控制、测试以及其它相关领域,快速原型与硬件在回路测试的全套解决方案,它能够在很短的时间内通过对进行工程仿真或者是对实物在回路的实时系统建立动态模型,使得工程系统的设计过程变的更加简单。为了能够更加准确地模拟该核心能量组件电路的退化过程,本发明实施例中的所有实验过程基于该平台完成。
本发明实施例中主要涉及该电路中的储能元件:电容、电感和能量元件:氙灯组件的退化状态分析,并认为元件参数偏移额定值60%时完全失效。根据这些元件的退化特性,其参数在退化过程中是连续并缓慢变化的,本发明实施例中在模拟过程中选取的退化周期数为100~200且4为步进值,来充分仿真实际情况下的电路退化情况。详细电路参数如表1所示:
表1电路退化参数表
退化类别 | 元件参数 | 退化周期 | 标称值 | 失效故障值 | 参数变化值 |
1 | K<sub>1-</sub>↓ | 100~200 | 94.48 | 37.792 | 0.283~0.567 |
2 | L<sub>1-k</sub>↓ | 100~200 | 140μH | 56μH | 0.42μH~0.82μH |
3 | L<sub>2-1</sub>↓ | 100~200 | 100μH | 40μH | 0.3μH~0.6μH |
4 | L<sub>3-k</sub>↓ | 100~200 | 30μH | 12μF | 90pH~180pH |
5 | C<sub>1-i</sub>↓ | 100~200 | 87μF | 34.8μF | 261pF~522pF |
6 | C<sub>2-1</sub>↓ | 100~200 | 14μF | 5.6μF | 42pF~84pF |
其中,k=1,2,3,…,10,指的是元件序号,本发明实施例中的测试电路中的并联元件在同一时间的参数值相同。↓指的是参数值相较于标称值减小,共计156个退化数据样本。氙灯组件的电流和电压满足如下关系式:
其中,K表示氙灯器件的比例系数,U表示氙灯器件两侧的电压,I表示氙灯器件两侧的电流。
(2)利用时序变换方法提取输出信号的一系列时域特征,基于改进的角相似度建立了器件的健康指数;
在本发明实施例中,可以由
建立各器件的健康指数,其中,x1=(x1 (1),x1 (2),...,x1 (n))指的是器件健康状态下的输出信号的时域特征,x2=(x2 (1),x2 (2),...,x2 (n))指的是老化过程中器件的输出信号的时域特征,n表示时域特征向量长度。
进一步地,在步骤(2)中,提取的十个时域特征指标为:
其中,st是当前次退化过程中t点(即t时刻)的输出信号值,N是该次退化样本的输出信号点总数,并将输出信号分为两组,tf1-tf3从输出信号的能量累积影响对原始输出信号进行描述,tf4-tf10从统计分布的角度对原始输出信号进行描述,表示该次退化样本输出信号的算术平均值。
根据步骤(2)的分析,将预电离和主电离两个过程进行独立分析,可知单个样本向量共有60个时域特征。由于各时序分量的幅值不同,为了简化计算并有效利用各分量所包含的独立信息,需要对样本向量进行归一化处理:
其中,xi是第i个时序特征样本,是归一化后的时序样本。由此可知归一化后的样本范围在[-1,1]内。将退化过程中的样本向量与未退化的样本向量利用改进的角相似度算法计算相似程度,该值即为健康指数。示例健康指数曲线如图4所示,其中,每个元件仅选取一次退化过程,(a)为L2-1健康指数曲线,(b)为L1-1健康指数曲线;(c)为C2-1健康指数曲线;(d)为C1-1健康指数曲线;(e)为L3-1健康指数曲线;(f)为K1-1健康指数曲线。由图4可知该曲线随着元器件的线性退化呈均匀下降趋势可以合理反映电路退化程度。
(3)结合卷积自编码机(Convolutional autoencoder,CAE)和长短时记忆循环网络(Long short term memory-recurrent neural network,LSTM-RNN)对退化中的模拟电路进行健康状态预计;
在本发明实施例中,卷积自编码机CAE包含卷积层、池化层和反卷积层三种类型的隐含层,表示为:其中,P(·)、conv(·)及de_conv(·)分别是池化、卷积和反卷积操作的符号,AF(·)、AG(·)是不同隐含层对应的激活函数,b1、b2是不同隐含层对应的偏置项,X和分别是原始输入数据与自编码机预测数据,D(·)计算并反映了X和之间的差异程度,Ω是用来避免预测过拟合的正则化项。
一般情况下,卷积神经网络处理的对象为二维的图像数据。但是,经过一定的改进,该网络同样可以处理其他数据。本发明实施例中,利用一维卷积神经网络,将退化样本数据重构成二维数据格式,具体而言该网络的输入样本的一个维度为样本向量的时间周期,另一个维度为样本向量的实际值,如图5所示,其中,(a)表示一维卷积层;(b)表示卷积神经网络运算步骤。普通卷积神经网络包括卷积层和池化层,卷积运算操作c如下:
其中,P指的是二维图像输入量,K指的是二维卷积核,(a,b)指的是二维图像P单个点的坐标,m,n分别表示卷积过程中在a,b两个方向上的步进值。
卷积自编码机主要包括三种不同类型的隐藏层:卷积层、池化层、反池化层和反卷积层。卷积层主要用于简化信号特征,将低维向量投射到高维空间,同时获得压缩后的特征向量;池化层操作进一步移除多余参数对输入样本进行简化;反池化层和反卷积层进行池化层和卷积层的反向操作,将压缩后的样本向量重新展开获得完整的输出。本发明实施例中,按照7:3的比例划分训练集与测试集,即随机选择109个样本作为网络训练样本,剩余47个样本作为验证集,输入样本数据长度为15,卷积自编码机参数设定,如表2所示:
表2卷积自编码器参数设定
在经过卷积自编码机重新整理输入特征后,其内部隐含层特征信息被提取送入后续长短时循环神经网络(LSTM-RNN)进行回归运算操作。该网络规避了传统循环神经网络的梯度消失和爆炸问题,主要包括三种类型门:输入门、输出门和遗忘门。
输入门ii决定了LSTM单元内部状态是否更新,以及被传递到下一步的信息;输出门oi过滤并调整部分输出LSTM状态;遗忘门fi合并并推断被过滤的信息。
其数学计算过程如下:
ii=σ·(wixxi+wihhi-1+bi) (4)
oi=σ·(woxxi+wohhi-1+bo) (5)
fi=σ·(wfxxi+wfhhi-1+bf) (6)
其中,wix,wox和wfx是输入量xi对应于不同门的权重系数,wih,woh和wfh是前续输入量hi-1对应于不同门的权重系数,bi,bo和bf指的是输入门、输出门和遗忘门的偏置系数,σ指的是sigmoid函数:
单个LSTM单元如图6所示,图6中相关参数的计算方法如下:
ci=zi⊙ii+ci-1⊙fi (9)
其中,wzx,wzh和bz分别是输入量xi、前续输入量hi-1在输入节点的权重系数和偏置量。对应于不同门的权重系数,wih,woh和wfh是前续输入量hi-1对应于不同门的权重系数,ci和ci-1指的是当时LSTM内部状态和前续状态,⊙是点乘符号,是tanh函数:
本发明实施例提供的集成深度神经网络的结构图如图7所示。
具体地,该集成网络内部隐含层的激活函数为ReLu函数,优化算法是Adam优化算法,通过调整权重、偏置项和参考阈值使目标函数值最小,达到优化目的。
为了优化网络内部参数,本发明实施例中采用Adam优化算法对全局参数进行优化,误差函数的表达式为:
其中,N指的是样本数量,Yi是实际测量值,P(Xi;θ)是网络预测值。
Adam算法更新网络参数过程如下:
gi为误差函数L(θ)对超参数集θ的梯度:
mi是对gi的一阶矩估计:
mi=u×mi-1+(1-u)gi (14)
u表示速率。
ni是对gi的二阶矩估计:
v表示速率。
Δθi是超参数集θ的增量,η值取为0.001,ε值取为10-8:
θi+1=θi+Δθi (19)
Adam优化算法相比较随机梯度下降算法而言,通过计算梯度gi的矩估计,为不同的超参数提供了独立的自适应学习率,且计算效率高、内存占用少。
(4)参考相关评价指标,对电路健康状态预计方法的有效性进行评估。
本发明实施例中使用两种评价机制:评分函数和均方根误差对于预测效果进行评估:
评分函数:
均方根误差,
现利用以上两个评价标准对本发明提出的集成深度神经网络(CAE-LSTM)的预测效果进行评估,并与主流的三种数据驱动算法:深度卷积神经网络(Deep ConvolutionalNeural Network,DCNN)、普通长短时记忆神经网络(Long Short Term Memory Network,LSTM)、支持向量机(Support Vector Machine,SVM)的预测效果进行对比,结果如表3所示,部分健康状态预测结果如图8所示,其中,(a)测试样本#31;(b)测试样本#62;(c)测试样本#81;(d)测试样本#106。
表3预测性能对比结果
预测方法 | 均方根误差 | 评分函数 |
CAE-LSTM | 0.057 | 17.10 |
DCNN | 0.103 | 26.43 |
LSTM | 0.083 | 18.65 |
SVM | 0.193 | 98.63 |
由表3和图8可知,本发明的集成深度神经网络的均方根误差和评分函数误差均最小,预测曲线能够有效拟合实际能源电路的健康状态,具有精度高,易于实现的特点。
如图9所示是本发明实施例提供的一种基于集成深度神经网络的电路健康状态预计系统的结构示意图,包括:
数据采集模块901,用于建立待预测的电路退化仿真模型,进行不同器件的参数老化模拟实验,并采集各器件的输出信号;
数据处理模块902,用于利用时序变换方法提取各器件的输出信号的时域特征,并根据各时域特征建立各器件的健康指数;
预测模块903,用于基于各器件的健康指数,结合卷积自编码机CAE和长短时记忆循环网络LSTM-RNN对退化中的待预测的电路进行健康状态预计。
在本发明实施例中,上述系统还包括:
评价模块,用于采用相关评价指标对预测效果进行评估,其中,评价指标包括:评分函数和均方根误差。
其中,各模块的具体实施方式可以参考方法实施例的描述,本发明实施例将不再复述。
本申请还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现方法实施例中的基于集成深度神经网络的电路健康状态预计方法。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于集成深度神经网络的电路健康状态预计方法,其特征在于,包括:
(1)建立待预测的电路退化仿真模型,进行不同器件的参数老化模拟实验,并采集各器件的输出信号;
(2)利用时序变换方法提取各所述器件的输出信号的时域特征,并根据各所述时域特征建立各器件的健康指数;
(3)基于各所述器件的健康指数,结合卷积自编码机CAE和长短时记忆循环网络LSTM-RNN对退化中的所述待预测的电路进行健康状态预计。
5.根据权利要求4所述的方法,其特征在于,步骤(3)包括:
通过卷积自编码机CAE对各所述器件的健康指数进行处理,卷积自编码机CAE内部隐含层特征信息被提取送入长短时记忆循环网络LSTM-RNN进行回归运算操作,并采用Adam算法更新网络参数。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采用相关评价指标对预测效果进行评估,其中,所述评价指标包括:评分函数和均方根误差。
7.一种基于集成深度神经网络的电路健康状态预计系统,其特征在于,包括:
数据采集模块,用于建立待预测的电路退化仿真模型,进行不同器件的参数老化模拟实验,并采集各器件的输出信号;
数据处理模块,用于利用时序变换方法提取各所述器件的输出信号的时域特征,并根据各所述时域特征建立各器件的健康指数;
预测模块,用于基于各所述器件的健康指数,结合卷积自编码机CAE和长短时记忆循环网络LSTM-RNN对退化中的所述待预测的电路进行健康状态预计。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括:
评价模块,用于采用相关评价指标对预测效果进行评估,其中,所述评价指标包括:评分函数和均方根误差。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010796013.XA CN111985155B (zh) | 2020-08-10 | 2020-08-10 | 基于集成深度神经网络的电路健康状态预计方法及系统 |
US17/178,254 US11694011B2 (en) | 2020-08-10 | 2021-02-18 | Circuit health state prediction method and system based on integrated deep neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010796013.XA CN111985155B (zh) | 2020-08-10 | 2020-08-10 | 基于集成深度神经网络的电路健康状态预计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985155A true CN111985155A (zh) | 2020-11-24 |
CN111985155B CN111985155B (zh) | 2023-08-04 |
Family
ID=73445298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010796013.XA Active CN111985155B (zh) | 2020-08-10 | 2020-08-10 | 基于集成深度神经网络的电路健康状态预计方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11694011B2 (zh) |
CN (1) | CN111985155B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536681A (zh) * | 2021-07-21 | 2021-10-22 | 北京航空航天大学 | 一种基于时序外推预测的电动舵机健康评估方法 |
CN116008733A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 一种基于集成深度神经网络的单相接地故障诊断方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186459A (zh) * | 2022-12-26 | 2023-05-30 | 中国人民解放军95616部队保障部 | 基于组合权重和广义幂均值的设备健康度评估方法、系统、介质、装置及层级化评估方法 |
CN116502516B (zh) * | 2023-01-15 | 2023-12-01 | 北京控制工程研究所 | 一种航天器部件退化阶段的辨识方法和装置 |
CN116449135B (zh) * | 2023-04-19 | 2024-01-30 | 北京航空航天大学 | 一种机电系统部件健康状态确定方法、系统及电子设备 |
CN116228045B (zh) * | 2023-05-09 | 2023-09-01 | 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)) | 基于性能退化的产品可靠性薄弱环节评估方法和装置 |
CN116633434B (zh) * | 2023-07-24 | 2023-09-19 | 北京翌特视讯科技有限公司 | 多功能综合业务光端机的传输监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705181A (zh) * | 2019-10-13 | 2020-01-17 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
CN111178331A (zh) * | 2020-01-20 | 2020-05-19 | 深圳大学 | 雷达图像识别系统、方法、设备及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726524B (zh) * | 2019-03-01 | 2022-11-01 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
US20220355839A1 (en) * | 2019-07-02 | 2022-11-10 | Konux Gmbh | Monitoring, predicting and maintaining the condition of railroad elements with digital twins |
-
2020
- 2020-08-10 CN CN202010796013.XA patent/CN111985155B/zh active Active
-
2021
- 2021-02-18 US US17/178,254 patent/US11694011B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705181A (zh) * | 2019-10-13 | 2020-01-17 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
CN111178331A (zh) * | 2020-01-20 | 2020-05-19 | 深圳大学 | 雷达图像识别系统、方法、设备及计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536681A (zh) * | 2021-07-21 | 2021-10-22 | 北京航空航天大学 | 一种基于时序外推预测的电动舵机健康评估方法 |
CN113536681B (zh) * | 2021-07-21 | 2024-04-02 | 北京航空航天大学 | 一种基于时序外推预测的电动舵机健康评估方法 |
CN116008733A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 一种基于集成深度神经网络的单相接地故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220043955A1 (en) | 2022-02-10 |
CN111985155B (zh) | 2023-08-04 |
US11694011B2 (en) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149373B (zh) | 一种复杂模拟电路故障识别与估计方法及系统 | |
CN111985155A (zh) | 基于集成深度神经网络的电路健康状态预计方法及系统 | |
Zhang et al. | Long short-term memory for machine remaining life prediction | |
Iqbal et al. | Fault detection and isolation in industrial processes using deep learning approaches | |
Zhao et al. | A recurrent neural network approach for remaining useful life prediction utilizing a novel trend features construction method | |
Li et al. | A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction | |
Huang et al. | Convolutional gated recurrent unit–recurrent neural network for state-of-charge estimation of lithium-ion batteries | |
Wang et al. | Deterministic learning of nonlinear dynamical systems | |
Ugalde et al. | Computational cost improvement of neural network models in black box nonlinear system identification | |
KR20190052604A (ko) | 순환 신경망에 기반한 회로 시뮬레이션을 위한 시스템 및 방법 | |
CN107977748B (zh) | 一种多变量扭曲时间序列预测方法 | |
Yu et al. | The faults diagnostic analysis for analog circuit based on FA-TM-ELM | |
Wang et al. | Spatio-temporal graph convolutional neural network for remaining useful life estimation of aircraft engines | |
Yang et al. | An end-to-end denoising autoencoder-based deep neural network approach for fault diagnosis of analog circuit | |
Moezi et al. | Simultaneous fault localization and detection of analog circuits using deep learning approach | |
Hong et al. | Remaining useful life prediction using time-frequency feature and multiple recurrent neural networks | |
Zhou et al. | Aero-engine prognosis strategy based on multi-scale feature fusion and multi-task parallel learning | |
Lin et al. | Remaining useful life prediction in prognostics using multi-scale sequence and Long Short-Term Memory network⋆ | |
Li et al. | Prognosis for stochastic degrading systems with massive data: A data-model interactive perspective | |
Chen et al. | Multi-scale memory-enhanced method for predicting the remaining useful life of aircraft engines | |
Kalpana et al. | Multiple parametric fault diagnosis using computational intelligence techniques in linear filter circuit | |
Irani et al. | A data-driven approach for fault diagnosis in multi-zone HVAC systems: Deep neural bilinear Koopman parity | |
Mosin | Machine learning and data mining methods in testing and diagnostics of analog and mixed-signal integrated circuits: Case study | |
Wu et al. | Ensemble recurrent neural network-based residual useful life prognostics of aircraft engines | |
Xiao et al. | Circuit reliability prediction based on deep autoencoder network |
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 |