CN112149373B - 一种复杂模拟电路故障识别与估计方法及系统 - Google Patents
一种复杂模拟电路故障识别与估计方法及系统 Download PDFInfo
- Publication number
- CN112149373B CN112149373B CN202011021794.1A CN202011021794A CN112149373B CN 112149373 B CN112149373 B CN 112149373B CN 202011021794 A CN202011021794 A CN 202011021794A CN 112149373 B CN112149373 B CN 112149373B
- Authority
- CN
- China
- Prior art keywords
- circuit
- degradation
- time
- analog circuit
- degraded
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000006731 degradation reaction Methods 0.000 claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 49
- 230000015556 catabolic process Effects 0.000 claims abstract description 48
- 230000036541 health Effects 0.000 claims abstract description 48
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 230000015654 memory Effects 0.000 claims abstract description 17
- 230000032683 aging Effects 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 8
- 229910052724 xenon Inorganic materials 0.000 description 6
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 239000003990 capacitor Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000000752 ionisation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
- G06F11/261—Functional testing by simulating additional hardware, e.g. fault simulation
-
- 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
- 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
- G06N3/04—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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种复杂模拟电路故障识别与估计方法及系统,属于电力电子电路故障预测领域,其中,方法的实现包括:建立待诊断模拟电路的退化仿真模型,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,基于角相似度建立器件的健康指数;结合时间滑窗和卷积神经网络对电路是否发生退化及退化起点进行识别;复用前续识别网络中的部分隐含层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估计;对预测准确性进行评估。本发明能在准确识别模拟电路的故障状态起点的同时有效估计模拟电路的健康状态,具有运算效率高,识别准确的特点。
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,涉及一种复杂模拟电路故障识别与估计方法及系统。
背景技术
伴随着泛在电力物联网的发展,汽车、飞行器、电力系统的集成化程度正在变得越来越高,系统内部元件之间的相互作用正变得越来越复杂。这些都为电力设备的清洁、稳定运行带来了挑战。因此,模拟电路的退化需要受到关注。
在模拟电路运行的各个阶段都可能发生退化,对于电路早期退化的识别可以及时采取措施,避免进一步的经济、财产损失。同时也可以在最大程度上保全原有设备,确保实验和生产的正常运行。
具体而言,在模拟电路中,各个器件:电容、电阻、电感、电源开关等均有机会发生性能和参数的退化。由于各种器件在模拟电路中的角色不同,各种退化对于设备运转的影响不同。如果电路的退化状态及程度可以及时被评估,生产单位可以及时采取措施,例如:更换元器件、启动备用设备、增加或减少生产计划等。
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。基于模型的方法通过数学模型或者物理模型的方法,对待预测模型进行建模。由于该模型对于参数设定具有极高的要求,温度或者外负载容量均有可能影响参数的准确性,进而影响模型的预测精度。除此之外,受到噪声影响的原始信号也有可能会影响参数的准确性。因此,基于模型的方法对于系统参数的准确性要求极高。所以,该方法建模过程复杂,运算周期长且复杂。基于数据的预测方法只考虑系统的输入与输出量,然后通过信息学理论进行回归或者分类,运算效率高、抗干扰能力强。混合预测方法尽管可以兼顾两类方法的优势,但是由于其依赖于基于模型的预测方法,内部运算复杂度仍然较高,综合建模成本高,参数依赖性强。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种复杂模拟电路故障识别与估计方法及系统,针对模拟电路的早期退化识别与退化程度估计,能够稳定高效地识别电路退化,并保证准确的退化程度估计。
为实现上述目的,按照本发明的一个方面,提供了一种复杂模拟电路故障识别与估计方法,包括:
(1)建立待诊断模拟电路的退化仿真模型,进行不同器件的参数老化模拟实验,并采集各种器件参数条件下的输出信号;
(2)利用时序变换方法提取各所述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,结合时间滑窗及卷积神经网络CNN对所述待诊断模拟电路是否发生退化进行识别;
(4)复用前述卷积神经网络的部分隐含层,并结合长短时记忆循环网络LSTM-RNN对已发生退化的电路进行状态估计。
在一些可选的实施方案中,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。
在一些可选的实施方案中,在步骤(2)中,提取的输出信号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,表示该次退化样本输出信号的算术平均值。
在一些可选的实施方案中,所述卷积神经网络CNN包含卷积层、池化层和Softmax层三种类型的隐含层,所述时间滑窗是通过将一定数量的信号特征在给定长度的退化周期进行截断实现,进而由所述时间滑窗创建一个信号矩阵,其中,每一个信号特征分列该信号矩阵的每一行,该信号矩阵的列号对应该列信号的退化周期数。
在一些可选的实施方案中,步骤(3)包括:
通过卷积神经网络CNN对由所述时间滑窗截取出的信号矩阵进行识别,以对所述待诊断模拟电路是否发生退化进行识别,若所述待诊断模拟电路发生退化,则进一步确定退化起始的退化周期数。
在一些可选的实施方案中,步骤(4)包括:
将由卷积神经网络CNN提取的退化电路输入信号的隐含特征信息送入长短时记忆循环网络LSTM-RNN进行健康状态估计操作,并采用AdaGrad算法更新网络参数。
在一些可选的实施方案中,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:打分函数和均方根误差。
按照本发明的另一方面,提供了一种复杂模拟电路故障识别与估计系统,包括:
数据采集模块,用于建立待诊断模拟电路的退化仿真模型,进行不同器件的参数老化模拟实验,并采集各种器件参数条件下的输出信号;
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;
识别模块,用于基于各所述器件的健康指数,结合时间滑窗及卷积神经网络CNN对所述待诊断模拟电路是否发生退化进行识别;
状态估计模块,用于复用前述卷积神经网络的部分隐含层,并结合长短时记忆循环网络LSTM-RNN对已发生退化的电路进行状态估计。
优选地,所述系统还包括:
评价模块,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:打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:
本发明实现基于历史数据通过复用深度神经网络对模拟电路的早期故障起点进行识别与诊断,并基于该起点对电路的健康状态进行预测,通过建立待诊断模拟电路的退化仿真模型,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,基于角相似度建立了器件的健康指数;结合时间滑窗和卷积神经网络对电路是否发生退化及退化起点进行识别;复用前续识别网络中的部分隐含层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估计;参考相关评价指标,对公开方法的预测准确性进行评估。本发明能在准确识别模拟电路的故障状态起点的同时有效估计模拟电路的健康状态,具有运算效率高,识别准确的特点。
附图说明
图1是本发明实施例提供的一种电路退化识别和健康状态估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时间滑窗和卷积神经网络运算的示意图,其中,(a)表示时间滑窗;(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复用神经网络结构图;
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#4;(b)测试样本#36;(c)测试样本#56;(d)测试样本#66;(e)测试样本#75;(f)测试样本#92;(g)测试样本#103;(h)测试样本#112;(i)测试样本#116;
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,本发明的一种复杂模拟电路故障识别与估计方法,包含以下步骤:
(1)建立待诊断模拟电路的退化仿真模型,进行不同器件的参数老化模拟实验,并选择若干条支路的电流或电压作为观测量监测电路,并采集各种器件参数条件下的输出信号;
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激光汇聚设备的能源组件模块电路,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。作为一种可选的实施方式,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,电路健康状态的维持周期数为退化周期数,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
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。
为了模拟外界噪声对于电路正常运行的影响,本实施例在电路退化模拟过程中添加信噪比SNR单位为40dB的高斯白噪声。添加的噪声ε满足如下关系式:
ε~Ν(0,σ2) (2)
其中,σ2由SNR和下式确定:
(2)利用时序变换方法提取各传感器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;
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,提取的输出信号的十个时域特征指标为:
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)基于各器件的健康指数,结合时间滑窗及卷积神经网络CNN对待预测电路是否发生退化进行识别;
在本发明实施例中,卷积神经网络CNN包含卷积层、池化层和Softmax层三种类型的隐含层。时间滑窗是通过将一定数量的信号特征在给定长度的退化周期进行截断实现。具体而言,该时间滑窗创建了一个信号矩阵,每一个信号特征分列该信号矩阵的每一行,该信号矩阵的列号对应该列信号的退化周期数。由于单个时间滑窗为一个二维矩阵,故单一滑窗可被视为一张二维图像。
通过利用时间滑窗重构数据格式,卷积神经网络可以同时对多个一维数据进行处理。本发明实施例中,卷积神经网络的输入样本为一个时间滑窗。图5中,(a)表示一个时间滑窗;(b)表示卷积神经网络运算步骤。该滑窗一个维度为样本向量的退化周期,另一个维度为样本向量的实际值。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指的是时间滑窗输入量,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。
卷积神经网络CNN包含卷积层、池化层和Softmax层三种类型的隐含层。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;Softmax层主要用于将原始输出信号进行多标签分类。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集,剩余47个样本作为验证集,输入样本数据长度为15,卷积神经网络参数设定,如表2所示:
表2卷积神经网络参数设定
该网络首先对输入的时间滑窗数据进行识别。在训练集中,若在时间滑窗的起始点电路已发生退化,则将该时间滑窗分类为3;若时间滑窗内仅有部分长度发生退化,则该时间滑窗分类为2;若时间滑窗内全部长度均为正常信号,则该时间滑窗分类为1。
将提出的卷积神经网络退化识别方法与支持向量机(Support VectorMachine,SVM)的识别准确率进行对比,结果如表3所示。
表3退化识别准确率对比结果
预测方法 | 训练集(%) | 验证集(%) |
CNN | 98.49 | 98.36 |
SVM | 99.97 | 78.52 |
由表3可知,本发明的卷积神经网络对训练集的识别准确率与支持向量机相当,但是对验证集的识别准确率显著优于支持向量机方法,说明该方法能够准确识别退化起点。
(4)复用前述卷积神经网络的部分隐含层,并结合长短时记忆循环网络LSTM-RNN对已发生退化的电路进行状态估计。
若时间滑窗被卷积神经网络分类为3,则认为从该时间滑窗开始,模拟电路已发生退化。因此,将该时间滑窗由卷积神经网络内部隐含层提取的特征信息传递给接续长短时循环神经网络(Long short termmemory-recurrent neural network,LSTM-RNN)进行健康状态估计。LSTM网络相比较传统RNN网络,没有梯度消失或梯度爆炸的问题,主要包括三种类型门:输入门、输出门和遗忘门。
输入门ii影响向下一步传递的信息和LSTM单元的内部状态的改变;输出门oi审查并改变LSTM内部状态的部分输出量;遗忘门fi对被审查和过滤的信息进行推断和合并。
其数学计算过程如下:
ii=σ·(wixxi+wihhi-1+bi) (6)
oi=σ·(woxxi+wohhi-1+bo) (7)
fi=σ·(wfxxi+wfhhi-1+bf) (8)
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过程变量hi-1对应于输入门、输出门和遗忘门的权重系数,bi,bo和bf是对应于不同门的偏置系数,σ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 (11)
本发明实施例提供的复用深度神经网络的结构图如图7所示。
具体地,该复用网络内部隐含层的激活函数为ReLu函数,优化算法是AdaGrad优化算法,通过自适应地调整学习率来使得损失函数达到最小。
为了优化复用深度神经网络中的相关内部参数,本发明实施例中采用AdaGrad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。
AdaGrad算法更新网络参数过程如下:
gi为误差函数L(θ)对初始超参数集θ的初始平均梯度:
累积历史梯度vi:
Δθi是超参数集θ的增量,初始学习率η值取为0.001,ε值取为10-7:
θi+1=θi+Δθi (19)
AdaGrad优化算法能够自适应调整学习率,运算较为简便且需要存储的过程变量也较少。
(5)参考相关评价指标,对电路健康状态估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:打分函数和均方根误差对于预测效果进行评估:
打分函数:
均方根误差,
现利用以上两个评价标准对本发明提出的复杂模拟电路故障识别与估计方法的预测效果进行评估,并与主流的五种数据驱动算法:深度卷积神经网络(DeepConvolutional Neural Network,DCNN)、普通长短时记忆神经网络(Long Short TermMemory Network,LSTM)、支持向量机(Support Vector Machine,SVM)、门控循环单元(Gated Recurrent Unit,GRU)、梯度提升(Gradient Boosting)的预测效果进行对比,结果如表4所示,部分健康状态预测结果如图8所示,其中,(a)测试样本#4;(b)测试样本#36;(c)测试样本#56;(d)测试样本#66;(e)测试样本#75;(f)测试样本#92;(g)测试样本#103;(h)测试样本#112;(i)测试样本#116。
表4预测性能对比结果
预测方法 | 均方根误差 | 打分函数 |
本发明方法 | 0.063 | 15.90 |
DCNN | 0.103 | 26.43 |
LSTM | 0.083 | 18.65 |
SVM | 0.193 | 98.63 |
GRU | 0.082 | 17.494 |
Gradient Boosting | 0.078 | 30.132 |
由表4和图8可知,本发明的复用深度神经网络的均方根误差和打分函数误差均最小,预测曲线与实际模拟电路健康状态的差异较小,具有运算效率高,识别准确的特点。
如图9所示是本发明实施例提供的一种复杂模拟电路故障识别与估计系统的结构示意图,包括:
数据采集模块901,用于建立待诊断模拟电路的退化仿真模型,进行不同器件的参数老化模拟实验,并采集各种器件参数条件下的输出信号;
数据处理模块902,用于利用时序变换方法提取各所述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;
识别模块903,用于基于各器件的健康指数,结合时间滑窗及卷积神经网络CNN对待诊断模拟电路是否发生退化进行识别;
状态估计模块904,用于复用前述卷积神经网络的部分隐含层,并结合长短时记忆循环网络LSTM-RNN对已发生退化的电路进行状态估计。
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:打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复杂模拟电路故障识别与估计方法。
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 (10)
1.一种复杂模拟电路故障识别与估计方法,其特征在于,包括:
(1)建立待诊断模拟电路的退化仿真模型,进行待诊断模拟电路的退化仿真模型中不同器件的参数老化模拟实验,并采集各不同器件的参数条件下的输出信号;
(2)利用时序变换方法提取各所述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,结合时间滑窗及卷积神经网络CNN对所述待诊断模拟电路是否发生退化进行识别;
(4)复用前述卷积神经网络的部分隐含层,并结合长短时记忆循环网络LSTM-RNN对已发生退化的电路进行状态估计。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述卷积神经网络CNN包含卷积层、池化层和Softmax层三种类型的隐含层,所述时间滑窗是通过将一定数量的信号特征在给定长度的退化周期进行截断实现,进而由所述时间滑窗创建一个信号矩阵,其中,每一个信号特征分列该信号矩阵的每一行,该信号矩阵的列号对应该列信号的退化周期数。
5.根据权利要求4所述的方法,其特征在于,步骤(3)包括:
通过卷积神经网络CNN对由所述时间滑窗截取出的信号矩阵进行识别,以对所述待诊断模拟电路是否发生退化进行识别,若所述待诊断模拟电路发生退化,则进一步确定退化起始的退化周期数。
6.根据权利要求5所述的方法,其特征在于,步骤(4)包括:
将由卷积神经网络CNN提取的退化电路输入信号的隐含特征信息送入长短时记忆循环网络LSTM-RNN进行健康状态估计操作,并采用AdaGrad算法更新网络参数。
7.根据权利要求6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:打分函数和均方根误差。
8.一种复杂模拟电路故障识别与估计系统,其特征在于,包括:
数据采集模块,用于建立待诊断模拟电路的退化仿真模型,进行待诊断模拟电路的退化仿真模型中不同器件的参数老化模拟实验,并采集各不同器件的参数条件下的输出信号;
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;
识别模块,用于基于各所述器件的健康指数,结合时间滑窗及卷积神经网络CNN对所述待诊断模拟电路是否发生退化进行识别;
状态估计模块,用于复用前述卷积神经网络的部分隐含层,并结合长短时记忆循环网络LSTM-RNN对已发生退化的电路进行状态估计。
9.根据权利要求8所述的系统,其特征在于,所述系统还包括:
评价模块,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:打分函数和均方根误差。
10.一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7任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021794.1A CN112149373B (zh) | 2020-09-25 | 2020-09-25 | 一种复杂模拟电路故障识别与估计方法及系统 |
US17/168,144 US20220100624A1 (en) | 2020-09-25 | 2021-02-04 | Method and system of identifying and estimating complex analog circuit failure |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021794.1A CN112149373B (zh) | 2020-09-25 | 2020-09-25 | 一种复杂模拟电路故障识别与估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149373A CN112149373A (zh) | 2020-12-29 |
CN112149373B true CN112149373B (zh) | 2022-06-03 |
Family
ID=73897046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011021794.1A Active CN112149373B (zh) | 2020-09-25 | 2020-09-25 | 一种复杂模拟电路故障识别与估计方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220100624A1 (zh) |
CN (1) | CN112149373B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11657273B2 (en) * | 2019-12-27 | 2023-05-23 | Industrial Technology Research Institute | Hardware structure aware adaptive learning based power modeling method and system |
CN112101431A (zh) * | 2020-08-30 | 2020-12-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 电子设备故障诊断系统 |
CN113344099B (zh) * | 2021-06-22 | 2022-11-11 | 华中科技大学 | 一种基于变分自编码器的机械设备退化点识别方法和系统 |
CN113533945A (zh) * | 2021-06-30 | 2021-10-22 | 桂林电子科技大学 | 一种基于二维卷积神经网络的模拟电路故障诊断方法 |
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 |
WO2023044907A1 (en) * | 2021-09-27 | 2023-03-30 | Siemens Aktiengesellschaft | Method and device for monitoring equipment health and computer readable storage medium |
CN115879405B (zh) * | 2023-02-24 | 2023-11-17 | 湖南遥光科技有限公司 | 电路性能的检测方法及计算机存储介质和终端设备 |
CN116627759B (zh) * | 2023-05-19 | 2024-02-27 | 北京神州安付科技股份有限公司 | 一种金融支付设备电路安全检测装置 |
CN117251957B (zh) * | 2023-11-16 | 2024-02-13 | 江苏千桐科技有限公司 | 用于锅炉配件工艺过程的仿真优化系统与方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995229A (zh) * | 2014-05-21 | 2014-08-20 | 浙江工业大学 | 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10685159B2 (en) * | 2018-06-27 | 2020-06-16 | Intel Corporation | Analog functional safety with anomaly detection |
KR20200091623A (ko) * | 2019-01-23 | 2020-07-31 | 삼성전자주식회사 | 위노그라드 변환에 기반한 뉴럴 네트워크의 컨볼루션 연산을 수행하는 방법 및 장치 |
-
2020
- 2020-09-25 CN CN202011021794.1A patent/CN112149373B/zh active Active
-
2021
- 2021-02-04 US US17/168,144 patent/US20220100624A1/en not_active Abandoned
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995229A (zh) * | 2014-05-21 | 2014-08-20 | 浙江工业大学 | 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法 |
Non-Patent Citations (2)
Title |
---|
《Bearing performance degradation assessment using long short-term memory recurrent network》;Bin Zhang,et al;《Computers in Industry》;20181231;14-29 * |
《Remaining useful performance estimation for complex analog circuit based on maximal information coefficient and bidirectional gate recurrent unit》;BOLUN DU,et al;《Digital Object Identifier》;20200527;102449-102466 * |
Also Published As
Publication number | Publication date |
---|---|
CN112149373A (zh) | 2020-12-29 |
US20220100624A1 (en) | 2022-03-31 |
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 | |
CN111985155B (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 | |
Li et al. | A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction | |
Zhang et al. | Long short-term memory for machine remaining life prediction | |
CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
CN110321603A (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
CN114399032B (zh) | 一种电能表计量误差预测方法及系统 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN107977748B (zh) | 一种多变量扭曲时间序列预测方法 | |
Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
CN115456287A (zh) | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 | |
CN113988415B (zh) | 一种中长期电力负荷预测方法 | |
CN114862032A (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
Hong et al. | Remaining useful life prediction using time-frequency feature and multiple recurrent neural networks | |
CN117471252A (zh) | 基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法 | |
Chen et al. | Short-term power load forecasting of GWO-KELM based on Kalman filter | |
Chen et al. | Multi-scale memory-enhanced method for predicting the remaining useful life of aircraft engines | |
Esfahani et al. | Remaining useful life prognostics based on stochastic degradation modeling: turbofan engine as case study | |
Esfahani et al. | A new hybrid model for RUL prediction through machine learning | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN111241629A (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN116307206A (zh) | 基于分段图卷积和时间注意力机制的天然气流量预测方法 |
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 |