CN112560892A - 一种基于机器学习的dc-dc电源的健康状态监测方法 - Google Patents
一种基于机器学习的dc-dc电源的健康状态监测方法 Download PDFInfo
- Publication number
- CN112560892A CN112560892A CN202011239220.1A CN202011239220A CN112560892A CN 112560892 A CN112560892 A CN 112560892A CN 202011239220 A CN202011239220 A CN 202011239220A CN 112560892 A CN112560892 A CN 112560892A
- Authority
- CN
- China
- Prior art keywords
- state
- degradation
- circuit
- power supply
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 38
- 230000036541 health Effects 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000006731 degradation reaction Methods 0.000 claims abstract description 137
- 230000015556 catabolic process Effects 0.000 claims abstract description 134
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 239000003990 capacitor Substances 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000003862 health status Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000007850 degeneration Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003412 degenerative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000003792 electrolyte Substances 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- YGFLYIFQVUCTCU-UHFFFAOYSA-N 2-ethylhexoxy 2-methylbutan-2-yl carbonate Chemical compound CCCCC(CC)COOC(=O)OC(C)(C)CC YGFLYIFQVUCTCU-UHFFFAOYSA-N 0.000 description 1
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M3/00—Conversion of dc power input into dc power output
- H02M3/02—Conversion of dc power input into dc power output without intermediate conversion into ac
- H02M3/04—Conversion of dc power input into dc power output without intermediate conversion into ac by static converters
- H02M3/10—Conversion of dc power input into dc power output without intermediate conversion into ac by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
- H02M3/145—Conversion of dc power input into dc power output without intermediate conversion into ac by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
- H02M3/155—Conversion of dc power input into dc power output without intermediate conversion into ac by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明实施例提供的一种基于机器学习的DC‑DC电源的健康状态监测方法，通过构建DC‑DC电源退化电路，获取该电路当前时间的退化特征参数，使用训练好的机器学习分类模型对第一特征向量进行识别，确定DC‑DC电源退化电路所属的故障模式，以此确定该电路中发生退化的易退化元件或者易退化元件组合，实现故障元件的精准定位，然后使用训练好的隐马尔科夫模型对第一特征向量识别，确定DC‑DC电源退化电路的健康状态，以此预测电路的寿命。相较于现有技术的故障定位及寿命预测方法，本发明可以更加简洁的实现精准的故障定位以及提高预测DC‑DC电源寿命的准确性。
Description
技术领域
本发明属于开关电源监测领域，具体涉及一种基于机器学习的DC-DC电源的健康状态监测方法。
背景技术
开关电源在航空航天、风力发电、混合电动汽车、铁道运输等领域都有广泛应用，其能够实现高效的电能变换，但电力电子器件也容易发生故障，尤其是功率变换器中的电力半导体器件和电解电容失效率非常高，对整个开关电源系统的可靠性带来挑战，所以，在DC-DC电源中应用PHM可以监测系统的健康状态、定位故障元件、预知产品剩余使用寿命，将会显著降低系统的维修和保障费用，增强系统安全性能。
现有技术中部分学者对非隔离式DC-DC转换器提出了基于实时响应的故障分析和预测技术，通过连续监视输出电压，可以实现定位异常电路的故障组件范围及预测其剩余使用寿命的功能，但其对状态监测部分的研究尚欠缺；一些学者对降压式DC-DC提出了基于模型的剩余寿命预测方法，通过采集输出电压纹波，计算滤波电容等效电阻阻值，从而预测电源剩余使用寿命，但其无法实现故障定位；一些学者建立了非理想Boost变换器的平均键合图模型，通过对其注入故障，验证了电解电容器等效串联电阻ESR作为电路故障特征参数的正确性，但其研究主要根据其他参考文献和计算机仿真得出的数据进行课题研究，没有对选用的器件和电路进行物理实验验证。
由于DC-DC开关电源电路系统的实际情况是MOSFET、电感、二极管等元件也在退化，因此现有技术无法对DC-DC电源实现准确的故障定位及寿命预测。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于机器学习的DC-DC电源的健康状态监测方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供的一种基于机器学习的DC-DC电源的健康状态监测方法，包括：
根据各个易退化元件的退化等效模型，构建DC-DC电源退化电路；
获取所述DC-DC电源退化电路的当前时间的退化特征参数，并组成第一特征向量；
使用训练好的机器学习分类模型对所述第一特征向量进行识别，确定所述DC-DC电源退化电路所属的故障模式；
使用训练好的隐马尔科夫模型对所述第一特征向量识别，确定所述DC-DC电源退化电路的健康状态；
其中，所述训练好的机器学习分类模型是通过将易退化元件的退化状态进行组合，获得多个故障模式，获取当前时间前所述DC-DC电源退化电路在每个故障模式下的退化特征参数，并作为第二特征向量，并将各个故障模式下的第二特征向量组成数据集；使用所述数据集训练预设的机器学习分类模型得到的；所述故障模式表示易退化元件组合后的退化状态；
其中，所述训练好的隐马尔科夫模型是通过将所述DC-DC电源退化电路的状态分为多个预测状态，获取所述DC-DC电源退化电路从健康状态到故障状态的退化特征参数，作为第三特征向量；将多个预测状态作为预设的隐马尔科夫模型的状态空间，并计算预设的隐马尔科夫模型的学习参数，使用所述第三特征向量训练所述预设的隐马尔科夫模型得到的。
其中，所述退化特征参数包括：频率响应最大值Am、频率响应最大值Am对应频率Fm、单位增益带宽频率Fc、幅频曲线均值mean、幅频波形峰度kurt。
其中，所述多个故障模式为：电解电容退化，电感退化，MOSFET退化，电解电容以及电感退化，电解电容以及MOSFET，电感以及MOSFET退化，电解电容、电感以及MOSFET退化，所述多个预测状态为：健康态、轻度退化态、中度退化态、重度退化态、故障态。
可选的，所述根据各个易退化元件的退化等效模型，构建DC-DC电源退化电路的步骤包括：
将电解电容失效机理和等效电路、MOSFET失效机理和等效电路以及电感的失效机理和等效电路按照开关电源的电路连接原理连接构建DC-DC电源退化电路。
可选的，所述使用所述数据集训练预设的机器学习分类模型的步骤包括：
针对每个故障模式，将该故障模式下的第二特征向量作为预设的机器学习分类模型的输入，将所述第二特征向量属于该故障模式作为所述预设的机器学习分类模型的输出，迭代训练所述预设的机器学习分类模型，直至达到迭代次数。
可选的，所述将多个预测状态作为预设的隐马尔科夫模型的状态空间，并计算预设的隐马尔科夫模型的学习参数，使用所述第三特征向量训练所述预设的隐马尔科夫模型的步骤包括：
将所述健康态、轻度退化态、中度退化态、重度退化态、故障态作为预设的隐马尔科夫模型的状态空间；
使用预设的参数算法，计算学习参数；
其中，学习参数包括：预测状态之间的转移概率矩阵，初始时刻的预测状态以及发射矩阵；
将所述初始时刻的预测状态作为所述预设的隐马尔科夫模型的初始状态，将所述多个预测状态作为预设的隐马尔科夫模型的状态空间，迭代训练所述预设的隐马尔科夫模型，以使所述预设的隐马尔科夫模型基于所述预测状态之间的转移概率矩阵以及预测状态之间的转移概率矩阵，在所述状态空间中选择一个预测状态输出。
可选的，在所述使用训练好的隐马尔科夫模型对所述第一特征向量识别，确定所述DC-DC电源退化电路的状态的步骤之前，所述健康状态监测方法还包括：
使用预设的参数算法，计算学习参数；
可选的，所述使用预设的参数算法，计算学习参数的步骤包括：
使用参数计算公式，计算学习参数；
其中，学习参数λ＝(π，A，B)，S＝{s1，s2，s3，s4，s5}，s1，s2，s3，s4，s5表示健康态、轻度退化态、中度退化态、重度退化态、故障态，π＝(π1π2π3π4π5)，π＝(1，0，0，0，0)表示为初始时刻电源单路在各个预测状态的概率，预测状态之间的转移概率矩阵A，
Aij表示电路从状态i转移到状态j的概率，发射矩阵为B，μi，∑i分别对应电路属于预测状态i时服从高斯分布的均值和方差，x表示第三特征向量，μi高斯分布的均值，∑i表示高斯分布的方差，N(x|μ1，∑1)表示高斯分布；
参数计算公式为：
其中，γ1(i)表示初始时刻电源处于状态i的概率，T表示特征向量总数，εt(i，j)表示两个预测状态的联合概率，
表示T-1个时刻最有可能的预测状态概率之和，bik表示在状态i时特征向量为k的概率，ot＝Vk为数学约束条件。
可选的，在使用所述数据集训练预设的机器学习分类模型的步骤之前，所述健康状态监测方法还包括：
对所述数据集进行归一化处理；
将归一化后的数据集进行降维处理。
本发明实施例提供的一种基于机器学习的DC-DC电源的健康状态监测方法，通过构建DC-DC电源退化电路，获取该电路当前时间的退化特征参数，使用训练好的机器学习分类模型对第一特征向量进行识别，确定DC-DC电源退化电路所属的故障模式，以此确定该电路中发生退化的易退化元件或者易退化元件组合，实现故障元件的精准定位，然后使用训练好的隐马尔科夫模型对第一特征向量识别，确定DC-DC电源退化电路的健康状态，以此预测电路的寿命。相较于现有技术的故障定位及寿命预测方法，本发明可以更加简洁的实现精准的故障定位以及提高预测DC-DC电源寿命的准确性。以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于机器学习的DC-DC电源的健康状态监测方法的流程图；
图2是本发明实施例提供的构建DC-DC电源退化电路的结构图；
图3是本发明实施例提供的预测DC-DC电源退化电路的健康状态效果图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
如图1，本发明实施例提供的一种基于机器学习的DC-DC电源的健康状态监测方法，包括：
S1，根据各个易退化元件的退化等效模型，构建DC-DC电源退化电路；
S2，获取DC-DC电源退化电路的当前时间的退化特征参数，并组成第一特征向量；
其中，退化特征参数包括：频率响应最大值Am、频率响应最大值Am对应频率Fm、单位增益带宽频率Fc、幅频曲线均值mean、幅频波形峰度kurt。
开关电源的故障诊断及预测一般采用特征参数法即监测输出电压和电流纹波来计算滤波电容等效串联电阻进而监测电路健康状态和剩余寿命，此种方法由于监测参数本身的局限性，难以体现电源系统整体的变化情况，同时也未考虑功率MOSFET和电感L的退化情况。选取系统幅频曲线波形的关键点作为退化特征参数，这些关键点为频率响应最大值Am及对应频率Fm、单位增益带宽频率Fc、幅频曲线均值mean、幅频波形峰度kurt作为特征向量(Am，Fm，Fc，mean，kurt)，特征向量的变化相比单一的输出电压波形可以更好地体现系统退化情况。
S3，使用训练好的机器学习分类模型对所述第一特征向量进行识别，确定所述DC-DC电源退化电路所属的故障模式；
其中，所述训练好的机器学习分类模型是通过将易退化元件的退化状态进行组合，获得多个故障模式，获取当前时间前所述DC-DC电源退化电路在每个故障模式下的退化特征参数，并作为第二特征向量，并将各个故障模式下的第二特征向量组成数据集；使用所述数据集训练预设的机器学习分类模型得到的；所述故障模式表示易退化元件组合后的退化状态；多个故障模式为：电解电容退化，电感退化，MOSFET退化，电解电容以及电感退化，电解电容以及MOSFET，电感以及MOSFET退化，电解电容、电感以及MOSFET退化。
S4，使用训练好的隐马尔科夫模型对第一特征向量识别，确定DC-DC电源退化电路的健康状态；
其中，所述训练好的隐马尔科夫模型是通过将所述DC-DC电源退化电路的状态分为多个预测状态，获取所述DC-DC电源退化电路从健康状态到故障状态的退化特征参数，作为第三特征向量；将多个预测状态作为预设的隐马尔科夫模型的状态空间，并计算预设的隐马尔科夫模型的学习参数，使用所述第三特征向量训练所述预设的隐马尔科夫模型得到的，所述多个预测状态为：健康态、轻度退化态、中度退化态、重度退化态、故障态。
本发明实施例提供的一种基于机器学习的DC-DC电源的健康状态监测方法，通过构建DC-DC电源退化电路，获取该电路当前时间的退化特征参数，使用训练好的机器学习分类模型对第一特征向量进行识别，确定DC-DC电源退化电路所属的故障模式，以此确定该电路中发生退化的易退化元件或者易退化元件组合，实现故障元件的精准定位，然后使用训练好的隐马尔科夫模型对第一特征向量识别，确定DC-DC电源退化电路的健康状态，以此预测电路的寿命。相较于现有技术的故障定位及寿命预测方法，本发明可以更加简洁的实现精准的故障定位以及提高预测DC-DC电源寿命的准确性。
实施例二
作为本发明可选的一种实施例，所述根据各个易退化元件的退化等效模型，构建DC-DC电源退化电路的步骤包括：
将电解电容失效机理和等效电路、MOSFET失效机理和等效电路以及电感的失效机理和等效电路按照开关电源的电路连接原理连接构建DC-DC电源退化电路。
开关电源的故障从故障发生的时间历程可分为两类：突发性故障和渐进性故障。突发性故障是由于系统外部原因对系统冲击造成的，它在发生前所表现的征兆是不明显的，且征兆没有确定性的发展趋势，难以对征兆进行监测；渐进性故障是由于系统参数的逐步退化引起的，这种故障能够进行预测，在正常使用条件下，开关电源的剩余使用寿命是可以被预测的。本文主要研究开关电源的渐进性故障。
典型工作条件下的研究数据表明，在电力电子电路中，电解电容的失效率最高，达到60％，其次是MOSFET开关管失效率达到30％，电感和二极管的失效率分别为6％和3％。本发明基于C、MOSFET、L的物理失效模型(POF)，以及各器件实际退化过程的DC-DC时间平均等效电路构建DC-DC电源退化电路。
电解电容失效机理和退化模型的原理如下：
电解电容性能随着工作时间的增加，等效串联电阻(ESR)会逐渐增大，电容值逐渐减小。ESR的增大会增加功耗，使电解电容的工作温度升高，从而加速电解液挥发，电容值下降加快，直至电解电容功能完全丧失[17]。国外学者对电容器工作性能的大量研究表明，在理想电容C的基础上串联一个等效电阻ESR可以很好地评估电解电容器的性能。因此，电解电容的等效电路模型一般可用电容C和等效串联电阻ESR进行表示。
电解电容的退化过程主要表现在电容值C的减小和等效串联电阻值ESR的增大，其中电容值C和等效串联电阻值ESR可用下面公式表示为：
其中，Cid为理想电容值，Rp为电解液和两极间的泄露电阻，R1为电极和电容引出端的串联电阻。依据公式可知：电解液体积一般只剩初始体积的55％时，可以认为电解电容寿命结束，综合实际考虑，选择电容值减小为初始值的50％时，作为电解电容的失效判据。
MOSFET的失效机理和退化模型的原理如下：
MOSFET管在DC-DC电源中主要作功率开关管使用，MOSFET的退化过程主要体现在开关管导通ΔRon的增大，典型条件下的经验退化模型：
ΔRon＝a(ebt-1) (3)
其中以ΔRon超过初始值的50％作为失效判据，本发明选取的MOSFET初始导通电阻值为80mQ。
电感的失效机理和退化模型的原理如下：
随着电感工作时间增长，电感的线圈温度就会升高，导致电感值L下降，从而对电源的输出特性产生影响。电感的寄生参数为等效串联电阻，但几乎不影响电感性能，可以忽略。过电流使电感正常老化是电感失效的主要原因。综合考虑实际应用情况，当电感值降为初始值的50％作为电感的失效判据。
基于时间平均等效(TAEC)理论，构建的DC-DC电源退化电路如图2所示。其中，L为电感的退化参数，C为电解电容的退化参数，Ron为MOSFET的退化参数，为导通电阻值。功率MOSFET等效成为受控电流源F1，二极管等效成为受控电压源，由H1和E1组成。功率MOSFET和二极管D可用下面公式代替：
其中，公式中的D为占空比，其值为0.5。
实施例三
作为本发明可选的一种实施方式，所述使用所述数据集训练预设的机器学习分类模型的步骤包括：
针对每个故障模式，将该故障模式下的第二特征向量作为预设的机器学习分类模型的输入，将所述第二特征向量属于该故障模式作为所述预设的机器学习分类模型的输出，迭代训练所述预设的机器学习分类模型，直至达到迭代次数。
为了充分考虑到开关电源实际使用情况，将易发生退化的三个器件C、MOSFET、L进行组合，分别采集其从健康到故障过程中的特征向量，使用蒙特卡洛分析模拟实际存在的外部影响和元件本身的误差，形成七类的退化类别，对应故障模式，故障模式类别表如表一所示：
表一.DC-DC电源故障模式表
数据集包括：在不同组合模式下的系统的特征向量，然后使用数据集训练SVM模型训练完成后，对新采集的特征向量进行识别，得到识别结果，该识别结果表明具体器件的退化情况，根据退化情况确定系统的故障模式，每个故障模式对应具体器件的故障情况。本发明选取的特征向量具有良好的辨识性，实现了退化器件的精准定位。
实施例四
作为本发明可选的一种实施例，所述将多个预测状态作为预设的隐马尔科夫模型的状态空间，并计算预设的隐马尔科夫模型的学习参数，使用所述第三特征向量训练所述预设的隐马尔科夫模型的步骤包括：
将所述健康态、轻度退化态、中度退化态、重度退化态、故障态作为预设的隐马尔科夫模型的状态空间；
使用预设的参数算法，计算学习参数；
其中，学习参数包括：预测状态之间的转移概率矩阵，初始时刻的预测状态以及发射矩阵；
将所述初始时刻的预测状态作为所述预设的隐马尔科夫模型的初始状态，将所述多个预测状态作为预设的隐马尔科夫模型的状态空间，迭代训练所述预设的隐马尔科夫模型，以使所述预设的隐马尔科夫模型基于所述预测状态之间的转移概率矩阵以及预测状态之间的转移概率矩阵，在所述状态空间中选择一个预测状态输出。
可以理解，隐马尔科夫是关于时间序列和空间序列的概率模型，它描述的是由一个隐藏的马尔科夫链生成不可观测的状态随机序列，再由各个状态生成可观测的随机序列的过程。DC-DC电源系统的工作过程是个动态的时序过程，HMM很适合处理这类问题。电源系统的健康状态是随着时间而变化的，健康状态是不可观测的状态随机序列，而在不同的健康状态下，表现出来的是电源系统传递函数关键参数的变化，这些特征属于可观测的随机序列，通过采集到这些特征，可以实现对电源系统的健康状态进行监测。
本发明选取了DC-DC电源最易失效的器件C、MOSFET、L作为退化器件，同时对其不同组合模拟实际退化情况，根据前面的分析：电解电容容值降为初始值的50％作为其失效判据，MOSFET导通电阻增量达到初始值的50％作为其失效判据，电感值降为初始值的50％作为其失效判据。
DC-DC电源退化电路健康状态划分为5个等级，为：健康态、轻度退化态、中度退化态、重度退化态、故障态。健康态：电路中所有元器件的关键参数值都在预先给定的参数范围内，电路所要实现的功能在给定的范围之内。轻度退化态：电路中某个或者某些元器件的关键参数值正在发生偏移，电路的性能也在逐渐的变差。中度退化态：电路中某个或者某些元器件的关键参数值已经偏移正常值较多，电路的性能越来越差。重度退化态：电路中某个或者某些元器件的关键参数值已经严重偏离了正常值，电路的性能在给定范围之外，需根据事先设定的阈值决定此时电路是否正常工作。故障态：电路出现故障，电路完全不能工作。
采用HMM模型对电路系统健康状态进行建模。电路的5个健康状态对应于HMM的隐状态，记为S＝{s1，s2，s3，s4，s5}，其中s1，s2，s3，s4，s5表示健康态、轻度退化态、中度退化态、重度退化态、故障态；采集到的五维特征向量对应于电源系统在各个状态下的观测值。HMM的模型参数为：λ＝(π，A，B)。π＝(π1π2π3π4π5)为初始时刻电源系统在各个状态的概率。通常来讲，对于良好的电子产品，初始时都处于健康状态，因此π＝(1，0，0，0，0)。采集电源电路从健康到故障过程中的特征向量，将其作为训练集训练HMM的模型参数。由采集到的特征向量没有标签，所以该过程是一个无监督学习过程，采用Baum-Welch算法学习参数。
实施例五
作为本发明可选的一种实施例，在所述使用训练好的隐马尔科夫模型对所述第一特征向量识别，确定所述DC-DC电源退化电路的状态的步骤之前，所述健康状态监测方法还包括：
使用预设的参数算法，计算学习参数。
实施例六
作为本发明可选的一种实施例，所述使用预设的参数算法，计算学习参数的步骤包括：
使用参数计算公式，计算学习参数；
其中，学习参数λ＝(π，A，B)，S＝{s1，s2，s3，s4，s5}，s1，s2，s3，s4，s5表示健康态、轻度退化态、中度退化态、重度退化态、故障态，π＝(π1π2π3π4π5)，π＝(1，0，0，0，0)表示为初始时刻电源单路在各个预测状态的概率，预测状态之间的转移概率矩阵A，
Aij表示电路从状态i转移到状态j的概率，发射矩阵为B，μi，∑i分别对应电路属于预测状态i时服从高斯分布的均值和方差，x表示第三特征向量，μi高斯分布的均值，∑i表示高斯分布的方差，N(x|μ1，∑1)表示高斯分布；
参数计算公式为：
其中，γ1(i)表示初始时刻电源处于状态i的概率，T表示特征向量总数，εt(i，j)表示两个预测状态的联合概率，
表示T-1个时刻最有可能的预测状态概率之和，bik表示在状态i时特征向量为k的概率，ot＝Vk为数学约束条件。
发射矩阵B对于特征向量为离散值时，可以将特征向量建模为离散分布；对于特征向量是连续的情况下，将特征向量的分布建模服从高斯分布。一般而言，对DC-DC电路采集得到的特征数据是连续的，特征向量(Am，Fm，Fc，mean，kurt)也是连续的值，使特征向量建模服从高斯分布。
实施例七
作为本发明可选的一种实施例，作为本发明可选的一种实施例，在使用所述数据集训练预设的机器学习分类模型的步骤之前，所述健康状态监测方法还包括：
步骤a：对所述数据集进行归一化处理；
步骤b：将归一化后的数据集进行降维处理。
将数据集使用max-min方法进行归一化处理，其目的是使HMM模型更好地收敛，同时也克服了量纲不同对数据特征带来的影响。归一化之后的数据特征维度较高，对数据集进行降维处理可以大大降低运算量，去除冗余维度，提高收敛速度。
下面通过实验验证本发明提供的健康状态监测方法的效果。
对七类数据集分别训练HMM模型后，将其分别作为已训练好的HMM模型的输入，使用Viterbi算法预测这些观测序列的隐状态，得出结果如图3所示，横坐标为退化数据距离初始状态即健康态的位置，纵坐标为该数据处于从图中可以看出，在开始的一段时间内，DC-DC电源处于的隐状态为健康状态，随着时间的推移，电源电路分别经历了轻度退化、中度退化、重度退化，最终到故障态。从图中大致可以看出，从0时刻到200时刻，电路处于健康状态；从200时刻到400时刻，电路处于轻度退化状态；从400时刻到600时刻，电路处于中度退化状态；从600时刻到800时刻，电路处于重度退化状态；800时刻以后，电路处于故障态。综上，实验结果体现了HMM能准确的判断电路的健康状态。
为了验证HMM模型在测试集中的准确度，下面将使用已训练好的HMM模型对测试集中的数据进行状态预测。首先，采集电路处于这5种健康状态下的波形数据，每个状态下使用蒙特卡洛方法采集100组数据，因此总共得500组测试数据样本。从500组原始波形数据中提取出故障特征向量(Am，Fm，Fc，mean，kurt)，对其进行归一化和降维处理。特征数据经过PCA降维之后，得到的是一个500×3的特征向量矩阵X，将X作为测试数据集，使用已训练好HMM模型对其进行健康状态预测，状态预测结果如表二所示。计算预测准确度为97.40％。
表二.健康状态预测结果
综上，本发明通过HMM模型建立的状态监测系统能够以较高的准确度来预测当前系统的健康状态。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于机器学习的DC-DC电源的健康状态监测方法，其特征在于，包括：
根据各个易退化元件的退化等效模型，构建DC-DC电源退化电路；
获取所述DC-DC电源退化电路的当前时间的退化特征参数，并组成第一特征向量；
使用训练好的机器学习分类模型对所述第一特征向量进行识别，确定所述DC-DC电源退化电路所属的故障模式；
使用训练好的隐马尔科夫模型对所述第一特征向量识别，确定所述DC-DC电源退化电路的健康状态；
其中，所述训练好的机器学习分类模型是通过将易退化元件的退化状态进行组合，获得多个故障模式，获取当前时间前所述DC-DC电源退化电路在每个故障模式下的退化特征参数，并作为第二特征向量，并将各个故障模式下的第二特征向量组成数据集；使用所述数据集训练预设的机器学习分类模型得到的；所述故障模式表示易退化元件组合后的退化状态；
其中，所述训练好的隐马尔科夫模型是通过将所述DC-DC电源退化电路的状态分为多个预测状态，获取所述DC-DC电源退化电路从健康状态到故障状态的退化特征参数，作为第三特征向量；将多个预测状态作为预设的隐马尔科夫模型的状态空间，并计算预设的隐马尔科夫模型的学习参数，使用所述第三特征向量训练所述预设的隐马尔科夫模型得到的。
2.根据权利要求1所述的健康状态监测方法，其特征在于，所述根据各个易退化元件的退化等效模型，构建DC-DC电源退化电路的步骤包括：
将电解电容失效机理和等效电路、MOSFET失效机理和等效电路以及电感的失效机理和等效电路按照开关电源的电路连接原理连接构建DC-DC电源退化电路。
3.根据权利要求1所述的健康状态监测方法，其特征在于，所述退化特征参数包括：频率响应最大值Am、频率响应最大值Am对应频率Fm、单位增益带宽频率Fc、幅频曲线均值mean、幅频波形峰度kurt。
4.根据权利要求1所述的健康状态监测方法，其特征在于，所述多个故障模式为：电解电容退化，电感退化，MOSFET退化，电解电容以及电感退化，电解电容以及MOSFET，电感以及MOSFET退化，电解电容、电感以及MOSFET退化。
5.根据权利要求1所述的健康状态监测方法，其特征在于，所述使用所述数据集训练预设的机器学习分类模型的步骤包括：
针对每个故障模式，将该故障模式下的第二特征向量作为预设的机器学习分类模型的输入，将所述第二特征向量属于该故障模式作为所述预设的机器学习分类模型的输出，迭代训练所述预设的机器学习分类模型，直至达到迭代次数。
6.根据权利要求1所述的健康状态监测方法，其特征在于，所述多个预测状态为：健康态、轻度退化态、中度退化态、重度退化态、故障态。
7.根据权利要求6所述的健康状态监测方法，其特征在于，所述将多个预测状态作为预设的隐马尔科夫模型的状态空间，并计算预设的隐马尔科夫模型的学习参数，使用所述第三特征向量训练所述预设的隐马尔科夫模型的步骤包括：
将所述健康态、轻度退化态、中度退化态、重度退化态、故障态作为预设的隐马尔科夫模型的状态空间；
使用预设的参数算法，计算学习参数；
其中，学习参数包括：预测状态之间的转移概率矩阵，初始时刻的预测状态以及发射矩阵；
将所述初始时刻的预测状态作为所述预设的隐马尔科夫模型的初始状态，将所述多个预测状态作为预设的隐马尔科夫模型的状态空间，迭代训练所述预设的隐马尔科夫模型，以使所述预设的隐马尔科夫模型基于所述预测状态之间的转移概率矩阵以及预测状态之间的转移概率矩阵，在所述状态空间中选择一个预测状态输出。
8.根据权利要求1所述的健康状态监测方法，其特征在于，在所述使用训练好的隐马尔科夫模型对所述第一特征向量识别，确定所述DC-DC电源退化电路的状态的步骤之前，所述健康状态监测方法还包括：
使用预设的参数算法，计算学习参数。
9.根据权利要求7或8所述的健康状态监测方法，其特征在于，所述使用预设的参数算法，计算学习参数的步骤包括：
使用参数计算公式，计算学习参数；
其中，学习参数λ＝(π，A，B)，S＝{s1，s2，s3，s4，s5}，s1，s2，s3，s4，s5表示健康态、轻度退化态、中度退化态、重度退化态、故障态，π＝(π1π2π3π4π5)，π＝(1，0，0，0，0)表示为初始时刻电源单路在各个预测状态的概率，预测状态之间的转移概率矩阵A，
Aij表示电路从状态i转移到状态j的概率，发射矩阵为B，μi，∑i分别对应电路属于预测状态i时服从高斯分布的均值和方差，x表示第三特征向量，μi高斯分布的均值，∑i表示高斯分布的方差，N(x|μ1，∑1)表示高斯分布；
参数计算公式为：
其中，γ1(i)表示初始时刻电源处于状态i的概率，T表示特征向量总数，εt(i，j)表示两个预测状态的联合概率，
表示T-1个时刻最有可能的预测状态概率之和，bik表示在状态i时特征向量为k的概率，ot＝Vk为数学约束条件。
10.根据权利要求1所述的健康状态监测方法，其特征在于，在使用所述数据集训练预设的机器学习分类模型的步骤之前，所述健康状态监测方法还包括：
对所述数据集进行归一化处理；
将归一化后的数据集进行降维处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011239220.1A CN112560892A (zh) | 2020-11-09 | 2020-11-09 | 一种基于机器学习的dc-dc电源的健康状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011239220.1A CN112560892A (zh) | 2020-11-09 | 2020-11-09 | 一种基于机器学习的dc-dc电源的健康状态监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112560892A true CN112560892A (zh) | 2021-03-26 |
Family
ID=75041700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011239220.1A Pending CN112560892A (zh) | 2020-11-09 | 2020-11-09 | 一种基于机器学习的dc-dc电源的健康状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560892A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115034131A (zh) * | 2022-05-23 | 2022-09-09 | 中车永济电机有限公司 | 一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106405384A (zh) * | 2016-08-26 | 2017-02-15 | 中国电子科技集团公司第十研究所 | 模拟电路健康状态评估方法 |
| CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
| CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
| US20200326384A1 (en) * | 2019-04-15 | 2020-10-15 | Nxp B.V. | Fault detection in hybrid dc-dc power convertors |
-
2020
- 2020-11-09 CN CN202011239220.1A patent/CN112560892A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106405384A (zh) * | 2016-08-26 | 2017-02-15 | 中国电子科技集团公司第十研究所 | 模拟电路健康状态评估方法 |
| CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
| CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
| US20200326384A1 (en) * | 2019-04-15 | 2020-10-15 | Nxp B.V. | Fault detection in hybrid dc-dc power convertors |
Non-Patent Citations (3)
| Title |
|---|
| SERKAN DUSMEZ ET AL: "In Situ Condition Monitoring of High-Voltage Discrete Power MOSFET in Boost Converter Through Software Frequency Response Analysis", 《 IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
| 卢俊: "开关电源关键电路故障预测技术研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 * |
| 张翼翔: "基于隐马尔科夫模型的DC_DC变换器故障诊断方法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115034131A (zh) * | 2022-05-23 | 2022-09-09 | 中车永济电机有限公司 | 一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法 |
| CN115034131B (zh) * | 2022-05-23 | 2024-04-19 | 中车永济电机有限公司 | 一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | A novel fault diagnostic approach for DC-DC converters based on CSA-DBN | |
| El Mejdoubi et al. | Remaining useful life prognosis of supercapacitors under temperature and voltage aging conditions | |
| Haris et al. | Early and robust remaining useful life prediction of supercapacitors using BOHB optimized Deep Belief Network | |
| CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
| US11360151B2 (en) | Method of diagnosing an electrical energy storage apparatus, an electronic device for use in an electrical energy storage apparatus and an electrical energy storage apparatus | |
| Krishnamoorthy et al. | Machine learning based modeling of power electronic converters | |
| Bhalaji et al. | Remaining Useful Life (RUL) estimation of lead acid battery using bayesian approach | |
| CN113125987A (zh) | 一种新型混合的锂离子电池健康状态预测方法 | |
| CN113459894B (zh) | 一种电动汽车电池安全预警方法及系统 | |
| Su et al. | Prediction of remaining useful life for lithium-ion battery with multiple health indicators | |
| Samie et al. | Developing prognostic models using duality principles for DC-to-DC converters | |
| CN112560892A (zh) | 一种基于机器学习的dc-dc电源的健康状态监测方法 | |
| Bindi et al. | Failure prevention in DC–DC converters: Theoretical approach and experimental application on a zeta converter | |
| Sun et al. | Fault diagnosis of SEPIC converters based on PSO-DBN and wavelet packet energy spectrum | |
| Wang et al. | A flexible RUL prediction method based on poly-cell LSTM with applications to lithium battery data | |
| Chaturvedi et al. | Performance assessment and RUL prediction of power converters under the multiple components degradation | |
| Li et al. | Data-driven state of charge estimation of li-ion batteries using supervised machine learning methods | |
| Yu et al. | Incipient fault diagnosis method for DC–DC converters based on sensitive fault features | |
| Li et al. | Remaining useful life prediction of lithium-ion batteries using multi-model gaussian process | |
| Gu et al. | An Early minor-fault diagnosis method for lithium-ion battery packs based on unsupervised learning | |
| Zhou et al. | A light-weight feature extractor for lithium-ion battery health prognosis | |
| CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| Al-Sheikh et al. | A sensor fault diagnosis scheme for a DC/DC converter used in hybrid electric vehicles | |
| Catelani et al. | MLMVNN for parameter fault detection in PWM DC-DC converters and its applications for buck DC-DC converter | |
| Mao et al. | An Applicable Minor Short-circuit Fault Diagnosis Method for Automotive Lithium-ion Batteries based on Extremum Sample Entropy |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |