CN112685961B - 一种模拟电路的剩余使用寿命预测方法及系统 - Google Patents

Abstract

本发明公开了一种模拟电路的剩余使用寿命预测方法及系统，属于模拟电路寿命预测领域。搭建模拟电路的仿真模型，并选择输出电压为退化变量；设置不同退化周期，提取输出电压的退化特征；优选出能够反映模拟电路器件退化趋势的关键特征；采用多特征融合和相似度模型来构建健康指数曲线，表征不同器件的全寿命周期的退化过程；建立基于时间卷积网络与注意力机制的预测模型，将优选的特征和构建好的健康指标数据库作为TCN‑Attention网络的输入，预测模拟电路器件的剩余使用寿命。通过对一个模拟电路的实例分析，验证本发明提出的剩余使用寿命预测框架的有效性，并可扩展应用到其他模拟电路的剩余使用寿命预测上。

Description

一种模拟电路的剩余使用寿命预测方法及系统

技术领域

本发明属于模拟电路寿命预测领域，更具体地，涉及一种模拟电路的剩余使用寿命预测方法及系统。

背景技术

对于模拟电路的故障预测与健康管理(Prognostics and Health Management,PHM)研究大部分集中在模拟电路故障诊断方面，只有少量的研究是关于模拟电路故障预测的。而模拟电路的故障诊断是在故障发生之后，通过对模拟电路的输出异常信息进行测量、分析和处理，从而识别所发生的故障，对其进行故障隔离和定位，缺点在于无法预防故障发生时带来的各种不利后果，而模拟电路的故障预测是在输出端测量响应数据，通过对其退化机制进行机器学习建立故障预测模型，从而进行故障预测。

模拟电路器件的退化通常会导致电路器件参数值偏离其标称值，这最终会影响电路的稳定运行。例如电容老化会导致运行参数降低，造成电容短路爆炸也常有发生，甚至损坏设备，威胁人身安全。因此，对模拟电路剩余使用寿命(Remaining Useful Life,RUL)进行预测，对于模拟电路运行状态评估、故障预警、预测维护、提升运行可靠性和安全性等具有重要意义。

模拟电路RUL预测主要可以分为基于模型的方法和数据驱动的方法。模拟电路故障的微弱性、突变性、随机性、非线性以及实时数据更新等问题都给模拟电路的故障预测带来一定的困难。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了一种模拟电路的剩余使用寿命预测方法及系统，针对模拟电路的电容、电感等器件，通过提供准确高效的剩余使用寿命预测来确保电路安全运行。

为实现上述目的，按照本发明的一个方面，提供了一种模拟电路的剩余使用寿命预测方法，包括：

(1)建立模拟电路的仿真模型，通过调整电路器件的值并使其逐渐偏离标称值来模拟该模拟电路器件的退化过程，并选择电路的输出电压为退化变量；

(2)设定模拟电路器件的容差范围和退化阈值，采集每一个退化周期的退化变量，并提取相应的退化特征；

(3)建立提取各种模拟电路的特征参量优选规律，优选能够定量表征模拟电路器件退化程度的关键特征；

(4)计算电路器件不同退化状态与健康状态之间的特征参量偏差来构建健康指标曲线，用于量化电路器件的退化程度；

(5)采用基于时间卷积网络TCN与注意力机制的预测模型对优选的关键特征数据和相应的健康指标曲线数据进行学习，并预测电路器件的剩余使用寿命。

在一些可选的实施方案中，步骤(2)的具体方法为：

针对每一个退化周期采集的退化变量，采用深度学习特征提取方法提取中间层信息作为初始特征；

采用基于统计理论的特征提取方法对提取的初始特征进行分析和处理，得到模拟电路的退化特征；

采用基于时域分析的特征提取方法对提取的初始特征进行分析和处理，得到模拟电路的退化特征；

采用基于信息量的特征提取方法对提取的初始特征进行分析和处理，得到模拟电路的退化特征。

在一些可选的实施方案中，步骤(3)的具体方法为：

(3.1)基于模拟电路器件退化特征的单调性和模拟电路器件退化特征的趋势性进行综合融合成优选特征指标，以剔除不随退化周期变化的冗余退化特征得到保留的退化特征；

(3.2)采用最大信息系数MIC计算保留的退化特征之间的相关性，以通过最大信息系数MIC筛选出在整个退化周期中，彼此之间具有深层非线性关联的关键特征，其中，MIC值越高，表示退化特征之间相关性越高。

在一些可选的实施方案中，步骤(3.2)的具体方法为：

建立相关性对称矩阵

其中，m_jk表示第j个退化特征和第k个退化特征之间的MIC值，且所有对角线值均为1；

由于矩阵的对称性，每条线的平均MIC为Mean＝(Mean₁,…,Mean_j,…,Mean_k)，Mean_j为挑选最优特征的指标，反映了所有其他退化特征与第j个退化特征之间的相关程度，且

其中，σ为优选特征的阈值，M是参与相关性计算的退化特征的数量。

在一些可选的实施方案中，步骤(4)的具体方法为：

在优选出能够定量表征模拟电路器件退化程度的关键特征后，采用多特征融合和相似度模型构建模拟电路器件的健康指标曲线，用于表征器件超出为容差范围之外的退化过程；

确定不同电路器件的退化阈值，建立所有器件的健康指标曲线数据库，和退化特征一起作为预测网络的输入。

在一些可选的实施方案中，步骤(5)的具体方法为：

将经过特征优选后的退化特征加上健康指标标签，覆盖电路器件从健康状态退化到失效时的全寿命周期退化过程，并分为训练集和测试集，将训练集输入到TCN-Attention网络中进行模型训练，在测试阶段，将测试集输入到训练好的模型来预测电路器件的剩余使用寿命。

在一些可选的实施方案中，所述TCN-Attention网络包括时间卷积网络层、注意力机制层和全连接层，其中，时间卷积网络层是由堆叠扩张卷积和因果卷积层，同时结合残差而成的新网络结构。

按照本发明的另一方面，提供了一种模拟电路的剩余使用寿命预测系统，包括：

退化变量获取模块，用于建立模拟电路的仿真模型，通过调整电路器件的值并使其逐渐偏离标称值来模拟该模拟电路器件的退化过程，并选择电路的输出电压为退化变量；

退化特征提取模块，用于设定模拟电路器件的容差范围和退化阈值，采集每一个退化周期的退化变量，并提取相应的退化特征；

优选特征模块，用于建立提取各种模拟电路的特征参量优选规律，优选能够定量表征模拟电路器件退化程度的关键特征；

健康指标曲线构建模块，用于计算电路器件不同退化状态与健康状态之间的特征参量偏差来构建健康指标曲线，用于量化电路器件的退化程度；

预测模块，用于采用基于时间卷积网络TCN与注意力机制的预测模型对优选的关键特征数据和相应的健康指标曲线数据进行学习，并预测电路器件的剩余使用寿命。

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：

考虑了各个电路器件的容差，解决了现有技术在退化特征提取时出现特征重叠现象，解决了噪声干扰和测量误差等不利因素导致难以实现在全寿命周期预测的问题。

解决了目前常用的RUL预测算法(支持向量回归和相关向量回归等浅层网络)在处理大量干扰特征数据时通常会遭受无效学习和泛化不力的困扰。

附图说明

图1是本发明实施例提供的一种剩余使用寿命预测方法的流程示意图；

图2是本发明实施例提供的一种模拟电路拓扑结构示意图；

图3是本发明实施例提供的一种模拟电路的输出电压示意图；

图4是本发明实施例提供的一种模拟电路的特征提取结果图；

图5是本发明实施例提供的一种模拟电路器件的健康指标曲线数据库；

图6是本发明实施例提供的一种剩余使用寿命预测算法的模型结构图；

图7是本发明实施例提供的一种模拟电路的剩余使用寿命预测结果图。

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。

本发明提出的RUL预测方法只需要对采集的信息数据运用各种数据分析方法处理，然后应用机器学习方法进行RUL预测，因此避免了基于模型的预测方法根据电路的运行条件和器件的失效机制进行的复杂动态建模过程。

如图1所示是本发明实施例提供的一种模拟电路剩余使用寿命预测方法的流程示意图，具体步骤如下：

S1：搭建模拟电路半实物仿真实验平台，通过调整电路器件以使其逐渐偏离其标称值来模拟不同退化状态，并选择电路输出电压为退化变量，具体如下：

S1.1：首先，利用MATLAB/Simulink建立了模拟电路的拓扑和退化参数控制器等模型，再通过RT-LAB将电路实时化运行，完成系统设计。其次，模拟电路中需要进行剩余使用寿命预测的主要器件包括电容、电阻和电感等，在退化参数控制器硬件设计阶段，利用RT-LAB半实物仿真平台连接计算机，设置不同电路器件的性能退化试验，完成退化参数控制策略的开发。最后，采集模拟电路的各类信号数据，从而分析对器件性能退化敏感的电信号参量。构建电容、电感和电阻等器件退化的数据库，包含退化器件类型、退化周期和电路系统电压输出等，用于后续开展特征提取、特征优选和剩余使用寿命预测方法的研究。

S1.2：本发明实施例中分析的模拟电路仿真拓扑结构如图2所示，主要由预放电路、主放电路及负载电路组成。预放电路包含预放电容、预放电感及预放电阻。主放电路由多条支路组成，每条支路包含主放电容、主放电感及主放电阻。负载电路包含调波电感和氙灯。模拟电路的工作流程为：预放电路产生一定时长的脉冲来触发氙灯和主放电路。预放电路触发后，主放电容放电，为负载电路的氙灯提供脉冲能量。

S2：根据发生退化的电路器件的类型及其位置，进行退化参数设置，具体如下：

S2.1：模拟电路器件的值不能无限地增加或减少，需要根据不同电路器件的特性，定义容差范围和退化阈值之间的关系，不同器件的退化对模拟电路输出电压波形畸变的影响不一，根据电路器件的重要性将容差范围分为四种情况：电阻为±10％，主放电容/主放电感为±5％，预放电容/预放电感为±3％，调波电感为±1％。定义每个电路器件的退化阈值为偏离其标称值的±40％。

S2.2：设置电路器件退化参数，表1展示了不同的电路器件的容差范围和退化阈值，退化阈值的计算公式如下：

其中，↑和↓指示电路器件参数值的增加和减少。Value_{Failure_↑}分别表示器件参数值增加的退化阈值，Value_{Failure_↓}表示器件参数值减少的退化阈值，Value₀表示模拟电路器件的标称值。设置电路器件均匀退化，即电路器件参数值随着退化周期均等的递增/递减，定义如下：

其中，Value₁表示每个退化周期器件递增/递减的参数值。Cycle_{Failure_↑}表示电路器件递增达到退化阈值的退化周期，Cycle_{Failure_↓}表示电路器件递减达到退化阈值的退化周期，Value_{Failure_max}表示器件参数值增加的最大值，Value_{Failure_min}表示器件参数值减少的最小值。

表1不同电路器件的容差和退化阈值

S2.3：当电路中的一个器件做退化实验时，其他电路器件工作在健康状态，即在容差范围内变化，采集模拟电路的输出电压，不同器件的退化对输出电压有不同的影响，具体如下：

S2.3.1：主放电容和主放电感的退化仅影响主放的电路输出电压波形，主放电路有多条分支，一个器件故障对电路系统的影响较小。图3中(a)和(b)为主放电容C₁和主放电感L₁不同退化程度对应的输出电压响应。

S2.3.2：预放电路在主放电路放电前起着至关重要的过渡作用。预放电容和预放电感的性能退化仅影响预放电路的输出电压。图3中(c)和(d)为预放电容C₀和预放电感L₀不同退化程度对应的输出电压响应。

S2.3.3：调波电感的功能是在负载电路的每条支路中平均分配电流。一旦调波电感的性能退化，主放电路和预放电路的电压波形都会失真。图3中(e)为调波电感LB₁不同退化程度对应的输出电压响应。

S3：从不同退化周期下采集的输出电压中提取可以表征模拟电路器件性能退化过程的退化特征。具体如下：

S3.1：采用深度置信网络和堆叠自动编码器等深度学习特征提取方法，设定输入节点、输出节点和层数，利用非线性映射方式，提取中间层信息作为初始特征；

S3.2：采用基于统计理论的特征提取方法(如K-L变换、主元分析和因子分析等)对第一步提取的初始特征进行分析和处理，得到模拟电路退化特征；

S3.3：采用基于时域分析的特征提取方法对初始特征进行时域分析和时域变化获取其时域特征，再分别进行降维和归一化处理，从而提取模拟电路的退化特征，在此，时域分析包括傅立叶变换，小波分析和希尔伯特-黄变换等。

S3.4：采用基于信息量的特征提取方法提取初始特征的均值、标准差、熵、峭度、偏斜度和形心等，在信息量中探索可以表征模拟电路的退化特征。

S4：在上述各种特征提取方法的基础上，从上述各种特征提取方法得到的所有退化特征中优选更适合表征器件退化趋势的关键特征，具体如下：

S4.1：计算模拟电路器件退化特征的单调性，公式如下：

其中，X＝{x₁,x₂,...,x_m}表示模拟电路器件的退化特征，m是退化特征的数量，

表示退化特征中两个相邻退化周期的差值，

和

分别表示正差和负差。Mon(X)的范围为0～1，数值越大单调性越好。

然后，计算模拟电路器件退化特征的趋势性，公式如下：

其中，x_i,x_j表示提取的第i个和第j个退化特征，corrcoef(x_i,x_j)退化特征x_i和退化特征x_j之间的趋势度计算。

图4展示了模拟电路的部分退化特征，可以看到并非提取的所有退化特征都能很好的表征器件的退化过程。如图4中(a)和(b)所示，这部分退化特征不随退化周期变化，需要剔除。经过单调性和趋势性相融合的特征优选指标来删除几乎不随退化周期变化的特征，可以避免单个指标产生偏差。融合的特征优选指标如下所示：

其中，ω_k,k＝1,2代表加权系数，CSC表示融合的特征优选指标。

S4.2：如图4中(c)和(d)所示，这部分特征呈现出一定的退化趋势，但是特征之间的关联性很差，也需要剔除。如图4中(e)和(f)中的特征具有规则的退化趋势，可以提高剩余使用寿命预测的准确性。计算经过(4.1)优选后的特征集中任意两个特征之间的最大信息系数(Maximum information coefficient,MIC)。

然后，建立一个相关性对称矩阵，其中，m_jk表示第j个特征和第k个特征之间的MIC值，并且所有对角线值均为1，相关性矩阵如下：

MIC值越高，表示退化特征之间相关性越高，可以更好的表征电路器件健康状态退化趋势。由于矩阵的对称性，每条线的平均MIC为Mean＝(Mean₁,…,Mean_j,…,Mean_k)。其中，Mean_j反映了所有其他特征与第j个特征之间的相关程度，可以用来作为挑选最优特征的指标，公示如下：

其中，σ为优选特征的阈值，由所有的特征MIC的平均值计算而来，M是参与相关性计算的退化特征的数量。

S5：根据优选后的退化特征，构建模拟电路器件的健康指标数据库，计算其剩余使用寿命，具体如下：

S5.1：构建健康指标数据库；

健康指标曲线由多个退化特征及其相关权重构成，可以表征电路器件的随退化周期变化的退化过程，优选后的退化特征作为回归函数，采用多特征融合模型计算健康指标曲线。如下所示：

Y＝b+w₁·x₁+w₂·x₂+...+w_p·x_p (8)

其中，x₁,x₂,...,x_p是优选后的退化特征数据，p为优选后的退化特征个数，b为偏差。Y表示健康指标曲线。w₁,w₂,…,w_p表示不同的权重值。

公式(8)可以计算并建立健康指标曲线数据库Y＝{Y⁽¹⁾,Y⁽²⁾,...,Y⁽ⁱ⁾,...,Y⁽ⁿ⁾}，n代表构建健康指标曲线数据库中对应的电路器件个数。当给定退化周期t可以找到对应的健康状态值

任意每一条健康指标曲线Y⁽ⁱ⁾可用于描述一个模拟电路器件从健康状态到失效的全寿命周期退化，公式表达如下所示：

其中，L⁽ⁱ⁾(i＝1,2,...,n)表示电路器件的退化周期的阈值。图5展示了模拟电路器件的健康指标曲线数据库Y＝{Y⁽¹⁾,Y⁽²⁾,...,Y⁽ⁱ⁾,...,Y⁽ⁿ⁾}。采用滑动时间窗处理技术，充分学习退化特征样本的时间序列信息。将优选的关键退化特征和构建健康指标曲线数据库一起输入到预测网络实现模型训练，预测电路器件的剩余使用寿命。

S5.2：计算用于网络预测的剩余使用寿命数据库；

模拟电路器件都是从健康状态开始退化，直到失效。所以健康指标曲线的初始值为1，随着退化周期的增加，健康指标曲线下降，到器件失效时其值接近为0。模拟电路器件的健康状态数据库Y＝{Y⁽¹⁾,Y⁽²⁾,...,Y⁽ⁱ⁾,...,Y⁽ⁿ⁾}可以用来作为衡量剩余使用寿命数据库的标尺，因为在模拟电路仿真中，所有器件的参数值是线性退化的，所以剩余使用寿命(Remaining Useful Life，RUL)与健康指标曲线(Health Indicator，HI)的关系定义如下：

其中，Cycle_max为电路器件从健康状态至完全失效的最大退化周期，Cycle_cu表示当前的退化周期。此外，利用相似度模型来验证稳定性：

其中，RUL_i为公式(10)计算的剩余使用寿命，d(t,RUL_i,M_i)为距离函数。可由欧几里德距离公式求出。D_i越小表明相似度越高，剩余使用寿命越准确。

S6：采用基于时间卷积网络(Temporal Convolutional Network,TCN)与注意力机制(Attention Mechanism)的网络模型来预测模拟电路器件的剩余使用寿命，所述步骤(5)的具体方法如下：

S6.1：建立基于TCN-Attention的剩余使用寿命预测模型，模型结构见图6所示。网络模型分三个模块，时间卷积网络层、注意力机制层和全连接层。其中，TCN网络是由堆叠扩张卷积和因果卷积层，同时结合残差而成的新网络结构，这个结构能够继承卷积神经网络(Convolutional Neural Networks，CNN)全面提取优点，又能够通过控制其卷积核大小，扩张系数等参数适应各种时序任务。

在本发明实施例中，{(x₁,x₂,…,x_m)₁,(x₁,x₂,…,x_m)₂,…(x₁,x₂,…,x_m)_t}为输入的退化特征，其中，(x₁,x₂,…,x_m)表示输入向量，m表示特征数，t表示滑动步数；首先通过因果卷积层(Causal Convolutions)，此层为严格的单向结构，对于上一层T时刻的值，只依赖于下一层T时刻及其之前的值；其次，利用一维全卷积层来保留整个输入序列并构建长期记忆；最后在膨胀卷积层(Dilated Convolutions)设置扩张系数d并进行间隔采样。序列向量(x₁,x₂,…,x_m)_s上扩张卷积运算F可定义为：

其中，k为卷积核大小，s-d·i表示采用上层的第s-d·i元素，s表示序列向量中的某一个元素进行一维卷积操作。

S6.2：为了进一步对TCN输出特征集进行优化，在网络模型的第二部分，采用了Attention层进行权值筛选，具体步骤为，首先对基础特征集(h₁,h₂,...,h_T)进行相似性得分，得分系数向量集为{(s₁,s₂,...,s_N)₁,(s₁,s₂,...,s_N)₂,...,(s₁,s₂,...,s_N)_T}；其次，利用一个Softmax层进行归一化得到概率系数向量集

最后，对基础特征向量进行加权求和，结果表示为(c₁,c₂,...,c_T)，其中c_k能够被描述为：

其中，x_i表示上一层的隐藏单元。网络模型的第三部分，通过Flatten层连接一个三层全连接网络建立的预测模型，本发明分别用50％、70％和90％的样本验证数据来预测其剩余使用寿命。如图7所示。其中，图7(a)、(c)和(e)分别表示样本数据为50％、70％、90％时，得到的剩余使用寿命预测曲线。图7(b)、(d)和(f)则分别表示样本数据为50％、70％、90％时，得到的真实剩余使用寿命和估计剩余使用寿命的概率密度分布。预测的剩余使用寿命与真实的剩余使用寿命之间的误差表示为：

E_l＝RUL_Estimated-RUL_Actual (14)

其中，RUL_Estimated和RUL_Actual分别表示预测的剩余使用寿命和真实的剩余使用寿命。l表示测试实验的次数。

均方根误差(Root Mean Squared Error，RMSE)被用来评估剩余使用寿命的预测准确性，RMSE的值越小说明预测结果更稳定。RMSE的公式如下：

本申请还提供了一种模拟电路的剩余使用寿命预测系统，包括：

退化变量获取模块，用于建立模拟电路的仿真模型，通过调整电路器件的值并使其逐渐偏离标称值来模拟该模拟电路器件的退化过程，并选择电路的输出电压为退化变量；

退化特征提取模块，用于设定模拟电路器件的容差范围和退化阈值，采集每一个退化周期的退化变量，并提取相应的退化特征；

优选特征模块，用于建立提取各种模拟电路的特征参量优选规律，优选能够定量表征模拟电路器件退化程度的关键特征；

健康指标曲线构建模块，用于计算电路器件不同退化状态与健康状态之间的特征参量偏差来构建健康指标曲线，用于量化电路器件的退化程度；

预测模块，用于采用基于时间卷积网络TCN与注意力机制的预测模型对优选的关键特征数据和相应的健康指标曲线数据进行学习，并预测电路器件的剩余使用寿命。

其中，各模块的具体实施方式可以参考上述方法实施例的描述，本发明实施例将不再复述。

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 (5)

1.一种模拟电路的剩余使用寿命预测方法，其特征在于，包括：

(1)建立模拟电路的仿真模型，通过调整电路器件的值并使其逐渐偏离标称值来模拟该模拟电路器件的退化过程，并选择电路的输出电压为退化变量；

(2)设定模拟电路器件的容差范围和退化阈值，采集每一个退化周期的退化变量，并提取相应的退化特征；

(3)建立提取各种模拟电路的特征参量优选规律，优选能够定量表征模拟电路器件退化程度的关键特征；

(4)计算电路器件不同退化状态与健康状态之间的特征参量偏差来构建健康指标曲线，用于量化电路器件的退化程度；

(5)采用基于时间卷积网络TCN与注意力机制的预测模型对优选的关键特征数据和相应的健康指标曲线数据进行学习，并预测电路器件的剩余使用寿命；

步骤(3)包括：

由

计算模拟电路器件退化特征的单调性，其中，X＝{x₁,x₂,...,x_m}表示模拟电路器件的退化特征，m是退化特征的数量，

表示退化特征中两个相邻退化周期的差值，

和

分别表示正差和负差，Mon(X)的范围为0～1，数值越大单调性越好；然后，由

计算模拟电路器件退化特征的趋势性，其中，x_i,x_j表示提取的第i个和第j个退化特征，corrcoef(x_i,x_j)为退化特征x_i和退化特征x_j之间的趋势度计算；由

得到融合的特征优选指标，其中，ω_k,k＝1,2代表加权系数，CSC表示融合的特征优选指标；

计算经过优选后的特征集中任意两个特征之间的最大信息系数MIC，然后，建立一个相关性对称矩阵

其中，m_jk表示第j个特征和第k个特征之间的MIC值，并且所有对角线值均为1，MIC值越高，表示退化特征之间相关性越高，由于矩阵的对称性，每条线的平均MIC为Mean＝(Mean₁,…,Mean_j,…,Mean_k)，Mean_j反映了所有其他特征与第j个特征之间的相关程度，能够用来作为挑选最优特征的指标，

σ为优选特征的阈值，由所有的特征MIC的平均值计算而来，M是参与相关性计算的退化特征的数量；

步骤(5)包括：

建立基于TCN-Attention的剩余使用寿命预测模型，网络模型分三个模块：时间卷积网络层、注意力机制层和全连接层，其中，TCN网络是由堆叠扩张卷积和因果卷积层，同时结合残差而成的新网络结构；

{(x₁,x₂,…,x_m)₁,(x₁,x₂,…,x_m)₂,…(x₁,x₂,…,x_m)_t}为输入的退化特征，其中，(x₁,x₂,…,x_m)表示输入向量，m表示特征数，t表示滑动步数；首先通过因果卷积层，此层为严格的单向结构，对于上一层T时刻的值，只依赖于下一层T时刻及其之前的值；其次，利用一维全卷积层来保留整个输入序列并构建长期记忆；最后在堆叠扩张卷积层设置扩张系数d并进行间隔采样，其中，由

确定序列向量(x₁,x₂,…,x_m)_s上扩张卷积运算F，k为卷积核大小，s-d·i表示采用上层的第s-d·i元素，s表示序列向量中的某一个元素进行一维卷积操作；

为了进一步对TCN输出特征集进行优化，在网络模型的第二部分，采用了Attention层进行权值筛选，首先对基础特征集(h₁,h₂,...,h_T)进行相似性得分，得分系数向量集为{(s₁,s₂,...,s_N)₁,(s₁,s₂,...,s_N)₂,...,(s₁,s₂,...,s_N)_T}；其次，利用一个Softmax层进行归一化得到概率系数向量集

最后，对基础特征向量进行加权求和，结果表示为(c₁,c₂,...,c_T)，其中c_k能够被描述为：

x_i表示上一层的隐藏单元；

网络模型的第三部分，通过Flatten层连接一个三层全连接网络建立的预测模型，预测的剩余使用寿命与真实的剩余使用寿命之间的误差表示为：E_l＝RUL_Estimated-RUL_Actual，RUL_Estimated和RUL_Actual分别表示预测的剩余使用寿命和真实的剩余使用寿命，l表示测试实验的次数。

2.根据权利要求1所述的方法，其特征在于，步骤(2)的具体方法为：

针对每一个退化周期采集的退化变量，采用深度学习特征提取方法提取中间层信息作为初始特征；

采用基于统计理论的特征提取方法对提取的初始特征进行分析和处理，得到模拟电路的退化特征；

采用基于时域分析的特征提取方法对提取的初始特征进行分析和处理，得到模拟电路的退化特征；

采用基于信息量的特征提取方法对提取的初始特征进行分析和处理，得到模拟电路的退化特征。

3.根据权利要求2所述的方法，其特征在于，步骤(4)的具体方法为：

在优选出能够定量表征模拟电路器件退化程度的关键特征后，采用多特征融合和相似度模型构建模拟电路器件的健康指标曲线，用于表征器件超出为容差范围之外的退化过程；

确定不同电路器件的退化阈值，建立所有器件的健康指标曲线数据库，和退化特征一起作为预测网络的输入。

4.一种模拟电路的剩余使用寿命预测系统，其特征在于，包括：

退化变量获取模块，用于建立模拟电路的仿真模型，通过调整电路器件的值并使其逐渐偏离标称值来模拟该模拟电路器件的退化过程，并选择电路的输出电压为退化变量；

退化特征提取模块，用于设定模拟电路器件的容差范围和退化阈值，采集每一个退化周期的退化变量，并提取相应的退化特征；

优选特征模块，用于建立提取各种模拟电路的特征参量优选规律，优选能够定量表征模拟电路器件退化程度的关键特征；

健康指标曲线构建模块，用于计算电路器件不同退化状态与健康状态之间的特征参量偏差来构建健康指标曲线，用于量化电路器件的退化程度；

预测模块，用于采用基于时间卷积网络TCN与注意力机制的预测模型对优选的关键特征数据和相应的健康指标曲线数据进行学习，并预测电路器件的剩余使用寿命；

所述优选特征模块，用于执行以下操作：

由

计算模拟电路器件退化特征的单调性，其中，X＝{x₁,x₂,...,x_m}表示模拟电路器件的退化特征，m是退化特征的数量，

表示退化特征中两个相邻退化周期的差值，

和

分别表示正差和负差，Mon(X)的范围为0～1，数值越大单调性越好；然后，由

计算模拟电路器件退化特征的趋势性，其中，x_i,x_j表示提取的第i个和第j个退化特征，corrcoef(x_i,x_j)为退化特征x_i和退化特征x_j之间的趋势度计算；由

得到融合的特征优选指标，其中，ω_k,k＝1,2代表加权系数，CSC表示融合的特征优选指标；

计算经过优选后的特征集中任意两个特征之间的最大信息系数MIC，然后，建立一个相关性对称矩阵

其中，m_jk表示第j个特征和第k个特征之间的MIC值，并且所有对角线值均为1，MIC值越高，表示退化特征之间相关性越高，由于矩阵的对称性，每条线的平均MIC为Mean＝(Mean₁,…,Mean_j,…,Mean_k)，Mean_j反映了所有其他特征与第j个特征之间的相关程度，能够用来作为挑选最优特征的指标，

σ为优选特征的阈值，由所有的特征MIC的平均值计算而来，M是参与相关性计算的退化特征的数量；

所述预测模块，用于执行以下操作：

建立基于TCN-Attention的剩余使用寿命预测模型，网络模型分三个模块：时间卷积网络层、注意力机制层和全连接层，其中，TCN网络是由堆叠扩张卷积和因果卷积层，同时结合残差而成的新网络结构；

{(x₁,x₂,…,x_m)₁,(x₁,x₂,…,x_m)₂,…(x₁,x₂,…,x_m)_t}为输入的退化特征，其中，(x₁,x₂,…,x_m)表示输入向量，m表示特征数，t表示滑动步数；首先通过因果卷积层，此层为严格的单向结构，对于上一层T时刻的值，只依赖于下一层T时刻及其之前的值；其次，利用一维全卷积层来保留整个输入序列并构建长期记忆；最后在堆叠扩张卷积层设置扩张系数d并进行间隔采样，其中，由

确定序列向量(x₁,x₂,…,x_m)_s上扩张卷积运算F，k为卷积核大小，s-d·i表示采用上层的第s-d·i元素，s表示序列向量中的某一个元素进行一维卷积操作；

为了进一步对TCN输出特征集进行优化，在网络模型的第二部分，采用了Attention层进行权值筛选，首先对基础特征集(h₁,h₂,...,h_T)进行相似性得分，得分系数向量集为{(s₁,s₂,...,s_N)₁,(s₁,s₂,...,s_N)₂,...,(s₁,s₂,...,s_N)_T}；其次，利用一个Softmax层进行归一化得到概率系数向量集

最后，对基础特征向量进行加权求和，结果表示为(c₁,c₂,...,c_T)，其中c_k能够被描述为：

x_i表示上一层的隐藏单元；

网络模型的第三部分，通过Flatten层连接一个三层全连接网络建立的预测模型，预测的剩余使用寿命与真实的剩余使用寿命之间的误差表示为：E_l＝RUL_Estimated-RUL_Actual，RUL_Estimated和RUL_Actual分别表示预测的剩余使用寿命和真实的剩余使用寿命，l表示测试实验的次数。

5.一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3任一项所述方法的步骤。

Images