CN113689044A - 一种开关电源剩余使用寿命预测方法及系统 - Google Patents
一种开关电源剩余使用寿命预测方法及系统 Download PDFInfo
- Publication number
- CN113689044A CN113689044A CN202110986875.3A CN202110986875A CN113689044A CN 113689044 A CN113689044 A CN 113689044A CN 202110986875 A CN202110986875 A CN 202110986875A CN 113689044 A CN113689044 A CN 113689044A
- Authority
- CN
- China
- Prior art keywords
- performance degradation
- power supply
- switching power
- degradation state
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000006731 degradation reaction Methods 0.000 claims abstract description 284
- 230000015556 catabolic process Effects 0.000 claims abstract description 282
- 238000001228 spectrum Methods 0.000 claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 239000002245 particle Substances 0.000 claims description 94
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 36
- 230000007704 transition Effects 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 23
- 239000000126 substance Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 239000003990 capacitor Substances 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000005669 field effect Effects 0.000 description 3
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
Abstract
本发明涉及一种开关电源剩余使用寿命预测方法,所述方法基于开关电源的输出电压的时频谱,对开关电源进行状态识别,并进一步的基于SIR与HSMM结合的算法对其性能退化状态进行递推估计,实现开关电源剩余使用寿命预测,即基于数据驱动的方法实现开关电源剩余使用寿命预测,无需建立开关电源的物理模型,克服了由于开关电源的结构组成的复杂性造成基于物理模型的预测方法中的物理模型建立困难的技术缺陷。
Description
技术领域
本发明设计电源系统寿命预测技术领域,特别涉及一种开关电源剩余使用寿命预测方法及系统。
背景技术
开关电源具有体积小、功耗低、效率高、稳压范围宽等特点。因此,它被广泛应用于车辆、船舶、飞机等行业。在开关电源单元中,由于电压高、温度高、振动大等原因,电容器和场效应晶体管的退化率和故障率较高。对于控制系统来说,如果开关电源单元出现故障是非常危险的,因为它会导致错误控制或控制故障。因此,有必要对开关电源的剩余使用寿命预测进行研究。
剩余使用寿命预测方法可分为两大类:基于模型的方法和数据驱动的方法。基于模型的方法通常从对象的失效机理出发,建立性能退化量与应力(高温、高压、强振动等)之间的关系,并获得性能退化的物理模型,从而分析对象的剩余使用寿命。但通常情况下,由于环境和工作条件的多样性,很难建立准确的物理模型。而且对于开关电源,由于大量电子元件之间的复杂相关性,使用基于模型的方法来分析退化更加困难。如何实现开关电源的寿命的预测成为一个亟待解决的技术问题。
发明内容
本发明的目的是提供一种开关电源剩余使用寿命预测方法及系统,以基于数据驱动的方法实现开关电源剩余使用寿命预测。
为实现上述目的,本发明提供了如下方案:
一种开关电源剩余使用寿命预测方法,所述方法包括如下步骤:
获取开关电源的输出电压的当前时频谱;
根据所述当前时频谱,利用训练好的ResNet模型,确定所述开关电源的当前性能退化状态;
根据开关电源的当前性能退化状态和当前时频谱,采用SIR与HSMM结合的算法,对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间;
根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,确定所述开关电源的剩余寿命。
可选的,所述根据所述当前时频谱,利用训练好的ResNet模型,确定所述开关电源的当前性能退化状态,之前还包括:
获取已失效开关电源样本的全寿命周期的输出电压数据;
根据已失效开关电源样本的全寿命周期的输出电压数据,利用公式计算已失效开关电源样本的全寿命周期的波纹电压数据;其中,Vω表示已失效开关电源样本的波纹电压,V0表示已失效开关电源样本的输出电压,Vi表示已失效开关电源样本的输入电压,fs表示已失效开关电源样本的开关频率,L是已失效开关电源样本的电感值,C是已失效开关电源样本的电容值,ESR是已失效开关电源样本的电容的等效电阻;
根据已失效开关电源样本的全寿命周期的波纹电压数据,采用模糊C均值聚类算法,确定开关电源的性能退化状态的数量,及每个所述波纹电压数据对应的性能退化状态;
将每个所述波纹电压数据对应性能退化状态作为所述波纹电压数据对应的输出电压数据的标签,分别将每个所述输出电压数据的时频谱数据作为输入,每个所述输出电压数据的标签作为输出构建训练集和测试集;
利用训练集和测试集对所述ResNet模型进行训练和测试,获得训练好的ResNet模型。
可选的,所述根据开关电源的当前性能退化状态和当前时频谱,采用SIR与HSMM结合的算法,对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,具体包括:
根据开关电源的当前性能退化状态,确定HSMM模型的初始性能退化状态概率分布和初始性能退化状态转移概率矩阵;
利用所述初始性能退化状态概率分布构建SIR算法的初始粒子集;
以所述初始性能退化状态转移概率矩阵和初始粒子集为基础,采用SIR算法对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间。
可选的,所述以所述初始性能退化状态转移概率矩阵和初始粒子集为基础,采用SIR算法对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,具体包括:
初始化性能退化次数m的数值为0;
根据HSMM模型的观测状态概率矩阵,利用公式和计算k时刻的每个粒子的权值;其中,和分别表示k时刻的粒子i和粒子j的归一化后的权值,i=1,2,3,…,Nk,j=1,2,3,…,Nk,Nk表示k时刻的粒子的数量,表示k时刻的粒子i的归一化前的权值,yk表示已失效开关电源样本的全寿命周期的时频谱数据中对应的k时刻的时频谱,B表示HSMM模型的观测状态概率矩阵,表示在粒子集中yk的概率(即权值);
若所述第一判断结果表示是,则将k的数值赋值给性能退化时刻km,令m的数值增加1,并判断r+m的数值是否大于性能退化状态数量总值,获得第二判断结果;其中,r表示当前性能退化状态;
若所述第一判断结果表示否或所述第二判断结果表示否,则利用公式计算k时刻的累计时间,利用公式Ak=P(dk)+(I-P(dk))·A0,计算k时刻的性能退化状态转移概率矩阵Ak;其中,为k-1时刻性能退化状态的估计值,A0为初始性能退化状态转移概率矩阵,dk-1和dk分别为k-1时刻和k时刻的累计时间,P(dk)为驻留时间为dk的概率矩阵,I为单位矩阵;并令k的数值为1,返回步骤“根据k-1时刻得到的粒子集通过k-1时刻得到的性能退化状态转移概率矩阵Ak-1,预测k时刻的粒子集为:
可选的,所述根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,确定所述开关电源的剩余寿命,具体包括:
当前性能退化状态的剩余时间利用公式计算当前性能退化状态的剩余寿命;其中,表示当前性能退化状态的剩余寿命,表示所有已失效开关电源样本在性能退化状态n的驻留时间的均值;表示当前性能退化状态r所占的比重,其中,y1,y2,分别表示已失效开关电源样本的全寿命周期的时频谱数据中对应的1时刻、2时刻和k0时刻的时频谱,λ表示HSMM模型,表示在HSMM模型下,性能退化状态为当前性能退化状态r时的概率;
计算当前性能退化状态的剩余时间与当前性能退化状态之后的各个性能退化状态的剩余时间的和,作为所述开关电源的剩余寿命。
根据k-1时刻得到的粒子集中有效粒子的数量,对k-1时刻得到的粒子集进行重采样更新。
可选的,以所述初始性能退化状态转移概率矩阵和初始粒子集为基础,采用SIR算法对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,之前还包括:
通过对已失效开关电源样本的全寿命周期的输出电压数据的时频谱数据及输出电压数据的时频谱数据的标签进行统计学分析,构建HSMM模型的观测状态概率矩阵为:
bgq=P(Wq|st=g),1≤g≤N,1≤q≤M
其中,bgq为观测状态概率矩阵中第(g,q)个元素,表示已失效开关电源样本在第g个性能退化状态时,观测到第q个输出电压数据的时频谱数据Wq的概率,M为已失效开关电源样本的输出电压数据的时频谱数据的个数,N表示性能退化状态的数量。
一种开关电源剩余使用寿命预测系统,所述系统包括:
当前时频谱采集模块,用于获取开关电源的输出电压的当前时频谱;
当前性能退化状态确定模块,用于根据所述当前时频谱,利用训练好的ResNet模型,确定所述开关电源的当前性能退化状态;
状态估计模块,用于根据开关电源的当前性能退化状态和当前时频谱,采用SIR与HSMM结合的算法,对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间;
寿命预测模块,用于根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,确定所述开关电源的剩余寿命。
可选的,所述系统,还包括:
数据获取模块,用于获取已失效开关电源样本的全寿命周期的输出电压数据;
波纹电压数据计算模块,用于根据已失效开关电源样本的全寿命周期的输出电压数据,利用公式计算已失效开关电源样本的全寿命周期的波纹电压数据;其中,Vω表示已失效开关电源样本的波纹电压,V0表示已失效开关电源样本的输出电压,Vi表示已失效开关电源样本的输入电压,fs表示已失效开关电源样本的开关频率,L是已失效开关电源样本的电感值,C是已失效开关电源样本的电容值,ESR是已失效开关电源样本的电容的等效电阻;
模糊C均值聚类模块,用于根据已失效开关电源样本的全寿命周期的波纹电压数据,采用模糊C均值聚类算法,确定开关电源的性能退化状态的数量,及每个所述波纹电压数据对应的性能退化状态;
样本数据集构建模块,用于将每个所述波纹电压数据对应性能退化状态作为所述波纹电压数据对应的输出电压数据的标签,分别将每个所述输出电压数据的时频谱数据作为输入,每个所述输出电压数据的标签作为输出构建训练集和测试集;
ResNet模型训练模块,用于利用训练集和测试集对所述ResNet模型进行训练和测试,获得训练好的ResNet模型。
可选的,所述状态估计模块,具体包括:
HSMM模型初始参数求解子模块,用于根据开关电源的当前性能退化状态,确定HSMM模型的初始性能退化状态概率分布和初始性能退化状态转移概率矩阵;
粒子集初始化子模块,用于利用所述初始性能退化状态概率分布构建SIR算法的初始粒子集;
状态估计模块子模块,用于以所述初始性能退化状态转移概率矩阵和初始粒子集为基础,采用SIR算法对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种开关电源剩余使用寿命预测方法,所述方法包括如下步骤:获取开关电源的输出电压的当前时频谱;根据所述当前时频谱,利用训练好的ResNet模型,确定所述开关电源的当前性能退化状态;根据开关电源的当前性能退化状态和当前时频谱,采用SIR与HSMM结合的算法,对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间;根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,确定所述开关电源的剩余寿命。本发明基于开关电源的输出电压的时频谱,对开关电源进行状态识别,并进一步的基于SIR与HSMM结合的算法对其性能退化状态进行递推估计,即基于数据驱动的方法实现开关电源剩余使用寿命预测,无需建立开关电源的物理模型,克服了由于开关电源的结构组成的复杂性造成基于物理模型的预测方法中的物理模型建立困难的技术缺陷。
本发明还考虑到纹波电压与内部元件的关系,电容、MOSFET(金属-氧化物半导体场效应晶体管)等内部元件的退化会反映在纹波电压中。因此,可以选择纹波电压作为开关电源单元的性能指标,进行开关电源性能退化状态的评估和分类。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种开关电源剩余使用寿命预测方法的流程图;
图2为本发明提供的一种开关电源剩余使用寿命预测方法的原理图;
图3为本发明提供的开关电源性能退化状态划分的结果示意图;
图4为本发明提供的基于小波变换提取的纹波电压的特征示意图;
图5为本发明提供的ResNet模型的结构图;
图6为本发明提供的ResNet模型训练流程图;
图7为本发明提供的ResNet模型的识别结果图;图7a为训练得到的ResNet模型对训练集中的不同性能退化状态下数据的识别结果图,图7b为训练得到的ResNet模型对测试集中的不同性能退化状态下数据的识别结果图;
图8为本发明提供的采用SIR与HSMM结合的算法进行性能退化状态递推估计的流程图;
图9为本发明提供的采用SIR与HSMM结合的算法进行性能退化状态递推估计的结果图;
图10为本发明提供的基于SIR与HSMM结合的算法获得的剩余使用寿命估计结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种开关电源剩余使用寿命预测方法及系统,以基于数据驱动的方法实现开关电源剩余使用寿命预测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
数据驱动法是一种更普遍的方法,因为它直接从数据中提取特征来估计剩余使用寿命,而不需要任何参数简化和模型假设。对于开关电源,由于大量电子元件之间的复杂相关性,使用基于模型的方法来分析退化更加困难,所以主要采用数据驱动的方法来研究开关电源单元的退化。考虑到纹波电压与内部元件的关系,电容、MOSFET(金属-氧化物半导体场效应晶体管)等内部元件的退化会反映在纹波电压中。因此,可以选择纹波电压作为开关电源单元的性能指标,采用数据驱动的方法来分析剩余使用寿命。具体方案如下:
如图1和2所示,本发明提供一种开关电源剩余使用寿命预测方法,所述开关电源系统主要指电容、MOSFET等内部元件和测量输出电压的传感器。
所述方法包括如下步骤:
步骤101,获取开关电源的输出电压的当前时频谱。
步骤102,根据所述当前时频谱,利用训练好的ResNet模型,确定所述开关电源的当前性能退化状态。
步骤102所述根据所述当前时频谱,利用训练好的ResNet模型,确定所述开关电源的当前性能退化状态,之前还包括:
获取已失效开关电源样本的全寿命周期的输出电压数据。根据已失效开关电源样本的全寿命周期的输出电压数据,利用公式计算已失效开关电源样本的全寿命周期的波纹电压数据;其中,Vω表示已失效开关电源样本的波纹电压,V0表示已失效开关电源样本的输出电压,Vi表示已失效开关电源样本的输入电压,fs表示已失效开关电源样本的开关频率,L是已失效开关电源样本的电感值,C是已失效开关电源样本的电容值,ESR是已失效开关电源样本的电容的等效电阻。根据已失效开关电源样本的全寿命周期的波纹电压数据,采用模糊C均值聚类算法,确定开关电源的性能退化状态的数量,及每个所述波纹电压数据对应的性能退化状态。将划分好的5类性能退化状态的开关电源纹波电压分别采用离散小波变换做特征处理,得到各个性能退化状态的输出可观测信号的时频谱。将每个所述波纹电压数据对应性能退化状态作为所述波纹电压数据对应的输出电压数据的标签,分别将每个所述输出电压数据的时频谱数据作为输入,每个所述输出电压数据的标签作为输出构建训练集和测试集;训练集用于模型训练,测试集用于验证算法的可行性。利用训练集和测试集对所述ResNet模型进行训练和测试,获得训练好的ResNet模型。
其中,据已失效开关电源样本的全寿命周期的波纹电压数据,采用模糊C均值聚类算法,确定开关电源的性能退化状态的数量,及每个所述波纹电压数据对应的性能退化状态,即,获取开关电源系统工作状态下的输出电压数据V0,计算得到纹波电压Vω,并将其分为训练集X(t)和测试集Y(t),其中训练集X(t)用于模型训练,测试集Y(t)用于验证算法的可行性。采用模糊C均值聚类算法确定开关电源性能退化状态的数量N,具体包括如下步骤:
通常,开关电源的性能下降是由内部元件的退化引起的。根据纹波电压计算公式,可以得出纹波电压随电容、电感和MOSFET压降的变化而变化的结论。当开关电源性能变差时,纹波电压也会随之变化。因此根据纹波电压的变化对开关电源的性能状态进行分类。
其中,Vω是纹波电压,Vi是输入电压,V0是输出电压,fs是开关频率,L是电感值,C是电容值,ESR是电容的等效电阻。
一般在描述一个元器件的性能情况时,通常分为健康状态、轻度退化状态、中度退化状态和重度退化状态。设备达到重度退化状态后,再经历一段时间便会引发失效。将训练集X(t)={x1,x2,x3,...,xu}分为N类,记为S={sc},c=1,2,...,N。mc(c=1,2,3,...,N)是聚类中心,μc(xi)是第i个数据对第c个聚类的隶属度函数,b为设定的模糊度指数。隶属度函数的聚类损失函数Jf为:
令Jf对mc和μc(xi)求偏导,并使求导结果为零,得到聚类损失函数的极小值条件为:
将划分好的5类性能退化状态的开关电源纹波电压S={sc},c=1,2,...,5分别采用离散小波变换做特征处理,得到各个性能退化状态的输出可观测信号的时频谱W:
其中α是尺度参数,控制小波函数长度的伸缩变化。β是平移量,控制小波函数平移的量级大小。ψ(t)是小波母函数。m为频率范围指数,n为时间步长变化指数。提取的不同性能状态的输出纹波电压特征如图4所示,将一维纹波电压信号转换成时频谱,其中横轴表示时域特征的变化,纵轴表示频率特征的变化,颜色的深浅变化表示幅值能量大小的变化。原始的纹波电压信号并没有明显的变化特征,但从时频谱上可以发现,随着性能的退化,频率特征逐渐发生变化。
训练ResNet(残差卷积神经网络)模型得到一个开关电源性能退化的可观测状态的识别模型,对时频谱W进行识别分类,实现对可观测状态的识别。
对于纹波电压,其特征变化相对较弱,ResNet在CNN(卷积神经网络)中加入直接连通的信道,有较高的模型训练速度和精度。建立50层深度的ResNet模型,整体结构如图5所示,具体结构组成如表1所示。
表1 ResNet模型结构组成
搭建的ResNet模型由输入层、隐藏层、输出层和多个残差学习单元组成,其中隐藏层包括卷积层、池化层、激活层和全连接层。
(1)卷积层的输出为:
(2)最大池化函数:
(3)选择ReLU作为激活函数:
(4)残差学习单元的输入S和输出F(S)直连有两种情况,一种是特征图的维度相同,直接将两个通道的输出相加;另一种是特征图的维度不同,需要对输入W做卷积处理,改变特征图维度之后再相加,得到残差学习单元的输出y,如下式所示,其中Γ是卷积操作:
y=F(S)+S或y=F(S)+Γ(S)
(5)全连接层的输出值被传送到输出层,以执行状态估计。
建立好ResNet模型后,对其进行训练。将每个时频谱特征图与其相对应的状态进行标签。用每类性能退化状态的时频谱数据分别训练ResNet模型。ResNet残差学习网络训练过程如图6所示,模型的准确率随着损失函数的下降逐渐提升,最终模型的准确率稳定在80%以上。训练得到的ResNet模型对不同状态之间的识别结果如图7a所示,能够实现对微小变化的观测特征量之间的区分。然后对测试集Y(t)的数据进行分类,如图7b所示。结果表明可以对不同的时频谱数据进行观测状态分类。
步骤103,根据开关电源的当前性能退化状态和当前时频谱,采用SIR与HSMM结合的算法,对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间。
利用时频谱求解HSMM各个参数,包括初始状态概率分布、状态转移概率矩阵、观测状态概率矩阵和各状态的驻留时间分布;
步骤103采用如下步骤实现:根据初始时刻的状态概率分布生成初始粒子集;根据指定前一时刻得到的粒子集,通过状态转移概率矩阵得到指定时刻状态的粒子集;根据指定时刻的观测值以及观测状态概率矩阵得到各预测粒子的权值;将计算得到的各粒子的权重值进行归一化处理;根据指定时刻的粒子集和各粒子权重,计算当前状态的估计值;根据各粒子的权重计算有效粒子数,并对粒子集进行重采样更新,作为下一个时刻状态估计的粒子集;根据各状态的驻留时间计算新的状态转移概率矩阵;重复上述过程,实现对当前状态的递推估计。
步骤103使用时频谱W作为性能退化的可观测特征,采用SIR与HSMM结合的方法确定开关电源系统的性能退化模型,实现对开关电源当前性能退化状态的递推估计。状态估计过程如图8所示,具体步骤为:
开关电源系统的状态方程和观测方程分别为:
xk=fk(Wk-1,vk-1)
yk=hk(Wk,nk)
其中Wk表示时刻k系统的状态,即时频谱。vk表示时刻k的随机噪声,fk(·)表示动态系统的状态方程,与HSMM中的状态转移概率矩阵A相对应,yk表示时刻k动态系统的观测值,nk表示时刻k的观测随机噪声,hk(·)表示动态系统从状态到观测的观测方程,与HSMM中的观测状态概率矩阵B相对应。开关电源性能退化状态估计过程如下:
(1)利用全寿命周期的时频谱数据W求解HSMM各参数λ=(Π,A0,B,Θ)。
初始状态概率分布
Π={πi},πi=P(s1=g),1≤g≤N
s1是开关电源在初始时刻的性能状态,即健康状态;
状态转移概率矩阵,表示开关电源在运行的过程中状态之间发生转移的概率,计算公式为
A0={aij},aij=P(st+1=j|st=i),1≤i,j≤N
其中aij表示开关电源在运行的过程中从状态i转移到状态j的概率。
观测状态概率矩阵
bgq=P(Wq|st=g),1≤g≤N,1≤q≤M
M为开关电源可观测状态(即时频谱W)的个数。bgq表示性能状态为st=g时,观测到第q个可观测状态Wq的概率;
各状态的驻留时间分布
Θ={θ1,…θN}
θi是概率密度函数的参数。
(5)权值归一化:将计算得到的各粒子的权重值进行归一化处理:
(8)状态转移概率矩阵更新:根据开关电源各性能退化状态的驻留时间dk计算新的状态转移概率矩阵Ak:
Ak=P(dk)+(I-P(dk))·A0
其中,
上述过程中,(2)~(7)为SIR方法,(1)和(8)为HSMM方法。将这两种方法的计算过程进行结合,并重复该过程,实现对开关电源当前性能退化状态的递推估计,状态序列递推估计结果如图9所示。
从结果对比可以看出,通过SIR和HSMM结合的方法可以很好地通过前一时刻的状态和当前时刻的观测递推实现对隐藏状态序列的估计,解决了HSMM需要整个观测序列才能估计隐藏状态序列的缺点。
步骤104,根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,确定所述开关电源的剩余寿命。
(1)计算开关电源当前状态的剩余时间。
(2)计算开关电源后续状态的剩余时间。
根据初始状态转移概率矩阵A0计算下一个状态,直至失效状态。定义开关电源下一个状态可能出现的概率为:
其中概率最大的为下一个时刻可能出现的状态:
按上述过程迭代计算,最终可以得到开关电源剩余使用寿命的估计值:
RUL=∑d
图10为SIR与HSMM结合的剩余使用寿命估计结果,能够看出该方法可以很好地实现对开关电源剩余使用寿命的估计。
本发明还提供一种开关电源剩余使用寿命预测系统,所述系统包括:
当前时频谱采集模块,用于获取开关电源的输出电压的当前时频谱;
当前性能退化状态确定模块,用于根据所述当前时频谱,利用训练好的ResNet模型,确定所述开关电源的当前性能退化状态;
状态估计模块,用于根据开关电源的当前性能退化状态和当前时频谱,采用SIR与HSMM结合的算法,对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间。
所述状态估计模块,具体包括:HSMM模型初始参数求解子模块,用于根据开关电源的当前性能退化状态,确定HSMM模型的初始性能退化状态概率分布和初始性能退化状态转移概率矩阵;粒子集初始化子模块,用于利用所述初始性能退化状态概率分布构建SIR算法的初始粒子集;状态估计模块子模块,用于以所述初始性能退化状态转移概率矩阵和初始粒子集为基础,采用SIR算法对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间。
寿命预测模块,用于根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,确定所述开关电源的剩余寿命。
作为一种优选的实施方式,所述系统,还包括:数据获取模块,用于获取已失效开关电源样本的全寿命周期的输出电压数据;波纹电压数据计算模块,用于根据已失效开关电源样本的全寿命周期的输出电压数据,利用公式计算已失效开关电源样本的全寿命周期的波纹电压数据;其中,Vω表示已失效开关电源样本的波纹电压,V0表示已失效开关电源样本的输出电压,Vi表示已失效开关电源样本的输入电压,fs表示已失效开关电源样本的开关频率,L是已失效开关电源样本的电感值,C是已失效开关电源样本的电容值,ESR是已失效开关电源样本的电容的等效电阻;模糊C均值聚类模块,用于根据已失效开关电源样本的全寿命周期的波纹电压数据,采用模糊C均值聚类算法,确定开关电源的性能退化状态的数量,及每个所述波纹电压数据对应的性能退化状态;样本数据集构建模块,用于将每个所述波纹电压数据对应性能退化状态作为所述波纹电压数据对应的输出电压数据的标签,分别将每个所述输出电压数据的时频谱数据作为输入,每个所述输出电压数据的标签作为输出构建训练集和测试集;ResNet模型训练模块,用于利用训练集和测试集对所述ResNet模型进行训练和测试,获得训练好的ResNet模型。
本发明首先获取开关电源系统工作状态下的输出电压数据,计算得到纹波电压,采用模糊C均值聚类算法确定开关电源性能退化状态的数量;将划分好的5类性能退化状态的开关电源纹波电压分别采用离散小波变换做特征处理,得到各个性能状态的输出可观测信号的时频谱;用得到的时频谱作为性能退化的可观测特征,训练ResNet模型得到一个开关电源性能退化的可观测状态的识别模型,从而实现对可观测状态的识别;然后采用SIR与HSMM结合的方法确定开关电源系统的性能退化模型;依据当前所处状态和各状态驻留时间分布实现开关电源剩余使用寿命预测。本发明能够对开关电源的剩余使用寿命进行较准确的预测。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种开关电源剩余使用寿命预测方法,其特征在于,所述方法包括如下步骤:
获取开关电源的输出电压的当前时频谱;
根据所述当前时频谱,利用训练好的ResNet模型,确定所述开关电源的当前性能退化状态;
根据开关电源的当前性能退化状态和当前时频谱,采用SIR与HSMM结合的算法,对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间;
根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,确定所述开关电源的剩余寿命。
2.根据权利要求1所述的开关电源剩余使用寿命预测方法,其特征在于,所述根据所述当前时频谱,利用训练好的ResNet模型,确定所述开关电源的当前性能退化状态,之前还包括:
获取已失效开关电源样本的全寿命周期的输出电压数据;
根据已失效开关电源样本的全寿命周期的输出电压数据,利用公式计算已失效开关电源样本的全寿命周期的波纹电压数据;其中,Vω表示已失效开关电源样本的波纹电压,V0表示已失效开关电源样本的输出电压,Vi表示已失效开关电源样本的输入电压,fs表示已失效开关电源样本的开关频率,L是已失效开关电源样本的电感值,C是已失效开关电源样本的电容值,ESR是已失效开关电源样本的电容的等效电阻;
根据已失效开关电源样本的全寿命周期的波纹电压数据,采用模糊C均值聚类算法,确定开关电源的性能退化状态的数量,及每个所述波纹电压数据对应的性能退化状态;
将每个所述波纹电压数据对应性能退化状态作为所述波纹电压数据对应的输出电压数据的标签,分别将每个所述输出电压数据的时频谱数据作为输入,每个所述输出电压数据的标签作为输出构建训练集和测试集;
利用训练集和测试集对所述ResNet模型进行训练和测试,获得训练好的ResNet模型。
3.根据权利要求1所述的开关电源剩余使用寿命预测方法,其特征在于,所述根据开关电源的当前性能退化状态和当前时频谱,采用SIR与HSMM结合的算法,对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,具体包括:
根据开关电源的当前性能退化状态,确定HSMM模型的初始性能退化状态概率分布和初始性能退化状态转移概率矩阵;
利用所述初始性能退化状态概率分布构建SIR算法的初始粒子集;
以所述初始性能退化状态转移概率矩阵和初始粒子集为基础,采用SIR算法对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间。
4.根据权利要求2所述的开关电源剩余使用寿命预测方法,其特征在于,所述以所述初始性能退化状态转移概率矩阵和初始粒子集为基础,采用SIR算法对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,具体包括:
初始化性能退化次数m的数值为0;
根据HSMM模型的观测状态概率矩阵,利用公式和计算k时刻的每个粒子的权值;其中,和分别表示k时刻的粒子i和粒子j的归一化后的权值,i=1,2,3,…,Nk,j=1,2,3,…,Nk,Nk表示k时刻的粒子的数量,表示k时刻的粒子i的归一化前的权值,yk表示已失效开关电源样本的全寿命周期的时频谱数据中对应的k时刻的时频谱,B表示HSMM模型的观测状态概率矩阵,表示在粒子集中yk的概率;
若所述第一判断结果表示是,则将k的数值赋值给性能退化时刻km,令m的数值增加1,并判断r+m的数值是否大于性能退化状态数量总值,获得第二判断结果;其中,r表示当前性能退化状态;
若所述第一判断结果表示否或所述第二判断结果表示否,则利用公式计算k时刻的累计时间,利用公式Ak=P(dk)+(I-P(dk))·A0,计算k时刻的性能退化状态转移概率矩阵Ak;其中,为k-1时刻性能退化状态的估计值,A0为初始性能退化状态转移概率矩阵,dk-1和dk分别为k-1时刻和k时刻的累计时间,P(dk)为驻留时间为dk的概率矩阵,I为单位矩阵;并令k的数值为1,返回步骤“根据k-1时刻得到的粒子集通过k-1时刻得到的性能退化状态转移概率矩阵Ak-1,预测k时刻的粒子集为:
5.根据权利要求4所述的开关电源剩余使用寿命预测方法,其特征在于,所述根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,确定所述开关电源的剩余寿命,具体包括:
当前性能退化状态的剩余时间利用公式计算当前性能退化状态的剩余寿命;其中,表示当前性能退化状态的剩余寿命,表示所有已失效开关电源样本在性能退化状态n的驻留时间的均值;表示当前性能退化状态r所占的比重,其中,,y1,y2,分别表示已失效开关电源样本的全寿命周期的时频谱数据中对应的1时刻、2时刻和k0时刻的时频谱,N表示性能退化状态的数量,λ表示HSMM模型,表示在HSMM模型下,性能退化状态为当前性能退化状态r时y1,y2,…,的概率;
计算当前性能退化状态的剩余时间与当前性能退化状态之后的各个性能退化状态的剩余时间的和,作为所述开关电源的剩余寿命。
7.根据权利要求3所述的开关电源剩余使用寿命预测方法,其特征在于,以所述初始性能退化状态转移概率矩阵和初始粒子集为基础,采用SIR算法对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,之前还包括:
通过对已失效开关电源样本的全寿命周期的输出电压数据的时频谱数据及输出电压数据的时频谱数据的标签进行统计学分析,构建HSMM模型的观测状态概率矩阵为:
bgq=P(Wq|st=g),1≤g≤N,1≤q≤M
其中,bgq为观测状态概率矩阵中第(g,q)个元素,表示已失效开关电源样本在第g个性能退化状态时,观测到第q个输出电压数据的时频谱数据Wq的概率,M为已失效开关电源样本的输出电压数据的时频谱数据的个数,N表示性能退化状态的数量。
8.一种开关电源剩余使用寿命预测系统,其特征在于,所述系统包括:
当前时频谱采集模块,用于获取开关电源的输出电压的当前时频谱;
当前性能退化状态确定模块,用于根据所述当前时频谱,利用训练好的ResNet模型,确定所述开关电源的当前性能退化状态;
状态估计模块,用于根据开关电源的当前性能退化状态和当前时频谱,采用SIR与HSMM结合的算法,对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间;
寿命预测模块,用于根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间,确定所述开关电源的剩余寿命。
9.根据权利要求8所述的开关电源剩余使用寿命预测系统,其特征在于,所述系统,还包括:
数据获取模块,用于获取已失效开关电源样本的全寿命周期的输出电压数据;
波纹电压数据计算模块,用于根据已失效开关电源样本的全寿命周期的输出电压数据,利用公式计算已失效开关电源样本的全寿命周期的波纹电压数据;其中,Vω表示已失效开关电源样本的波纹电压,V0表示已失效开关电源样本的输出电压,Vi表示已失效开关电源样本的输入电压,fs表示已失效开关电源样本的开关频率,L是已失效开关电源样本的电感值,C是已失效开关电源样本的电容值,ESR是已失效开关电源样本的电容的等效电阻;
模糊C均值聚类模块,用于根据已失效开关电源样本的全寿命周期的波纹电压数据,采用模糊C均值聚类算法,确定开关电源的性能退化状态的数量,及每个所述波纹电压数据对应的性能退化状态;
样本数据集构建模块,用于将每个所述波纹电压数据对应性能退化状态作为所述波纹电压数据对应的输出电压数据的标签,分别将每个所述输出电压数据的时频谱数据作为输入,每个所述输出电压数据的标签作为输出构建训练集和测试集;
ResNet模型训练模块,用于利用训练集和测试集对所述ResNet模型进行训练和测试,获得训练好的ResNet模型。
10.根据权利要求8所述的开关电源剩余使用寿命预测系统,其特征在于,所述状态估计模块,具体包括:
HSMM模型初始参数求解子模块,用于根据开关电源的当前性能退化状态,确定HSMM模型的初始性能退化状态概率分布和初始性能退化状态转移概率矩阵;
粒子集初始化子模块,用于利用所述初始性能退化状态概率分布构建SIR算法的初始粒子集;
状态估计模块子模块,用于以所述初始性能退化状态转移概率矩阵和初始粒子集为基础,采用SIR算法对开关电源的性能退化状态进行递推估计,确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110986875.3A CN113689044B (zh) | 2021-08-26 | 2021-08-26 | 一种开关电源剩余使用寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110986875.3A CN113689044B (zh) | 2021-08-26 | 2021-08-26 | 一种开关电源剩余使用寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689044A true CN113689044A (zh) | 2021-11-23 |
CN113689044B CN113689044B (zh) | 2024-06-21 |
Family
ID=78582859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110986875.3A Active CN113689044B (zh) | 2021-08-26 | 2021-08-26 | 一种开关电源剩余使用寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689044B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454671A (zh) * | 2023-12-22 | 2024-01-26 | 广东力宏微电子有限公司 | 基于人工智能的场效应管寿命评估方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542155A (zh) * | 2011-12-05 | 2012-07-04 | 北京航空航天大学 | 基于加速退化数据的粒子滤波剩余寿命预测方法 |
KR20120114841A (ko) * | 2011-04-08 | 2012-10-17 | 청주대학교 산학협력단 | 스위칭 전원장치용 수명센서모듈 |
CN105334472A (zh) * | 2015-10-26 | 2016-02-17 | 安徽理工大学 | 矿用本安电源在线剩余寿命预测方法 |
CN105701350A (zh) * | 2016-01-13 | 2016-06-22 | 安徽理工大学 | 间歇性工作开关电源剩余寿命预测方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
CN110175388A (zh) * | 2019-05-21 | 2019-08-27 | 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)) | 开关电源故障预测方法、装置、计算机设备和存储介质 |
JP2020162238A (ja) * | 2019-03-25 | 2020-10-01 | Tdk株式会社 | モニタリングモジュール |
US20210048807A1 (en) * | 2018-03-14 | 2021-02-18 | Shandong University Of Science And Technology | Method of modeling multi-mode degradation process and predicting remaining useful life |
-
2021
- 2021-08-26 CN CN202110986875.3A patent/CN113689044B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120114841A (ko) * | 2011-04-08 | 2012-10-17 | 청주대학교 산학협력단 | 스위칭 전원장치용 수명센서모듈 |
CN102542155A (zh) * | 2011-12-05 | 2012-07-04 | 北京航空航天大学 | 基于加速退化数据的粒子滤波剩余寿命预测方法 |
CN105334472A (zh) * | 2015-10-26 | 2016-02-17 | 安徽理工大学 | 矿用本安电源在线剩余寿命预测方法 |
CN105701350A (zh) * | 2016-01-13 | 2016-06-22 | 安徽理工大学 | 间歇性工作开关电源剩余寿命预测方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
US20210048807A1 (en) * | 2018-03-14 | 2021-02-18 | Shandong University Of Science And Technology | Method of modeling multi-mode degradation process and predicting remaining useful life |
JP2020162238A (ja) * | 2019-03-25 | 2020-10-01 | Tdk株式会社 | モニタリングモジュール |
CN110175388A (zh) * | 2019-05-21 | 2019-08-27 | 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)) | 开关电源故障预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
张新生;裘瑾;: "基于动态PSO-HSMM的海底油气管道寿命预测", 消防科学与技术, no. 11 * |
杨柳: "基于隐半马尔可夫模型的液压泵剩余使用寿命预测", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 2, pages 16 * |
范立明;王?声;钱诚;: "故障物理与粒子滤波融合的锂电池寿命预测方法", 兵器装备工程学报, no. 09 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454671A (zh) * | 2023-12-22 | 2024-01-26 | 广东力宏微电子有限公司 | 基于人工智能的场效应管寿命评估方法 |
CN117454671B (zh) * | 2023-12-22 | 2024-04-12 | 广东力宏微电子有限公司 | 基于人工智能的场效应管寿命评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113689044B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | A rolling bearing fault diagnosis method based on multi-scale fuzzy entropy and variable predictive model-based class discrimination | |
Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
CN110334726A (zh) | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 | |
Jiang et al. | Dual-attention-based multiscale convolutional neural network with stage division for remaining useful life prediction of rolling bearings | |
CN107844751B (zh) | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 | |
CN113344295A (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
CN114819054B (zh) | 一种基于物理信息神经网络的电力电子系统状态监测方法 | |
CN115580445B (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN113689044B (zh) | 一种开关电源剩余使用寿命预测方法及系统 | |
CN113406623A (zh) | 基于雷达高分辨距离像的目标识别方法、装置及介质 | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
CN111860447A (zh) | 一种准确识别随机相移卫星遥测时序数据模式的方法 | |
CN109782158B (zh) | 一种基于多级分类的模拟电路诊断方法 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
CN114861880A (zh) | 基于空洞卷积神经网络的工业设备故障预测方法及装置 | |
CN112798888B (zh) | 一种无人驾驶列车车载电气系统故障非侵入诊断方法 | |
CN113112039A (zh) | 基于时频记忆递归神经网络的主动配电系统初期故障识别方法 | |
Xiao et al. | Health assessment for piston pump using LSTM neural 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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Tian Guishuang Inventor after: Shi Jian Inventor after: Guo Qing Inventor after: Qiao Yajing Inventor after: Wang Shaoping Inventor before: Tian Guishuang Inventor before: Shi Jian Inventor before: Guo Qing Inventor before: Qiao Yajing Inventor before: Wang Shaoping |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |