基于统计特征评估与高斯过程回归的直流电源在线异常检测方法技术

基于统计特征评估与高斯过程回归的直流电源在线异常检测方法，本发明专利技术涉及直流电源在线异常检测方法。本发明专利技术为了解决现有方法对于电路结构未知的直流电源不能有效进行在线异常检测以及计算量大的问题。本发明专利技术首先，获得直流电源的正常输出作为高斯回归过程的训练集，利用高斯回归过程预测正常输出区间；其次，获得预测的正常区间的上下限输出，并计算对应的七个统计特征值，得到每个统计特征值对应的上下限值，作为在线输出的每个统计特征特征值的界限；最后，将在线输出的七个统计特征值与其对应的上下限值进行比较，若输出的七个特征值至少有一个超过了其对应的上下限值，则说明此时输出中存在异常状态。本发明专利技术用于直流电源在线异常检测领域。

【技术实现步骤摘要】
基于统计特征评估与高斯过程回归的直流电源在线异常检测方法
本专利技术涉及直流电源在线异常检测方法。
技术介绍
直流电源广泛地应用在很多电子产品中，如测试仪器、大型计算机和生物医疗仪器等。为其提供稳定的直流电源，所以是保证所有电子产品正常工作的基础，其可靠性对于后续部件和整个电子产品的正常工作都起着决定性的作用。当直流电源出现异常时，将会导致整个电子系统的运行状态异常，严重甚至停机。随之带来巨大的经济损失，造成不可避免的影响。因此，对于直流电源的在线异常检测是非常必要且迫切的。传统的直流电源异常检测方法，通常采用建模的方法获得直流电源的系统方程，对其中异常元器件参数进行评估和辨识，但该建模方法需要直流电源的电路结构，对于电路结构未知的直流电源的异常检测将不再适用。而且直流电源的实际正常输出中存在不可以避免的噪声和干扰，因此正常输出会在特定的范围内波动，为了表现正常输出的不确定性和减少噪声带来的影响，通过获取直流电源的正常输出，对电路结构未知的直流电源的正常输出区间进行合理预测，不同于传统方法时域信号逐点得比较辨识直流电源输出中得异常点，利用统计特征评估的方式对比在线输出和正常预测输出区间，来实现直流电源的在线异常检测，其优点是能够减小计算量和凸显异常状态特征。。
技术实现思路
本专利技术的目的是为了解决现有方法对于电路结构未知的直流电源不能有效进行在线异常检测以及计算量大的缺点，而提出一种基于统计特征评估与高斯过程回归的直流电源在线异常检测方法。基于统计特征评估与高斯过程回归的直流电源在线异常检测方法包括以下步骤：步骤一：获取直流电源的正常状态的时域输出的M个正常样本；步骤二：将步骤一得到的M个正常样本作为高斯回归过程的训练集，建立高斯过程回归模型，获取直流电源的在线输出N个样本，将N个样本的索引值作为建立的高斯过程回归模型的测试集的输入，利用高斯过程回归模型预测出直流电源的正常输出区间，所述正常输出区间的长度为N；其中高斯过程回归模型的协方差函数为联合协方差函数kC包括周期协方差函数kPER和平方指数协方差函数kSE；步骤三：根据步骤二预测的正常输出区间，得到正常输出区间包含的正常输出的上下限Normalmax和Normalmin，并计算Normalmax和Normalmin对应的七个统计特征值，所述七个统计特征值为幅值r、均值m、方差v、偏度s、峰度k、信息熵e、质心c；正常输出的上下限Normalmax和Normalmin对应的七个统计特征值分别记为rmax,rmin,mmax,mmin,vmax,vmin,smax,smin,kmax,kmin,emax,emin,cmax,cmin；将每个特征值对应的上下限极值作为检测直流电源异常状态的关键指标；所述rmax,和rmin分别为Normalmax和Normalmin对应的幅值，即幅值的上下限；mmax和mmin分别为Normalmax和Normalmin对应的均值，即均值的上下限；vmax和vmin分别为Normalmax和Normalmin对应的方差，即方差的上下限；smax和smin分别为Normalmax和Normalmin对应的偏度，即偏度的上下限；kmax和kmin分别为Normalmax和Normalmin对应的峰度，即峰度的上下限；emax和emin分别为Normalmax和Normalmin对应的信息熵，即信息熵的上下限；cmax和cmin分别为Normalmax和Normalmin对应的质心，即质心的上下限；步骤四：计算在线输出N个样本对应的七个统计特征值；步骤五：将步骤四获得的七个统计特征值与步骤三获得的每个特征值的上下极值比较，当在线输出的七个特征值中超过对应的上下极值所限定的范围的个数为大于等于一个时，则说明直流电源存在异常状态。为了减少直流电源输出中噪声对检测结果的影响以及凸显异常特征，本专利技术将七个统计特征作为主要的评估参数来有效地增大正常状态和异常状态之前的差异，首先得到在预测的正常输出区间中，每个统计特征的上下限值，通过比较在线实时输出的七个统计特征值与其对应的上下限值，实现异常状态的在线检测。具体的流程如图1所示。本专利技术的有益效果为：本专利技术的目的是为了实现直流电源输出的在线异常检测，本专利技术方法能够快速、有效地检测出直流电源出现的异常状态，尤其适用于电路结构未知的直流电源，具有检测准确度高、计算量小的特点。本专利技术主要针对直流电源的进行在线异常检测，尤其针对电路结构未知的直流电源存在的异常能够有效地辨识。采用本专利技术中方法，能够检测由电路器件参数偏差造成的各类直流电源异常状态，高斯回归过程预测得到的正常区间能够辨识正常状态的覆盖率达到95％以上。结合统计特征评估，增强异常状态和正常状态的差异，使检测异常状态类型的覆盖率达到95％以上，这是目前传统测试激励选择方法所没有达到的效果。附图说明图1为本专利技术方法流程图；图2为本专利技术正常输出区间预测过程图；图3为Buck转换器电路图；图4为本专利技术的正常输出结果图；图5为异常状态A1-A5的统计特征值相对于上下限值的位置关系显示图；图6为异常状态A6-A10的统计特征值相对于上下限值的位置关系显示图。具体实施方式具体实施方式一：基于统计特征评估与高斯过程回归的直流电源在线异常检测方法包括以下步骤：步骤一：获取直流电源的正常状态的时域输出的M个正常样本；步骤二：将步骤一得到的M个正常样本作为高斯回归过程的训练集，建立高斯过程回归模型，获取直流电源的在线输出N个样本，将N个样本的索引值作为步骤二建立的高斯过程回归模型的测试集的输入，利用高斯过程回归模型预测出直流电源的正常输出区间，所述正常输出区间的长度为N；其中高斯过程回归模型的协方差函数为联合协方差函数kC包括周期协方差函数kPER和平方指数协方差函数kSE；步骤三：根据步骤二预测的正常输出区间，得到正常输出区间包含的正常输出的上下限Normalmax和Normalmin，并计算Normalmax和Normalmin对应的七个统计特征值，所述七个统计特征值为幅值r、均值m、方差v、偏度s、峰度k、信息熵e、质心c；正常输出的上下限Normalmax和Normalmin对应的七个统计特征值分别记为rmax,rmin,mmax,mmin,vmax,vmin,smax,smin,kmax,kmin,emax,emin,cmax,cmin；将每个特征值对应的上下限极值作为检测直流电源异常状态的关键指标；所述rmax,和rmin分别为Normalmax和Normalmin对应的幅值，即幅值的上下限；mmax和mmin分别为Normalmax和Normalmin对应的均值，即均值的上下限；vmax和vmin分别为Normalmax和Normalmin对应的方差，即方差的上下限；smax和smin分别为Normalmax和Normalmin对应的偏度，即偏度的上下限；kmax和kmin分别为Normalmax和Normalmin对应的峰度，即峰度的上下限；emax和emin分别为Normalmax和Normalmin对应的信息熵，即信息熵的上下限；cmax和cmin分别为Normalmax和Normalmin对应的质心，即质心的上下限；步骤四：计本文档来自技高网...

【技术保护点】
1.基于统计特征评估与高斯过程回归的直流电源在线异常检测方法，其特征在于：所述直流电源在线异常检测方法包括以下步骤：步骤一：获取直流电源的正常状态的时域输出的M个正常样本；步骤二：将步骤一得到的M个正常样本作为高斯回归过程的训练集，建立高斯过程回归模型，获取直流电源的在线输出N个样本，将N个样本的索引值作为步骤二建立的高斯过程回归模型的测试集的输入，利用高斯过程回归模型预测出直流电源的正常输出区间，所述正常输出区间的长度为N；其中高斯过程回归模型的协方差函数为联合协方差函数kC包括周期协方差函数kPER和平方指数协方差函数kSE；步骤三：根据步骤二预测的正常输出区间，得到正常输出区间包含的正常输出的上下限Normalmax和Normalmin，并计算Normalmax和Normalmin对应的七个统计特征值，所述七个统计特征值为幅值r、均值m、方差v、偏度s、峰度k、信息熵e、质心c；正常输出的上下限Normalmax和Normalmin对应的七个统计特征值分别记为rmax,rmin,mmax,mmin,vmax,vmin,smax,smin,kmax,kmin,emax,emin,cmax,cmin；所述rmax,和rmin分别为Normalmax和Normalmin对应的幅值，即幅值的上下限；mmax和mmin分别为Normalmax和Normalmin对应的均值，即均值的上下限；vmax和vmin分别为Normalmax和Normalmin对应的方差，即方差的上下限；smax和smin分别为Normalmax和Normalmin对应的偏度，即偏度的上下限；kmax和kmin分别为Normalmax和Normalmin对应的峰度，即峰度的上下限；emax和emin分别为Normalmax和Normalmin对应的信息熵，即信息熵的上下限；cmax和cmin分别为Normalmax和Normalmin对应的质心，即质心的上下限；步骤四：计算在线输出N个样本对应的七个统计特征值；步骤五：将步骤四获得的七个统计特征值与步骤三获得的每个特征值的上下极值比较，当在线输出的七个特征值中超过对应的上下极值所限定的范围的个数的大于等于一个时，则说明直流电源存在异常状态。...

【技术特征摘要】
1.基于统计特征评估与高斯过程回归的直流电源在线异常检测方法，其特征在于：所述直流电源在线异常检测方法包括以下步骤：步骤一：获取直流电源的正常状态的时域输出的M个正常样本；步骤二：将步骤一得到的M个正常样本作为高斯回归过程的训练集，建立高斯过程回归模型，获取直流电源的在线输出N个样本，将N个样本的索引值作为步骤二建立的高斯过程回归模型的测试集的输入，利用高斯过程回归模型预测出直流电源的正常输出区间，所述正常输出区间的长度为N；其中高斯过程回归模型的协方差函数为联合协方差函数kC包括周期协方差函数kPER和平方指数协方差函数kSE；步骤三：根据步骤二预测的正常输出区间，得到正常输出区间包含的正常输出的上下限Normalmax和Normalmin，并计算Normalmax和Normalmin对应的七个统计特征值，所述七个统计特征值为幅值r、均值m、方差v、偏度s、峰度k、信息熵e、质心c；正常输出的上下限Normalmax和Normalmin对应的七个统计特征值分别记为rmax,rmin,mmax,mmin,vmax,vmin,smax,smin,kmax,kmin,emax,emin,cmax,cmin；所述rmax,和rmin分别为Normalmax和Normalmin对应的幅值，即幅值的上下限；mmax和mmin分别为Normalmax和Normalmin对应的均值，即均值的上下限；vmax和vmin分别为Normalmax和Normalmin对应的方差，即方差的上下限；smax和smin分别为Normalmax和Normalmin对应的偏度，即偏度的上下限；kmax和kmin分别为Normalmax和Normalmin对应的峰度，即峰度的上下限；emax和emin分别为Normalmax和Normalmin对应的信息熵，即信息熵的上下限；cmax和cmin分别为Normalmax和Normalmin对应的质心，即质心的上下限；步骤四：计算在线输出N个样本对应的七个统计特征值；步骤五：将步骤四获得的七个统计特征值与步骤三获得的每个特征值...

【专利技术属性】
技术研发人员：俞洋，姜月明，杨智明，彭喜元，张晔，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23