一种基于机器学习的DC-DC电源的健康状态监测方法技术

本发明专利技术实施例提供的一种基于机器学习的DC

【技术实现步骤摘要】
一种基于机器学习的DC
‑
DC电源的健康状态监测方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术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。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术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：
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]其中，所述退化特征参数包括：频率响应最大值A
m
、频率响应最大值A
m
对应频率F
m
、单位增益带宽频率F
c
、幅频曲线均值mean、幅频波形峰度kurt。
[0014]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。
[0015]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：
[0016]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。
[0017]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：
[0018]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。
[0019]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：
[0020]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；
[0021]使用预设的参数算法，计算学习参数；
[0022]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；
[0023]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。
[0024]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：
[0025]使用预设的参数算法，计算学习参数；
[0026]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：
[0027]使用参数计算公式，计算学习参数；
[0028]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，
A
ij
表示电路从状态i转移到状态j的概率，发射矩阵为B，μ
i
，∑
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，μ
i
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；
[0029本文档来自技高网...

【技术保护点】

【技术特征摘要】
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A
m
、频率响应最大值A
m
对应频率F
m
、单位增益带宽频率F
c
、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...

【专利技术属性】
技术研发人员：张艺蒙，徐帅，吕红亮，张玉明，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：