用于车辆部件的自动编码器行为建模的系统和方法技术方案

本公开涉及用于车辆部件的自动编码器行为建模的系统和方法。本文描述了车辆部件的自动编码器行为建模的系统和方法。一种用于电子设备健康预测的方法可以包括经由作为人工神经网络的部分的自动编码器将输入数据编码为精简特征集。该方法还可以包括对精简特征集进行解码。该方法还可以包括读取精简特征集作为输出。该方法还可以包括对主体设备和其它设备的特征进行编码，其中其它设备中的至少一个被指定为健康设备。该方法可以附加地包括基于阈值距离将其它设备的特征与健康设备集群相关联。该方法还可以附加地包括将主体设备的特征与健康设备集群相关联，其中基于离健康设备集群超过阈值距离而将主体设备标记为有故障。群超过阈值距离而将主体设备标记为有故障。群超过阈值距离而将主体设备标记为有故障。

System and method for automatic encoder behavior modeling of vehicle components

【技术实现步骤摘要】
用于车辆部件的自动编码器行为建模的系统和方法


[0001]本申请一般而言涉及人工神经网络，并且更具体而言，涉及用于对车辆部件行为进行建模的自动编码器。

技术介绍

[0002]电力电子模块(诸如在电动车辆中使用的那些)通常以高功率密度并且在高温条件中操作。因此，电力电子模块经历劣化或老化过程。涉及模块电流和电压以及设备温度的基本传感器输出数据可以用于检测异常(例如，键合线故障、管芯附接故障、基板分层等)，从而预测电力电子模块的故障。但是，可能难以确定在生产期间哪些电力电子模块可能是有故障的以及在现场接近故障的那些。

技术实现思路

[0003]在一个方面中，一种用于电子设备健康预测的方法可以包括经由作为人工神经网络的部分的自动编码器将输入数据编码为精简特征集(reduced feature set)。该方法还可以包括对精简特征集进行解码。该方法还可以包括读取精简特征集作为输出。该方法还可以包括对主体设备(subject device)和其它设备的特征进行编码，其中其它设备中的至少一个被指定为健康设备。该方法可以附加地包括基于阈值距离将其它设备的特征与健康设备集群(cluster)相关联。该方法还可以附加地包括将主体设备的特征与健康设备集群相关联，其中基于离健康设备集群超过阈值距离而将主体设备标记为有故障。
[0004]在另一方面中，一种电子设备健康预测系统可以包括非暂态存储器和耦合到非暂态存储器的处理器。该系统还可以包括人工神经网络，该人工神经网络包括自动编码器，该自动编码器被配置为利用处理器将输入数据编码为精简特征集。自动编码器还可以被配置为对精简特征集进行解码。自动编码器还可以被配置为读取精简特征集作为输出。该系统还可以包括测试模块，该测试模块被配置为对主体设备和其它设备的特征进行编码，其中其它设备中的至少一个被指定为健康设备。测试模块还可以被配置为基于阈值距离将其它设备的特征与健康设备集群相关联。测试模块可以附加地被配置为将主体设备的特征与健康设备集群相关联，其中离健康设备集群超过阈值距离的主体设备被标记为有故障。
[0005]在又一方面中，一种电子设备健康预测系统可以包括非暂态存储器和耦合到非暂态存储器的处理器。该系统还可以包括人工神经网络，该人工神经网络包括自动编码器，该自动编码器被配置为利用处理器来接收三个或更多个维度的多维输入特征集。自动编码器可以被配置为基于当主体设备开启时的多个时间来记录每个维度的中位数值(median value)。自动编码器可以附加地被配置为将输入数据编码为精简特征集。自动编码器还可以被配置为对精简特征集进行解码。自动编码器还可以被配置为读取精简特征集作为输出。该系统还可以包括测试模块，该测试模块被配置为对主体设备和其它设备的特征进行编码，其中其它设备中的至少一个被指定为健康设备。测试模块还可以被配置为基于马哈拉诺比斯距离(Mahalanobis distance)将其它设备的特征与健康设备集群相关联。测试模
块还可以附加地被配置为基于主体设备到精简特征集内的设备集群中的每个设备集群的相应距离来确定主体设备与其它设备集群中的哪个设备集群最相似。测试模块还可以附加地被配置为将主体设备的特征与健康设备集群相关联，其中具有超过离健康设备集群的阈值距离的马哈拉诺比斯距离的主体设备被标记为有故障。
[0006]结合附图，根据以下详细描述，将更加充分地理解由本文描述的实施例提供的这些特征和附加特征。
附图说明
[0007]在附图中阐述的实施例本质上是说明性和示例性的，并且不旨在限制由权利要求定义的主题。当结合以下附图阅读时，可以理解对说明性实施例的以下详细描述，其中相似的结构用相似的附图标记指示，并且其中：
[0008]图1A是图示根据本文示出和描述的一个或多个实施例的用于自动编码器训练阶段的示例性系统的框图；
[0009]图1B是图示根据本文示出和描述的一个或多个实施例的用于自动编码器测试阶段的示例性系统的框图；
[0010]图2是示意性地图示根据本文示出和描述的一个或多个实施例的利用K均值(K
‑
means)对在经编码的特征中观察到的训练集特征进行聚类的示例性自动编码过程的图；
[0011]图3是示意性地图示根据本文示出和描述的一个或多个实施例的利用K均值在健康未知的另一设备中测试新观察到的特征的示例性自动编码过程的图；
[0012]图4是图示根据本文示出和描述的一个或多个实施例的当设备在操作时随着使负载电阻或占空比循环而变化的设备的观察到的操作点的示例性曲线图；
[0013]图5是图示根据本文示出和描述的一个或多个实施例的示例电力电子设备的开启状态电阻和电阻的指数加权移动平均的示例性曲线图；
[0014]图6A是图示根据本文示出和描述的一个或多个实施例的T2统计中的示例性电力电子设备的开启状态电阻的主成分分析的示例性曲线图；
[0015]图6B是图示根据本文示出和描述的一个或多个实施例的Q统计中的示例性电力电子设备的开启状态电阻的主成分分析的示例性曲线图；
[0016]图7A是图示根据本文示出和描述的一个或多个实施例的T2统计中的示例性电力电子设备的开启状态电阻的指数加权移动平均的示例性曲线图；
[0017]图7B是图示根据本文示出和描述的一个或多个实施例的Q统计中的示例性电力电子设备的开启状态电阻的指数加权移动平均的示例性曲线图；
[0018]图8图示了根据本文描述和图示的一个或多个实施例的用于离群值检测(outlier detection)的视觉聚类的流程图；
[0019]图9图示了根据本文描述和图示的一个或多个实施例的用于异常检测的指数加权移动平均自动编码器的流程图；
[0020]图10图示了根据本文描述和图示的一个或多个实施例的用于异常检测的指数加权移动平均主成分分析的流程图；以及
[0021]图11是图示根据本文示出和描述的一个或多个实施例的在一个或多个设备中用于实现各种系统和过程的计算硬件的框图。
具体实施方式
[0022]本公开的实施例涉及利用具有神经网络的自动编码器将输入数据编码为精简特征集来预测电力电子设备故障。具体而言，训练阶段可以被用于训练神经网络以识别健康设备行为，包括健康设备的操作点随时间的漂移。可以使用设备的集群对设备行为进行建模，其中给定设备与各种集群之间的马哈拉诺比斯距离可以被用于学习随时间的健康与不健康设备行为。然后测试阶段可以被用于分析给定设备，以确定该设备是与健康设备的集群还是不健康设备的集群更紧密地相关联。设备可以是车辆电力设备，其可以包括半导体开关设备。非限制性示例可以包括绝缘栅双极型晶体管、功率晶体管、双极型静态感应晶体管、功率MOSFET等。
[0023]转到图1A，在以自动编码器(即，无监督的人工神经网络)为特征的实施例中，描绘了自动编码器训练阶段100，如本文进一步讨论的，自动编码器利用编码器和解码器。训练中位数数据102可以以在任何合适尺寸的数据集内与正通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于电子设备健康预测的方法，包括：经由自动编码器将输入数据编码为精简特征集，所述自动编码器作为人工神经网络的部分；对所述精简特征集进行解码；读取所述精简特征集作为输出；对主体设备和其它设备的特征进行编码，其中所述其它设备中的至少一个被指定为健康设备；基于阈值距离将所述其它设备的特征与健康设备集群相关联；以及将所述主体设备的特征与所述健康设备集群相关联，其中基于离所述健康设备集群超过所述阈值距离而将所述主体设备标记为有故障。2.如权利要求1所述的方法，还包括接收三个或更多个维度的多维输入特征集。3.如权利要求2所述的方法，其中所述多维输入特征集包括多个二极管温度、外壳到散热器的温度差、漏极到源极的电压、漏极到源极的电流、栅极到源极的电压、功率以及估计的热阻。4.如权利要求2所述的方法，还包括基于从当设备开启时的多个时间获得的测量来记录每个维度的中位数值。5.如权利要求4所述的方法，还包括输入每个维度的中位数值以产生二维空间。6.如权利要求1所述的方法，其中所述阈值距离包括马哈拉诺比斯距离。7.如权利要求1所述的方法，还包括：利用在训练阶段中学习的经训练的模型对所述其它设备的特征进行编码并将所述其它设备的特征相关联；以及基于多个阈值距离中的相应距离将所述其它设备的特征与在所述训练阶段中找到的集群相关联。8.如权利要求7所述的方法，包括基于所述主体设备到所述精简特征集内的设备集群中的每个设备集群的相应距离来确定所述主体设备与哪个设备集群最相似。9.如权利要求7所述的方法，还包括根据K均值聚类对在经编码的特征中观察到的训练集特征进行聚类。10.如权利要求7所述的方法，其中训练阶段包括：基于当所述主体设备开启时的多个时间，通过将测试数据馈送到所述自动编码器中，对来自所述测试数据的特征进行编码；以及在两个维度中绘制经编码的特征。11.一种电子设备健康预测系统，包括：非暂态存储器和耦合到所述非暂态存储器的处理器；人工神经网络，所述人工神经网络包括：自动编码器，所述自动编码器被配置为利用所述处理器：将输入数据编码为精简特征集；对所述精简特征集进行解码；以及读取所述精简特征集作为输出；以及测试模块，所述测试模块被配置为：
对主体设备和其它设备的特征进行编码，其中所述其它设备中的至少一个被指定为健康设备；基于阈值距离将所述其它设备的特征与健康设备集群相关联；以及将所述主体设备的特征与所述健康设备集群相关联，其中离所述健康设备集群超过阈值距离...

【专利技术属性】
技术研发人员：D，
申请(专利权)人：康涅狄格州大学，
类型：发明
国别省市：