基于EEMD-Prophet的电路故障预测方法技术

本发明专利技术提供一种基于EEMD

【技术实现步骤摘要】
基于EEMD
‑
Prophet的电路故障预测方法


[0001]本专利技术涉及一种基于集合经验模态分解与Prophet模型(EEMD
‑
Prophet)的电路故障预测方法，属于电路故障预测


技术介绍

[0002]在电路故障预测的研究中，由于失效模型复杂、非线性问题、器件老化、温度漂移以及器件公差等问题的存在，现有预测系统大多复杂且低效。众所周知，意外的电路故障可能导致严重的经济影响，因此预防电路故障是目前迫切需要解决的一个热点问题。
[0003]在电子产品故障预测中，通常是利用特征参数提取方法，得到反映电路状态的特征参数，然后选择合适的故障预测算法预测参数的变化趋势，对其进行健康评估，确定故障阈值以确定电路发生故障时刻。对于电子产品故障来说，退化引起的故障预测其实是一种时间序列问题，故障预测方法主要包括选取合适的算法和对应的参数。是否选取了正确的算法，算法模型是否适合该场景，以及是否适用电子产品输出响应的预测，这些因素都决定了能否合理准确地预测出特征参数的变化趋势。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供一种基于集合经验模态分解(EEMD)与Prophet模型的电路故障预测方法，以实现电路的健康状态评估和故障预测。其中，该方法可以分为三个主要部分：提取健康评估参数、建立电路故障预测模型以及评价预测方法。
[0005]提取健康评估参数：
[0006]电子设备在运行过程中，由于元件会发生参数漂移，周围环境及温度会发生改变，这些因素会影响电子设备的性能使其发生退化。电路运行时健康状态随时间变化曲线如图1所示，一开始电路正常运行，随着时间的增加，电路中元器件可能发生故障，此时电路的性能开始下降，直到电路故障检测点前，电路仍处于正常运行状态，在电路故障检测点之后，电路性能继续下降，直至功能失效点时电路发生故障。
[0007]为了更好的反映电路在运行过程中的状态，需要在电路检测点和功能失效点之间对电路健康状态进行评估，本专利技术根据当前工作状态与正常工作状态下的样本相似度来评估当前运行状态，提取健康评估参数的具体步骤如下：
[0008]步骤一，对待测电路进行加速退化试验，在试验过程中实时监测电路的输出电压值；
[0009]步骤二，利用集合经验模态分解(EEMD)将输出电压的信号峰峰值降噪分解成多个基态分量(IMF)，计算该多个基态分量的能量作为特征提取向量；
[0010]各基态分量能量的计算公式为：
[0011][0012]其中，C
a
(i)表示第a个IMF，k表示C
a
(i)的长度。
[0013]步骤三，计算退化过程中的特征提取向量与原始状态下的特征提取向量之间的马氏距离值，并将其作为电路的健康评估参数；
[0014]马氏距离(MD)的原理是用两个样本之间的协方差来代表两个样本的相似度，其大小与相似程度呈正相关。相比于表明样本相似度的其他距离，马氏距离不受量纲影响，并能考虑到各变量间的相关性，使得计算出的距离值不受量纲的影响，在进行分析时占据着一定的优势。
[0015]设退化过程中的特征提取向量为X，原始状态下的特征提取向量为Y，Σ是X与Y的协方差矩阵，则样本X与Y之间的马氏距离可表示为：
[0016][0017]建立电路故障预测模型：
[0018]在电路实际运行过程中，电路的退化不明显导致信号变化微弱，需要长时间的预测来反映该电路的退化情况，因此本专利技术选用Prophet模型对电路健康状态的变化趋势进行预测。
[0019]Prophet模型的工作流程如图2所示，该时间序列模型能够实现快速迭代优化，具体表现在整合了建模与评估两大模块，可自动进行环形分析。相比于传统的时间序列，Prophet方法更多考虑时间在结构上的依赖关系。Prophet模型凭借特有的灵活性、鲁棒性和模型参数可解释性，在长时间的预测中表现较好，可以预测所需的时间变量。
[0020]Prophet模型将时间序列整体分解为三个部分：增长趋势、季节趋势及节假日的影响，具体的函数分解如下：
[0021]y(t)＝g(t)+s(t)+h(t)+ε
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0022]其中，g(t)表示趋势项，代表该时间序列在非周期上面的变化趋势，即增长趋势；s(t)表示时间序列周期上的变化情况，即季节趋势；h(t)表示节假日项；ε
t
表示误差或是剩余项。
[0023]将公式(2)所得的健康评估参数划分为训练集和测试集，训练Prophet故障预测模型，并利用训练好的模型得到电路参数的预测值与置信区间，以此来实现电路的健康状态评估和故障预测。
[0024]评价预测方法：
[0025]在选择Prophet模型进行预测时，需要对该预测方法进行评估，通常比较预测值与实际值的差距来进行评估，设序列A＝{a1,a2,
…
,a
m
}为实际值，B＝{b1,b2,
…
,b
m
}为预测值，则有相对误差(RE)为：
[0026][0027]相对误差指绝对误差与实际值的比值，更能明确表示出预测值与实际值之间的距离，本专利技术将其作为预测方法精度的评价指标。计算所得电路参数预测值的相对误差，以此来实现对预测方法的评价。
[0028]本专利技术的优点及有益效果在于：
[0029]针对现有电路预测系统复杂且低效的问题，本专利技术提出一种基于集合经验模态分解与Prophet模型(EEMD
‑
Prophet)的电路故障预测方法。该方法利用集成经验模态分解
(EEMD)对提取到的退化数据进行处理，计算该多个基态分量的能量作为特征提取向量，并将退化过程中的特征提取向量与原始状态下的特征提取向量的马氏距离作为电路的健康评估参数。在此基础上，用提取到的健康评估参数训练Prophet模型，进而获得预测值与置信区间，并以预测值的相对误差作为评价预测方法精度的指标，在电路故障预测中具有较好的实用价值。
附图说明
[0030]图1是电路运行时健康状态变化示意图。
[0031]图2是本专利技术中所采用的Prophet模型工作流程。
[0032]图3是本专利技术中所提出的基于EEMD
‑
Prophet的电路故障预测方法的详细流程。
[0033]图4是本专利技术实施案例中所用到的信号调理放大系统总体功能图。
[0034]图5是本专利技术实施案例中电路峰峰值电压随温度变化图。
[0035]图6是本专利技术实施案例中电路第三路峰峰值电压随温度变化图。
[0036]图7是本专利技术实施案例中Prophet模型预测结果图。
具体实施方式
[0037]本专利技术的具体实施流程如图3所示。本专利技术是一种基于EEMD
‑
Prophet的电路故障预测方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EEMD
‑
Prophet的电路故障预测方法，其特征在于，具体步骤如下：步骤一，对待测电路进行加速退化试验，在试验过程中实时监测电路的输出电压值；步骤二，利用集合经验模态分解EEMD将输出电压的信号峰峰值降噪分解成多个基态分量IMF，计算该多个基态分量的能量作为特征提取向量；步骤三，计算退化过程中的特征提取向量与原始状态下的特征提取向量之间的马氏距离值，并将其作为电路的健康评估参数；步骤四，将健康评估参数划分为训练集和测试集，训练Prophet故障预测模型，并利用训练好的模型得到预测值与置信区间；步骤五，计算预测值的相对误差，并将其作为预测方法精度的评价指标。2.根据权利要求1所述的基于EEMD
‑
Prophet的电路故障预测方法，其特征在于：在步骤二中，各基态分量能量的计算公式为：其中，C
a
(i)表示第a个IMF，k表示C
a
(i)的长度。3.根据权利要求1所述的基于EEMD
‑
Prophet的电路故障预测方法，其特征在于：在步骤三中，马氏距离MD的原理是用两个样本之间的协方差来代表两个样本的相似度，其大小与相似程度呈正相关；马氏距离不受量纲影响，并能考虑到各变量间的相关性，使得计算出的距离值不受量纲的影响，在进行分析时占据着优势；设退化过程中的特征提取向量为X，原始状态下的特征提取向量为Y，Σ是X与Y的协方差矩阵，则样本X与Y之间的马氏距离表示为：4.根据权利要求3所述的基于EEMD
‑
Prophet的电路故障预测方法，其特征在于：在步骤四中，在模拟电路的实际运行中，电路的退化不明显导致信号变化...

【专利技术属性】
技术研发人员：胡薇薇，朱旭岚，范慧，李明，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：