專利名稱：基于rs-cmac的功率電子電路在線智能故障預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明公開了基于RS-CMAC的功率電子電路在線智能故障預(yù)測(cè)方法，屬于功率電子電路故障測(cè)試的技術(shù)領(lǐng)域。
背景技術(shù)：
機(jī)載功率電子裝置中的功率電路都是由功率元件構(gòu)成，當(dāng)置于一定的空間環(huán)境中時(shí)，其元件除遭受高頻啟動(dòng)/停止操作和過(guò)壓、過(guò)流操作外，其性能也極易受到外界的機(jī)械壓カ(沖擊)、EMI、環(huán)境溫/濕度、鹽堿度等應(yīng)カ的影響，這可能會(huì)造成器件參數(shù)的變化，如果變化較大超過(guò)了允許的范圍，則往往會(huì)導(dǎo)致電路輸出性能的惡化(例如波形質(zhì)量變差，THD 増加等)，甚至造成輸出功能失效，嚴(yán)重威脅飛行安全并最終影響飛行任務(wù)的順利執(zhí)行。機(jī)載功率電子裝置必須具備高可靠性，若功率電子裝置出現(xiàn)故障情況而未及時(shí)檢測(cè)，則可能會(huì)導(dǎo)致飛行控制系統(tǒng)失效、嚴(yán)重影響飛行器本身的安全，后果不堪設(shè)想。機(jī)載電源設(shè)備的高可靠性、強(qiáng)生存力、自主診斷和健康管理是迫切需要研究解決的技術(shù)難題，也一直受到了世界上各個(gè)軍事大國(guó)的極大重視，是目前國(guó)際上的學(xué)術(shù)研究前沿與熱點(diǎn)之一。目前，針對(duì)功率電子電路的故障預(yù)測(cè)方法主要分三種(1)基于故障物理模型的方法；(2)基于內(nèi)建“損傷標(biāo)尺”的方法；(3)基于數(shù)據(jù)驅(qū)動(dòng)的方法?；谀Ｐ偷姆椒?，需要建立系統(tǒng)精確模型及深入了解系統(tǒng)工作機(jī)理?；趽p傷標(biāo)尺的預(yù)測(cè)方法，是針對(duì)ー種或多種故障機(jī)理，以被監(jiān)控產(chǎn)品相同的エ藝過(guò)程制造出來(lái)的預(yù)期壽命比被監(jiān)控對(duì)象短的產(chǎn)品，設(shè)計(jì)預(yù)兆単元與主器件、電路、系統(tǒng)集成在一起，使其按ー定的機(jī)理在主電路或系統(tǒng)失效前提前失效，從而為宿主電路與系統(tǒng)的失效提供預(yù)警。基于數(shù)據(jù)驅(qū)動(dòng)的方法，即對(duì)現(xiàn)場(chǎng)監(jiān)控得到的數(shù)據(jù)進(jìn)行異常及其趨勢(shì)檢測(cè)或模式檢測(cè)，確定系統(tǒng)的健康狀態(tài)，然后使用趨勢(shì)分析結(jié)果來(lái)估計(jì)系統(tǒng)的故障發(fā)生時(shí)間。該方法無(wú)需了解電路內(nèi)部物理結(jié)構(gòu)，適用于復(fù)雜系統(tǒng)預(yù)測(cè)，應(yīng)用范圍廣，使得實(shí)時(shí)在線預(yù)測(cè)成為可能。現(xiàn)階段，功率電子電路故障預(yù)測(cè)多為電路中關(guān)鍵元器件的預(yù)測(cè)，選用故障特征參數(shù)多為元器件的參數(shù)，而對(duì)電路整體的故障預(yù)測(cè)研究很少。近年來(lái)，人工智能在預(yù)測(cè)領(lǐng)域發(fā)展迅猛。結(jié)合現(xiàn)有文獻(xiàn)和專利技木，電子電路的故障預(yù)測(cè)中，常用的人工智能方法包括神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、灰色系統(tǒng)、粒子濾波器、回歸樹、支持向量機(jī)等。人工智能方法的特點(diǎn)是學(xué)習(xí)能力強(qiáng)、無(wú)需建立精確的數(shù)學(xué)模型，其主要不足是存在知識(shí)獲取的瓶頸問(wèn)題，且知識(shí)難以維護(hù)、知識(shí)的“組合爆炸”和“無(wú)窮遞歸”、系統(tǒng)本身自適應(yīng)能力與學(xué)習(xí)能力存在不同程度的局限性等大大影響了故障預(yù)測(cè)的準(zhǔn)確性。其中，ネ申經(jīng)網(wǎng)絡(luò)對(duì)觀測(cè)序列沒(méi)什么限制，它幾乎可以對(duì)所有的時(shí)間序列進(jìn)行分析。特別是神經(jīng)網(wǎng)絡(luò)的非線性映射能力，使得它能夠廣泛應(yīng)用在非線性系統(tǒng)預(yù)測(cè)中。粗糙集(Rough Sets, RS)理論是由波蘭學(xué)者Pawlak于1982年提出的，作為ー種刻畫具有不完整性和不確定性信息的全新的數(shù)學(xué)工具，已經(jīng)成為人工智能領(lǐng)域的ー個(gè)新的學(xué)術(shù)熱點(diǎn)，國(guó)外已經(jīng)利用其取得不少成果，國(guó)內(nèi)研究尚處于起步階段。粗糙集數(shù)據(jù)分析((Rough Sets Date Analysis, RSDA)是ー種以RS為基礎(chǔ)的，分析數(shù)據(jù)之間相關(guān)性和依賴性的ー種符號(hào)方法。利用它可以從數(shù)據(jù)中提取規(guī)則，從而進(jìn)行預(yù)測(cè)和決策。小腦模型神經(jīng)網(wǎng)絡(luò)CMAC(CerebellarModel Articulation Controller,CMAC)是Albus提出的一種模仿腦連接的控制器。它學(xué)習(xí)速度快，且克服了 BP網(wǎng)絡(luò)的局部最優(yōu)問(wèn)題。近年來(lái)，CMAC廣泛應(yīng)用于實(shí)時(shí)控制、模式識(shí)別等領(lǐng)域。CMAC為前饋神經(jīng)網(wǎng)絡(luò)，是ー種表達(dá)復(fù)雜非線性函數(shù)的表格查詢型自適應(yīng)神經(jīng)網(wǎng)絡(luò)，由于基于局部學(xué)習(xí)，因此每次修正的權(quán)很少，學(xué)習(xí)速度快，適用于實(shí)時(shí)預(yù)測(cè)；具有連續(xù)模擬輸入輸出能力，泛化能力優(yōu)于一般的神經(jīng)網(wǎng)絡(luò)，因此具有更好的非線性逼近能力，適合于功率電子電路復(fù)雜動(dòng)態(tài)的非線性特點(diǎn)。然而由于普通CMAC模型的基等于1，因此其泛化能力受到影響。后來(lái)ー些研究者提出了 FuzzyCMAC0但是不論是基本的CMAC模型，還是模糊CMAC模型，當(dāng)樣本輸入維數(shù)較大時(shí)，需要的計(jì)算量是驚人的。目前，結(jié)合針對(duì)采用小腦神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)功率電子電路故障，存在計(jì)算量大的問(wèn)題，還沒(méi)有學(xué)者提出結(jié)合粗糙集數(shù)據(jù)分析的方法、小腦神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法來(lái)預(yù)測(cè)功率電子電路故障。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)上述背景技術(shù)的不足，提供了基于RS-CMAC的功率電子電路在線智能故障預(yù)測(cè)方法。本發(fā)明為實(shí)現(xiàn)上述發(fā)明目的采用如下技術(shù)方案基于RS-CMAC的功率電子電路在線智能故障預(yù)測(cè)方法，包括如下步驟步驟1，由待測(cè)功率從電子電路選擇測(cè)量節(jié)點(diǎn)，在線監(jiān)測(cè)所述測(cè)量節(jié)點(diǎn)的電壓、電流ィ目號(hào);步驟2，對(duì)步驟I中所述的測(cè)量節(jié)點(diǎn)的電壓、電流信號(hào)做小波閾值處理，得到故障特征樣本；步驟3，從步驟2所述的故障特征樣本提取電路性能參數(shù)，得到電路性能參數(shù)向量;步驟4，結(jié)合RS理論以及CMAC預(yù)測(cè)方法對(duì)步驟3所述的電路性能參數(shù)向量進(jìn)行趨勢(shì)預(yù)測(cè)，得到未來(lái)時(shí)刻電路性能參數(shù)的時(shí)間序列；步驟5，每過(guò)ー個(gè)采樣周期，重復(fù)步驟I至步驟4，根據(jù)實(shí)時(shí)更新的電路性能參數(shù)向量得到電路性能參數(shù)的時(shí)間序列；步驟6，利用步驟5所述電路性能參數(shù)的時(shí)間序列計(jì)算電路健康指標(biāo)，井比較計(jì)算得到的電路健康指標(biāo)以及電路健康閾值，繼而判定電路的健康狀況。所述基于RS-CMAC的功率電子電路在線智能故障預(yù)測(cè)方法中，步驟4的具體實(shí)施方法為針對(duì)電路性能參數(shù)向量中的每ー個(gè)電路性能參數(shù)建立ー個(gè)RS-CMAC模型；根據(jù)RS理論得到電路性能參數(shù)的映射規(guī)則庫(kù)；按照映射規(guī)則庫(kù)預(yù)測(cè)未來(lái)時(shí)刻電路性能參數(shù)的時(shí)間序列。本發(fā)明采用上述技術(shù)方案，具有以下有益效果結(jié)合了粗糙集理論，以及CMAC模型，利用粗糙集數(shù)據(jù)分析方法簡(jiǎn)化了 CMAC模型的輸入數(shù)據(jù)，提高了功率電子電路故障分析的效率。


圖I為基于RS-CMAC的功率電子電路在線智能故障預(yù)測(cè)方法的流程示意圖。圖2為小波閾值去噪的流程圖。圖3為RS-CMAC模型映射示意圖。圖4為buck電路的示意圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明如圖I所示，利用基于RS-CMAC的功率電子電路在線智能故障預(yù)測(cè)方法預(yù)測(cè)如圖4所示的buck電路故障。包括如下步驟 步驟1，由待測(cè)功率從電子電路選擇測(cè)量節(jié)點(diǎn)，在線監(jiān)測(cè)所述測(cè)量節(jié)點(diǎn)的電壓(輸入電壓Ui、輸出電壓U。)信號(hào)、電流(輸出電流I。)信號(hào)。步驟2，利用如圖2所示的小波閾值去噪方法，對(duì)步驟I中所述輸入電壓Ui、輸出電壓U。、輸出電流I。做小波閾值處理，得到故障特征樣本U' i、U,。、1'。。步驟3，從步驟2所述的故障特征樣本提取電路性能參數(shù)，得到電路性能參數(shù)向量(X1, X2,, Xi, . . . , XpI, 1=1, 2，. . .，P, P為電路性能參數(shù)的個(gè)數(shù)。提取的電路性能參數(shù)是反映電路健康狀況的參數(shù)，包括輸出平均電壓、輸出平均電流、輸出功率、輸入功率、效率、輸出電壓紋波、輸出電壓紋波比等，具體電路性能參數(shù)的個(gè)數(shù)取決于具體功率電子電路。本例中提取在電路失效過(guò)程中變化明顯的輸出電壓紋波比δ作為buck電路電路
性能參數(shù)。其中，·5=|χ1()()%，υΡΡ為輸出電壓紋波。由故障特征樣本U' i、U'。、1'。
uO
得到輸出電壓紋波比S的時(shí)間序列δ2、…δη。步驟4，結(jié)合RS理論以及CMAC預(yù)測(cè)方法對(duì)步驟3所述的電路性能參數(shù)向量進(jìn)行趨勢(shì)預(yù)測(cè)，得到未來(lái)時(shí)刻的電路性能參數(shù)向量。如圖3所示，針對(duì)電路性能參數(shù)向量Ix1, χ2，. · .，Xi，. · .，χρ}中的每一個(gè)電路性能參數(shù)建立一個(gè)RS-CMAC模型。每一個(gè)RS-CMAC模型包括4層結(jié)構(gòu)，其映射算法如下第I層為輸入層輸入電路性能參數(shù)Xi的一段時(shí)間序列(-1 ，…4，…，4)，j=l，2，…，m。設(shè)第一層共有m個(gè)節(jié)點(diǎn)，第j個(gè)節(jié)點(diǎn)對(duì)應(yīng)輸入向量的第j個(gè)時(shí)間序列分量Xijt5第2層中，每個(gè)節(jié)點(diǎn)代表一條規(guī)則，這些規(guī)則是基于粗糙集理論對(duì)數(shù)據(jù)集進(jìn)行約簡(jiǎn)后，然后進(jìn)行規(guī)則提取得到的。該層節(jié)點(diǎn)與第一層和第三層節(jié)點(diǎn)之間的連接取決于節(jié)點(diǎn)所表示的規(guī)則，即第二層的每個(gè)節(jié)點(diǎn)與第一層節(jié)點(diǎn)的連接表示規(guī)則的條件部分；與第三層節(jié)點(diǎn)的連接表示規(guī)則的結(jié)論部分。如果該節(jié)點(diǎn)表示一條最復(fù)雜的規(guī)則，那么它可能與第一層中的η個(gè)節(jié)點(diǎn)相連，且n〈m(m為第一層總的節(jié)點(diǎn)數(shù))。該層節(jié)點(diǎn)的作用函數(shù)為a i=xn · xi2 · Λ · xic(l彡i彡k)。其中，Xil · Xi2 · Λ · Xic表示與該節(jié)點(diǎn)連接的第一層節(jié)點(diǎn)的輸入值，c為與該節(jié)點(diǎn)連接的第一層節(jié)點(diǎn)的數(shù)目，k為規(guī)則的條數(shù)。第3層是輸出的不可分辨劃分，由于第二層節(jié)點(diǎn)表示精簡(jiǎn)后的規(guī)則，因此該層的節(jié)點(diǎn)可以與第三層對(duì)應(yīng)的O個(gè)或多個(gè)節(jié)點(diǎn)相連，該層神經(jīng)元的作用公式為
qΑ=Σ m^1("
/=I
其中，I為第三層的節(jié)點(diǎn)數(shù)，q為第二層的節(jié)點(diǎn)數(shù)，Wsi為連接權(quán)值，將其初始值預(yù)先設(shè)定為各規(guī)則的置信度。第4層，第四層為輸出層。該層節(jié)點(diǎn)輸出為y= Σ wiy/ j(2)。在這一層中，只有被激活的k個(gè)神經(jīng)元的連接權(quán)Wi得到修正(i = 1，2，…，k)。學(xué)習(xí)算法采用BP算法。當(dāng)網(wǎng)絡(luò)輸入為X時(shí)，設(shè)y為CMAC的實(shí)際輸出，yd為相應(yīng)的期望輸出，
誤差目標(biāo)函數(shù)為A，從而
SEQE+ WfU)-β—(3) OW-OWi其中，β是學(xué)習(xí)速率，在訓(xùn)練時(shí)是一個(gè)常數(shù)，取值(范圍O I)隨訓(xùn)練速度不同而不同。將電路性能參數(shù)Xi (i = 1，2，…，P)連續(xù)m個(gè)時(shí)刻的時(shí)間序列{xn，xi2，…，xjRS-CMAC模型的輸入；利用RS-CMAC對(duì){xn，xi2,…，xim}進(jìn)行前向k步預(yù)測(cè)，得到未來(lái)一段時(shí)
間電路的性能參數(shù){Xi,m+1，Xi,m+2,…，Xi,m+k}。而在本例子中，將(Tn時(shí)刻的δ i、δ 2、…δ η作為RS-CMAC網(wǎng)絡(luò)的輸入，為測(cè)試數(shù)據(jù)。RS-CMAC網(wǎng)絡(luò)共有四層，第一層為輸入層，節(jié)點(diǎn)數(shù)設(shè)為η。第二層分別將η個(gè)輸入量離散化后，按照不可辨關(guān)系進(jìn)行劃分，得到^個(gè)不同的值。定義該層神經(jīng)元的作用函數(shù)為Gauss
函數(shù)< =￡> 其中，i = 1，2，…，n;j = l,2, ···,!>該層的輸出個(gè)數(shù)為。第三層
計(jì)算每條規(guī)則的適用度μ 10如果規(guī)則的適用度μ I ^ Y，則該節(jié)點(diǎn)的輸出為=Vi=CIi · μ 1 其中，a i表示該層節(jié)點(diǎn)的作用函數(shù)a Fxil · χ 2 · Λ · xic;(l彡i彡k), Y為選定的常數(shù)。
η
否則刪除該節(jié)點(diǎn)。該層神經(jīng)元的個(gè)數(shù)為。第四層對(duì)于選定的I條規(guī)則激活相連接的權(quán)
/二 i
空間Wi,被激活的I個(gè)神經(jīng)元的連接權(quán)Wi得到修正，學(xué)習(xí)算法采用BP算法。fj = Σ w,r,，j
/=1
= 1,2，···，k，為前向k步預(yù)測(cè)的結(jié)果，即δη+1、δη+2、…5n+k步驟5，每過(guò)一個(gè)采樣周期，重復(fù)步驟I至步驟4，根據(jù)實(shí)時(shí)更新的電路性能參數(shù)向量得到電路性能參數(shù)的時(shí)間序列。離線訓(xùn)練RS-CMAC網(wǎng)絡(luò)，訓(xùn)練數(shù)據(jù)為故障仿真數(shù)據(jù)或故障經(jīng)驗(yàn)數(shù)據(jù)。步驟6，利用步驟5所述電路性能參數(shù)的時(shí)間序列計(jì)算電路健康指標(biāo)，并比較計(jì)算得到的電路健康指標(biāo)以及電路健康閾值，繼而判定、輸出電路的健康狀況。設(shè)電路正常工作時(shí)允許的輸出電壓紋波比為5%，則可由未來(lái)時(shí)刻的δη+1、δη+2、…δη+1 與閾值5%進(jìn)行比較，當(dāng)δ η+1> δ η+2>…δ n+k大于閾值5%時(shí),表不buck電路故障；否則，buck電路正常。綜上所述，本發(fā)明結(jié)合了粗糙集理論，以及CMAC模型，利用粗糙集數(shù)據(jù)分析方法簡(jiǎn)化了 CMAC模型的輸入數(shù)據(jù)，提高了功率電子電路故障分析的效率。上述buck電路的實(shí)施例僅為本發(fā)明的一個(gè)具體實(shí)施例，根據(jù)實(shí)際運(yùn)用中功率電子電路的復(fù)雜程度，選擇的電路性能參數(shù)個(gè)數(shù)有所不同，但預(yù)測(cè)故障的方法是相同的。因此，凡是本領(lǐng)域所述的功率電子電路均可以用本發(fā)明的方法進(jìn)行故障預(yù)測(cè)。
權(quán)利要求
1.基于RS-CMAC的功率電子電路在線智能故障預(yù)測(cè)方法，其特征在于包括如下步驟 步驟1，由待測(cè)功率從電子電路選擇測(cè)量節(jié)點(diǎn)，在線監(jiān)測(cè)所述測(cè)量節(jié)點(diǎn)的電壓、電流信號(hào); 步驟2，對(duì)步驟I中所述的測(cè)量節(jié)點(diǎn)的電壓、電流信號(hào)做小波閾值處理，得到故障特征樣本； 步驟3，從步驟2所述的故障特征樣本提取電路性能參數(shù)，得到電路性能參數(shù)向量；步驟4，結(jié)合RS理論以及CMAC預(yù)測(cè)方法對(duì)步驟3所述的電路性能參數(shù)向量進(jìn)行趨勢(shì)預(yù)測(cè)，得到未來(lái)時(shí)刻電路性能參數(shù)的時(shí)間序列； 步驟5，每過(guò)ー個(gè)采樣周期，重復(fù)步驟I至步驟4，根據(jù)實(shí)時(shí)更新的電路性能參數(shù)向量得到電路性能參數(shù)的時(shí)間序列； 步驟6，利用步驟5所述電路性能參數(shù)的時(shí)間序列計(jì)算電路健康指標(biāo)，井比較計(jì)算得到的電路健康指標(biāo)以及電路健康閾值，繼而判定電路的健康狀況。
2.根據(jù)權(quán)利要求I所述的基于RS-CMAC的功率電子電路在線智能故障預(yù)測(cè)方法，其特征在于所述步驟4的具體實(shí)施方法為針對(duì)電路性能參數(shù)向量中的每ー個(gè)電路性能參數(shù)建立ー個(gè)RS-CMAC模型；根據(jù)RS理論得到電路性能參數(shù)的映射規(guī)則庫(kù)；按照映射規(guī)則庫(kù)預(yù)測(cè)未來(lái)時(shí)刻電路性能參數(shù)的時(shí)間序列。
全文摘要
本發(fā)明公開了基于RS-CMAC的功率電子電路在線智能故障預(yù)測(cè)方法，屬于功率電子電路故障測(cè)試的技術(shù)領(lǐng)域。本發(fā)明通過(guò)實(shí)時(shí)監(jiān)測(cè)節(jié)點(diǎn)信號(hào)，小波去噪處理得到故障特征樣本，提取電路性能參數(shù)，建立RS-CMAC模型預(yù)測(cè)未來(lái)時(shí)刻電路性能參數(shù)的時(shí)間序列。本發(fā)明結(jié)合了粗糙集理論，以及CMAC模型，利用粗糙集數(shù)據(jù)分析方法簡(jiǎn)化了CMAC模型的輸入數(shù)據(jù)，提高了功率電子電路故障分析的效率。
文檔編號(hào)G01R31/28GK102830341SQ201210309930
公開日2012年12月19日 申請(qǐng)日期2012年8月28日 優(yōu)先權(quán)日2012年8月28日
發(fā)明者林華, 王友仁, 姜媛媛 申請(qǐng)人:南京航空航天大學(xué)