论文部分内容阅读
复杂电气与电子系统在航空、航天、航海、工业制造、核、新能源和高铁等领域中发挥了越来越重要的作用。模拟电路是复杂电气与电子系统的重要组成部分,其故障预测与健康管理(prognostics and health management,PHM)技术的研究,逐渐成为了热点方向。模拟电路的PHM对于复杂电气与电子系统的运行状态评估、异常发现、快速诊断、精准维修、提升系统运行可靠性和安全性等,均具有重要的价值和意义。 本文使用深度学习中的深度置信网络(deep belief network,DBN)技术提取模拟电路早期故障的特征,其中DBN中受限玻尔兹曼机(restricted Boltzmann machine,RBM)的学习率应用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化生成。应用支持向量机(support vector machine,SVM)方法建立早期故障诊断模型对各类早期故障进行识别。在模拟电路故障预测的研究中,针对模拟电路中已经识别的早期故障元件,提取其输出电压作为特征,计算其皮尔逊相关系数(Pearson product-moment correlation coefficient,PPMCC)作为健康度,应用多核相关向量机(multiple kernel relevance vector machine,MKRVM)方法预测其剩余有用性能(remaining useful performance,RUP)。本文主要工作如下: (1)针对当前故障诊断中特征提取方法的不足,重点研究了应用深度学习中DBN对模拟电路的早期故障特征进行提取的方法,对于影响基于DBN的特征提取方法效果的关键参数-RBM的学习率,提出一种应用QPSO算法进行优化取值的方法。应用提出的DBN方法提取模拟电路早期故障的特征作为样本数据,通过SVM方法建立早期故障诊断模型对各类早期故障进行识别,其中SVM的惩罚因子和宽度因子应用QPSO算法优化生成,可有效提高早期故障诊断的正确率。 (2)针对当前模拟电路故障预测研究较少的现状,重点研究了一种模拟电路故障预测的体系结构。在该体系结构中,首先提出了一种提取输出电压为模拟电路故障预测特征的方法,简单且效果好。提出了模拟电路元件健康度的概念,通过计算模拟电路元件退化时输出电压与元件位于标称值时输出电压的PPMCC,作为该元件的健康度。通过对该元件进行一个较长时间内输出电压的测量和健康度的计算,生成其样本数据。利用MKRVM算法对样本数据进行机器学习,建立其故障预测模型,从而预测该元件故障发生时间和计算其RUP,其中MKRVM核函数的稀疏系数由QPSO算法优化生成。 (3)以Sallen-Key带通滤波器电路、四运放双二阶高通滤波器电路和非线性整流电路为被测电路,针对被测电路中的元件进行模拟电路早期故障诊断实验和模拟电路故障预测实验。在早期故障诊断实验中,应用基于DBN的特征提取方法提取的各个早期故障类别的特征,表现出同一早期故障类别之间聚集程度高和不同早期故障类别之间重叠程度低的特点。经QPSO算法优化后的建立的SVM早期故障诊断模型,对3个电路进行早期故障诊断的正确率分别为100%、96.41%和100%。在故障预测实验中,本文提出的MKRVM方法对已于早期故障诊断中识别的8个元件进行了故障预测实验,预测的结果均在设定的置信区间中,表明了故障预测的精度较高,并通过对比实验证明了在故障预测方面MKRVM方法优于基于单核学习方法的传统RVM方法。