一种开关电源剩余使用寿命预测方法及系统技术方案

本发明专利技术涉及一种开关电源剩余使用寿命预测方法，所述方法基于开关电源的输出电压的时频谱，对开关电源进行状态识别，并进一步的基于SIR与HSMM结合的算法对其性能退化状态进行递推估计，实现开关电源剩余使用寿命预测，即基于数据驱动的方法实现开关电源剩余使用寿命预测，无需建立开关电源的物理模型，克服了由于开关电源的结构组成的复杂性造成基于物理模型的预测方法中的物理模型建立困难的技术缺陷。术缺陷。术缺陷。

【技术实现步骤摘要】
一种开关电源剩余使用寿命预测方法及系统


[0001]本专利技术设计电源系统寿命预测
，特别涉及一种开关电源剩余使用寿命预测方法及系统。

技术介绍

[0002]开关电源具有体积小、功耗低、效率高、稳压范围宽等特点。因此，它被广泛应用于车辆、船舶、飞机等行业。在开关电源单元中，由于电压高、温度高、振动大等原因，电容器和场效应晶体管的退化率和故障率较高。对于控制系统来说，如果开关电源单元出现故障是非常危险的，因为它会导致错误控制或控制故障。因此，有必要对开关电源的剩余使用寿命预测进行研究。
[0003]剩余使用寿命预测方法可分为两大类：基于模型的方法和数据驱动的方法。基于模型的方法通常从对象的失效机理出发，建立性能退化量与应力(高温、高压、强振动等)之间的关系，并获得性能退化的物理模型，从而分析对象的剩余使用寿命。但通常情况下，由于环境和工作条件的多样性，很难建立准确的物理模型。而且对于开关电源，由于大量电子元件之间的复杂相关性，使用基于模型的方法来分析退化更加困难。如何实现开关电源的寿命的预测成为一个亟待解决的技术问题。

技术实现思路

[0004]本专利技术的目的是提供一种开关电源剩余使用寿命预测方法及系统，以基于数据驱动的方法实现开关电源剩余使用寿命预测。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种开关电源剩余使用寿命预测方法，所述方法包括如下步骤：
[0007]获取开关电源的输出电压的当前时频谱；
[0008]根据所述当前时频谱，利用训练好的ResNet模型，确定所述开关电源的当前性能退化状态；
[0009]根据开关电源的当前性能退化状态和当前时频谱，采用SIR与HSMM结合的算法，对开关电源的性能退化状态进行递推估计，确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间；
[0010]根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间，确定所述开关电源的剩余寿命。
[0011]可选的，所述根据所述当前时频谱，利用训练好的ResNet模型，确定所述开关电源的当前性能退化状态，之前还包括：
[0012]获取已失效开关电源样本的全寿命周期的输出电压数据；
[0013]根据已失效开关电源样本的全寿命周期的输出电压数据，利用公式
计算已失效开关电源样本的全寿命周期的波纹电压数据；其中，V
ω
表示已失效开关电源样本的波纹电压，V0表示已失效开关电源样本的输出电压，V
i
表示已失效开关电源样本的输入电压，f
s
表示已失效开关电源样本的开关频率，L是已失效开关电源样本的电感值，C是已失效开关电源样本的电容值，ESR是已失效开关电源样本的电容的等效电阻；
[0014]根据已失效开关电源样本的全寿命周期的波纹电压数据，采用模糊C均值聚类算法，确定开关电源的性能退化状态的数量，及每个所述波纹电压数据对应的性能退化状态；
[0015]将每个所述波纹电压数据对应性能退化状态作为所述波纹电压数据对应的输出电压数据的标签，分别将每个所述输出电压数据的时频谱数据作为输入，每个所述输出电压数据的标签作为输出构建训练集和测试集；
[0016]利用训练集和测试集对所述ResNet模型进行训练和测试，获得训练好的ResNet模型。
[0017]可选的，所述根据开关电源的当前性能退化状态和当前时频谱，采用SIR与HSMM结合的算法，对开关电源的性能退化状态进行递推估计，确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间，具体包括：
[0018]根据开关电源的当前性能退化状态，确定HSMM模型的初始性能退化状态概率分布和初始性能退化状态转移概率矩阵；
[0019]利用所述初始性能退化状态概率分布构建SIR算法的初始粒子集；
[0020]以所述初始性能退化状态转移概率矩阵和初始粒子集为基础，采用SIR算法对开关电源的性能退化状态进行递推估计，确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间。
[0021]可选的，所述以所述初始性能退化状态转移概率矩阵和初始粒子集为基础，采用SIR算法对开关电源的性能退化状态进行递推估计，确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间，具体包括：
[0022]初始化性能退化次数m的数值为0；
[0023]根据k
‑
1时刻得到的粒子集通过k
‑
1时刻得到的性能退化状态转移概率矩阵A
k
‑1，预测k时刻的粒子集为：其中，表示根据预测得到的概率，表示k时刻的粒子i；
[0024]根据HSMM模型的观测状态概率矩阵，利用公式和计算k时刻的每个粒子的权值；其中，和分别表示k时刻的粒子i和粒子j的归一化后的权值，i＝1,2,3，
…
，N
k
，j＝1,2,3，
…
，N
k
，N
k
表示k时刻的粒子的数量，
表示k时刻的粒子i的归一化前的权值，y
k
表示已失效开关电源样本的全寿命周期的时频谱数据中对应的k时刻的时频谱，B表示HSMM模型的观测状态概率矩阵，表示在粒子集中y
k
的概率(即权值)；
[0025]根据k时刻的粒子集和k时刻的每个粒子的权值，计算k时刻性能退化的估计值其中，表示k时刻的粒子i，N
k
表示k时刻的粒子的数量；
[0026]根据k时刻性能退化的估计值判断开关电源是否退化至下一个性能退化状态，获得第一判断结果；
[0027]若所述第一判断结果表示是，则将k的数值赋值给性能退化时刻k
m
，令m的数值增加1，并判断r+m的数值是否大于性能退化状态数量总值，获得第二判断结果；其中，r表示当前性能退化状态；
[0028]若所述第一判断结果表示否或所述第二判断结果表示否，则利用公式计算k时刻的累计时间，利用公式A
k
＝P(d
k
)+(I
‑
P(d
k
))
·
A0，计算k时刻的性能退化状态转移概率矩阵A
k
；其中，为k
‑
1时刻性能退化状态的估计值，A0为初始性能退化状态转移概率矩阵，d
k
‑1和d
k
分别为k
‑
1时刻和k时刻的累计时间，P(d
k
)为驻留时间为d
k
的概率矩阵，I为单位矩阵；并令k的数值为1，返回步骤“根据k
‑
1时刻得到的粒子集通过k
‑
1时刻得到的性能退化状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种开关电源剩余使用寿命预测方法，其特征在于，所述方法包括如下步骤：获取开关电源的输出电压的当前时频谱；根据所述当前时频谱，利用训练好的ResNet模型，确定所述开关电源的当前性能退化状态；根据开关电源的当前性能退化状态和当前时频谱，采用SIR与HSMM结合的算法，对开关电源的性能退化状态进行递推估计，确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间；根据当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间，确定所述开关电源的剩余寿命。2.根据权利要求1所述的开关电源剩余使用寿命预测方法，其特征在于，所述根据所述当前时频谱，利用训练好的ResNet模型，确定所述开关电源的当前性能退化状态，之前还包括：获取已失效开关电源样本的全寿命周期的输出电压数据；根据已失效开关电源样本的全寿命周期的输出电压数据，利用公式计算已失效开关电源样本的全寿命周期的波纹电压数据；其中，V
ω
表示已失效开关电源样本的波纹电压，V0表示已失效开关电源样本的输出电压，V
i
表示已失效开关电源样本的输入电压，f
s
表示已失效开关电源样本的开关频率，L是已失效开关电源样本的电感值，C是已失效开关电源样本的电容值，ESR是已失效开关电源样本的电容的等效电阻；根据已失效开关电源样本的全寿命周期的波纹电压数据，采用模糊C均值聚类算法，确定开关电源的性能退化状态的数量，及每个所述波纹电压数据对应的性能退化状态；将每个所述波纹电压数据对应性能退化状态作为所述波纹电压数据对应的输出电压数据的标签，分别将每个所述输出电压数据的时频谱数据作为输入，每个所述输出电压数据的标签作为输出构建训练集和测试集；利用训练集和测试集对所述ResNet模型进行训练和测试，获得训练好的ResNet模型。3.根据权利要求1所述的开关电源剩余使用寿命预测方法，其特征在于，所述根据开关电源的当前性能退化状态和当前时频谱，采用SIR与HSMM结合的算法，对开关电源的性能退化状态进行递推估计，确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间，具体包括：根据开关电源的当前性能退化状态，确定HSMM模型的初始性能退化状态概率分布和初始性能退化状态转移概率矩阵；利用所述初始性能退化状态概率分布构建SIR算法的初始粒子集；以所述初始性能退化状态转移概率矩阵和初始粒子集为基础，采用SIR算法对开关电源的性能退化状态进行递推估计，确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间。4.根据权利要求2所述的开关电源剩余使用寿命预测方法，其特征在于，所述以所述初
始性能退化状态转移概率矩阵和初始粒子集为基础，采用SIR算法对开关电源的性能退化状态进行递推估计，确定所述开关电源的当前性能退化状态的剩余时间和所述当前性能退化状态之后的各个性能退化状态的驻留时间，具体包括：初始化性能退化次数m的数值为0；根据k
‑
1时刻得到的粒子集通过k
‑
1时刻得到的性能退化状态转移概率矩阵A
k
‑1，预测k时刻的粒子集为：为：其中，表示根据预测得到的概率，表示k时刻的粒子i；根据HSMM模型的观测状态概率矩阵，利用公式和计算k时刻的每个粒子的权值；其中，和分别表示k时刻的粒子i和粒子j的归一化后的权值，i＝1,2,3，
…
，N
k
，j＝1,2,3，
…
，N
k
，N
k
表示k时刻的粒子的数量，表示k时刻的粒子i的归一化前的权值，y
k
表示已失效开关电源样本的全寿命周期的时频谱数据中对应的k时刻的时频谱，B表示HSMM模型的观测状态概率矩阵，表示在粒子集中y
k
的概率；根据k时刻的粒子集和k时刻的每个粒子的权值，计算k时刻性能退化的估计值和k时刻的每个粒子的权值，计算k时刻性能退化的估计值根据k时刻性能退化的估计值判断开关电源是否退化至下一个性能退化状态，获得第一判断结果；若所述第一判断结果表示是，则将k的数值赋值给性能退化时刻k
m
，令m的数值增加1，并判断r+m的数值是否大于性能退化状态数量总值，获得第二判断结果；其中，r表示当前性能退化状态；若所述第一判断结果表示否或所述第二判断结果表示否，则利用公式计算k时刻的累计时间，利用公式A
k
＝P(d
k
)+(I
‑
P(d
k
))
·
A0，计算k时刻的性能退化状态转移概率矩阵A
k
；其中，为k
‑
1时刻性能退化状态的估计值，A0为初始性能退化状态转移概率矩阵，d
k
‑1和d
k
分别为k
‑
1时刻和k时刻的累计时间，P(d
k
)为驻留时间为d
k
的概率矩阵，I为单位矩阵；并令k的数值为1，返回步骤“根据k
‑
1时刻得到的粒子集通过k
‑
1时刻得到的性能退化状态转移概率矩阵A
k
‑1，预测k时刻的粒子集为：为：若所述第二判断结果表示是，则输出当前性能退化状态的剩余时间当前性能退化
状态之后的各个性能退化状态的驻留时间5.根据权利要求4所述的开关电源剩余使用寿命预...

【专利技术属性】
技术研发人员：田桂双，石健，郭庆，乔雅静，王少萍，
申请(专利权)人：北京航空航天大学宁波创新研究院，
类型：发明
国别省市：