[发明专利]基于RS-CMAC的功率电子电路在线智能故障预测方法

说明书

技术领域

本发明公开了基于RS-CMAC的功率电子电路在线智能故障预测方法，属于功率电子电路故障测试的技术领域。

背景技术

机载功率电子装置中的功率电路都是由功率元件构成，当置于一定的空间环境中时，其元件除遭受高频启动/停止操作和过压、过流操作外，其性能也极易受到外界的机械压力（冲击）、EMI、环境温/湿度、盐碱度等应力的影响，这可能会造成器件参数的变化，如果变化较大超过了允许的范围，则往往会导致电路输出性能的恶化（例如：波形质量变差，THD增加等），甚至造成输出功能失效，严重威胁飞行安全并最终影响飞行任务的顺利执行。机载功率电子装置必须具备高可靠性，若功率电子装置出现故障情况而未及时检测，则可能会导致飞行控制系统失效、严重影响飞行器本身的安全，后果不堪设想。机载电源设备的高可靠性、强生存力、自主诊断和健康管理是迫切需要研究解决的技术难题，也一直受到了世界上各个军事大国的极大重视，是目前国际上的学术研究前沿与热点之一。

目前，针对功率电子电路的故障预测方法主要分三种：（1）基于故障物理模型的方法；（2）基于内建“损伤标尺”的方法；（3）基于数据驱动的方法。

基于模型的方法，需要建立系统精确模型及深入了解系统工作机理。基于损伤标尺的预测方法，是针对一种或多种故障机理,以被监控产品相同的工艺过程制造出来的预期寿命比被监控对象短的产品，设计预兆单元与主器件、电路、系统集成在一起，使其按一定的机理在主电路或系统失效前提前失效，从而为宿主电路与系统的失效提供预警。基于数据驱动的方法，即对现场监控得到的数据进行异常及其趋势检测或模式检测，确定系统的健康状态，然后使用趋势分析结果来估计系统的故障发生时间。该方法无需了解电路内部物理结构，适用于复杂系统预测，应用范围广，使得实时在线预测成为可能。

现阶段，功率电子电路故障预测多为电路中关键元器件的预测，选用故障特征参数多为元器件的参数，而对电路整体的故障预测研究很少。

近年来，人工智能在预测领域发展迅猛。结合现有文献和专利技术，电子电路的故障预测中，常用的人工智能方法包括神经网络、专家系统、灰色系统、粒子滤波器、回归树、支持向量机等。人工智能方法的特点是学习能力强、无需建立精确的数学模型，其主要不足是存在知识获取的瓶颈问题，且知识难以维护、知识的“组合爆炸”和“无穷递归”、系统本身自适应能力与学习能力存在不同程度的局限性等大大影响了故障预测的准确性。其中，神经网络对观测序列没什么限制，它几乎可以对所有的时间序列进行分析。特别是神经网络的非线性映射能力，使得它能够广泛应用在非线性系统预测中。

粗糙集(Rough Sets，RS)理论是由波兰学者Pawlak于1982年提出的，作为一种刻画具有不完整性和不确定性信息的全新的数学工具，已经成为人工智能领域的一个新的学术热点，国外已经利用其取得不少成果，国内研究尚处于起步阶段。粗糙集数据分析((Rough Sets Date Analysis，RSDA)是一种以RS为基础的，分析数据之间相关性和依赖性的一种符号方法。利用它可以从数据中提取规则，从而进行预测和决策。

小脑模型神经网络CMAC(Cerebellar Model Articulation Controller，CMAC)是Albus提出的一种模仿脑连接的控制器。它学习速度快，且克服了BP网络的局部最优问题。近年来，CMAC广泛应用于实时控制、模式识别等领域。CMAC为前馈神经网络，是一种表达复杂非线性函数的表格查询型自适应神经网络，由于基于局部学习，因此每次修正的权很少，学习速度快，适用于实时预测；具有连续模拟输入输出能力，泛化能力优于一般的神经网络，因此具有更好的非线性逼近能力，适合于功率电子电路复杂动态的非线性特点。然而由于普通CMAC模型的基等于1，因此其泛化能力受到影响。后来一些研究者提出了Fuzzy CMAC。但是不论是基本的CMAC模型，还是模糊CMAC模型，当样本输入维数较大时，需要的计算量是惊人的。

目前，结合针对采用小脑神经网络预测功率电子电路故障，存在计算量大的问题，还没有学者提出结合粗糙集数据分析的方法、小脑神经网络预测方法来预测功率电子电路故障。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了基于RS-CMAC的功率电子电路在线智能故障预测方法。

本发明为实现上述发明目的采用如下技术方案：

基于RS-CMAC的功率电子电路在线智能故障预测方法，包括如下步骤：