[发明专利]基于多SVDD模型的DC‑DC变换器健康监测与故障预测方法

说明书

技术领域

本发明涉及一种基于多SVDD模型的DC-DC变换器健康监测与故障预测方法，属于可靠性评估及故障预测领域。

背景技术

随着飞机用电设备的日益增多，机载电子设备的用电量大幅增加，对飞机电源系统的供电品质提出了更高的要求。DC-DC变换器作为飞机电源系统的重要组成部分，为各种机载电子设备提供直流工作电源。DC-DC变换器长期运作在高空恶劣环境下，其发生故障的潜在可能性相对较大，一旦发生故障将对整个飞机电源系统造成重大损失。因此，需要对DC/DC变换器进行故障预测技术研究，以便及时预知故障的发生，并采取相应维护措施，降低故障损失。

DC-DC变换器的故障可分为结构性和参数性故障。结构性故障主要指开路或短路故障，其发生的时间较短暂，所表现的征兆没有确定性发展趋势。参数性故障主要由各元器件性能退化所引起，退化过程可以通过某些信息量的变化来表现。国内外对DC/DC变换器故障诊断技术进行了较多研究，尤其是针对开路和短路故障，提出了一系列检测、诊断方法。而关于DC-DC变换器故障预测技术的研究多以变换器中关键元器件为目标对象，虽然目前存在少数关于DC-DC变换器系统级故障预测方法的研究，但是仅以单一性能参数(如输出纹波电压等)来评估电路性能退化状况，并未全面考虑所有元器件的性能退化对DC/DC变换器特性的影响。虽然采用单一信息也可以对DC-DC变换器进行故障，但得到的预测结果往往具有很强的不确定性，无法实现准确的DC-DC变换器故障预测。

因此，可利用信息融合技术综合DC-DC变换器多个性能退化数据，消除各信息之间的冗余和矛盾，并利用各性能参数的差异性和互补性弥补单一信息的缺陷，得到可全面评估与预测DC-DC变换器健康状况的特征参数，从而降低预测的不确定性。

发明内容

本发明为了解决目前DC-DC变换器故障特征参数多为单信息参数，无法全面、准确反映电路性能退化状况的问题，提出基于多支持向量数据描述(Support Vector Data Description，SVDD)模型的DC-DC变换器故障特征参数提取方法，并将其用于健康监测与故障预测中。

SVDD方法是在支持向量机(Support Vector Machine，SVM)基础上发展起来的单值分类方法，可有效处理小样本或故障数据缺失条件下的故障预测问题，具有计算速度快、鲁棒性强等优点。在对DC-DC变换器进行健康监测与故障预测的过程中，研究的关注点不仅局限于电路是否发生异常或故障，还包括对故障程度的预测与判决。因此，在仅存在电路健康样本数据的情况下，可利用健康样本训练SVDD模型，并通过计算待测样本到健康SVDD的距离来评估电路的性能退化程度。

本发明通过对健康状态下的DC-DC变换器的多个关键性能参数进行训练，获取多个SVDD模型，确定健康基准值，并计算待测DC-DC变换器性能参数到相应SVDD模型球心的相对距离加权之和，提取DC-DC变换器故障特征参数，对变换器进行健康监测及故障预测。

本发明为解决其技术问题，采用如下技术方案：

基于多SVDD模型的DC-DC变换器健康监测与故障预测方法，包括以下步骤：

步骤1、针对DC-DC变换器进行故障模式、机理及影响分析(Failure modes，Mechanisms，and effects analysis，FMMEA)，根据分析结果得到电路主要的故障模式及故障元件，确定需监测的电路状态信号为输入电压u_i、输入电流i_i、输出电压u_o、输出电流i_o，需计算的性能参数为输出电压平均值U_o、输出纹波电压U_pp和效率η；将每个故障模式的严重性、发生概率划分为了5个等级，依次用1-5表示故障严重性和发生概率的程度，计算二者乘积得到风险系数(Risk Priority Number，RPN)，以风险系数的大小表示故障模式风险等级的高低；

步骤2、采集健康DC-DC变换器的状态信号，计算电路性能参数，并进行归一化操作，获取训练样本集，基于多SVDD模型对样本集进行训练，并提取电路在健康状态下的故障特征参数，确立DC-DC变换器健康基准值，具体步骤如下：