[发明专利]一种基于机器学习的DC-DC电源的健康状态监测方法

权利要求书

1.一种基于机器学习的DC-DC电源的健康状态监测方法，其特征在于，包括：

根据各个易退化元件的退化等效模型，构建DC-DC电源退化电路；

获取所述DC-DC电源退化电路的当前时间的退化特征参数，并组成第一特征向量；

使用训练好的机器学习分类模型对所述第一特征向量进行识别，确定所述DC-DC电源退化电路所属的故障模式；

使用训练好的隐马尔科夫模型对所述第一特征向量识别，确定所述DC-DC电源退化电路的健康状态；

其中，所述训练好的机器学习分类模型是通过将易退化元件的退化状态进行组合，获得多个故障模式，获取当前时间前所述DC-DC电源退化电路在每个故障模式下的退化特征参数，并作为第二特征向量，并将各个故障模式下的第二特征向量组成数据集；使用所述数据集训练预设的机器学习分类模型得到的；所述故障模式表示易退化元件组合后的退化状态；

其中，所述训练好的隐马尔科夫模型是通过将所述DC-DC电源退化电路的状态分为多个预测状态，获取所述DC-DC电源退化电路从健康状态到故障状态的退化特征参数，作为第三特征向量；将多个预测状态作为预设的隐马尔科夫模型的状态空间，并计算预设的隐马尔科夫模型的学习参数，使用所述第三特征向量训练所述预设的隐马尔科夫模型得到的。

2.根据权利要求1所述的健康状态监测方法，其特征在于，所述根据各个易退化元件的退化等效模型，构建DC-DC电源退化电路的步骤包括：

将电解电容失效机理和等效电路、MOSFET失效机理和等效电路以及电感的失效机理和等效电路按照开关电源的电路连接原理连接构建DC-DC电源退化电路。

3.根据权利要求1所述的健康状态监测方法，其特征在于，所述退化特征参数包括：频率响应最大值A_m、频率响应最大值A_m对应频率F_m、单位增益带宽频率F_c、幅频曲线均值mean、幅频波形峰度kurt。

4.根据权利要求1所述的健康状态监测方法，其特征在于，所述多个故障模式为：电解电容退化，电感退化，MOSFET退化，电解电容以及电感退化，电解电容以及MOSFET，电感以及MOSFET退化，电解电容、电感以及MOSFET退化。

5.根据权利要求1所述的健康状态监测方法，其特征在于，所述使用所述数据集训练预设的机器学习分类模型的步骤包括：

针对每个故障模式，将该故障模式下的第二特征向量作为预设的机器学习分类模型的输入，将所述第二特征向量属于该故障模式作为所述预设的机器学习分类模型的输出，迭代训练所述预设的机器学习分类模型，直至达到迭代次数。

6.根据权利要求1所述的健康状态监测方法，其特征在于，所述多个预测状态为：健康态、轻度退化态、中度退化态、重度退化态、故障态。

7.根据权利要求6所述的健康状态监测方法，其特征在于，所述将多个预测状态作为预设的隐马尔科夫模型的状态空间，并计算预设的隐马尔科夫模型的学习参数，使用所述第三特征向量训练所述预设的隐马尔科夫模型的步骤包括：

将所述健康态、轻度退化态、中度退化态、重度退化态、故障态作为预设的隐马尔科夫模型的状态空间；

使用预设的参数算法，计算学习参数；

其中，学习参数包括：预测状态之间的转移概率矩阵，初始时刻的预测状态以及发射矩阵；

将所述初始时刻的预测状态作为所述预设的隐马尔科夫模型的初始状态，将所述多个预测状态作为预设的隐马尔科夫模型的状态空间，迭代训练所述预设的隐马尔科夫模型，以使所述预设的隐马尔科夫模型基于所述预测状态之间的转移概率矩阵以及预测状态之间的转移概率矩阵，在所述状态空间中选择一个预测状态输出。

8.根据权利要求1所述的健康状态监测方法，其特征在于，在所述使用训练好的隐马尔科夫模型对所述第一特征向量识别，确定所述DC-DC电源退化电路的状态的步骤之前，所述健康状态监测方法还包括：

使用预设的参数算法，计算学习参数。