基于CNN与BiLSTM的退化设备剩余使用寿命预测.pdf
《基于CNN与BiLSTM的退化设备剩余使用寿命预测.pdf》由会员分享,可在线阅读,更多相关《基于CNN与BiLSTM的退化设备剩余使用寿命预测.pdf(8页珍藏版)》请在咨信网上搜索。
1、31-38.DO1:Vol.54 No.2AVIONICSTECHNOLOGY第54卷第2 期航空电June.22023子技术2023年0 6 月基于 CNN与 BiLSTM 的退化设备剩余使用寿命预测徐钊,张一童1,池程芝,潘震(1.西北工业大学电子信息学院,西安7 10 12 9;2.航空电子系统综合技术重点实验室,上海2 0 0 2 33)【摘要】针对DC-DC变换器难以建立物理退化模型的问题,提出了一种基于卷积神经网络和双向长短期记忆神经网络的剩余寿命预测算法。首先,通过对DC-DC变换器中关键器件进行失效模式分析,得到DC-DC变换器的失效特征参数;然后,采用卷积神经网络对多传感器信
2、号进行融合和特征提取,获得百分比指数退化指标;其次,将获得的健康指标输入到融合注意力机制的双向记忆神经网络中,利用注意力机制对输出结果进行加权融合,利用不同的权重值优化预测模型,最后,利用蒙特卡洛丢弃法获得剩余寿命的区间估计,并通过仿真数据验证了所提出方法的有效性。【关键词】功率变换器;深度学习;寿命预测中图分类号 TP391.1文献标识码 A文章编号J1006-141X(2023)02-0031-08Prediction of Remaining Useful Life of Degraded Equipment Basedon CNN and BiLSTMXU Zhao,ZHANG Yi-
3、tong,CHI Cheng-zhi,PAN Zhen?2(1.School of Electronics and Information,Northwestern Polytechnical University,Xian 710129,China;2.Key Laboratory of integrated avionics system technology,Shanghai 200233,China)Abstract:Aiming at the problem that it is difficult to establish the indoor degradation model
4、of DC-DC converters,aresidual life estimation algorithm based on convolutional neural network and bidirectional long short-term memory neu-ral network is proposed.First,by analyzing the failure mode of the key components in the DC-DC converter,the failurecharacteristic parameters of the DC-DC conver
5、ter are obtained;then,the convolutional neural network is used to fuseand extract the multi-sensor signals,and the percentage index degradation index is obtained.;Secondly,the obtainedhealth indicators are input into the bidirectional memory neural network fused with the attention mechanism,the outp
6、utresults are weighted and fused by the attention mechanism,and the prediction model is optimized by using differentweight values.Finally,the Monte Carlo discarding method is used to obtain the interval estimation of remaining life andthe effectiveness of the proposed method is verified by simulatio
7、n data.Key words:Power Converter,Deep Learning,Life Expectancy收稿日期:2 0 2 2-0 6-0 6引用格式:徐徐钊,张一童,池程芝,潘震.基于CNN与BiLSTM的退化设备剩余使用寿命预测J.航空电子技术,2 0 2 3,54(2)3220233年航空电子技术DC-DC开关电源作为集成电路中的重要器件,已广泛应用于航空航天、新型电网、新燃料电池、新能源电动汽车的充电设备、5G通讯等领域-3。DC-DC变换器的故障预测与健康管理(PHM:Pr o g-nostics and Health Management)技术受到了广泛的关注
8、5-6,该技术旨在大幅度减少电子设备在工作期间发生重大故障和事故的几率;对电路的故障诊断及相关寿命预测问题的研究,对提升系统或电路的使用效率具有重要意义。在剩余使用寿命(RUL:R e m a i n i n g U s e f u lLife)预测过程中,处理时间序列时,通常会对每个时间点的多维传感器数据进行分区独立学习,显然无法学习到这样的隐藏特征,虽然使用隐马尔科夫模型的方法对传感器数据进行建模可以学习到一定的时间序列特征,但通常学习得到的时间序列保持的记忆长度很短。随着硬件和计算水平的提高,基于数据驱动的RUL预测方法受到了广泛的关注,将卷积神经网络(CNN:C o n v o lu
9、t i o n a l Ne u r a lNetworks)与长短期记忆网络(LSTM:Lo n g Sh o r t-Termmemory)相结合8 ,有效避免了前期人工特征提取与预处理工作,并在多分类任务中取得了较好的效果。谢逸9 利用CNN与LSTM处理词性标注任务,结果表明明显优于单独卷积网络或单独循环网络的效果。但在使用输入项多、数据量大的时间序列数据进行模型训练时,算法模型可能会忽略部分时刻数据的重要特征信息,导致模型学习能力下降,从而影响模型预测精度;以及在利用深度学习算法对系统建模进行寿命预测时,必须考虑系统中由噪声传感器数据引入的测量不确定度、与深度学习相关模型的不确定度、
10、由未来环境和运行条件的随机性引起的预测不确定度等一系列不确定性来源,并量化这些不确定性来源对RUL预测的综合影响,对于提高RUL预测精度具有重要意义。本文提出了基于CNN和双向长短期记忆神经网络((Bi-LSTM:Bi-directional Long Short-Term Mem-ory)相结合的RUL预测模型,结合蒙特卡洛丢弃法(MC-Dropout:M o n t e-Ca r l o D r o p o u t)算法。该模型不仅能够给出更加精准的RUL预测值还可以计算出预测值的置信区间。1失效模式分析Sepic升降压DC-DC变换器是一种允许输出电压大于、小于或等于输入电压的变换器,广
11、泛应用于航空领域。本文在PSPICE软件得仿真环境下设计了典型的基于Sepic拓扑结构的DC-DC变换器,通过设置元器件参数可以实现预期的升降压变换,搭建的Pspice模型如图1所示。Sepic Topology DC-DCConverterC1D2100u25uMBR1035V148Vdc兰M2R4C7L238k470uIRF630100uCMAXR6ESR=80m2.4MR1R91210kR5R2R310k0.17500C4C53n100nFR85.68kC6R7250k1nU184VREFRTCTC3/0.0001u36VDDCSOUT2V25FB16VdcGNDCOMPUCC28C43
12、_START图1Sepic升降压DC-DC变换器1.1铝电解电容失效模式分析铝电容器存在很多非线性特性,这些特性可以通过附加寄生元器件来表述。根据铝电解电容的物理结构,可得到其等效电路模型,如图2 所示。R1RpLCidESRCESL图2 铝电解电容等效简化电路模型其中,ESR表示电容的等效串联电阻,C表示电容值,ESR表示电容的等效串联电感。以其ESR增大为初始值的2.8 倍和电容值C减小为初始值的80%作为电解电容的失效判据,进行铝电解电容的劣化模拟。1.2天开关晶体管失效模式分析在开关晶体管中,导通电阻可以间接反映开关晶体管的退化程度,故可以选其作为特征参数。结合开关晶体管IRF630器
13、件手册和当前现有的模型,建立了导通电阻增量的经验退化模型。如图3所示。33第2 期徐钊,等:基于CNN与BiLSTM的退化设备剩余使用寿命预测R_on11MR2图3开关晶体管等效电路图仿真电路采用的开关晶体管管型号为IRF630,其初始导通电阻为0.2 32,假设在正常工况条件下其工作寿命为10 0 0 h,以其导通电阻增大为初始值的3.2 5倍作为失效判据。1.3功率二极管失效模式分析通过对功率二极管进行可靠性试验发现,随着功率二极管退化程度的增加,串联电阻逐渐增大。故可以选取导通电阻作为反映功率二极管退化程度的故障特征参数,综合考虑,以其导通电阻值变化大于0.0 45Q作为功率二极管器件的
14、失效判据。1.4电感失效模式分析通过对电感进行可靠性试验发现,随着电感退化程度的增加,电感量逐渐减小。故可以选取电感量作为反映电感退化程度的故障特征参数,综合考虑,以其电感量小于初始值的8 0%作为电感器件的失效判据。将上述器件的Pspice模型导入到仿真软件中进行仿真,可得不同电压电流输出信号,以输出电压和PWM输出电压为例,信号波形如图4所示。输出电压均值输出PWM电压均值12-1.510-28-2.56-3-3.5442-4.50-5020406080100120020406080100120使用时间/10 h)使用时间(10 h)图4仿真结果图2基于BiLSTM的DC-DC变换器剩余寿
15、命预测2.1 方法框架本文通过Pspice仿真软件得到多组样本,对采集的数据进行降维和预处理,通过CNN对数据进行特征提取和多维信号融合,将原始传感器信号映射到健康指标(HI:H e a lt h I n d e x)中去,最后利用拟合出的HI作为BiLSTM的输入,完成RUL的预测,整体算法实现流程如图5所示。CNN自适应特征提取模型CNN模型训练模型保存健康指标数据预处理标签建立数据采集健康指标建立拟合数据数据矩阵RUL标签建立Attention-BiLSTM寿命预测模型训练模型保存设备Rul模型加载CNN模型加载数据处理转换实时传感器数据图5算法流程示意图3420233年航空电子技术2.
16、2算法介绍2.2.1数据采集及预处理通过Pspice软件中的探针可对电路各个信号完成数据采集,采集到的信号如表1所示,通过加入不同的高斯白噪声,共获得6 组DC-DC变换器失效数据。表1仿真计算结果采集信号采集元器件测量值电阻R2输出电压(V),输出电流(A)MOS管漏级漏级电压(V)、漏级电流(A)MOS管源级源级电压(V)、源级电流(A)电压/电流二极管P级P级电压(V)、P级电流(A)二极管N级N级电压(V)、N级电流(A)PWM芯片PWM输出电压(V)数据矩阵的构建首先需要对设备初始传感器数据进行预处理,对数据进行降采样与标准化操作。降采样是当数据量过多时对数据采用一定的方式进行数据抽
17、取以求减低数据量,但完成初始降采样的数据量仍然很大,也即数据间时间间隔很小,对网络拟合容易出现数据波动影响模型训练。这里采用移动窗口的方式,将经过一定窗口大小的采样数据作为当前周期的一次数据样本。假设时间窗口步大小为L,数据传感器个数为n,则利用移动窗口构建的局部数据矩阵X为:12.nx(i-1)*L+1X(i-1)*L+1(i-1)*L+12nX(i-1)*+2X(i-1)*+2X(i-1)*L+2(1).2n(i-1)*L+LX(i-1)*L+L(i-1L+L式(1)中,i为样本索引下表,且i1。这里移动窗口数据的构建方式为不重叠的方式,即每间隔L个传感器数据,产生一个训练数据,进一步达到
18、对数据降采样的效果,提高模型训练的速度。2.2.2建建立健康指标退化轨迹通常来说HI数值位于0,1 之间,1代表设备完全健康,不存在损坏风险,0 代表设备完全失效。HI可以为线性退化也可为非线性退化,非线性的HI更加的贴合实际,所以本文建立了一个减小百分比的指数模型。式(2)表明传感器提取的特征向量与指数退化HI之间应存在一种潜在的映射关系。HI=finer(X,X2,x,)(2)本文使用CNN进行训练,设定CNN网络模型层数、卷积核大小、步长以及数量等参数,将上一步得到的传感器数据矩阵作为CNN的输入,进行卷积运算提取数据矩阵的深层特征,对产生的HI标签数据进行拟合。CNN是一种有监督的训练
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CNN BiLSTM 退化 设备 剩余 使用寿命 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。