一种基于退化曲线相似度的电子产品健康度预测方法
【专利摘要】本发明公开了一种基于退化曲线相似度的射频电路健康度预测方法，先根据预定的退化参数确定测量的信号参数，然后训练得到各个信号参数对应的失效临界态的隐马尔可夫模型，将实际测量的各信号参数幅值输入失效临界态隐马尔可夫模型，计算得到实际数据对应状态相对于失效临界态的KL值，得到退化参数的KL值曲线K1，然后拟合得到拟合曲线K2，通过理想退化仿真得到理想退化数据KL值的理想曲线K3，根据到理想曲线K3的欧式距离计算曲线K1和曲线K2的相似度，计算参照KL值F0，最后根据拟合曲线K2计算得到预测时刻的KL值F1，得到健康度，然后根据相似度得到预测时刻的最终预测健康度。经过实验验证可知，本发明可以实现电子产品健康度的准确预测。
【专利说明】-种基于退化曲线相似度的电子产品健康度预测方法
【技术领域】
[0001] 本发明属于电子产品健康度预测【技术领域】，更为具体地讲，涉及一种基于退化曲 线相似度的电子产品健康度预测方法。
【背景技术】
[0002] 目前，电子产品的日常维护、维修主要依赖于生产厂家，而且是以在出现故障之后 进行现场维修的模式完成的，属于被动式故障排除，这导致了电子设备的技术含量日趋提 高与维护的手段和能力相对较低的矛盾日益凸显。正是在这样的背景下，故障预诊断与健 康管理（PHM)技术应运而生。该技术的意义在于，可以提前预知将要发生故障的时间和位 置，预测电子产品的剩余寿命（RUL)，提高电子产品的运行可靠性，减少日常维护成本。
[0003] 对于PHM来说，通过预测技术，实时获取电子产品在未来时刻的退化状态是非常 具有实际意义的。提前预知电子产品的性能退化量，就可以提前预知电子产品的可能发生 故障的时间并且提前合理安排维护时间，可以很大程度上降低维护成本。目前电子产品退 化状态，即电子产品的健康度多采用基于实际数据的健康度评估，尚未出现有效手段对健 康度进行提前预测。
【发明内容】
[0004] 本发明的目的在于克服现有技术的不足，提供一种基于退化曲线相似度的电子产 品健康度预测方法，实现电子产品健康度的准确预测。
[0005] 为实现上述发明目的，本发明基于退化曲线相似度的电子产品健康度预测方法， 包括以下步骤：
[0006]Sl:判断预先选定的退化参数是否可以直接测量，如果可以直接测量，则将退化参 数作为测量的信号参数，如果不可以直接测量，则将退化参数计算公式中的可测量参数作 为测量的信号参数，并且各个信号参数互相独立，将确定测量的信号参数数量记为Q;
[0007]S2:从电路测试点得到Q个信号参数在电路处于失效临界状态下的一系列幅值， 对于每个信号参数，以M个幅值为一组得到L组幅值，作为训练数据进行隐马尔可夫模型的 训练，得到该信号参数对应的失效临界态隐马尔可夫模型及失效临界态概率Ptl (i)，i的取 值范围为i= 1，2,…，M;
[0008]S3:电子产品实际运行后，每隔一段时间从电路测试点提取Q个信号参数的幅值， 每次连续提取M个信号数据，共进行N次数据提取，对于每个信号参数，得到N组由M个幅 值组成的产品性能退化数据，记录第1组数据提取时和第N组提取时距离电子产品开始运 行时的时间h和时间h;
[0009]S4:将步骤S3中的每个信号参数对应的N组数据输入步骤S2得到的失效临界态 隐马尔可夫模型，得到该组数据对应的概率P1 (i)，根据概率P1 (i)和失效临界态概率PQ (i) 计算得到该组数据对应状态相对于失效临界态的KL值；
[0010] 如果步骤Sl中确定的信号参数为退化参数本身，则将该信号参数的N个KL值作 为实际运行退化数据的KL值，否则根据退化参数的计算公式，将相应信号参数的KL值代入 计算公式得到退化参数的N个KL值作为实际运行退化数据的KL值，然后将相邻两个KL值 以直线连接得到KL曲线Kl;
[0011] S5:根据步骤S4得到的曲线Kl进行拟合，得到拟合曲线K2;
[0012]S6:对电路进行理想退化仿真，提取时间h到时间心之间的退化数据按照步骤S4 中的方法得到理想退化数据KL值的理想曲线K3,并得到电路处于失效临界态的时刻t2;
[0013]S7:分别计算曲线Kl和理想曲线K3、拟合曲线K2和理想曲线K3的欧氏距离Dl和 D2,然后计算曲线Kl和拟合曲线K2的相似度H=D1/D2 ;
[0014]S8:根据步骤S5得到的拟合曲线K2,计算时刻0和失效临界态的时刻t2的此值， 选择其中较大值作为参照KL值Ftl;
[0015]S9:根据拟合曲线K2计算得到预测时刻的KL值F1，计算基于拟合曲线K2的预测 健康度PK2 =I-F1A7tl，然后根据相似度得到预测时刻的最终预测健康度P=PK2*H。
[0016] 本发明基于退化曲线相似度的射频电路健康度预测方法，先根据预定的退化参数 确定测量的信号参数，然后训练得到各个信号参数对应的失效临界态的隐马尔可夫模型， 将实际测量的各信号参数幅值输入失效临界态隐马尔可夫模型，计算得到实际数据对应状 态相对于失效临界态的KL值，得到退化参数的KL值曲线Kl，然后拟合得到拟合曲线K2,通 过理想退化仿真得到理想退化数据KL值的理想曲线K3,根据到理想曲线K3的欧式距离计 算曲线Kl和曲线K2的相似度，根据拟合曲线K2计算得到参照KL值Ftl，最后根据拟合曲线 K2计算得到预测时刻的KL值F1，得到健康度，然后根据相似度得到预测时刻的最终预测健 康度。经过实验验证可知，本发明可以实现电子产品健康度的准确预测。
【专利附图】
【附图说明】
[0017] 图1是本发明基于退化曲线相似度的射频电路健康度预测方法的【具体实施方式】 流程图；
[0018] 图2是实施例中根据实测数据得到的Sll参数的KL值；
[0019] 图3是实施例中根据实测数据得到的S12参数的KL值；
[0020] 图4是实施例中根据实测数据得到的S21参数的KL值；
[0021] 图5是实施例中根据实测数据得到的S22参数的KL值；
[0022] 图6是实施例中根据理想状态仿真数据得到的SI1参数的KL值；
[0023] 图7是实施例中根据理想仿真数据得到的S12参数的KL值；
[0024] 图8是实施例中根据理想仿真数据得到的S21参数的KL值；
[0025] 图9是实施例中根据理想仿真数据得到的S22参数的KL值；
[0026] 图10实施例中第1至第15个时刻的曲线K1、拟合曲线K2和理想曲线K3的示意 图。
【具体实施方式】
[0027]下面结合附图对本发明的【具体实施方式】进行描述，以便本领域的技术人员更好地 理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许 会淡化本发明的主要内容时，这些描述在这里将被忽略。
[0028] 实施例
[0029] 图1是本发明基于退化曲线相似度的电子产品健康度预测方法的【具体实施方式】 流程图。如图1所示，本发明基于退化曲线相似度的电子产品健康度预测方法包括以下步 骤：
[0030] SlOl:确定测量的信号参数；
[0031] 判断预先选定的退化参数是否可以直接测量，如果可以直接测量，则将退化参数 作为测量的信号参数，如果不可以直接测量，则将退化参数计算公式中的可测量参数作为 测量的信号参数，并且各个信号参数相互独立，将确定测量的信号参数数量记为Q。
[0032] 例如，预先选定的退化参数为电流，可以直接测量，那么测量的信号参数就是电 流。如果预先选定的退化参数为功率，假设当前无法直接测量，根据功率计算公式P=UI =u2/r=I2R,因为电压u和电流I具有相关性，二者不是相互独立的参数，因此信号参数 可以选择电压U或电流I，但是不能将电压U和电流I同时作为信号参数。信号参数是否是 退化参数本身在后续处理上的区别在于退化数据的KL曲线时是否需要按照退化参数的计 算公式先对信号参数的KL值进行拟合，如果信号参数是退化参数，那么直接将得到的信号 参数的KL值作为退化参数的KL值来构成KL曲线，如果不是，那么需要根据退化参数的计 算公式将Q个信号参数的KL值拟合得到退化参数的KL值，再来构成退化数据的KL曲线。
[0033]S102:获取电路失效临界态的隐马尔可夫模型：
[0034] 从电路测试点得到Q个信号参数在电路处于失效临界状态下的一系列幅值，对于 每个信号参数，以M个幅值为一组得到L组幅值，作为训练数据进行隐马尔可夫模型的训 练，得到该信号参数对应的失效临界态隐马尔可夫模型及失效临界态概率Ρ〇α)，i的取值 范围为i= 1，2,…，M。
[0035] 电路失效临界态是指电路处于失效的临界状态，例如设定当电路电流相对于正常 电流变化降低10%时认定电路失效，那么失效临界态即为电流比正常电流降低10%。失效 临界状态下的信号参数幅值可以实际测试得到，一般通过仿真得到，仿真环境应当与实际 一致。关于电路失效临界态的马尔可夫模型的建立与训练可参见"许丽佳.电子系统的故 障预测与健康管理技术研究.成都：电子科技大学，2009, 3"。
[0036]S103:提取电路实际运行退化数据：
[0037] 电子产品实际运行后，每隔一段时间从电路测试点提取Q个信号参数的幅值，每 次连续提取M个信号数据，共进行N次数据提取，对于每个信号参数，得到N组由M个幅值 组成的产品性能退化数据，记录第1组数据提取时和第N组提取时距离电子产品开始运行 时的时间h和时间h。
[0038] 在实际应用中，可以从电子产品开始运行时就提取退化数据，即第1组数据的时 间h= 0,也可以运行一段时间后再开始提取。数据提取的间隔时间可以相同也可以不同， 可以根据实际需要来设置。
[0039]S104:计算实际运行退化数据的KL值曲线Kl:
[0040]KL值，是Kullback-Leibler差异（Kullback-LeiblerDivergence)的简称，也叫 做相对熵（RelativeEntropy)，它衡量的是相同事件空间里的两个概率分布的差异情况。
[0041]将步骤S103中的每个信号参数对应的N组数据输入步骤S102得到的失效临 界态隐马尔可夫模型，得到每组数据中每个幅值对应的概率P1 (i)，根据概率P1和失效 临界态概率ρ〇α)计算得到该组数据对应状态相对于无效临界态的KL值，计算公式为： M = ρΛΙ))。 /=1
[0042] 如果步骤SlOl中确定的信号参数为退化参数本身，则将该信号参数的N个KL值 作为实际运行退化数据的KL值，否则根据退化参数的计算公式，将相应信号参数的KL值代 入计算公式得到退化参数的N个KL值作为实际运行退化数据的KL值，即进行KL值拟合， 拟合公式和退化参数的计算公式相同，然后将相邻两个KL值以直线连接得到KL曲线K1。
[0043] S105 :曲线拟合，得到拟合曲线K2 :
[0044] 根据步骤S104得到的曲线Kl进行拟合，得到拟合曲线K2。
[0045] 实际应用中，在进行曲线拟合时，需要根据曲线Kl的特点来选择拟合模型。通 常的性能退化轨迹有三种：线性即X=a+bt，凸形即log(x) =a+bt和凹形即log(x)= a+blog(t)。曲线拟合是现有的常用技术，在此不再赘述。
[0046]S106:获得理想退化数据的KL曲线：
[0047] 对电路进行理想退化仿真，提取时间h到时间h之间的退化数据按照步骤S104 中的方法得到理想退化数据的KL值的理想曲线K3,并得到电路处于失效临界态的时刻t2。
[0048] 得到理想曲线K3的具体过程为：在时间h到时间h内，每隔一段时间从电路测 试点提取Q个信号参数的幅值，每次连续提取M个信号数据，共进行N'次数据提取，对于 每个信号参数，得到N'组由M个幅值组成的产品性能退化数据，然后将N'组数据输入步 骤S102得到的失效临界态隐马尔可夫模型，得到该组数据对应的概率p'i(i)，根据概率 Ji)和失效临界态概率Ptl(i)计算得到该组数据对应状态相对于失效临界态的KL值。 同样地，根据信号参数判断是否需要进行KL值的拟合，得到理想退化数据的KL值，然后将 相邻两个KL值以直线连接得到KL曲线K3。
[0049] 由于本发明中需要的是KL曲线，因此在理想退化仿真时，理想退化数据的提取时 间间隔可以与实际数据提取的时间间隔可以相同也可以不同，得到的KL值的数量可以和 实际数据的KL值的数量相同也可以不同。
[0050]S107:计算曲线Kl与拟合曲线K2的相似度：
[0051] 分别计算曲线Kl和理想曲线K3、拟合曲线K2和理想曲线K3的欧氏距离Dl和D2， 然后计算曲线Kl和拟合曲线K2的相似度H=D1/D2。
[0052] S108 :确定参照KL值：
[0053] 根据步骤S105得到的拟合曲线K2,计算时刻0(即正常态）和失效临界态的时刻 t2的KL值，选择其中较大值作为参照KL值Ftl。
[0054] 由于本发明中采用的是失效临界态的隐马尔可夫模型，那么各个信号参数从正常 态至失效临界态的KL值是递减的。如果测量的信号参数即为退化参数，那么拟合曲线K2 是递减的，但是如果退化参数的KL值是通过计算拟合得到的，那么根据计算公式的不同， 曲线的单调性可能会产生变化，即可能变成递增。因此本发明通过判断正常态和失效临界 态的KL值大小，来确定参照KL值。
[0055] S109 :健康度预测：
[0056] 根据拟合曲线K2计算得到预测时刻的KL值F1，计算基于拟合曲线K2的预测健康 度PK2 =I-VFtl，然后根据相似度得到预测时刻的最终预测健康度P=PK2*H。
[0057] 根据本发明中的健康度计算公式可知，健康度的值越大，表示电子产品的当前状 态越好。
[0058] 为了说明本发明的技术效果，采用低噪声放大器对本发明进行了实际验证。本实 施例中，所选用的退化参数为低噪声放大器的稳定性参数，由于稳定性参数不能直接测试， 需要根据S参数来计算，S参数包括端口 2匹配时,端口 1的反射系数SI1,端口 1匹配时， 端口 2的反射系数S12,端口 1匹配时，端口 2到端口 1的反向传输系数S21，端口 2匹配时， 端口 1到端口 2的正向传输系数S22,即本实施例中所需测量的信号参数有4个，从低噪声 放大器开始运行时就提取各个信号参数的幅值。表1是本实施例中低噪声放大器的S参数 的退化数据。
[0059]
【权利要求】
1. 一种基于退化曲线相似度的电子产品健康度预测方法，其特征在于包括以下步骤： 51 :判断预先选定的退化参数是否可以直接测量，如果可以直接测量，则将退化参数作 为测量的信号参数，如果不可以直接测量，则将退化参数计算公式中的可测量参数作为测 量的信号参数，并且各个信号参数互相独立，将确定测量的信号参数数量记为Q ; 52 :从电路测试点得到Q个信号参数在电路处于失效临界状态下的一系列幅值，对于 每个信号参数，以M个幅值为一组得到L组幅值，作为训练数据进行隐马尔可夫模型的训 练，得到该信号参数对应的正常态失效临界态隐马尔可夫模型及失效临界态概率P tl (i)，i 的取值范围为i = 1，2, "·，Μ; 53 :电子产品实际运行后，每隔一段时间从电路测试点提取Q个信号参数的幅值，每次 连续提取M个信号数据，共进行N次数据提取，对于每个信号参数，得到N组由M个幅值组 成的产品性能退化数据，记录第1组数据提取时和第N组提取时距离电子产品开始运行时 的时间h和时间h; 54 :将步骤S3中的每个信号参数对应的N组数据输入步骤S2得到的失效临界态隐马 尔可夫模型，得到该组数据对应的概率P 1 (i)，根据概率P1 (i)和失效临界态概率Ptl (i)计算 得到该组数据对应状态相对于失效临界态的KL值； 如果步骤Sl中确定的信号参数为退化参数本身，则将该信号参数的N个KL值作为实 际运行退化数据的KL值，否则根据退化参数的计算公式，将相应信号参数的KL值代入计算 公式得到退化参数的N个KL值作为实际运行退化数据的KL值，然后将相邻两个KL值以直 线连接得到KL曲线Kl ; 55 :根据步骤S4得到的曲线Kl进行拟合，得到拟合曲线K2 ; 56 :对电路进行理想退化仿真，提取时间h到时间h之间的退化数据按照步骤S4中的 方法得到理想退化数据KL值的理想曲线K3,并得到电路处于失效临界态的时刻t 2 ; 57 :分别计算曲线Kl和理想曲线K3、拟合曲线K2和理想曲线K3的欧氏距离Dl和D2， 然后计算曲线Kl和拟合曲线K2的相似度H = D1/D2 ; 58 :根据步骤S5得到的拟合曲线K2,计算时刻O和失效临界态的时刻t2的KL值，选择 其中较大值作为参照KL值F tl ; 59 :根据拟合曲线K2计算得到预测时刻的KL值F1，计算基于拟合曲线K2的预测健康 度P K2 = I-VFtl，然后根据相似度得到预测时刻的最终预测健康度P = PK2*H。
【文档编号】G06F17/50GK104318031SQ201410606989
【公开日】2015年1月28日 申请日期:2014年10月31日 优先权日:2014年10月31日
【发明者】刘震, 李志博, 黄建国, 龙兵, 杨成林 申请人:电子科技大学