一种应用于电路与系统的故障预测与健康管理方法与流程

本发明属于电路与系统技术领域，具体涉及一种应用于电路与系统的基于深度学习的故障预测与健康管理方法。

背景技术：

随着科技的发展，现代设备的集成度和复杂性日益增加，随之带来的维护成本和难度也剧烈上升；效率低下且成本昂贵的传统的人工检修维护方法在面对大量复杂的现代设备时已不再适用。

故障预测与健康管理(PHM,Prognostic and Health Management)技术旨在减少人工维护成本，以分析各种设备的故障模型来确定其健康状态，从而在无人值守的情况下进行自我评估和故障预警。

PHM技术一般具备故障检测、故障隔离、增强的诊断、性能检测、故障预测、健康管理、部件寿命追踪等能力，典型的PHM流程包含了数据采集、数据预处理、数据传输、特征提取、数据融合、状态监测、故障诊断、故障预测、保障决策等环节。

PHM根据其故障建模方法不同可大致分为3类：

1)基于异常现象的PHM：通过被测设备的异常现象进行故障诊断，并利用趋势分析进行故障预测；

2)基于物理模型的PHM：通过对被测设备进行物理建模，用所得到的模型来判断设备的健康状态；

3)基于数据分析的PHM：采集被测设备的状态数据，排除物理知识对其进行数据分析，利用数学建模来获得故障模型用以判断设备的健康状态。

基于数据分析的方法相比于前两种，不需要获取被测设备的物理模型，并且建模时间短，这能进一步的减少成本开销，并且具有广泛的通用性。

目前针对电路的故障诊断技术主要建立在物理模型之上，通过观测到的错误对电路进行分析，找出其中的故障点，再利用物理模型分析出错的原因。这种方法在目前主要用于研究电路的故障机理，而以减少人工维护为目的故障诊断和预测方面还鲜有出现。文献“故障预测技术在半导体设计中的应用”(半导体技术，2009)提出了从浴盆曲线来分析IC可靠性，从而达到故障预测的方法；该文献自述为“集成电路芯片器件内的故障预测主要是对产品对象失效模式、失效机理的透彻了解，并建立量化的失效物理模型，利用已知的‘异常特征-故障损伤’退化轨迹，或通过故障注入建立与特征分析结果关联的退化轨迹。”文中所述方法是通过建立物理模型的方式来预测目标的寿命，这种方法的缺陷是用于预测寿命所建立物理模型需要相关的专业背景，且其适应面较窄，在环境变化或噪声存在的情况下准确性会大大降低，因此不能及时投入使用，还需要耗费额外的人力。

技术实现要素：

本发明的目的在于提供一种基于深度学习的故障预测与健康管理方法，用于对运行中的电路与系统设备进行实时监测，并对监测数据进行实时的处理，实现对设备的状态检查以及故障预测，避免设备运转在故障的情况下。

为实现上述目的，本发明采用的技术方案为：

一种应用于电路与系统的故障预测与健康管理方法，其特征在于，包括以下步骤：

步骤1.准备多个待测电路，分别进行老化测试，得到训练数据并存储于数据库中；

步骤2.对训练数据进行PCA(Principal Component Analysis，主成分分析)分析，得到训练样本；

步骤3.设定神经网络层数并初始化神经网络；

步骤4.采用深度学习模型：VNN(Vanilla Neural Net)、DBN(Deep Belief Network)、CNN(Convolutional Neural Nets)及SAE(Stacked Auto-Encoders)对训练样本分别训练神经网络；若所有模型的训练误差均小于预设阈值，则返回步骤3，重新设定设定神经网络层数并初始化神经网络；否则，选定训练误差最小的深度学习模型，并将其训练好的神经网络放入测试芯片中；

步骤5.采用传感器对工作状态的待测电路进行实时数据采集，根据实时数据，测试芯片计算待测电路当前健康状态X进行输出，若并将历史数据存储于RAM中，期间若出现故障，则进行报警等保护操作；

步骤6.计算RAM中所有历史数据的平均值与最新数据X_last对比，若存在故障率变大趋势，则计算其变化速率：其中time是时间偏移量，由挡墙时间减去所有历史数据的平均时间的得到，并计算其达到故障阀值X_threshold的时间：t_RUL＝|X_threshold-X_last|/v，t_RUL即为待测电路剩余寿命。

进一步的，所述步骤5中，历史数据的存储方式为：

1)设定历史数据的最大保存数目N，

2)按照时间顺序依次存入N个历史数据，

3)初始化i＝1；

4)当采集到下一个新数据时，替换第i个数据，并更新i＝mod(i,N)+1；

进一步说明的是：PCA分析中，将贡献极小的特征视为噪声维度，将其进行降维处理后得到训练样本。本发明中历史数据的存储采用独创的存储方式，其数据存储特点为：越新的数据存储越密集，越旧的数据存储越稀疏。本发明采用深度学习模型，根据实时数据，深度学习神经网络的计算得输出值X即为待测电路当前健康状态；在深度学习中，其输出X值代表其分类概率，大于0.5被标记为分类1，小于0.5则被标记为分类0，本发明中设定分类0为故障，上述“故障率变大的趋势”就是X值减小的趋势，到达故障阈值则是X减小到达0.5的时刻。

本发明的有益效果在于：

本发明能够实时监测电路与系统设备的运转状态，并预计故障时间，减小突发故障的发生概率，并在突发故障出现时避免诸多安全隐患，从而保护财产，降低维护开销。

附图说明

图1为本发明应用于电路与系统的故障预测与健康管理方法的分步骤流程示意图。

图2为本发明中历史数据的存储流程示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细描述。

如图1所示，本发明包括：采集设备的运行数据，设备运行的实时监测以及实时故障诊断，历史数据存储、剩余寿命预测。具体如下：

1、设备的运行数据包括内部数据和外部参数：内部数据包括：设备的运行频率、纠错次数、工作负荷等能通过设备直接获取的数据；外部参数包括：温度、电压、电流等需要通过传感器采集的数据；数据的容量和可靠性直接影响了测试系统的准确度和可靠性，因此，为了提高测试系统的可靠性，通常需要对多个设备进行老化测试，以便收集其整个生命周期的足够的训练数据。

2、建立神经网络模型，通过数据库中设备的运行数据，依靠深度神经网络算法，建立由参数得到健康状态的模型：其主要训练流程是：

确定被测设备，准备多个样本设备用于收集训练数据；

采集样本设备上的设备的数据信息，并将采集到的信息存入数据库中；

对采集到的数据进行PCA(Principal Component Analysis，主成分分析)分析，若发现贡献极小的特征，将其视为噪声维度，将其进行降维处理后得到训练样本；

设定神经网络层数，初始化神经网络；

采用多种深度学习模型，如VNN(Vanilla Neural Net)、DBN(Deep Belief Network)、CNN(Convolutional Neural Nets)、SAE(Stacked Auto-Encoders)等方法分别训练神经网络；

检验神经网络：将训练数据代入模型之中，测试其分类标签Y′，与真实标签Y对比，计算训练误差σ＝|{i:Y_i′≠Y_i}|/n，其中，n代表总样本个数；

找出有最小误差的模型，若其达到容忍的误差范围，将其用作最终的模型，否则修改神经网络的初始化参数和层数，重新训练，直到达到我们预期的训练误差；

3、将训练好的神经网络放入测试程序，测试程序能汇总从被测设备上收集的各种数据，并进行需要的运算；部署传感器，由此在设备开始工作时，测试系统便开始工作；

4、在设备工作时对设备进行实时监测，由测试程序将设备当前的健康状态X,即深度学习模型的输出计算出来进行输出，并按规律将历史数据保存在RAM中；若在此期间检测出设备发生故障，进行报警等保护操作；历史数据存储规律如下：

设定历史数据的最大保存数目N；

按照时间顺序存入N个历史数据，最旧的数据排在第一个；

令i＝1；

当采集到新数据时，替换第i个数据，并更新i＝mod(i,N)+1；

存储方式流程如图2所示，最终这样存储的数据特点是：越新的数据存储越密集，越旧的数据存储越稀疏；

5、计算RAM中所有历史数据的平均值，与最新的数据对比，观察其变化趋势并计算变化速率其中time是时间偏移量，由当前时间减去所有历史数据的平均时间的得到；若数据有故障率变大的趋势，计算其达到故障阈值的时间t_RUL＝|X_threshold-X_last|/v，则此为设备的剩余寿命。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。