基于加權馬氏距離的BUCK電路健康度評估與預測

上官偉，師澤斌，彭 聰，王宗耀

(1.北京交通大學 電子信息工程學院，北京 100044；2.北京交通大學 軌道交通控制與安全國家重點實驗室，北京 100044)

近年來,我國高速鐵路發展取得了舉世矚目的成就。高速鐵路列車運行控制系統(以下簡稱“高鐵列控系統”),作為高速鐵路的“神經中樞”,是保障高速列車自動化控制的核心系統,其中包含有大量的電子電路。電子電路主要由數字電路和模擬電路組成。現代電子設備主要是數字電路與模擬電路的混合電路,數模混合電路所占比例已達到60%以上。另外在實際工業環境下,模擬電路中存在許多不穩定因素,如電子元器件的容差特征和模擬電路的非線性,導致混合電路中模擬電路發生故障的概率高達80%。

可靠性指的是元件、產品或系統在一定的事件和條件下無故障地完成規定功能的能力或可能性。隨著裝備系統集成化、信息化程度的提高,復雜裝備的工作可靠性至關重要,對其進行健康狀態評估重要意義。健康度是對裝備健康狀態進行定量評估的方法,相對于分級的健康狀態評估,可以更加細致地反映裝備退化狀況,能為裝備視情維修提供準確依據[1]。健康評估屬于故障預測和健康管理(prognostics and health management,PHM)綜合技術中的一種,PHM包括檢測異常、診斷發生的故障、預測集統未來的健康狀態。并估計其剩余使用壽命,以動態支持維護決策[2-4]。健康管理決策的目的是提高系統的安全性和可靠性。健康管理決策可以根據采集到的數據實現對系統健康狀態的評估和預測,在評估和預測中使用健康度可以清晰地表示系統狀態,并根據維修管理決策方法,提出維修建議。本文從健康評估出發,基于健康度的概念,對模擬電路進行健康度評估與預測研究,旨在提高電子設備可靠性進而提高高鐵列控系統的可靠性。

BUCK電路是一種廣泛應用在電力、機械、航天、交通等領域的降壓式直流-直流(DC-DC)電路,具有結構簡單、損耗低、魯棒性好等特點。對其進行健康度評估和預測的研究旨在得到BUCK電路達到健康閾值和故障閾值的準確時間節點,進而為下一步電子設備的維修維護工作提供指導意見。文獻[5]建立基于模糊綜合評價的ZPW-2000A型軌道電路設備健康指數模型,實現了對鐵路信號設備的健康狀態評估。文獻[6]利用基于核的機器學習技術開發出一種電路健康評估方法,該方法利用包含參數的故障元件的電路相應提取特征。文獻[7]基于馬氏距離和多指標特征優化模型對兩級單相逆變器進行了健康評估。文獻[8]提出一種受狀態監測(CM)影響的電子元件健康評估方法,該方法可用于估計給定當前使用壽命和相應退化狀態下的條件可靠性特性。退化過程以連續時間馬爾可夫鏈為特征,該馬爾可夫鏈被納入考克斯比例風險模型中,以描述失效時間的風險率,并以MOSFET為例進行了研究,說明該健康評估方法的有效性。文獻[9]在模擬電子電路理論研究的基礎上,提出一種基于支持向量機算法的元件級健康定量評估模型。在該文獻中將模擬電路的健康狀態分為健康狀態、亞健康狀態和故障狀態,并將粒子群優化算法(PSO)應用于支持向量機優化參數的優化。最后,建立基于支持向量機算法的元件級健康定量評估模型。文獻[10]提出一種Rider-deep-LSTM模擬電路故障預測模型,該模型的故障指示器(fault indicator,FI)是基于三種距離測量的,包括馬氏距離、歐幾里得距離和角距離,因此能夠對電路進行有效地健康狀態評估;同時,使用Rider-deep-LSTM模型有效地解決了估計問題。文獻[11]將電子電路的健康狀態分為健康、亞健康和故障三種狀態,而非傳統的兩種健康狀態。同時,為了對電路的健康狀況進行定量評估,提出一種基于支持向量機算法的健康狀況評估模型。

在模擬電路健康度預測模型研究領域,文獻[12]通過提取電路初始狀態和退化狀態時域波形,基于灰色理論的噪聲估計原理,采用粒子濾波算法對輸出波形的變化進行估計,得到新的故障指標,進而構造出新的模擬電路退化預測方法。文獻[13]通過提取被測電路的頻域響應信號,計算皮爾遜相關系數,從而表征電路元件的健康度,并推導電路元件發生故障時的健康度閾值;將經量子粒子群算法優化的相關向量機算法用于故障預測,預測各個時間點的元件健康度變化軌跡并估計模擬電路的剩余有用壽命。文獻[14]利用模擬電路故障參數離線數據庫,選擇時間序列相似性度量方法對數據庫進行相似性度量,根據度量結果對電路故障時間間隔進行預測,并提出基于IAALO-SVM和相似度度量的新方案。文獻[15]提出一種基于高斯白噪聲的模擬電路故障預測模型,該方法首先提取初始狀態和元件退化狀態下的時域輸出波形;然后基于卡爾曼濾波的噪聲估計原理,進行白噪聲估計,估計波形之間的變化,從更完整的信息中獲取更合理的故障指標;在此基礎上,根據新獲得的故障指標構建模擬電路的退化趨勢模型,通過粒子濾波對新模型進行模型自適應,并對模擬電路的剩余有用性能進行預測。

綜上所述,現有模擬電路健康狀態評估和預測的方法主要是利用粗粒度數據得到電路健康狀態,電路健康狀態數據利用率較低,狀態評估結果對專家經驗依賴性較強,缺乏對電路健康狀態的量化。同時,現有預測模型未能充分利用電路的時域特征狀態數據,導致預測精度未能滿足實際需求。

針對以上問題,本文提出一種基于敏感權重加權馬氏距離的BUCK電路健康狀態評估方法,實現對電路健康狀態的量化并得到電路的健康度。首先,構建電路Pspice仿真模型,并提取四種時域信號特征;其次,利用加權馬氏距離評估電路的健康度;最后,在此基礎上,構建基于NARX神經網絡的BUCK電路健康預測模型。

評估的目的是掌握設備當前時間段的健康狀態,預測的目的是掌握設備未來一段時間的健康狀態。評估與預測結合可以掌握設備全生命運行周期的健康狀態。本文BUCK電路的健康狀態評估與預測流程見圖1。

圖1 BUCK電路健康評估與預測流程

1 BUCK電路工作原理及研究基礎

列控車載設備是列車運行控制系統的關鍵組成部分,也是實現列車自動運行全過程控制中必不可少的組成部分。高鐵列控車載設備中包含大量的電子部件、傳輸部件和感應部件。以CTCS2-200H型列控車載設備中典型功能單元部件應答器傳輸模塊(balise transmission module,BTM)為例,BTM安裝在車體內部,由電源板、發射板、接收板、解碼板、通信板和記錄板組成。其中,電源板負責為其他板卡供電,可以看作整個BTM模塊的“心臟”,它的性能直接決定整個部件的運行質量。同時,從BTM的主要失效模式看,如果電源板發生故障,將輸出緊急制動指令的嚴重后果,這是嚴重度等級最高的故障[16]。同樣,在其他車載設備中,如安全計算機、軌道電路信息接收模塊等,電源板為所在模塊的其他部件供電,若其發生故障,將導致整個設備甚至系統功能異常。BUCK電路作為一種典型的電力電子電路,其通常是電機驅動器和電源模塊的重要組成部分。因此,通過研究BUCK電路健康度評估與預測,有助于提升高鐵列控車載設備電源板的可靠性。典型的BUCK電路原理見圖2。

圖2 BUCK電路原理

現有研究表明,電力電子電路的性能退化主要原因是元器件失效,包括電解電容、MOSFET、電感和電阻等。相關文獻對單個元件的失效機理、失效模型及故障特征參數等均有成熟的研究成果,本文不再贅述。電力電子電路元件故障率統計結果見表1[17-18]。

表1 電力電子元件故障率統計 %

由表1可知,電解電容、開關管MOSFET和電感、電阻故障占比較高,二極管故障占比很低。因此,本文實驗中將二極管視為理想器件,僅考慮電解電容、MOSFET和電感、電阻性能參數的變化對電路健康狀態的影響。文獻[19]的研究表明,模擬電路中約80%的故障為單個元件發生的故障,因此,本文僅考慮單個元件性能參數變化對電路健康狀態的影響。在現有研究的基礎上,選用電容等效串聯電阻值ESR和電容值C作為反映電容性能的特征參數,閾值電壓Vto為MOSFET的性能特征參數,電感值L為電感的性能特征參數。在實驗部分,本文通過改變元件的性能特征參數來模擬元件的失效情況,通過分析輸出端電壓的時域特征,進而研究元件性能參數的改變對電路健康狀態的影響。

2 基于加權馬氏距離的BUCK電路健康度評估與預測

本文選取電路響應輸出電壓信號的均值、均方根差、峭度和紋波電壓四種時域特征組成電路健康特征矩陣。計算未知狀態樣本特征矩陣與健康狀態樣本特征矩陣間的敏感度,將其記為加權馬氏距離中的權值,并在此基礎上得到待測樣本與健康樣本之間的加權馬氏距離,并在本文中將其定義為電路的健康度。基于“3σ”原則,獲取電路健康閾值、預警值和故障閾值,將電路健康度與所得閾值進行比較,即可完成對電路健康狀態的評估。根據得到的電路健康度,構建基于NARX神經網絡的BUCK電路健康度預測模型。

2.1 基于加權馬氏距離的健康指示器生成與健康閾值計算

2.1.1 傳統馬氏距離

馬氏距離(mahalanobis distance,MD)是一種基于變量之間相關性的距離度量,用來表示數據的協方差距離。MD測量多維空間中的距離,同時考慮到可能存在的變量或特征之間的相關性。與歐式距離等其他相似度測量相比,MD不僅考慮了平均值,而且考慮了被測變量的方差和協方差,同時,MD是無量綱的,能體現特征之間關聯性并排除相關性干擾,獨立于測量尺度。因此,MD在多變量異常檢測、高度不平衡數據集分類等方面具有出色的應用。

設一個大小為i×j的樣本集P,則樣本均值μp為

μp=[μ1,μ2,…,μj]

(1)

(2)

式中:Pnj為樣本集第n行第j列個元素,n?i。樣本集P的協方差為S。則對于一個X=[x1,x2,…,xj]的未知樣本來說,其到樣本集P的馬氏距離DM(X)為

(3)

使用MD進行計算時要求樣本集的協方差矩陣必須滿秩,即要求數據要有原維度個特征值,否則將導致MD無法計算。

2.1.2 基于加權馬氏距離的健康指示器生成

MD為各個特征量賦予相同權重,未考慮各個特征對電路因參數性故障而導致性能變化的敏感程度。因此在對電路進行健康評估時,應考慮為不同的特征量賦予不同的權重,使它們能夠正確表征該特征對電路發生參數性故障時電路健康狀態變化的敏感程度。

(4)

在實際模擬電路中,特征量對正常態變化的敏感程度有所不同,理應賦予對健康狀態變化敏感的特征量更高的權重。本文將測試樣本中未知狀態的特征量與正常狀態偏離時的特征量間的偏離程度定義為敏感度,計算得到單個特征的敏感度,在此基礎上利用加權平均法得到該特征值的權重。設未知狀態樣本向量有s個,電路中各個元件均處于標稱值,即健康狀態,該狀態下的特征向量為XH=(x1x2…xs),未知狀態電路的特征向量為Y=(y1y2…ys),則第k個特征量對健康狀態的敏感度mk為

mk=|yk-xk|/|xk|

(5)

基于敏感度的第k個特征量的權重值wk的計算式為

(6)

基于敏感度的加權馬氏距離可以為對電路健康狀態變化明顯的特征量,在計算與健康樣本的加權馬氏距離時賦予更高的權重,從而提高對電路性能發生改變時的監測效率,為后續對電路健康度進行預測提供數據支撐。

健康指示器(health indicator,HI)是一種反映電路健康狀態的指標,電路健康狀態發生變化,健康指示器能追蹤并定量表示這種變化。在本文中將計算得到的樣本加權馬氏距離定義為電路的健康指示器,也即電路的健康度。該數值偏離正態化健康樣本的均值越大,表明該電路距離健康狀態越遠。

2.1.3 健康特征提取

對于一批同型號的BUCK電路,測得它們在同一時刻的電壓輸出,選取四種時域特征作為電路健康狀態特征集,包括:輸出端電壓的平均值a、均方根差σ、峭度值ku和紋波電壓r,其計算式和含義如表2所示。

表2 四種時域特征計算式及含義

2.1.4 基于“3σ”原則的健康閾值計算

本文采用概率方法定義電路預警和故障閾值的健康度值[21]。由“3σ”原則可知,若一個數據集中的數據服從正態分布,其數據落在3σ區間[μ-3σ,μ+3σ]外的概率是0.3%,落在2σ區間[μ-2σ,μ+2σ]外的概率是4.5%,落在σ區間[μ-σ,μ+σ]外的概率是31.7%,其中μ為健康狀態數據集的均值,σ是健康狀態數據集的均方根差。選擇μ±σ為健康閾值,μ±2σ為預警值,μ±3σ為故障閾值。通過Box-cox冪變換將未知樣本數據集正態化。將正態化后的加權馬氏距離的值與得到的閾值進行比較即可得到樣本的健康狀態。由“3σ”原則劃分的健康狀態評估見圖3。

圖3 基于“3σ”原則的健康狀態評估

當得到電路的某一時刻的健康度后即可判定該值落在健康狀態評估圖中的具體區域中,從而實現對電路健康狀態的評估。

2.2 基于NARX神經網絡的健康度預測模型

非線性自回歸有源(nonlinear autoregressive with external inputs,NARX)神經網絡是遞歸神經網絡的一種。NARX網絡兼具時間序列回歸模型和非線性動態神經網絡的優點,非常適合結構復雜的非線性、時變系統的時間序列預測建模,日益成為非線性動態系統中應用廣泛的一種神經網絡[22]。

與傳統的回歸神經網絡相比,NARX神經網絡包含了更長時間的網絡歷史和實時狀態信息,因而可以實現更長時間尺度的學習和預測[23]。NARX神經網絡可以被定義為

y(n+1)=f(y(n),…,y(n-d(y)+1);

u(n+1),…,u(n-d(u)+1))

(7)

式中:u(n)、y(n)分別為NARX神經網絡在離散時間步n時刻的輸入;f為NARX網絡的非線性激活函數;d(u)、d(y)分別為輸入記憶單元和輸出記憶單元的延時階數。該神經網絡模型的向量形式為

H(n+1)=[f(y(n),u(n),ω)]

(8)

式中:u(n)和y(n)分別為輸入回歸器和輸出回歸器;ω為網絡層間權重;f為非線性函數。帶有三層隱藏層的NARX神經網絡的結構見圖4。

圖4 NARX神經網絡結構

圖4中,Z-1為離散化函數;MLP為多層感知機。

NARX神經網絡第i個隱藏層節點的輸出hi計算式為

(9)

NARX神經網絡第j個節點輸出層的輸出uj計算式為

(10)

3 實驗驗證及結果分析

本節將通過仿真實驗得到電路健康狀態數據集和測試數據集;基于加權馬氏距離得到實驗電路健康度并完成對電路健康狀態的評估;構建基于NARX神經網絡的BUCK電路健康度預測模型,并進行對比實驗,驗證所提模型的可用性與有效性。

3.1 健康狀態特征提取

定義電路在各個組成元件均處于標稱值時的運行狀態為電路的健康狀態,并且做出如下假設:

1)實驗電路僅發生參數性故障,不發生結構性故障,即電路的拓撲結構未發生改變。

2)選取的電路響應信號時域特征能真實、全面地反映電路的健康狀態。

3)仿真模擬的退化過程與真實退化過程相同,且僅反映在電路中器件性能特征參數的改變上。

4)電路元件每隔一段時間的性能變化僅反映在性能參數的變化上,仿真實驗改變其特征參數即能復現這種變化。

在實驗部分,開關管MOSFET型號選用IRF840,二極管選用MUR105,電感值L設為500 μH,電容值C設為50 μF,電阻ESR為電容C的等效串聯電阻,等效電阻ESR值設為0.1 Ω,負載電阻R設為10 Ω,激勵信號方形波占空比設為50%、開關管MOSFET頻率設為20 kHz,輸入電壓U設為24 V,電容、電感和電阻的容差均設置為5%。在理想條件下,該電路將24 V輸入電壓轉化成12 V輸出電壓。由于實際中器件無法達到理想條件,導致輸出電壓會略低于12 V。

在仿真環境中對BUCK電路做100次高斯分布的蒙特卡洛仿真分析(即監測100個具有相同參數設置的健康BUCK電路),監測輸出電壓并獲取穩態時的波形數據。在仿真條件下,將電路溫度設為27°,仿真時間設置為10單位,選取每組實驗相同時間段的1 000個輸出電壓數據作為原始數據。計算實驗數據的平均值、紋波、峭度和均方根差,將得到的四種時域特征值組成電路健康特征集。計算健康特征集樣本的馬氏距離集MDS。通過Box-cox冪變換將MDS正態化,得到MDS正態化的均值和方差 。健康特征集的MD值和正態化后MD值見圖5。

圖5 健康集MD值

對圖5中健康集MD值進行正態化,正態化后均值μ=1.732 2,標準偏差σ=1.365 9,根據2.2節中健康界限劃分的有關方法得到該電路的健康線、預警線和故障線的值。

本文對BUCK電路的健康狀態評估實驗考慮單個器件參數改變時的情況。因此,測試驗證的樣本集選取方法為:

1)實驗集1:設置ESR值從0.1 Ω增大到0.2 Ω,L、C均取容差為5%,每組實驗ESR值增加0.001 Ω,并進行10次蒙特卡洛仿真所得輸出數據,共得到1 000組電解電容有關ESR變化的輸出電壓數據。

2)實驗集2:設置電感值L從500 μH減小到300 μH,C、ESR均取容差為5%,每組實驗L增加2 μH,并進行10次蒙特卡洛仿真所得輸出數據,共得到1 000組電感有關電感值變化的輸出電壓數據。

3)實驗集3:設置電容值C從50 μF減小到30 μF,L、ESR均取容差為5%,每組實驗電容值C為0.2 μF,并進行10次蒙特卡洛仿真所得輸出數據,共得到1 000組電解電容有關電容值變化的輸出電壓數據。

4)實驗集4:設置IRF840閾值電壓值Uto從3.247 V增加到3.747 V,每組實驗增加Uto值0.005 V,并進行10次蒙特卡洛仿真,C、L、ESR均取容差為5%,每次測試做10次蒙特卡洛仿真所得輸出數據,共得到1 000組MOSFET有關Uto變化的輸出數據。

3.2 基于加權馬氏距離的電路健康狀態評估

獲得實驗集樣本數據后分別計算每組樣本與健康樣本之間的加權馬氏距離,將其正態化得到電路的健康度。仿真實驗是對每個參數進行10次蒙特卡洛仿真,每組實驗共設置100個參數值,參數的變化用來模擬電路元件在經歷過一個時間節點后參數值的改變,時間節點與真實時間間隔的量化關系與元件性質有關。將每個參數值下10組數據的均值作為該時間節點下電路的健康度。四組實驗每組100個不同元件參數值下得到的電路的健康度和正態化健康度值見圖6。

圖6 ESR、L、C、Uto變化電路MD值

從單個元件性能參數變化對電路健康度影響的結果圖中可以看出,電路的健康狀態會隨著電路使用時間的增加而發生變化,這種變化在仿真實驗中通過改變元器件參數值來模擬。由式(4)可知,如果實驗樣本與健康狀態樣本數據較為接近,數據差異較小,計算得到的樣本加權馬氏距離值會比較小;當樣本數據與健康狀態數據差異過大時,則計算得到的加權馬氏距離值比較大。因此,電路的健康狀態隨健康度值的增大而下降。說明本文所選的特征參數和評估模型能夠跟蹤電路的健康狀態變化并進行定量表征。

將實驗結果代入健康狀態評估模型中即可判斷該參數下電路的健康狀態。四組實驗結果如圖7所示。圖中綠色線為2.2節中得到的健康閾值,黃色線為預警值,紅色線為故障閾值,若點落在紅色線外即說明該時刻和參數值下電路處于故障狀態。

從圖7中看出,隨著元件性能參數值的改變,電路的健康狀態也會發生變化,ESR的變化最明顯,說明電解電容等效串聯電阻對電路健康狀態影響最大,電容值和電感值的改變影響大小次之,MOFET閾值電壓Uto的改變對電路健康狀態影響最小。

3.3 基于NARX神經網絡的BUCK電路健康度預測模型

將ESR值變化得到的100組電路的健康度數據集作為預測模型的原始數據集。電路中單個元件的性能參數會隨著使用時間的增加而發生變化,這種變化會導致電路健康度的變化。因此,電路的健康度數據本質上是一種時間序列;同時,電路下一時刻的健康度與上一時刻的健康度有關。

本文中NARX神經網絡預測模型中引入兩個時間序列:所需預測的電路健康度序列和時間節點序列。采用時間節點預測具有簡化時間量綱、方便量化電路剩余使用壽命等特點。NARX預測模型有兩種架構,串并聯架構和并行架構。串并聯架構將輸出的實際值作為輸出回歸器中的反饋值,并行架構將估計輸出值作為輸出回歸器中的反饋值[23]。本文選用串并聯架構的NARX神經網絡模型。

選取本文3.2中ESR樣本電路健康度數據集對預測模型進行驗證。ESR數據集共有100條數據,前70個數據作為訓練集,后30個數據作為測試集。NARX神經網絡

輸入層延時階數設為2,反饋層延時階數設為2,隱藏層神經元個數設為10,時間節點作為外部輸入變量,模型架構為串并聯架構,采用萊文伯格-馬夸特(Levenberg Marquardt,LM)算法對網絡權值進行更新。網絡層間權重系數ω的更新計算式為

ωn+1=ωn+Δω

(11)

(12)

(13)

式中:ωn+1和ωn分別為第n+1和第n次迭代時網絡層間權重系數;Jn為Jacobi矩陣;En為誤差函數;ei(x)為誤差;Hn為En的Jacobi矩陣;I為單位矩陣;μ為不小于0的比例系數。當比例系數μ為0時,L-M算法退化為Gauss-Newton法;當μ很大時,L-M算法則接近梯度下降法。由于L-M算法在更新參數時包含了誤差函數的二階導數,該算法可以得到更快的收斂速度[24-25]。因此,本文采用該算作為網絡權值更新算法。

在模型訓練階段,以開環(串并聯架構)對網絡進行訓練,包括測試和驗證步驟。在訓練階段得到開環網絡的輸出Y、最終輸入狀態Xf和最終層狀態Af。為了預測后30個時間節點的輸出,在閉環模式下模擬網絡,將開環網絡的最終輸入狀態Xf和最終層狀態Af作為閉環網絡的初始輸入狀態Xic和Aic,預測得到后30個時間節點的電路健康度。本文選用均方根差eRMSE作為評估預測模型性能好壞的指標,其計算式為

(14)

式中:yi為后20個時間節點電路健康度的實際值;ypi為模型的預測值;n為時間節點的個數,在本文中n=20。

對該模型進行多次訓練,保存均方根差值最小的模型,用該模型進行預測。同時,對比模型也采用此種方式進行預測。NARX神經網絡模型最終預測結果見圖8。

圖8 NARX模型預測結果

NARX模型在第71個時間節點時開始預測。根據電路健康狀態評估部分結論,電路健康度等于故障預警值時,電路為故障狀態,即正態化MD值等于5.829 9。由圖8可知,在第72個時間節點時,模型預測電路健康度為5.883 8,超過故障閾值,實際情況為電路在第72個時間節點健康度為5.884 7,超過故障閾值,預測結果與實際情況相符。由此可見,本文提出的基于NARX的預測模型可以準確預測電路的健康狀態和失效節點,對于指導實際工況下維修人員開展維護活動具有積極意義。

將NARX神經網絡模型性能與其他模型進行比較。本文選擇非線性自回歸(NAR)神經網絡、長短時記憶(LSTM)神經網絡和極限學習機(ELM)三種模型做對比實驗以驗證本文提出的NARX神經網絡預測模型的性能優異。

NARX神經網絡模型預測結果的RMSE為0.007 1,相較NAR神經網絡、LSTM神經網絡和ELM的預測結果,NARX神經網絡模型預測誤差精度分別提高了54.78%、74.73%和76.17%,驗證了本文所提模型的可用性與有效性。各個模型預測的結果和性能對比見表3和圖9。

表3 組合模型和其他模型RMSE

圖9 預測結果對比

4 結論

(1)本文根據BUCK電路拓撲結構建立仿真實驗模型,通過改變單個元件的性能參數,研究其對電路整體健康度的影響,并對電路未來一段時間的健康度進行預測。

(2)本文提出基于敏感度的加權馬氏距離健康評估方法,在傳統馬氏距離的基礎上,將實驗樣本中未知狀態的特征量與正常狀態偏離時的特征量間的偏離程度定義為敏感度,在敏感度的基礎上利用加權平均法得到該樣本的權重,進而計算出該樣本相對于健康樣本集的加權馬氏值,將該值作為BUCK電路的健康度。依據“3σ”原則,將樣本健康度與相應的健康值、預警值和故障值做比較,即可得到該時刻下電路的健康度。

(3)以ESR樣本集的健康度數據作為實驗樣本,對所提出的基于NARX神經網絡BUCK電路健康度預測模型進行驗證。結果表明,NARX神經網絡模型預測結果RMSE為0.007 1,相比于非線性自回歸神經網絡、長短時記憶神經網絡和極限學習機的預測結果,NARX神經網絡模型預測誤差精度分別提高了54.78%、74.73%和76.17%,驗證了本文所提模型的可用性與有效性。

本文提出的基于NARX神經網絡BUCK電路健康度預測模型具有一定的實用性,但是仍有不足之處。首先本文僅考慮單個元件故障對電路健康度的影響,未考慮多個元件性能參數發生改變對電路健康狀態的影響。其次,本文僅采用仿真數據對所提健康評估與預測方法進行驗證。今后的研究將重點考慮不同組合的元件性能參數發生改變時對電路健康狀態的影響,同時引入電路真實失效數據進行驗證。