一种电子器件性能退化趋势的预测方法与流程

本发明属于子元器件可靠性
技术领域：
，更为具体地讲，涉及一种电子器件性能退化趋势的预测方法。
背景技术：
：伴随大数据、云计算和工业互联网的飞速发展，电子器件的智能化故障诊断和健康管理因其资源和相关服务共享的优势近年来备受关注。同时，伴随智能化健康管理的发展，电子设备与健康管理平台间的信息交互速度变快，信息规模变大。这一方面，设备大数据的获取有助于提升预测的精度。另一方面电子设备的性能退化趋势数据属于实时流，具有数据逐条输出、吞吐量较其他预测场景下的批数据明显较低、对预测模型的时延要求严格等特征，这对性能退化趋势模型的设计提出了新的挑战。如何高速地获取精确地预测结果成为工业4.0背景下的技术难题之一。现有的实时流预测方法多是采用神经网络对电子设备地历史信息进行离线训练得到预测模型，再利用预测模型进行在线地预测。然而，对于多数电子器件，其性能退化趋势在早期并不明显，早期地历史信息不能完全反映其退化规律，因此在性能退化趋势的预测上存在了较大地误差。另一方面，由于现有的方法采用的预测模型在训练过程中需要多次调整网络参数，训练的时间较长，因此在实时流故障趋势预测的应用上存在时延较大的缺点。与传统的神经网络不同，在线极限学习机由于其模型简单和无需调整隐藏层参数等特点具有快速、准确的特点。因此近年来，该模型及相关的改进方法被广泛用于实时诊断中。然而该类方法在建立模型时考虑器件全部历史信息的统计规律。在器件发生退化时，预测结果会受到器件健康状态信息以及早期退化信息的影响，导致预测结果无法很好地反映当前的性能退化趋势。同时，由于在线学习机采用了最小均方准则作为输出层训练依据，其预测模型容易受到非高斯噪声和奇异值的影响，导致预测效果降低。技术实现要素：本发明的目的在于克服现有技术的不足，提供一种电子器件性能退化趋势的预测方法，通过动态相关熵极限学习机在线更新方式，构建编码本机制来识别历史数据中的奇异值，剔除奇异值在预测模型中的影响后，能够准确、快速预测出电子器件的性能退化趋势。为实现上述发明目的，本发明一种电子器件性能退化趋势的预测方法，其特征在于，包括以下步骤：(1)、离线建立初始相关熵极限学习机的预测模型(1.1)、获取被测电子器件的历史数据{xi,yi}，其中，i＝1,2,…,k-1，k-1表示实时预测前的历史数据个数，xi为被测电子器件的第i个时刻的实时数据，yi为xi对应的期望退化趋势特征；(1.2)、随机生成相关熵极限学习机的隐藏层权重{w1,w2,…,wm}和偏置{b1,b2,…,bm}，其中，m表示隐藏层权重的维数，m表示偏置个数；(1.3)、计算历史数据下的隐藏层输出h(k-1)；其中，t表示转置，g(w1,b1,x1)表示第1个历史数据在第1个隐藏层节点下的输出；(1.4)、计算历史数据下的输出层输出；其中，ei为第i个时刻模型预测值与真实值的误差，σ为相关熵方差；t(k-1)为电子器件在第k-1时刻的历史真实输出值；(1.5)、初始化相关熵极限学习机的编码本；设置编码本的长度lw：lw＝min{lmax,k-1}其中，lmax为编码本使用的最大长度；记录编码本中的信息：其中，wcb为编码本中数据的预测误差，hcb为对应数据的隐藏层输出，acb为编码本中数据的相关熵值，tcb为编码本中数据的实际输出，为编码本中第lw个数据对应的隐藏层输出，为编码本中第lw个数据对应的实际输出；(1.6)、计算奇异值估计的信息；其中，为奇异值估计的方差，α为奇异值估计阈值，λ1、λ2、λ3为常数；(2)、采集被测电子器件在第k个时刻的实时数据xk，作为预测模型的输入；(3)、基于预测模型，计算第k个时刻输入的实时数据xk所对应的隐藏层输出h(k)；h(k)＝{g(w1,b1,xk),g(w2,b2,xk),…,g(wm,bm,xk)}(4)、计算第k个时刻的预测结果y(k)；y(k)＝β(k-1)h(k-1)(5)、获取第k个时刻的实时数据xk的退化信息tk；(6)、利用第k个时刻的实时数据xk更新k(k)；(7)、计算第k个时刻的实时数据xk下的输出层输出β(k)；(8)、更新编码本中的信息；(8.1)、若编码本中的样本数量小于lmax，则信息更新编码本如下：(8.2)、若编码本中样本数量已经达到最大值lmax，则更新编码本如下：(9)、更新奇异值估计的信息；其中，为更新后奇异值估计的方差，为更新后奇异值估计阈值；(10)、提取历史数据中的奇异值信息；h*＝{hi|hi∈hcb,wi≥αm2}λ*＝diag{ai|ai∈acb,wi≥αm2}t*＝{ti|ti∈tcb,wi≥αm2}(11)、剔除奇异值信息在预测模型中的影响，得到第k个时刻的输出层输出β(k)，从而预测出被测电子器件在第k个时刻的性能退化趋势；β(k)＝(k(k)-h*tλ*h*)-1(k(k)β(k)-h*tλ*t*)。本发明的发明目的是这样实现的：本发明一种电子器件性能退化趋势的预测方法，通过离线建立初始相关熵极限学习机的预测模型，并对动态动态相关熵极限学习机在线更新，构建与奇异值相结合的编码本机制，进而来识别历史数据中的奇异值，从而克服数据中噪声和奇异值对预测模型的影响，提升预测模型的最终预测效果。同时，本发明一种电子器件性能退化趋势的预测方法还具有以下有益效果：(1)、本发明构建了动态相关熵极限学习机，能够用于克服数据中噪声和奇异值对预测模型的影响；(2)、本发明通过剔除奇异值在预测模型中的影响，能够准确、快速预测出电子器件的性能退化趋势；(3)、本发明具有动态更新快，预测效果好，鲁棒性高的特点。附图说明图1是本发明一种电子器件性能退化趋势的预测方法流程图；图2是光电耦合器的预测效果图；图3是光电耦合器的预测精度比较图。具体实施方式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。实施例图1是本发明一种电子器件性能退化趋势的预测方法流程图。在本实施例中，如图1所示，本发明一种电子器件性能退化趋势的预测方法，包括以下步骤：s1、离线建立初始相关熵极限学习机的预测模型s1.1、获取被测电子器件的历史数据{xi,yi}，其中，i＝1,2,…,k-1，k-1表示实时预测前的历史数据个数，xi为被测电子器件的第i个实时数据，yi为xi对应的期望退化趋势特征；s1.2、随机生成相关熵极限学习机的隐藏层权重{w1,w2,…,wm}和偏置{b1,b2,…,bm}，其中，m表示隐藏层权重的维数，m表示偏置个数；s1.3、计算历史数据下的隐藏层输出h(k-1)；其中，t表示转置，g(w1,b1,x1)表示第1个历史数据在第1个隐藏层节点下的输出；s1.4、计算历史数据下的输出层输出；其中，ei为第i个时刻模型预测值与真实值的误差，σ为相关熵方差；t(k-1)为电子器件在第k-1时刻的历史真实输出值；s1.5、初始化相关熵极限学习机的编码本；设置编码本的长度lw：lw＝min{lmax,k-1}其中，lmax为编码本使用的最大长度；记录编码本中的信息：其中，wcb为编码本中数据的预测误差，hcb为对应数据的隐藏层输出，acb为编码本中数据的相关熵值，tcb为编码本中数据的实际输出，为编码本中第lw个数据对应的隐藏层输出，为编码本中第lw个数据对应的实际输出，即退化信息；s1.6、计算奇异值估计的信息；其中，为奇异值估计的方差，α为奇异值估计阈值，med(·)表示中位数计算；s2、采集被测电子器件在第k个时刻的实时数据xk，作为预测模型的输入；s3、基于预测模型，计算第k个时刻输入的实时数据xk所对应的隐藏层输出h(k)；h(k)＝{g(w1,b1,xk),g(w2,b2,xk),…,g(wm,bm,xk)}s4、计算第k个时刻的预测结果y(k)；y(k)＝β(k-1)h(k-1)s5、获取第k个时刻的实时数据xk的退化信息tk；s6、利用第k个时刻的实时数据xk更新k(k)；s7、计算第k个时刻的实时数据xk下的输出层输出β(k)；s8、更新编码本中的信息；s8.1、若编码本中的样本数量小于lmax，则信息更新编码本如下：s8.2、若编码本中样本数量已经达到最大值lmax，则更新编码本如下：s9、更新奇异值估计的信息；s10、提取历史数据中的奇异值信息；h*＝{hi|hi∈hcb,wi≥αm2}λ*＝diag{ai|ai∈acb,wi≥αm2}t*＝{ti|ti∈tcb,wi≥αm2}s11、剔除奇异值信息在预测模型中的影响，得到第k个时刻的输出层输出β(k)，从而预测出被测电子器件在第k个时刻的性能退化趋势；β(k)＝(k(k)-h*tλ*h*)-1(k(k)β(k)-h*tλ*t*)。实例为说明本发明的技术效果，现采用光电耦合器直流电流传输比实时流预测为例对本发明进行验证。光电耦合器是一种以光为媒介传输电信号的一种电能与光能转换的电子元件，用于隔离输入和输出的电信号。光电耦合器的直流电流传输比可以有效的反映器件的健康状态。为验证本发明的有效性，通过本发明方法建立预测模型，对光电耦合器退化状态下的实时流数据进行趋势的预测。同时，将本发明所述方法与相关熵极限学习机(rcc-elm)、在线极限学习机(mos-elm)、m估计在线极限学习机(mos-elm)，生存误差极限学习机(esep-elm)进行比较。其离线训练精度和在线训练精度如表1所示。算法rcc-elmesep-elmoselmmoselm本发明离线训练精度4.68e-051.88e-044.61e-054.68e-054.61e-05实时流预测精度6.76e-042.62e-041.91e-041.88e-049.65e-05表1由表1可以看出，本发明产生的预测模型可以达到最优的离线训练精度和实时流下的预测精度。通过图2中各模型产生的预测曲线比较可以看出，离线预测方法rcc-elm由于仅对离线数据进行了训练，因此无法准确捕捉光电耦合器在退化时的数据规律，因此几乎无法进行可靠的预测。esep-elm、oselm、mos-elm可以有效的对模型进行合理预测，然而受到数据中的噪声影响，预测结果波动较大，在部分节点上存在较大的误差。相比而下，本发明的方法克服了噪声的影响，预测曲线能够准确地反映故障的性能退化趋势，且预测曲线无较大的波动，预测效果稳定。图3比较了各个方法对各样本的预测误差，可以看出，五种方法在前10个样本点上的预测误差均较低，然而在后面的样本点信息可以看出rcc-elm,esep-elm,oselm和mos-elm均出现了预测精度降低的现象，而本发明的预测精度相对稳定并有降低，说明了算法具有稳定反映数据变化趋势的能力，提供可靠的预测结果。表2为五种算法在训练和预测上的时间比较，可以看出，本发明的预测模型训练时间较低，预测时间控制在0.5秒内，与其他实时算法相比也具有优势，可以很好的适应实时流情况下性能退化趋势预测的时间要求。算法rccelmesep-elmoselmmos-elm本发明测试时间(s)0.29720.051130.008150.037640.00964预测时间(s)0.036670.034620.50850.558030.45394表2尽管上面对本发明说明性的具体实施方式进行了描述，以便于本
技术领域：
的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本
技术领域：
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。当前第1页1 2 3